پایش و مدلسازی خشکسالی با استفاده از شاخص های سنجش از دوری و SPI در استان اصفهان

STUDENT

DEGREE

YEAR

Drought, as one of the most complex and destructive of natural phenomena, causes irreparable damage to different aspects of human life every year, such as economic, social, environmental, food safety and so on. Therefore, identifying the behavior and pattern of this destructive phenomenon in each region is necessary for appropriate decision making to reduce its damages. The main human tools available to achieve this goal are the types of drought indicators that are used depending on the different perspectives and aspects of the drought. The purpose of this study was to investigate the relationship between meteorological drought and the response of vegetation communities in Isfahan province using satellite images and a variety of remote sensing indices. For this purpose, Standard Precipitation Index (SPI) was used to identify meteorological droughts at 40 meteorological stations in the province and 18 remote sensing indices were used to monitor vegetation conditions. Initial results showed very low correlation between SPI and remote sensing indices. In this regard, all of the remote sensing indices were standardized on 1, 3, 6, 9, 12, 18, and 24 month time scales using the standardization technique and again evaluated with SPI index. The results showed that with standardization, the correlation between SPI and some remote sensing indices such as CTVI, NDVI, EVI, EVI 2, TTVI, SAVI and MSAVI increased significantly,especially for 18- and 24-month time scales.On the other hand, using the SPI index, the 2006 and 2008 limit years were identified as the wettest and driest years, respectively, and zoning maps of drought status and vegetation conditions were prepared for them.The results showed that, firstly, remote sensing indices respond to drought with a few months delay, and secondly, vegetation in western province is more sensitive to drought conditions than eastern province. The results of the Cross Corrolation showed that this delay is between 3 and 4 months, which decreases with the longer moisture history (18 and 24 months). Also in the modeling discussion it was found that while the Regression model (0.88Adjust R2) performs better than the Decision Tree (0.7 Adjust R2) in drought modeling, NDWI, II, MSAVI, MSI and NDDI indices are the most important alternative indicators of remote sensing for estimating the SPI 24. Keywords : Remote Sensing, Drought, Standardization, Cross Corrolation, Isfahan

خشکسالی به عنوان یکی از پیچیده‌ترین و مخرب‌ترین پدیده‌های طبیعی، هر ساله به جنبه‌های مختلف زندگی بشر همچون اقتصادی، اجتماعی، زیست محیطی، ایمنی تغذیه و غیره خسارات جبران ناپذیری وارد می‌کند. از این جهت شناسایی رفتار و الگوی این پدیده مخرب در هر منطقه لازمه تصمیم‌گیری مناسب جهت کاهش خسارات ناشی از آن می‌باشد. اصلی‌ترین ابزار در دسترس بشر به منظور نیل به این هدف، انواع شاخص‌های خشکسالی می‌باشد که بسته به دیدگاه‌ها و جنبه‌های مختلف خشکسالی مورد استفاده قرار می‌گیرند. در این مطالعه سعی شده است که ارتباط بین خشکسالی‌های هواشناسی و واکنش جوامع گیاهی استان اصفهان به کمک تصاویر ماهواره‌ای و انواع شاخص‌های سنجش از دوری مورد بررسی قرار گیرد. بدین منظور جهت شناسایی خشکسالی‌های هواشناسی از شاخص بارش استاندارد (SPI) در 40 ایستگاه هواشناسی استان و جهت پایش شرایط پوشش گیاهی از 18 شاخص سنجش از دوری استفاده گردید. نتایج اولیه حاکی از همبستگی‌های بسیار پایین بین شاخص‌های سنجش از دوری و شاخص SPI بود. از این لحاظ با استفاده از تکنیک استانداردسازی، تمامی شاخص‌های سنجش از دوری در مقیاس‌های زمانی 1، 3، 6، 9، 12، 18 و 24 ماهه استاندارد شدند و مجدداً با شاخص SPI مورد بررسی قرار گرفتند. نتایج نشان داد که با استانداردسازی، میزان همبستگی بین شاخص SPI و برخی از شاخص‌های سنجش از دوری مانند CTVI، NDVI، EVI، EVI 2، TTVI، SAVI و MSAVI به صورت قابل ملاحظه‌ای به ویژه برای مقیاس‌های زمانی بالا 18 و 24 ماهه افزایش داشت. از سوی دیگر با استفاده از شاخص SPI، سال‌های حدی 2006 و 2008 به ترتیب به عنوان مرطوب‌ترین و خشک‌ترین سال‌ها شناسایی و نقشه‌های پهنه‌بندی وضعیت خشکسالی و شرایط پوشش گیاهی برای آنها تهیه گردید. نتایج نشان داد که اولاً شاخص‌های سنجش از دوری با یک تأخیر چند ماهه نسبت به خشکسالی واکنش نشان می‌دهند و ثانیاً پوشش گیاهی غرب استان نسبت به شرایط خشکسالی حساس‌تر از شرق استان است. نتایج حاصل از همبستگی متقابل نشان داد که این تأخیر زمانی بین 3 تا 4 ماه می‌باشد که با در نظر گرفتن پیشینه رطوبتی بلند مدت‌تر (18 و 24 ماه) این مقدار تأخیر کاهش می یابد. همچنین در بحث مدلسازی مشخص شد که ضمن عملکرد بهتر مدل رگرسیون( 0.88Adjust R 2 )نسبت به درخت تصمیم (0.7 Adjust R 2 ) در مدلسازی خشکسالی، شاخص‌های NDWI، II، MSAVI، MSI و NDDI از مهمترین شاخص‌های جایگزین سنجش از دوری برای برآورد شاخص SPI بیست و چهار ماهه خواهند بود.