ارزیابی داده‌های ماهواره‌ای MODIS و TRMM در پایش خشکسالی حوضة آبریز دریاچة ارومیه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران

2 دانشیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران

3 دانش آموخته کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران

10.22108/gep.2019.115381.1115

چکیده

هدف پژوهش حاضر، ارزیابی داده‌های ماهواره‌ای یا سنجش از دور در پایش خشکسالی حوضة آبریز دریاچة ارومیه است. بدین منظور نخست داده‌های NDVI و LST سنجندة MODIS و داده‌های بارندگی ماهوارة TRMM در مقیاس ماهیانه از سال 2000 تا 2014 دانلود شد. پس از پردازش تصاویر، شاخص‌های خشکسالی VCI، TCI و PCI و شاخص‌های ترکیبی VHI، CI1، CI2 و CI3 برای ماه‌های مارس تا سپتامبر (فصل رشد) محاسبه شدند. برای اعتبارسنجی این شاخص‌ها، شاخص SPI در مقیاس‌های زمانی 3، 6 و 9 ماهه به کار رفت. نتایج به‌طور میانگین نشان داد شاخص ماهواره‌ای مطلوب برای پایش خشکسالی کشاورزی حوضة آبریز دریاچة ارومیه طی فصل رشد، VCI است. شاخص‌های SPI3، SPI6 و SPI9 بیشترین همبستگی را در ماه مارس به ترتیب با VCI و VHI، در ماه آوریل با PCI و CI1، در ماه می با TCI، CI3 و CI1، در ماه ژوئن و جولای با VCI و در ماه‌های آگوست و سپتامبر با TCI و VCI دارند. در ماه‌های می و آوریل شاخص‌های ترکیبی نتایج بهتری نسبت به شاخص‌های VCI و TCI ارائه کردند؛ درنتیجه شاخص‌های ترکیبی طی ماه‌های مرطوب (می و آوریل) نتایج بهتری را ارائه می‌کنند. همچنین نتایج طبقه‌بندی شدت خشکسالی حوضة آبریز دریاچة ارومیه براساس شاخص VCI طی فصل رشد (مارس تا سپتامبر) نشان داد در سال‌های 2000، 2008 و 2001 به ترتیب با 85/93، 93/91 و 72 درصد، بیشترین و در سال‌های 2010، 2007 و 2004 به ترتیب با 21/1، 06/2 و 33/5 درصد، کمترین خشکسالی (ضعیف تا بسیار شدید) در سطح حوضه روی داده است. با استفاده از شاخص‌های ماهواره‌ای مطلوب ارائه‌شده در پژوهش حاضر، امکان پیش‌بینی و برآورد منطقه‌ای پدیدة خشکسالی حوضة آبریز دریاچة ارومیه در ماه‌های مختلف فصل رشد یا طی فصل رشد و دستیابی به نتیجة بهتر وجود دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of MODIS and TRMM Satellite Data for Drought Monitoring in the Urmia Lake Basin

نویسندگان [English]

  • Sima Kazempour Choursi 1
  • Mahdi Erfanian 2
  • Zahra Ebadi Nehari 3
1 1 PhD Candidate in Watershed Management Sciences and Engineering, Faculty of Natural Resources, Urmia University, Urmia, Iran
2 2 Associate Professor in Watershed Management Engineering, Faculty of Natural Resources, Urmia University, Urmia, Iran
3 MSc Graduated in Watershed Management Engineering, Faculty of Natural Resources, Urmia University, Urmia, Iran
چکیده [English]

The aim of this study was to evaluate the capability of remote sensing data for drought monitoring of Urmia Lake Basin (ULB). For this purpose, the MODIS NDVI/LST data and TRMM satellite rainfall data were downloaded on monthly scale from 2000 to 2014. After data processing, drought indices including Temperature Condition Index (TCI), Vegetation Condition Index (VCI), Precipitation Condition Index (PCI), Composite indices include CI1, CI2, CI3 and Vegetation Health Index (VHI) were calculated for March to September (growing season). To validate the mentioned indicators, Standardized Precipitation Index (SPI) on different time scales (3, 6 and 9 months) was used. Results showed the VCI is the favorable satellite index for monitoring agricultural drought of the ULB during the growing season. SPI3, SPI6 and SPI9 have the highest correlation with the VCI and VHI in March, with PCI and CI1 in April, with TCI, CI3 and CI1 in May, with VCI in June and July, with TCI and VCI in August and September, respectively. Composite indicators presented better results than VCI and TCI in May and April. Therefore it can be concluded that composite indices can provide better results during the wet months (May-April). Also, Drought Severity classification results of the ULB based on VCI showed that highest drought with 93.85, 91.93 and 72 percent in 2000, 2008 and 2001, respectively, and the lowest drought with 1.21, 2.06 and 5.33 percent in 2010, 2007 and 2004 respectively has happened during the growing season (March to September) in the ULB. Using the optimum satellite indices presented in the present study, it is possible to predict and estimate the drought phenomena of Urmia Lake BASIN in different months of the growing season or during the growing season and obtain a better result.

کلیدواژه‌ها [English]

  • Drought
  • Urmia Lake
  • Composite indices
  • MODIS
  • TRMM

مقدمه

خشکسالی، پدیده‌ای پیچیده است که شدت آن به شرایط آب‌وهوایی منطقه و وضعیت تعادل آب و انرژی بستگی دارد. خشکسالی، معلول یک دوره شرایط آب‌وهوایی خشک و غیرعادی است که آثار آن بیشتر به تغییر پوشش گیاهی منجر می‌شود (Du et al., 2012: 1). خشکسالی به‌صورت مستقیم یا غیرمستقیم آثار سوء اجتماعی و اقتصادی دارد و آثار آن به‌طور کلی به محیطی، اقتصادی و اجتماعی دسته‌بندی می‌شود. در این میان، کشاورزی با توجه به وابستگی به آب، معمولاً نخستین بخشی است که از خشکسالی زیان می‌بیند. خشکسالی کشاورزی عبارت است از دوره‌ای که طی آن مقدار رطوبت خاک و محصول نهایی به‌طور چشمگیری کاهش می‌یابد. این نوع خشکسالی زمانی به وجود می‌آید که در فاصلة بین دو بارندگی، ذخیرة رطوبتی خاک در منطقة ریشه برای زنده‌ماندن محصولات کشاورزی و گیاهان طبیعی و مراتع کفایت نکند ( Tate, 2000: 25& Gustard). این وضعیت معمولاً دراثر نبود یا کمبود جریان رطوبت برای تغذیة منطقة ریشه (خشکسالی خاک) یا زمانی رخ می‌دهد که رطوبت نسبی هوا به اندازه‌ای کم است که رطوبت موجود خاک قادر به جبران میزان هدررفت رطوبت بر اثر تبخیر و تعرق نیست (خشکسالی جوی)؛ به بیان دیگر این نوع خشکسالی زمانی روی می‌دهد که رطوبت دردسترس خاک برای محصولات کشاورزی به سطحی برسد که باعث پژمردگی گیاه و آثار زیان‌بار برای میزان تولید محصول شود.

خشکسالی، یکی از پرهزینه‌ترین بلایای طبیعی است؛ زیرا به کاهش منابع آب و درنتیجه آثار چشمگیری بر فعالیت‌های کشاورزی، اقتصادی و اجتماعی منجر می‌شود (Riebsame et al., 1991: 79). شدت این پدیده به شرایط آب‌وهوایی منطقه و وضعیت تعادل آب و انرژی بستگی دارد. تغییرات آب‌وهوایی دراثر گرم‌شدن کرة زمین، الگوهای بارش در سطح جهان را تغییر داده (Pe˜nuelas et al., 2009: 887) و به شدیدترشدن خشکسالی در سال‌های اخیر انجامیده است.

برای ارزیابی خشکسالی و تعیین شدت و وسعت آن، از شاخص‌های مختلفی استفاده می‌شود. بیشتر این روش‌ها مبتنی بر داده‌های زمینی است و خشکسالی را به‌صورت نقطه‌ای برآورد می‌کنند. در بیشتر مطالعات انجام‌شده تاکنون از روش‌های زمین‌آماری برای تعمیم اطلاعات نقطه‌ای به سطح استفاده شده است. درون‌یابی مکانی مقادیر شاخص‌های خشکسالی، اطلاعات ارزشمندی را در شرایط فعلی خشکسالی در اختیار قرار می‌دهد؛ با این حال عدم قطعیت زیادی ممکن است وجود داشته باشد؛ چون عوامل زیادی بر فرایند درون‌یابی تأثیر می‌گذارد؛ بنابراین سنجش از دور که برای استخراج ویژگی‌های هواشناسی یا بیوفیزیکی سطوح زمین استفاده می‌شود، درزمینة پایش خشکسالی توجه بسیاری از پژوهشگران را به خود جلب کرده است. در مناطقی که با کمبود یا نبود ایستگاههای زمینی مواجه‌اند، استفاده از داده‌های سنجش از دور ممکن است تنها منبع دردسترس برای پایش پدیدة خشکسالی باشد. ماهواره‌هایMODIS[1]  (اسپکترورادیومتر تصویربردار با قدرت تفکیک متوسط) و TRMM[2] (مأموریت اندازه‌گیری باران مناطق گرمسیری) با قابلیت دسترسی آسان، ازجمله داده‌های مبتنی بر سنجش از راه دور هستند که به‌منظور پایش خشکسالی استفاده می‌شود (Li al., 2010: 44). ماهوارة TRMM داده‌های بارش را با قدرت تفکیک مکانی و زمانی مختلف برای کل جهان ارائه می‌کند؛ بنابراین در مناطق بدون باران‌سنج کاربرد فراوانی دارد (Gupta et al., 2014: 4422). پس از راه‌اندازی ماهوارة TRMM، مطالعات متعددی درزمینة ارزیابی و کالیبراسیون تولیدات بارش این ماهواره انجام شده است؛ با این حال پژوهش‌های کمتری وجود دارد که کارایی این مجموعه داده در پایش خشکسالی را گزارش کند. در میان شاخص‌های ماهواره‌ای، شاخص تفاضل نرمال‌شدة پوشش گیاهی NDVI[3]، یکی از معروف‌ترین شاخص‌هاست و به‌طور گسترده در پایش خشکسالی استفاده می‌شود (Son et al., 2012: 418).

 

پیشینة پژوهش

تاکنون سازمان‌های مرتبط فعالیت‌های مختلفی را درزمینة پایش و پیش‌بینی پدیدة خشکسالی انجام داده‌اند. یکی از روش‌ها، استفاده از شاخص‌های به‌دست‌آمده از اطلاعات ماهواره‌ای است (زمانیان و همکاران، 1391: 44).

جهانبخش و همکاران (1388) با استفاده از شاخص‌های مربوط به خشکسالی کشاورزی، تغییرات پوشش گیاهی دشت سراب را ارزیابی و دو دورة خشکسالی (1380) و ترسالی (1383) را تحلیل کردند. آنها در مطالعة خود از تصاویر سنجندة ETM+ و ماهوارة SPOT بهره بردند. نتایج نشان‌دهندة چشمگیربودن تغییرات شاخص سلامت گیاه ([4]VHI) به‌ویژه در مناطق زیر کشت دیم بوده است.

شمسی‌پور و همکاران (1389) کارایی شاخص‌های گیاهی و حرارتی شامل شاخص تفاضل نرمال‌شدة پوشش گیاهی NDVI، شاخص وضعیت گیاه ([5]VCI) و شاخص سلامت گیاه (VHI) ماهوارة NOAA را بین سال‌های 1998 و 2004 در منطقة بیابانی و خشک کاشان بررسی کردند. آنها با توجه به ردیابی مناسب پوشش سطحی با شاخص‌های پوشش گیاهی و حساسیت مناسب شاخص‌های حرارتی به تغییرات دمایی محیط، بهره‌گیری از داده‌های سنجش از دور ماهواره‌ای را در مطالعات محیطی مناطق خشک و بیابانی توصیه کردند.

باعقیده و همکاران (1390) شاخص NDVI را در تحلیل خشکسالی استان اصفهان در دورة آماری 1997 تا 2003 بررسی کردند. آنها بدین منظور از تصاویر ماهوارة NOAA و داده‌های بارش ایستگاه‌های زمینی بهره بردند. نتایج حاصل از همبستگی نشان داد NDVI، جایگزین مناسبی برای شاخص‌های اقلیمی در ارزیابی خشکسالی‌هاست.

رضایی ‌مقدم و همکاران (1391) کارایی شاخص وضعیت گیاه (VCI) و وضعیت دمای ([6]TCI) به‌دست‌آمده از ماهوارة MODIS را در برآورد خشکسالی حوضة دریاچة ارومیه ارزیابی کردند. نتایج آنها نشان داد تصاویر ماهوارة MODIS، جایگزین مناسبی برای شاخص‌های هواشناسی در برآورد خشکسالی است. آنها با توجه به اینکه تصاویر ماهواره‌ای نسبت به روش‌های هواشناسی مزایایی همچون تعداد نقاط نمونه‌برداری بیشتر، سطح پوشش وسیع‌تر، قدرت تفکیک زمانی بیشتر و هزینة کمتر دارند، استفاده از دانش سنجش از دور را پیشنهاد کردند.

در مطالعه‌ای میرموسوی و کریمی (1392) به‌منظور بررسی اثر خشکسالی بر پوشش گیاهی در استان کردستان، از داده‌های هواشناسی و سنجش از دور استفاده کردند. آنها نخست شاخص بارندگی استاندارد (SPI) را برای 6 ایستگاه هواشناسی استان طی سال‌های 2009-2000 محاسبه و براساس 40 تصویر 16روزه برگرفته از سنجندة MODIS در ماه‌های آگوست، سپتامبر، اکتبر و نوامبر، شاخص NDVI را به دست آوردند. نتایج این مطالعه نشان داد بین میانگین شاخص‌های SPI و NDVI همبستگی زیادی (77/0) در سطح معناداری 1/0 وجود دارد. همچنین مقایسة بین این دو شاخص نشان‌دهندة دقت بسیار زیاد شاخص NDVI نسبت به شاخص SPI بود؛ زیرا میانگین سالیانة SPI از شش ایستگاه سینوپتیک در پهنة استان کردستان گرفته شده است، اما شاخص NDVI وضعیت پوشش گیاهی را در پهنة استان کردستان در ابعاد پیکسل نشان می‌دهد و این مسئله باعث افزایش دقت در تفکیک پدیدة خشکسالی و تأثیرات آن بر پوشش گیاهی می‌شود.

رضایی ‌بنفشه و همکاران (1394) کارایی شاخص وضعیت پوشش گیاهی VCI را در تحلیل خشکسالی کشاورزی استان آذربایجان‌ شرقی ارزیابی کردند. برای محاسبة شاخص VCI از داده‌های ماهوارة MODIS طی سال‌های 2000 تا 2011 (جز 2007) برای اول ماه ژوئن استفاده کردند. نتایج بیان‌کنندة بیشترین خشکسالی به ترتیب در سال‌های 2001، 2008 و 2000 و کمترین خشکسالی در سال‌های 2010 و 2003 بود. به‌منظور ارزیابی موفقیت، مقادیر VCI در 9 ایستگاه سینوپتیک را استخراج و با مقادیر SPI سه‌ماهه در سال‌های 2001، 2008، 2000، 2010 و 2003 مقایسه کردند. نتایج SPI نیز نشان‌دهندة بیشترین خشکسالی در سال‌های 2001، 2008 و 2000 و کمترین خشکسالی در سال‌های 2010 و 2003 بود.

پیش‌نماز احمدی و همکاران (1396) خشکسالی شمال غرب ایران را با استفاده از تصاویر ماهواره‌ای MODIS و TRMM بررسی کردند. نتایج نشان می‌دهد سال 2008، بیشترین خشکسالی و 2010 و 2011، کمترین خشکسالی را داشته است.

تنکابایل و همکاران[7] (2004) با محاسبة شاخص‌های NDVI، VCI، TCI و VHI به ارزیابی و پایش خشکسالی در منطقة جنوب غربی آسیا (افغانستان، پاکستان و دو کشور در غرب هند) اقدام کردند. نتایج این مطالعه نشان داد استفاده از داده‌های سنجش از دور در پایش خشکسالی جنوب ‌غربی آسیا با توجه به گسترش و فراوانی خشکسالی و نبود مشاهدات زمینی نقش ارزشمندی دارد. همچنین این پژوهش روش‌هایی را برای پایش خشکسالی با استفاده از اتصال داده‌های سنجندة AVHRR با داده‌های روزانة سنجندة MODIS پیشنهاد می‌کند.

کوگان و همکاران[8] (2004) با استفاده از سری داده‌های ماهوارة NOAA-AVHRR، خشکسالی مغولستان را بررسی کردند. نتایج آنها نشان داد شاخص VHI، ترکیبی از VCI و TCI، نتایج بهتری دارد.

سالازار و همکاران[9] (2008) در مطالعة خود دریافتند شاخص VCI برای پایش خشکسالی در مقیاس‌های بزرگ ازجمله خشکسالی کشاورزی مناسب است و ارتباطی قوی با عملکرد محصول دارد.

ری و همکاران[10] (2010) از داده‌های NDVI و LST سنجندة مودیس و داده‌های بارندگی ماهوارة TRMM به‌منظور برآورد خشکسالی منطقة مرطوب (کارولینا) و منطقة خشک (آریزونا) طی سال‌های 2000 تا 2009 استفاده کردند. آنها در مطالعة خود نتیجه گرفتند تغییرات شاخص [11]SDCI، ترکیبی از داده‌های NDVI، LST و TRMM، نتایج بهتری را در برآورد خشکسالی در هر دو اقلیم مطالعه‌شده ارائه می‌کند.

دو و همکاران[12] (2012) خشکسالی منطقة شاندونگ چین را با استفاده از داده‌های MODIS و TRMM طی دورة آماری 11ساله (2000 تا 2010) ارزیابی کردند. نتایج آنها نشان داد شاخص ترکیبی به‌دست‌آمده از این دو سری داده، نتایج بهتری را در برآورد خشکسالی منطقه ارائه می‌دهد. آنها همچنین ثابت کردند این شاخص، یک شاخص نظارت جامع بر خشکسالی است و علاوه بر اطلاعات خشکسالی هواشناسی، تأثیر خشکسالی را نیز بر کشاورزی منعکس می‌کند.

نومن و همکاران[13](2012) وضعیت خشکسالی کشور آفریقا را با استفاده از داده‌های TRMM_3B43 بررسی کردند. بدین منظور از داده‌های ایستگاه‌های زمینی و داده‌های TRMM چهار حوضة آبخیز بهره بردند. نتایج تجزیه و تحلیل دو مجموعه داده نشان داد استفاده از داده‌های سنجش از دور ازجمله داده‌های TRMM به‌منظور پایش وضعیت خشکسالی آفریقا، عملی و قابل اعتماد است.

ژانگ و جیا[14] (2013) خشکسالی هواشناسی منطقة نیمه‌خشک شمال چین را با استفاده از داده‌های سنجش از دور چند سنسور مایکروویو تجزیه و تحلیل کردند. نتایج آنها بیان‌کنندة عملکرد بهتر شاخص‌های مایکروویو ترکیبی در پایش خشکسالی بود.

کیم و همکاران[15] (2017) به‌منظور تجزیه و تحلیل خشکسالی، شاخص خشکسالی ([16]SDCI) را با استفادة همزمان از مؤلفه‌های بارش، دما و گیاه محاسبه کردند. نتایج SDCI با برداشت محصولات کوهستانی مقایسه شد و همبستگی متقابل مثبتی را نشان داد.

الحق و ژانگ[17] (2018) مطالعه‌ای را با هدف بررسی و تحلیل ویژگی‌های خشکسالی بر پایة دو شاخص خشکسالی هواشناسی SPI و شاخص شدت خشکسالی DSI و تأثیر خشکسالی بر بهره‌وری ذرت خوشه‌ای در سودان از سال 2001 تا 2011 انجام دادند. برای شناسایی مناطق خشک و مرطوب، از داده‌های بارش ماهوارة TRMM از سال‌های 2001 تا 2011 استفاده و در مقیاس فصلی (جولای - اکتبر) نقشه‌برداری شد. یافته‌های این پژوهش نشان داد وضعیت خشکی در سراسر سودان در مقیاس‌های زمانی و مکانی مختلف متغیر است. نتایج DSI نشان داد بیشتر مناطق سودان از سال 2008 تا 2011 متأثر از خشکسالی بوده است. همبستگی مکانی بین محصولات DSI، SPI3 و بارندگی TRMM نشان داد در اراضی کشاورزی همبستگی، مثبت و معنادار و در مناطق کوهستانی، منفی است. همچنین رابطة بین DSI و متغیر استاندارد عملکرد محصول (St.Y) برای ذرت در دو منطقة کشاورزی اصلی (مناطق مرکزی و شرقی) در دورة 2001-2011 بررسی شد که تطابق خوبی داشت. این مطالعه نشان داد DSI برای نظارت بر خشکسالی کشاورزی استفاده می‌شود و به‌منزلة یک شاخص جایگزین برای ارزیابی عملکرد محصول در سودان در بعضی سطوح به کار می‌رود.

جمع‌بندی نتایج این پژوهش‌ها نشان می‌دهد معمولاً شاخص‌های خشکسالی سنجش از دور موجود با استفاده از باندهای قرمز و مادون قرمز نزدیک محاسبه و به‌طور گسترده در پایش خشکسالی کشاورزی استفاده می‌شود؛ با این حال کاربرد آنها در پایش خشکسالی هواشناسی محدود است و شاخصی وجود ندارد که بازتاب‌دهندة اطلاعاتی جامع از خشکسالی هواشناسی و خشکسالی کشاورزی باشد؛ بنابراین این پژوهش با هدف استفاده از شاخص‌های مختلف (وضعیت گیاه، دمای خاک و بارش)، ارائة شاخص تلفیقی و ارزیابی قابلیت شاخص‌ها انجام می‌شود.

 

داده‌های پژوهش

داده‌های زمینی

در این مطالعه، داده‌های بارندگی ماهیانة 7 ایستگاه سینوپتیک واقع در محدودة حوضة آبریز دریاچة ارومیه (شکل 1) طی دورة آماری 2000 تا 2014 به کار رفته است. این داده‌ها برحسب میلی‌متر و تهیه‌شده از سازمان هواشناسی کشور است.

 

داده‌های ماهواره‌ای

داده‌های سنجش از دور شامل داده‌های شاخص تفاضل نرمال‌شدة پوشش گیاهی NDVI و داده‌های دمای سطح زمین LST[18] ماهوارة MODIS و داده‌های بارندگی سری 3B43 ماهوارة TRMM هستند. در پژوهش حاضر، داده‌های ماهیانة شاخص تفاضل نرمال‌شدة پوشش گیاهی (MOD13A3.005) و داده‌های هشت‌روزة دمای سطح زمین (MOD11A2.005) با قدرت تفکیک مکانی یک کیلومتر با دورة آماری 15ساله طی 2000 تا 2014 از سایت ناسا دانلود و ماه‌های مارس تا سپتامبر (فصل رشد گیاهان) به‌منظور ارزیابی شاخص‌های خشکسالی در نظر گرفته شدند. داده‌های هشت‌روزة LST از روز ژولین 61 تا 273 پردازش و مقادیر ماهیانه با میانگین وزنی محاسبه شدند. پیش از انجام محاسبات، سیستم مختصات هر دو سری داده با استفاده از نرم‌افزار MRT[19] از سینوسی به UTM تغییر یافت. داده‌های سری 3B43 شامل میزان بارندگی ماهیانه (میلی‌متر بر ساعت) با قدرت تفکیک مکانی 25/0 درجه‌اند؛ بنابراین این داده‌ها به‌منظور تطابق مقیاس مکانی با داده‌های NDVI و LST به قدرت تفکیک مکانی یک کیلومتر تبدیل می‌شوند.

 

 

روش‌شناسی پژوهش

شاخص‌های خشکسالی مبتنی بر سنجش از دور

به‌منظور پایش خشکسالی حوضة آبریز دریاچة ارومیه، شاخص‌های وضعیت گیاه (VCI) و وضعیت دما (TCI) با استفاده از داده‌های ماهوارة MODIS محاسبه می‌شوند. برای نخستین‌بار در سال 1995 کوگان شاخص VCI را پیشنهاد داده است. این شاخص نشان‌دهندة وضع پوشش گیاهی یک منطقه و تابعی از حداقل و حداکثر NDVI برای دوره‌ای چند ساله است. شاخص TCI برای تعیین پدیدة خشکسالی مرتبط با درجه‌حرارت پیشنهاد شده است (Kogan, 1995: 94). پدیدة خشکسالی رطوبت خاک را کاهش می‌دهد و باعث تنش حرارتی سطح زمین می‌شود؛ بنابراین مقدار LST در سال خشکسالی بیشتر برآورد می‌شود. الگوریتم محاسباتی این شاخص‌ها مشابه است و با روابط زیر محاسبه می‌شود. مقادیر حداقل و حداکثر به‌ترتیب نشان‌دهندة حداقل و حداکثر مقدار مؤلفه در ماه مدنظر و در کل دورة بررسی‌شده (2000 تا 2014) است (Du et al., 2012: 2).

(1)

 

(2)

 

داده‌های بارندگی TRMM مستقیماً با شاخص‌های VCI و TCI امکان تجزیه و تحلیل ندارد؛ بنابراین در این پژوهش از شاخص وضعیت بارش (PCI) برای تشخیص میزان کسری بارش و خشکسالی استفاده می‌شود. این شاخص با استفاده از رابطة 3 محاسبه می‌شود (Du et al., 2012: 4). مؤلفه‌های TRMM، TRMMmin و TRMMmax به‌ترتیب نشان‌دهندة مقادیر بارندگی هر پیکسل، حداقل و حداکثر آن در ماه مدنظر و در طول دورة آماری بررسی‌شده‌اند.

(3)

 

به‌منظور پایش جامع خشکسالی منطقة پژوهش و ارزیابی قابلیت داده‌های ماهواره‌ای از شاخص‌های خشکسالی ترکیبی استفاده می‌شود. شاخص سلامت گیاه VHI، ترکیبی از VCI و TCI است و اثر ترکیبی تنش رطوبت و گرما را نشان می‌دهد (رابطة 4). شاخص [20]CI، ترکیبی از سه متغیر VCI، TCI وVHI است که در این پژوهش با سه مجموعة وزنی مختلف (روابط 7-5) بررسی شده است (Rhee et al., 2010: 2877)

(4)

 

(5)

 

(6)

 

(7)

 

 

اعتبارسنجی با استفاده از شاخصبارندگیاستانداردشدة SPI

شاخص SPI را در سال 1993، مرکز ملی کلرادو و مرکز ملی کاهش خشکسالی ایالات متحدة آمریکا به‌منظور تعریف و پایش وضعیت فعلی خشکسالی معرفی کردند. این شاخص براساس استانداردسازی احتمال بارش‌های ثبت‌شده در ایستگاه‌های هواشناسی در دوره‌های زمانی متفاوت محاسبه می‌شود (McKee, 1993: 183).

شاخص بارش استانداردشدة SPI برپایة این حقیقت استوار است که کسری بارش تأثیرات متفاوتی بر آب‌های زیرزمینی، ذخیرة منابع، رطوبت خاک، پوشش برف و جریان جویبار دارد. شاخص بارش استانداردشده، کسری بارش را برای مقیاس‌های زمانی چندگانه (3، 6، 12، 24 و 48ماهه) محاسبه می‌کند. این مقیاس‌های زمانی تأثیر خشکسالی را بر موجودبودن منابع آبی متفاوت بازتاب می‌دهد.

شرایط رطوبتی خاک دو برابر ناهنجاری‌های بارش در یک مقیاس نسبتاً کوتاه واکنش نشان می‌دهد؛ در حالی که آب‌های زیرزمینی، جریان رودخانه و منابع ذخیره در دوره‌ای طولانی‌تر به ناهنجاری‌های بارش واکنش نشان می‌دهند. در این مطالعه سری زمانی مجموعه‌داده‌های SPI با استفاده از داده‌های بارندگی ایستگاههای باران‌سنجی واقع در حوضه در طول دورة 2000 تا 2014 محاسبه و برای اعتبارسنجی شاخص‌های خشکسالی مبتنی بر سنجش از دور استفاده می‌شود. طبقه‌بندی شدت خشکسالی براساس شاخص‌های مطالعه‌شده در جدول (1) نشان داده شده است.

 

 


جدول 1.طبقه‌بندی شدت خشکسالی با شاخص SPI و شاخص‌های ماهواره‌ای

طبقة شدت خشکسالی

SPI

VCI، TCI، PCI، CI

خشکسالی بسیار شدید

SPI<2-

<1/0

خشکسالی شدید

2-SPI<5/1-

199/0-1/0

خشکسالی متوسط

5/1-SPI<1-

299/0-2/0

خشکسالی ضعیف

1-SPI<0

399/0-3/0

غیرخشکسالی

SPI>0

4/0≤

 

 

محدودة پژوهش

دریاچة ارومیه، بزرگ‌ترین دریاچة داخلی ایران و دومین دریاچة آب شور دنیاست. حوضة آبریز دریاچة ارومیه در مختصات جغرافیایی 35 درجه و 40 دقیقه تا 38 درجه و 30 دقیقة عرض شمالی و
44 درجه و 12 دقیقه تا 47 درجه و 54 دقیقة طول شرقی قرار گرفته است (شکل 1). این محدوده با مساحت تقریبی 51876 کیلومترمربع پیرامون
3% مساحت کل کشور ایران را دربرمی‌گیرد. حوضة آبریز این دریاچه با داشتن دشت‌هایی مانند تبریز، ارومیه، بناب، مهاباد، میاندوآب، نقده، سلماس، پیرانشهر، آذرشهر و اشنویه، یکی از کانون‌های ارزشمند فعالیت کشاورزی و دامداری در ایران به شمار می‌رود. مشخصات جغرافیایی ایستگاه‌های سینوپتیک مطالعه‌شده در جدول (2) ارائه شده است.

 

 

شکل 1. موقعیت جغرافیایی محدودة مطالعه‌شده و ایستگاه‌های سینوپتیک

جدول 2. مشخصات ایستگاه‌های سینوپتیک مطالعه‌شده در حوضة آبریز دریاچة ارومیه

ارتفاع از سطح دریا (متر)

طول جغرافیایی

عرض جغرافیایی

نام ایستگاه

1361

́ 17 46

́ 05 38

تبریز

9/1315

́ 05 45

́ 32 37

ارومیه

1477

́ 16 46

́ 24 37

مراغه

1385

́ 71 45

́ 76 36

مهاباد

1765

́ 11 47

38 36

تکاب

1682

́ 53 47

́ 93 37

سراب

1523

́ 26 46

́ 25 36

سقز

 


یافته‌های پژوهش

پس از پردازش اولیة تصاویر ماهواره‌ای با MRT، شاخص‌های خشکسالی مبتنی بر سنجش از دور برای ماههای مارس تا سپتامبر (فصل رشد) طی دورة آماری 2000 تا 2014 در محیط نرم‌افزار ArcGIS محاسبه شدند. مقادیر هریک از این شاخص‌ها، به‌طور میانگین از محدودة شهرستان‌های دربرگیرندة ایستگاه‌های سینوپتیک مطالعه‌شده استخراج شدند. ضریب همبستگی بین شاخص‌های زمینی (SPI3، SPI6وSPI6) و شاخص‌های ماهواره‌ای (VCI، TCI، PCI، VHI، CI1، CI2، CI3) طی فصل رشد به تفکیک حوضه و هریک از ایستگاه‌های سینوپتیک مطالعه‌شده در جدول (3) ارائه می‌شود. در حوضة آبخیز دریاچة ارومیه طی فصل رشد، شاخص SPI3، بیشترین همبستگی (43/0) را با CI1و شاخص‌هایSPI6وSPI9،بیشترین همبستگی را (به ترتیببا 62/0 و 68/0) با VCI دارند. همچنین در ایستگاه ارومیه و تبریز نتایج بیان‌کنندة وجود همبستگی زیاد بین SPI3 و CI1 با 52/0، SPI6 و SPI9 و VCI به ترتیب با 66/0 و 62/0 است.

شاخص SPI3 در تمامی ایستگاه‌های مطالعه‌شده همبستگی بیشتری با شاخص‌های تلفیقی (CI1، CI2 وCI3) نسبت به سایر شاخص‌ها دارد. این شاخص در ایستگاه‌های تکاب با 33/0 باCI1، در ایستگاه‌های سراب و مهاباد به ترتیب با39/0 و 22/0 باVHI، در سقز و مراغه به ترتیب با 25/0 و 36/0 با CI3، بیشترین همبستگی را نشان می‌دهد. شاخص‌های SPI6 و SPI9 به ترتیب با 65/0 و 64/0 در ایستگاه سراب، 38/0 و 45/0 در ایستگاه سقز، 47/0 و 55/0 در ایستگاه مراغه و 50/0 و 53/0 در ایستگاه مهاباد، بیشترین همبستگی را با VCI دارند.

 

جدول3. ضریب همبستگی بین شاخص‌های زمینی و ماهواره‌ای طی فصل رشد

ایستگاه

شاخص‌های ماهواره‌ای شاخص‌های زمینی

VCI

TCI

PCI

VHI

CI1

CI2

CI3

حوضة آبخیز

SPI3

0/27

0/32

0/15

0/38

0/43

0/36

0/40

SPI6

0/62

0/24

0/12

0/51

0/45

0/31

0/33

SPI9

0/68

0/25

0/13

0/54

0/49

0/35

0/36

ارومیه

SPI3

0/42

0/40

0/11

0/50

0/52

0/41

0/46

SPI6

0/66

0/31

0/04

0/56

0/52

0/38

0/40

SPI9

0/66

0/33

0/02

0/57

0/52

0/37

0/40

تکاب

SPI3

0/13

0/27

0/15

0/28

0/33

0/29

0/32

SPI6

0/40

0/23

0/06

0/42

0/39

0/28

0/31

SPI9

0/53

0/25

0/07

0/51

0/47

0/34

0/36

تبریز

SPI3

0/28

0/32

0/29

0/39

0/52

0/48

0/49

SPI6

0/62

0/19

0/09

0/47

0/45

0/34

0/34

SPI9

0/62

0/17

0/08

0/46

0/43

0/32

0/32

سراب

SPI3

0/31

0/29

0/16

0/39

0/37

0/36

0/38

SPI6

0/65

0/19

0/01

0/48

0/33

0/29

0/30

SPI9

0/64

0/18

0/11

0/47

0/42

0/37

0/36

سقز

SPI3

0/06

0/21

0/13

0/19

0/24

0/22

0/25

SPI6

0/38

0/20

0/01

0/36

0/29

0/19

0/22

SPI9

0/45

0/22

0/02

0/40

0/32

0/20

0/23

مراغه

SPI3

0/09

0/30

0/16

0/27

0/35

0/31

0/36

SPI6

0/47

0/19

0/06

0/39

0/39

0/28

0/30

SPI9

0/55

0/19

0/04

0/43

0/41

0/29

0/31

مهاباد

SPI3

0/18

0/19

0/01

0/22

0/19

0/14

0/17

SPI6

0/50

0/25

0/04

0/43

0/34

0/22

0/25

SPI9

0/53

0/24

0/03

0/44

0/36

0/23

0/26

 


ضریب همبستگی بین SPI در مقیاس‌های زمانی 3، 6 و 9ماهه و شاخص‌های خشکسالی ماهواره‌ای برای هر ماه طی فصل رشد خلاصه شده است
(شکل 2). نتایج نشان می‌دهد مقدار R براساس ماه‌های مختلف و مقیاس زمانی SPI متفاوت است. این امر حاکی است قابلیت شاخص‌ها در پایش خشکسالی حوضة آبریز دریاچة ارومیه تا حد زیادی در طول فصل رشد متغیر است.

 

 

شکل 2. ضریب همبستگی بین شاخص‌های خشکسالی ماهواره‌ای و SPI طی فصل رشد (مارس - سپتامبر)

 

 

در ماه مارس، شاخص‌های SPI3، SPI6 و SPI9 بیشترین همبستگی را به ترتیب با 28/0، 28/0 و 27/0 با شاخص‌های VCI و VHI دارند. در ماه آوریل، SPI در مقیاس‌های مطالعه‌شده همبستگی زیادی (6/0) را با شاخص‌های ترکیبی (CI1، CI2 و CI3) و شاخص PCI نشان می‌دهد؛ به‌طوری که SPI3 با 79/0، SPI6 با 66/0 و SPI9 با 75/0، بیشترین همبستگی را به ترتیب با PCI، CI2 و CI1دارند. کمترین همبستگی مربوط به شاخص VCI است.

نتایج ماه می نشان می‌دهد شاخص‌های SPI3، SPI6 و SPI9 بیشترین همبستگی را به ترتیب با 72/0، 67/0 و 75/0 با شاخص‌های TCI، CI3 و CI1 دارند. همچنین تقریباً بین تمامی شاخص‌های ماهواره‌ای و زمینی در ماه می همبستگی زیادی وجود دارد. در ماه ژوئن، شاخص‌های VCI برخلاف دیگر شاخص‌ها، همبستگی‌ای قوی (بیش از 7/0) با شاخص SPI (3، 6 و 9ماهه) دارند؛ بنابراین شاخص‌های VCI، بهترین عملکرد را در پایش خشکسالی حوضة آبریز دریاچة ارومیه در ماه ژوئن از خود نشان می‌دهند. همچنین در ماه جولای بیشترین مقادیر همبستگی مربوط به شاخص‌های VCI و VHI است. در ماه آگوست، بیشترین همبستگی SPI6 و SPI9 به ترتیب با 72/0 و 70/0 مربوط به شاخص VCI است. در ماه سپتامبر بیشترین همبستگی SPI3 مربوط به TCI و شاخص‌های تلفیقی CI1، CI2 و CI3 است. در صورتی که SPI6 و SPI9 بیشترین مقدار همبستگی را با VCI و VHI دارند.

هدف اصلی این مطالعه، ارزیابی قابلیت داده‌های ماهواره‌ای و ارائة شاخص خشکسالی مطلوب برای پایش خشکسالی کشاورزی حوضة آبریز دریاچة ارومیه طی کل فصل رشد و ماه‌های مارس تا سپتامبر است؛ بنابراین با توجه به اینکه شاخص VCI به‌طور متوسط بیشترین همبستگی را با شاخص‌های زمینی طی کل فصل رشد دارد (جدول ۳)، توزیع مکانی طبقات وضعیت خشکسالی از سال 2001 تا 2012 طی فصل رشد براساس شاخص VCI در شکل (3) نشان داده شده است.

 

 

شکل 3. توزیع مکانی وضعیت خشکسالی براساس شاخص VCI طی فصل رشد 2000 تا 2014

 

 

در سال‌های 2000، 2008 و 2001 به ترتیب با 85/93، 93/91 و 72درصد، بیشترین خشکسالی (ضعیف تا بسیار شدید) در سطح حوضه روی داده است. کمترین خشکسالی به ترتیب با 89/1، 06/2 و 33/5درصد در سال‌های 2010، 2007 و 2004 دیده می‌شود. در سال‌های 2000 و 2008 تقریباً کل سطح حوضه متأثر از خشکسالی بوده و در سال‌های 2009 و 2012 حوالی دریاچه متأثر از خشکسالی قرار گرفته است. درصد زیر پوشش هریک از طبقات شدت خشکسالی براساس شاخص VCI طی فصل رشد (2000 تا 2014) در جدول (4) نشان داده شده است.

 

جدول 4. درصد طبقات شدت خشکسالی براساس شاخص VCI طی فصل رشد 2000 تا 2014

سال

غیرخشکسالی

خشکسالی ضعیف

خشکسالی متوسط

خشکسالی شدید

خشکسالی بسیار شدید

2000

6/15

10/37

25/56

34/72

23/21

2001

28/00

25/24

21/87

15/83

9/06

2002

68/46

22/57

7/49

1/32

0/16

2003

87/30

9/78

2/36

0/51

0/05

2004

94/67

3/93

1/15

0/22

0/03

2005

86/73

10/16

2/37

0/58

0/16

2006

85/75

11/18

2/76

0/29

0/02

2007

97/94

1/66

0/32

0/06

0/01

2008

8/07

12/48

28/86

36/00

14/59

2009

69/41

16/60

8/25

4/42

1/32

2010

98/11

1/41

0/38

0/10

0/01

2011

89/56

7/43

2/37

0/59

0/05

2012

64/42

17/98

9/77

5/19

2/63

2013

88/02

7/02

3/50

1/27

0/18

2014

69/87

18/29

8/74

2/78

0/32

 

 

توزیع زمانی‌مکانی شدت خشکسالی سال‌های 2000 و 2008 به ترتیب در شکل‌های (4) و (5) ارائه شده است. نتایج سال 2000 نشان می‌دهد خشکسالی بسیار شدید در حوالی دریاچة ارومیه و شرق حوضه رخ داده است. در ماه آوریل خشکسالی بیشتر در قسمت‌های غربی و جنوبی دریاچه و در ماه می در غرب دریاچه رخ داده است. در ماه جولای شدت خشکسالی افزایش یافته و در ماه سپتامبر به نسبت کاهش یافته است. بیشترین خشکسالی (شدید تا بسیار شدید) با 80 و 79 درصد به ترتیب در ماه‌های آگوست و جولای سال 2000 رخ داده است (شکل 4). نتایج خشکسالی سال 2008 بیان‌کنندة وجود روند افزایشی شدت خشکسالی از ماه مارس تا ژوئن است؛ به‌طوری که در ماه‌های می و ژوئن جز سطح اندکی تقریباً تمام سطح حوزه متأثر از خشکسالی شدید و بسیار شدید است. در ماه جولای و آگوست شدت خشکسالی در حاشیة حوضه شدید و در ماه سپتامبر رو به کاهش است (شکل 5).

 

 

شکل 4.توزیع مکانی شدت خشکسالی ماه‌های مارس تا سپتامبر براساس شاخص VCI در سال 2000

 

شکل 5. توزیع مکانی شدت خشکسالی ماه‌های مارس تا سپتامبر براساس شاخص VCI در سال 2008

 

 

نتیجه‌گیری.

پدیدة خشکسالی به‌مثابة بلایی طبیعی همواره باعث خسارات‌ اقتصادی وسیعی می‌شود. کم‌توجهی به پدیدة خشکسالی در ایران به‌منزلة کشور مستعد خشکسالی باعث شده است هرساله آسیب‌های اقتصادی و اجتماعی بسیار زیادی به پیکرة اقتصاد ایران وارد شود. وجود شاخص‌های مناسب و قابل اعتماد به نحوی که خشکسالی را به‌طور مؤثری ارزیابی و پایش کنند، امری ضروری و اساسی است. اندازه‌گیری‌های میدانی برای تولید شاخص‌های خشکسالی از دقت زیادی برخوردار است. از سویی تهیة این شاخص‌ها در پهنه‌های وسیع بسیار پرهزینه است. مشاهدات فضایی از طریق قابلیت دریافت اطلاعات با قدرت تفکیک مکانی و زمانی در سطح وسیعی از زمین، امکان پایش خشکسالی‌ها را با استفاده از تکنولوژی سنجش از دور فراهم می‌آورد.

پژوهش حاضر با هدف ارزیابی قابلیت داده‌های ماهواره‌ای MODIS و TRMM در پایش خشکسالی حوضة آبریز دریاچة ارومیه انجام شده است. استفاده از اطلاعات کشاورزی و هواشناسی در محاسبة شاخص‌ها، ترکیب شاخص‌ها به‌منظور پایش جامع خشکسالی و ارزیابی این نتایج، از مزایای پژوهش حاضر به شمار می‌رود.

نتایج همبستگی شاخص‌های ماهواره‌ای (VCI، TCI، PCI، VHI، CI1، CI2، CI3) و شاخص‌های زمینی (SPI3، SPI6 و SPI9) به‌طور میانگین نشان می‌دهد شاخص ماهواره‌ای مطلوب برای پایش خشکسالی حوضة آبریز دریاچة ارومیه طی فصل رشد، شاخص VCI است. شاخص‌های SPI3، SPI6 و SPI9 در ماه‌های مارس به ترتیب بیشترین همبستگی را با VCI و VHI، در ماه آوریل با PCI وCI1، در ماه می با TCI، CI3 و CI1، در ماه ژوئن و جولای با VCI و در ماههای آگوست و سپتامبر با TCI و VCI دارند. در ماه‌های می و آوریل شاخص‌های ترکیبی نتایج بهتری را نسبت به شاخص‌های VCI و TCI ارائه کرده‌اند؛ درنتیجه شاخص‌های ترکیبی طی ماه‌های مرطوب (می و آوریل) نتایج بهتری را ارائه می‌کنند.

نتایج مطالعات ری و همکاران (2010) و دو و همکاران (2012) نیز بیان‌کنندة عملکرد بهتر شاخص‌های ترکیبی در پایش خشکسالی ماه‌های مرطوب است. همچنین مقادیر همبستگی نشان می‌دهد شاخص‌های ماهواره‌ای در ماه‌های آوریل و می عملکرد بهتری در برآورد خشکسالی منطقة مطالعه‌شده نسبت به سایر ماه‌های مطالعه‌شده دارند. نتایج طبقه‌بندی شدت خشکسالی حوضة آبریز دریاچة ارومیه براساس شاخص ترکیبی VCI طی فصل رشد (مارس تا سپتامبر) نشان داد در سال 2000 و 2008 تقریباً کل سطح حوضه، در سال 2001 بیشتر قسمت‌های جنوبی دریاچة ارومیه و در سال 2012 حوالی دریاچه متأثر از خشکسالی (ضعیف تا بسیار شدید) بوده است. دیگر سال‌های مطالعه‌شده به نسبت کمتر در معرض خشکسالی قرار گرفته و سال‌های 2010، 2007 و 2004 به ترتیب با 89/1، 06/2 و 33/5درصد، کمترین خشکسالی (ضعیف تا بسیار شدید) را دارند.

ارزیابی دقت شاخص‌های ماهواره‌ای طی فصل رشد (مارس تا سپتامبر) بین سال‌های 2000 و 2014 (دورة 15ساله) در کل محدودة مطالعاتی و به تفکیک ایستگاه‌های سینوپتیک، ارائة شاخص مطلوب پایش خشکسالی طی ماه‌های مختلف فصل رشد، پایش خشکسالی کل حوضه براساس شاخص مطلوب VCI و ارائة نقشه‌های شدت خشکسالی سال‌های 2000 و 2008 به‌مثابة خشک‌ترین سال از مزایای پژوهش حاضر است؛ زیرا تاکنون در پژوهش‌های مربوط به حوضة آبخیز دریاچة ارومیه، این حوضه صرفاً برای یک ماه خاص بررسی و از استفاده از شاخص‌های ترکیبی صرف‌نظر شده است (رضایی مقدم و همکاران، 1391 و رضایی بنفشه و همکاران، 1394).

با استفاده از شاخص‌های ماهواره‌ای مطلوب ارائه‌شده در پژوهش حاضر، امکان پیش‌بینی و برآورد منطقه‌ای پدیدة خشکسالی حوضة آبریز دریاچة ارومیه در ماه‌های مختلف فصل رشد یا طی فصل رشد فراهم و نتیجة بهتری برآورد می‌شود. همچنین با توجه به اینکه معمولاً تعداد ایستگاه‌های هواشناسی کافی نیست یا پراکنش مناسبی در سطح منطقة مطالعه‌شده ندارند، استفاده از فناوری سنجش از دور به‌منظور ارزیابی و پایش هرچه دقیق‌تر پدیدة خشکسالی به‌ویژه در مناطق بدون ایستگاه‌های زمینی یا مناطقی با شبکة ایستگاه‌های زمینی پراکنده و نامنظم پیشنهاد می‌شود.



[1] Moderate-Resolution Imaging Spectroradiometer

[2] Tropical Precipitation Measuring Mission

[3] Normalized Difference Vegetation Index

[4] Vegetation Health Index

[5] Vegetation Condition Index

[6] Temperature Condition Index

[7] Thenkabail et al.

[8] Kogan et al.

[9] Salazar et al

[10] Rhee et al

[11] Scaled Drought Condition Index

[12] Du et al

[13] Naumann et al

[14] Zhang & Jia

[15] Kim et al

[16] Scaled Drought Condition Index

[17] Elhag & Zhang

[18] Land Surface Temperature

[19] MODIS Reprojection Tool

[20] Composite index

منابع

باعقیده، محمد، علیجانی، بهلول، ضیاییان، پرویز، (1390). بررسی امکان استفاده از شاخص پوشش گیاهیNDVI  در تحلیل خشکسالی‌های استان اصفهان، نشریة مطالعات جغرافیایی مناطق خشک، دورة 1، شمارة 4، 16-1.

پیش‌نماز احمدی، مجید، هوشمند، علی، زمانی، فهیمه، (1396). پایش خشکسالی شمال غرب کشور با استفاده از داده‌های MODIS و TRMM، بیست‌وچهارمین همایش ملی ژئوماتیک، اردیبهشت 1396.

جهانبخش اصل، سعید، ساری صراف، بهروز، خورشیددوست، علی‌محمد، رستم‌زاده، هاشم، (1388). ارزیابی تغییرات پوشش گیاهی دشت سراب و تحلیل دو دورة خشکسالی و ترسالی، فصلنامة علمی‌پژوهشی انجمن جغرافیای ایران، دورة 7، شمارة 23، 132-117.

رضایی بنفشه، مجید، رضایی، علی، فریدپور، مجتبی، (1394). تحلیل خشکسالی کشاورزی استان آذربایجان شرقی با تأکید بر سنجش از دور و شاخص وضعیت پوشش گیاهی، نشریة دانش آب و خاک، دورة 25، شمارة 1، 123-113.

رضایی مقدم، محمدحسین، ولی‌زادة کامران، خلیل، رستم‌زاده، هاشم، رضایی، علی، (1391). ارزیابی کارایی داده‌های سنجندة MODIS در برآورد خشکسالی (مطالعة موردی: حوضة آبریز دریاچة ارومیه)، مجلة جغرافیا و پایداری محیط، دورة 2، شمارة 5، 52-37.

زمانیان، محمدتقی، بهیار، محمدباقر، کریمی حسینی، آزاده، وظیفه‌دوست، مجید، (1391). پایش خشکسالی کشاورزی با استفاده از تولیدات ماهواره‌ای سنجندة NOAA-AVHRR، نشریة پژوهش‌های اقلیم‌شناسی، دورة 3، شمارة 9،
54-43.

شمسی‌پور، علی‌اکبر، علوی‌پناه، کاظم، محمدی، حسین، (1389). بررسی کارایی شاخص‌های گیاهی و حرارتی ماهوارةNOAA-AVHRR در تحلیل خشکسالی منطقة کاشان، فصلنامة علمی‌پژوهشی تحقیقات مرتع و بیابان ایران، دورة 17، شمارة 3، 465-445.

میرموسوی، سید حسین، کریمی، حمیده، (1392). مطالعة اثر خشکسالی بر پوشش گیاهی با استفاده از تصاویر سنجندة MODIS (مطالعة موردی: استان کردستان)، مجلة جغرافیا و توسعه، دورة 11، شمارة 31، 76-57.

Du, L., Tian, Q., Yu, T., Meng, Q., Jancso, T., Udvardy, P., Huang, Y., (2012). A comprehensive drought monitoring method integrating MODIS and TRMM data, International Journal of Applied Earth Observation and Geoformation, Vol 23, Pp 245-253.

Elhag, K., Zhang, W., (2018). Monitoring and Assessment of Drought Focused on Its Impact on Sorghum Yield over Sudan by Using Meteorological Drought Indices for the Period 2001–2011, Remote Sensing, Vol 10 (8), 1231 p.

Gupta, M., Srivastava, P.K., Islam, T., Ishak, A.M.B., (2014). Evaluation of TRMM rainfall for soil moisture prediction in a subtropical climate, Environmental Earth Sciences, Vol 71 (10), Pp 4421-4431.

Heim Jr, R.R., (2002). A review of twentieth-century drought indices used in the United States, Bulletin of the American Meteorological Society, Vol 83 (8), Pp 1149-1165.

Kim, Y., Lee, S.B., Yun, H., Kim, J., Park, Y., (2017, July). A drought analysis method based on modis satellite imagery and AWS data, In Geoscience and Remote Sensing Symposium (IGARSS), 2017 IEEE International (pp 4862-4865). IEEE.

Kogan, F.N., (1995). Application of vegetation index and brightness temperature for drought detection, Advances in space research, Vol 15 (11), Pp 91-100.

Kogan, F., Stark, R., Gitelson, A., Jargalsaikhan, L., Dugrajav, C., Tsooj, S., (2004). Derivation of pasture biomass in Mongolia from AVHRR-based vegetation health indices, International Journal of Remote Sensing, Vol 25 (14), Pp 2889-2896.

Li, J.G., Ruan, H.X., Li, J.R., Huang, S.F., (2010). Application of TRMM precipitation data in meteorological drought monitoring, Journal of China Hydrology, Vol 30 (4), Pp 43-46.

McKee, T.B., Doesken, N.J., Kleist, J., (1993, January). The relationship of drought frequency and duration to time scales,In Proceedings of the 8th Conference on Applied Climatology, Vol 17, No 22, Pp 179-183, Boston, MA: American Meteorological Society.

Mishra, A.K., Singh, V.P., (2010). A review of drought concepts, Journal of hydrology, Vol 391 (1-2), Pp 202-216.

Naumann, G., Barbosa, P., Carrao, H., Singleton, A., Vogt, J., (2012). Monitoring drought conditions and their uncertainties in Africa using TRMM data, Journal of Applied Meteorology and Climatology, Vol 51 (10), Pp 1867-1874.

Peñuelas, J., Filella, I., (2009). Phenology feedbacks on climate change, Science, Vol 324 (5929), Pp 887-888.

Rhee, J., Im, J., Carbone, G.J., (2010). Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data, Remote Sensing of Environment, Vol 114 (12), Pp 2875-2887.

Riebsame, W.E., Changnon Jr, S.A., Karl, T.R., (1991). Drought and natural resources management in the United States, Impacts and implications of the 1987-89 drought, Westview Press Inc.

Salazar, L., Kogan, F., Roytman, L., (2008). Using vegetation health indices and partial least squares method for estimation of corn yield, International Journal of Remote Sensing, Vol 29 (1), Pp 175-189.

Son, N.T., Chen, C.F., Chen, C.R., Chang, L.Y., Minh, V.Q., (2012). Monitoring agricultural drought in the Lower Mekong Basin using MODIS NDVI and land surface temperature data, International Journal of Applied Earth Observation and Geoinformation, Vol 18, Pp 417-427.

Tate, E.L., Gustard, A., (2000). Drought definition: a hydrological perspective,In Drought and drought mitigation in Europe (pp 23-48), Springer, Dordrecht.

Thenkabail, P.S., Gamage, M.S.D.N., (2004). The use of remote sensing data for drought assessment and monitoring in Southwest Asia, Vol 85, Iwmi.

Zhang, A., Jia, G., (2013). Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data, Remote Sensing of Environment, Vol 134, Pp 12-23.