پايش خشكسالي در كشت هاي غيرآبي با استفاده از تكنيك سنجش از دور

Drought monitoring in unirrigated lands based on the remote sensing technique

چكيده پوشش گياهي در هر منطقه نقشي كليدي در مدلسازي تغييرات و يا حفظ اكوسيستم دارد. شاخصههاي خشكسالي هواشناسي كه مستقيماً از روي دادههاي هواشناسي نظير بارندگي محاسبه ميشوند، در صورت فقدان دادههاي مذكور، در پايش خشكسالي مفيد واقع نخواهند شد، لذا تكنيك سنجش از دور ميتواند ابزاري مفيد در پايش خشكسالي به شمار رود. در اين تحقيق با استفاده از تصاوير در ماههاي نوامبر تا مي سالهاي 2001 تا 2010 (NDVI) ماهوارهاي سنجنده موديس روند تغييرات شاخص نرمال شده پوشش گياهي و (SPI) در كشت مرتع و اراضي ديم حوضه آبريز نيشابور بررسي شد. به منظور پايش دقيقتر خشكسالي، شاخص بارش استاندارد محاسبه و كلاس خشكسالي براساس هر دو شاخص مذكور تعيين شد. نتايج نشان داد كه (VCI) شاخص وضعيت پوشش گياهي و مقادير بارندگي براي بارشهاي با تاخير زماني شش ماهه بهدست آمده، گرچه NDVI بيشترين ضرايب همبستگي ميان شاخص 0) ديده شد. كمترين و بيشترين / 0 به 547 / بيشترين افزايش ضريب همبستگي براي گذر از باران يك ماهه به دو ماهه (افزايش از 068 0 در اراضي ديم بهدست آمد. / 0 در اراضي مرتع و صفر و 71 / ضرايب همبستگي مذكور در طي اين 10 سال به ترتيب صفر و 73 نميتواند به صورت تمام و كمال بيانگر SPI در كلاسبندي خشكسالي نشان داد كه شاخص VCI و SPI مقايسه نتايج دو شاخص در بازههاي زماني يك، سه، SPI و VCI وضعيت خشكسالي كشاورزي باشد. كمترين و بيشترين ضرايب همبستگي ميان شاخص 0 بهدست آمدهاند. بررسي ضرايب همبستگي /83-0/ 0 و 15 /57-0 ،0/66-0/001 ،0/8-0/04 ،0/23- شش، نه و 12 ماهه بهترتيب 0 در بازه زماني يك ماهه به وقوع پيوسته است. SPI 0) براي / نشان داد كه كمترين ضرايب همبستگي ( 001 SPI و VCI ميان شاخص

Abstract Regional vegetation plays an important role in modeling ecosystem changes and conservation. Meteorological drought indices which are directly obtained from such meteorological data as precipitation canʹt be useful in drought monitoring if those data are absence. Therefore, remote sensing techniques may provide an efficient technique for drought monitoring. In this study, the values of Normalized Difference Vegetation Index (NDVI) changes was investigated in the pasture and rainfed lands of Neishabour watershed during November to May, 2001 to 2010 using Moderate Resolution Imaging Spectroradiometer (MODIS) satellite images. In order to practice a more precise drought monitoring, standardized precipitation (SPI) and vegetation indexes (VCI) were also computed and drought class determined based on both values. The results showed that the highest correlation coefficients between NDVI and precipitation were obtained for 6-months time step; however the highest increment in correlation coefficients were as transition from one to two month(s) precipitation (increment from 0.068 to 0.547). The lowest and highest mentioned correlation coefficients during 2001 to 2010 were achieved as zero and 0.73 for pastures, zero and 0.71 for rainfeds, respectively. Comparison of SPI and VCI results as for drought classing showed that SPI index cannot exactly describe agricultural drought conditions perfectly. The lowest and highest correlation coefficients between VCI and SPI with time series of 1, 3, 6, 9 and 12 months were obtained as (0-0.23), (0.04-0.8), (0.001-0.66), (0-0.57) and (0.15-0.83), respectively. Analysis of the correlation coefficients between SPI and VCI showed that its lowest value (0.001) was happened for monthly SPI.