نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

ارزیابی شاخص‌های خشکی با استفاده از داده‌های ماهواره‌ای موجود در سامانه گوگل ارث انجین

نوع مقاله : مقاله پژوهشی

نویسندگان
زهرا شیرمحمدی علی اکبرخانی 1
سیدفرهاد صابرعلی 2
حسین نستری نصرابادی 3
سید محمد جواد میرزایی 4
1 استادیار گروه مهندسی آب مجتمع آموزش عالی کشاورزی و دامپروری تربت‌جام
2 مجتمع آموزش عالی تربت جام، خراسان رضوی، ایران.
3 مجتمع آموزش عالی تربت جام، خراسان رضوی، ایران
4 استادیار گروه علوم و مهندسی آب ، مجتمع آموزش عالی تربت‌جام، تربت‌جام
10.22125/iwe.2024.429308.1776
چکیده
خشکی یک ویژگی اقلیمی است که بر بسیاری از جنبه‌های زندگی، عمدتاً در کشاورزی، بلکه در سایر بخش‌های اقتصادی تأثیر بسزایی دارد. در این مطالعه از پلتفرم گوگل ارث انجین(Google Earth Engine (GEE)) برای پایش و ارزیابی دو شاخص خشکی دومارتن و فائو در ده ایستگاه در استان خراسان رضوی در مقیاس سالانه و در دوره آماری 2021-2000 استفاده شده است. در این پلتفرم از داده‌های تبخیر و تعرق پنمن مانتیث موجود در مجموعه داده‌های اقلیمی ماهانه دانشگاه آیداهو (TerraClimate) برای مقادیر تبخیر و تعرق پتانسیل ماهانه استفاده گردید. برای محاسبه دما از مجموعه داده‌های MODIS (MOD11A1 V6.1) استفاده شد. مجموعه داده محصول (CHIRPS) برای محاسبه میزان بارش ماهانه استفاده شد. به منظور ارزیابی شاخص‌های خشکی از شاخص‌های آماری ضریب همبستگی (CC)، بایاس نسبی (RBIAS)، ریشه میانگین مربعات خطا (RMSE)، شاخص نش-ساتکلیف (NSE) و مقدار احتمال تخمین (POD) استفاده شد. نتایج آنالیز‌های آماری نشان داد که شاخص خشکی دومارتن در ایستگاه‌های مشهد، تربت جام، نیشابور، گناباد و گلمکان با ضریب همبستگی در محدوده 851/0-704/0، ریشه میانگین مربعات خطا در محدوده 419/2-228/1، بایاس نسبی (منفی) در محدوده 227/0-096/0، شاخص نش-ساتکلیف در محدوده 633/0- 142/0و احتمال تخمین در محدوده 1-773/0 به عنوان بهترین روش برای محاسبه شاخص خشکی در مقیاس سالانه انتخاب گردید. در سایر ایستگاه‌های مورد مطالعه روش فائو به عنوان بهترین روش محاسبه شاخص خشکی درنظر گرفته‌شد. به طور کلی استفاده از داده‌های ماهواره‌ای پلت فرم گوگل ارث انجین در تحقیق حاضر با توجه به تفکیک مکانی - زمانی مناسب، نتایج قابل اعتماد و رضایت بخشی به دست می‌دهد
کلیدواژه‌ها
خشکی
سنجش از دور
مادیس
گوگل ارث انجین
موضوعات

عنوان مقاله English

Drought Index Assessment with Satellite Data Available in Google Earth Engine

نویسندگان English

zahra Shirmohammadi_Aliakbarkhani 1
Seyed Farhad Saberali 2
Hossein Nastari Nasrabadi 3
Sayyed Mohammad Javad Mirzaei 4
1 Faculty of Agriculture and Animal Science, university of Torbat-e Jam
2 High Educational Complex of Torbat-e Jam
3 High Educational Complex of Torbat-e Jam, khorasan Razavi, Iran
4 Department of Water Science and Eengineering, High Educational Complex of Torbat-e Jam, Khorasan Razavi, Iran
چکیده English

Aridity is a climatic characteristic that has a significant impact on many aspects of life, mainly in agriculture but also in other economic sectors. In this study, a Google Earth Engine (GEE) platform was implemented to monitor and Evaluation of two aridity indexes, such as the De Martonne aridity index, and FAO aridity index at ten stations in Razavi Khorasan province from 2000 to 2021. The University of Idaho's monthly climate data set (TerraClimate) is used to calculate monthly potential evaporation and transpiration. MODIS dataset (MOD11A1 V6.1) used to calculate temperature. The product dataset (CHIRPS) is used for calculating the monthly rainfall. Satellite data, in comparison to the aridity index calculated with ground data, is evaluated using widely accepted statistical indices such as the correlation coefficient (CC), relative bias (RBIAS), root mean squared error (RMSE), Nash–Sutcliffe model efficiency coefficient (NSE), and probability of detection (POD). The results showed that the De Martonne aridity index in Mashhad, Torbat Jam, Neishabour, Gonabad, and Golmakan stations, with a correlation coefficient in the range of 0.704-0.851, root mean square error in the range of 1.228-2.419, relative bias (negative) in the range of 0.096-0.227, Nash-Sutcliffe index in the range of 0.142-0.633, and the probability of estimation in the range of 0.773-1, was chosen as the best method of calculating the yearly aridity index. In other studied stations, the FAO method is the best. Overall, the current study's use of satellite data is appropriate and yields dependable and satisfying results because of its suitable spatiotemporal separation.

کلیدواژه‌ها English

Aridity
Google Earth Engine
MODIS
Remote Sensing
Abatzoglou, J. T., S. Z. Dobrowski, S. A. Parks, and K. C. Hegewisch. 2018. TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958–2015. Scientific Data 5:170191.
Aksoy, S., O. Usal, and E. Sertel. 2019. Drought Monitoring using MODIS derived indices and Google Earth Engine Platform.
Allen, R. G., L. S. Pereira, R. Dirk, and S. Martin. 1998. Crop evapotranspiration - Guidelines for computing crop water requirements - FAO Irrigation and drainage paper 56. Irrigation and Drainage.
Araghi, A., C. J. Martinez, J. Adamowski, and J. E. Olesen. 2018. Spatiotemporal variations of aridity in Iran using high-resolution gridded data. International Journal of Climatology 38:2701–2717.
Deniz, A., H. Toros, and S. Incecik. 2011. Spatial variations of climate indices in Turkey. International Journal of Climatology.
DeVries, B., C. Huang, J. Armston, W. Huang, J. W. Jones, and M. W. Lang. 2020. Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine. Remote Sensing of Environment 240:111664.
Djaman, K., A. B. Balde, A. Sow, B. Muller, S. Irmak, M. K. N. Diaye, B. Manneh, Y. D. Moukoumbi, K. Futakuchi, and K. Saito. 2015. Journal of Hydrology : Regional Studies Evaluation of sixteen reference evapotranspiration methods under sahelian conditions in the Senegal River Valley. Journal of Hydrology: Regional Studies 3:139–159.
Ejaz, N., J. Bahrawi, K. Mohammed Alghamdi, K. Rahman, and S. Shang. 2023. Drought Monitoring Using Landsat Derived Indices and Google Earth Engine Platform: A Case Study from Al-Lith Watershed, Kingdom of Saudi Arabia. Remote Sensing 15:984.
Gavrilov, M. B., W. An, C. Xu, M. G. Radaković, Q. Hao, F. Yang, Z. Guo, Z. Perić, G. Gavrilov, and S. B. Marković. 2019. Independent Aridity and Drought Pieces of Evidence Based on Meteorological Data and Tree Ring Data in Southeast Banat, Vojvodina, Serbia.
Ghavidel, Y., A. Hosseini, A. M. Khorshiddoust, and M. Farajzadeh. 2020. Spatio-temporal Analysis of Dry and Wet Periods in Iran by Using Global Precipitation Climatology Center - Drought Index (GPCC –DI). Theoretical and Applied Climatology.
Gidey, E., O. Dikinya, R. Sebego, E. Segosebe, and A. Abraha. 2018. Using Drought Indices to Model the Statistical Relationships Between Meteorological and Agricultural Drought in Raya and Its Environs, Northern Ethiopia. Earth Systems and Environment 2.
Haider, S., and S. Adnan. 2014. Classification and Assessment of Aridity Over Pakistan Provinces (1960-2009). International journal of Environment 3:2091–2854.
Huo, Z., X. Dai, S. Feng, S. Kang, and G. Huang. 2013. Effect of climate change on reference evapotranspiration and aridity index in arid region of China. Journal of Hydrology.
Khan, R., H. Gilani, N. Iqbal, and I. Shahid. 2019. Satellite-based (2000–2015) drought hazard assessment with indices, mapping, and monitoring of Potohar plateau, Punjab, Pakistan. Environmental Earth Sciences 79.
Kocaaslan, S., N. Musaoğlu, and S. Karamzadeh. 2021. Evaluating Drought Events by Time-Frequency Analysis: A Case Study in Aegean Region of Turkey. IEEE Access 9:125032–125041.
Lang, D., J. Zheng, J. Shi, F. Liao, X. Ma, W. Wang, X. Chen, and M. Zhang. 2017. A comparative study of potential evapotranspiration estimation by eight methods with FAO Penman–Monteith method in southwestern China. Water (Switzerland) 9.
Mehravar, S., M. Amani, A. Moghimi, F. Dadrass Javan, F. Samadzadegan, A. Ghorbanian, A. Stein, A. Mohammadzadeh, and S. M. Mirmazloumi. 2021. Temperature-Vegetation-soil Moisture-Precipitation Drought Index (TVMPDI); 21-Year Drought Monitoring in Iran using Satellite Imagery within Google Earth Engine. Advances in Space Research 68.
Paltineanu, C., I. F. Mihailescu, I. Seceleanu, C. Dragota, and F. Vasenciuc. 2007. Using aridity indices to describe some climate and soil features in Eastern Europe: A Romanian case study. Theoretical and Applied Climatology.
Paniagua, L. L., A. García-Martín, F. J. Moral, and F. J. Rebollo. 2019. Aridity in the Iberian Peninsula (1960–2017): distribution, tendencies, and changes. Theoretical and Applied Climatology 138:811–830.
Park, C.-E., S.-J. Jeong, M. Joshi, T. J. Osborn, C.-H. Ho, S. Piao, D. Chen, J. Liu, H. Yang, H. Park, B.-M. Kim, and S. Feng. 2018. Keeping global warming within 1.5 °C constrains emergence of aridification. Nature Climate Change 8:70–74.
Pellicone, G., T. Caloiero, and I. Guagliardi. 2019. The De Martonne aridity index in Calabria (Southern Italy). Journal of Maps 15:788–796.
Pörtner, H.-O., D. Roberts, M. Tignor, E. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama, D. Belling, W. Dieck, S. Götze, T. Kersher, P. Mangele, B. Maus, A. Mühle, and N. Weyer. 2022. Climate Change 2022: Impacts, Adaptation and Vulnerability Working Group II Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.
Robert Maliva, T. M. 2012. Arid Lands Water Evaluation and Management.
Sazib, N., I. Mladenova, and J. Bolten. 2018. Leveraging the Google Earth Engine for Drought Assessment Using Global Soil Moisture Data.
Shifteh Some’e, B., A. Ezani, and H. Tabari. 2013. Spatiotemporal trends of aridity index in arid and semi-arid regions of Iran. Theoretical and Applied Climatology.
Sidhu, N., E. Pebesma, and G. Câmara. 2018. Using Google Earth Engine to detect land cover change: Singapore as a use case. European Journal of Remote Sensing 51:486–500.
Tamiminia, H., B. Salehi, M. Mahdianpari, L. Quackenbush, S. Adeli, and B. Brisco. 2020. Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS Journal of Photogrammetry and Remote Sensing 164:152–170.
Thaeri Qazvini, A., and D. Carrion. 2023a. A Spatiotemporal Drought Analysis Application Implemented in the Google Earth Engine and Applied to Iran as a Case Study. Remote Sensing 15:2218.
Thaeri Qazvini, A., and D. Carrion. 2023b. A Spatiotemporal Drought Analysis Application Implemented in the Google Earth Engine and Applied to Iran as a Case Study. Remote Sensing 15:2218.
Thornthwaite, C. W. 1948. An Approach toward a Rational Classification of Climate. Geographical Review.
Vogt, J., W. Erian, R. Pulwarty, and M. Gordon. 2021a. GAR Special Report on Drought 2021 (United Nations).
Vogt, J., W. Erian, R. Pulwarty, and M. Gordon. 2021b. GAR Special Report on Drought 2021 (United Nations).
Wang, W., W. Xing, Q. Shao, Z. Yu, S. Peng, T. Yang, B. Yong, J. Taylor, and V. P. Singh. 2013. Changes in reference evapotranspiration across the Tibetan Plateau: Observations and future projections based on statistical downscaling. Journal of Geophysical Research Atmospheres.
Wilhite, D., M. Svoboda, and M. Hayes. 2007. Understanding the Complex Impacts of Drought: A Key to Enhancing Drought Mitigation and Preparedness. Water Resources Management 21:763–774.