| تعداد نشریات | 287 |
| تعداد نشریات سازمان | 85 |
| تعداد شمارهها | 3,159 |
| تعداد مقالات | 35,108 |
| تعداد مشاهده مقاله | 50,530,821 |
| تعداد دریافت فایل اصل مقاله | 90,479,611 |
بررسی ابرخشکسالی و رابطه آن با پوشش گیاهی | ||
| تحقیقات مرتع و بیابان ایران | ||
| مقاله 4، دوره 32، شماره 3، شهریور 1404، صفحه 255-276 اصل مقاله (2.18 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijrdr.2025.134289 | ||
| نویسندگان | ||
| سیده فاطمه عرب1؛ جواد بذرافشان* 2 | ||
| 1دانشجوی کارشناسی ارشد، گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران | ||
| 2دانشیار، گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| چکیده سابقه و هدف خشکسالی، بهطورکلی، بهصورت یک دوره زمانی کمبود موقتی منابع آبی نسبت به شرایط نرمال در یک منطقه معین تعریف میشود. این پدیده بهکندی آغاز میشود و در همه رژیمهای اقلیمی اتفاق میافتد، اما ساختار و اثرهای پیچیدهای دارد که بهطور قابل توجهی از یک منطقه به منطقه دیگر فرق میکند. خشکسالیهای فرین، خشکسالیهایی هستند که در طبقات شدید یا بسیار شدید خشکسالی دستهبندی میشوند. در مطالعات خشکسالی با استفاده از شاخصهای مرسوم، شناسایی خشکسالیهای فرین وابسته به مقیاس زمانی است. ابرخشکسالی، بر وقوع خشکسالیهای فرین در مقیاسهای مختلف زمانی دلالت دارد و مفهومی فراتر از خشکسالی فرین ارائه میدهد. به این معنا که در شناسایی ابرخشکسالیها، به کمک روشهای آماری اقدام به تلفیق خشکشالیها در چندین مقیاس زمانی خواهد شد. مطالعات انجامشده در زمینه ابرخشکسالیها در دنیا تقریباً از یک دهه قبل آغاز شده و پنجره جدیدی در دانش خشکسالی گشوده است. انتظار میرود ابرخشکسالیها اثرهای بلندمدت خشکسالی بر منابع آبی و پوشش گیاهی در یک منطقه را نشان دهند. بنابراین، هدف از این تحقیق، بررسی امکان وقوع ابرخشکسالیها و تحلیل مشخصات آنها و ارزیابی تأثیر آنها بر پوشش گیاهی است و برای این منظور، استان خوزستان به عنوان نمونه مطالعاتی انتخاب گردید. مواد و روشها در این مطالعه، از دادههای هواشناسی شامل بارش، دما، رطوبت نسبی، سرعت باد و ساعات آفتابی در مقیاس روزانه مربوط به پنج ایستگاه سینوپتیک استان خوزستان (اهواز، بندرماهشهر، مسجد سلیمان، صفیآباد دزفول و بستان) برای دوره آماری 1990-2019 و دادههای شاخص نرمالشده پوشش گیاهی (NDVI) ماهواره MODIS مربوط به سنجنده Terra و محصول MOD13A3 با اندازه پیکسل 1 کیلومتر مربع مربوط به دوره 2000-2019 استفاده گردید. محدودهای شامل 81 پیکسل (9 در 9) در اطراف هر ایستگاه انتخاب شد و میانه NDVI در هر ماه بهعنوان شاخص NDVI آن ماه در نظر گرفته شد. پس از کنترل کیفی و تکمیل خلأهای آماری، شاخص بارش-تبخیرتعرق استاندارد (SPEI) در پنج مقیاس زمانی پایه شامل 3، 6، 12، 24 و 48 ماه محاسبه شد. سپس، شاخص خشکسالی ترکیبی (CDI) با اعمال تابع همبند واین (Vine) روی پنج مقیاس زمانی SPEI محاسبه گردید. برای محاسبه CDI از روش D-Vine استفاده شد که توان مدلسازی ساختار پیچیده خشکسالی بر مبنای وابستگی متغیرهای حاشیهای را دارد. در نهایت نیز رابطه رگرسیونی بین CDI و شاخص پوشش گیاهی نرمالشده (NDVI) در ایستگاههای منتخب تعیین گردید. نتایج نتایج نشان داد که توابع همبند واین (Vine) توانمندی مناسبی در تحلیل وابستگی پنج مقیاس زمانی SPEI دارند. با محاسبه شاخص ترکیبی CDI، ابرخشکسالیها در ایستگاههای منتخب منطقه مطالعاتی شناسایی شدند. دورههای ابرخشک شناسایی شده در برخی ایستگاهها شباهت بیشتری با یکدیگر داشتند، اما هیچ ابرخشکسالی مشترکی در پنج ایستگاه هواشناسی شناسایی نشد. بهعنوان نمونه، شدیدترین ابرخشکسالیها، در ایستگاه مسجد سلیمان در دسامبر 2001 و در ایستگاههای اهواز، بندرماهشهر و صفیآباد دزفول در سالهای مختلف ثبت گردید. علاوه بر این، رابطه رگرسیونی بین CDI و NDVI در تمامی ایستگاهها در اغلب ماههای مختلف سال مثبت و معنیدار بود و این همبستگیها در ایستگاه صفیآباد دزفول در ماههای فوریه تا آوریل بالاتر از دیگر ایستگاههاست (r > 0.7). در ایستگاه بستان تقریباً در همه ماههای سال همبستگی مثبت و معنیدار بین NDVI و CDI وجود داشت. البته تنها در ایستگاه صفیآباد دزفول در دو ماه گرم سال، همبستگی منفی معنیدار بین NDVI و CDI وجود داشت. نتیجهگیری بررسیها نشان داد که تابع همبند واین با تلفیق اطلاعات SPEI در پنج مقیاس زمانی و با درنظر گرفتن پیچیدگی وابستگی مقیاسهای زمانی، توانسته است پدیده ابرخشکسالی را در ایستگاههای منتخب طی دوره آماری 30 ساله شناسایی نماید. این در حالی است که بدون استفاده از تابع همبند و فقط با مقایسه عینی مقادیر SPEI در پنج مقیاس زمانی پایه، تعداد محدودی ابرخشکسالی و حتی در ایستگاه بستان هیچ ابرخشکسالی شناسایی نشد. شاخص خشکسالی ترکیبی (CDI) همبستگی بالایی با NDVI داشته، بنابراین کارایی مناسبی در شناسایی وقوع دورههای خشک پوشش گیاهی دارد. در بیشتر ماههای سال، با افزایش شدت خشکسالی از سبزینگی پوشش (مقدار NDVI) کاسته میشود که دلیل آن تنش کمآبی است. در معدودی از ماهها (ماههای گرم) با تشدید خشکسالی به میزان سبزینگی پوشش اضافه میشد. در این مناطق تنش حرارتی باعث تضعیف پوشش گیاهی میشود. با توجه به تأثیرپذیری CDI از مقیاسهای زمانی SPEI و آستانه وقوع خشکسالی فرین، لازم است حساسیت CDI به دو عامل مذکور در مطالعات بعدی مورد توجه محققان قرار گیرد. | ||
| کلیدواژهها | ||
| ابرخشکسالی؛ پوشش گیاهی؛ خوزستان؛ شاخص بارش-تبخیرتعرق استاندارد؛ مقیاس زمانی | ||
| عنوان مقاله [English] | ||
| Investigation of super-drought and its relationship with vegetation cover in Khuzestan province | ||
| نویسندگان [English] | ||
| Seyedeh Fatemeh Arab1؛ Javad Bazrafshan2 | ||
| 1MSc. Student, Department of Irrigation and Reclamation Engineering, Faculty of Agriculture, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran. | ||
| 2Associate Professor, Department of Irrigation and Reclamation Engineering, Faculty of Agriculture, University of Tehran, Karaj, Iran | ||
| چکیده [English] | ||
| Abstract Background and Objectives Drought is typically characterized as a temporary deficit in water resources relative to normal regional conditions. This slow-onset phenomenon occurs across all climate zones but exhibits complex structures and region-specific impacts. Extreme droughts are distinguished by their intensity in severe or very severe classes. In drought research employing conventional indices, the identification of extreme droughts depends on analysis across different time scales. The concept of super-drought extends this framework by considering drought occurrences across multiple timescales, providing a broader perspective beyond extreme droughts. Identifying superdroughts involves statistical integration of drought signals at various time scales. International studies on superd-roughts—initiated nearly a decade ago—have significantly advanced our understanding of drought dynamics. This phenomenon is crucial as it reflects the prolonged impact of droughts on regional water and ecological systems. Consequently, this study seeks to explore the potential occurrence of super-droughts, analyze their characteristics, and assess their effects on vegetation, with Khuzestan Province serving as the study region. Materials and Methods This research utilizes daily meteorological data—including precipitation, temperature, relative humidity, wind speed, and sunshine hours—from five synoptic stations in Khuzestan Province: Ahvaz, Bandar Mahshahr, Masjed Soleyman, Safiabad Dezful, and Bostan, covering the period 1990–2019. Additionally, NDVI data obtained from the MODIS satellite (Terra sensor, product MOD13A3, spatial resolution of 1 km²) spanning 2000–2019 was analyzed. For each station, an 81-pixel region (9×9 grid) was selected, and the median NDVI value was calculated monthly to serve as the vegetation index. Following quality control and gap filling, the Standardized Precipitation-Evapotranspiration Index (SPEI) was computed across five time scales: 3, 6, 12, 24, and 48 months. Subsequently, the Composite Drought Index (CDI) was derived by applying the Vine copulas technique to these SPEI scales, a method capable of capturing the complex dependence structure among the indices. The relationship between CDI and NDVI was then statistically modeled at each station. Results Findings indicated that the Vine copulas method effectively analyzed the dependence across the five SPEI time scales. The resulting CDI enabled the identification of superdrought events within the study area. While some stations experienced similar drought periods, no singular dry spell was common across all five stations. For example, the most intense drought episodes were observed at Masjed Soleyman in December 2001, and at Ahvaz, Bandar Mahshahr, and Safiabad Dezful in various other years. The correlation between CDI and NDVI was predominantly positive and statistically significant throughout most months, with the highest correlations at Safiabad Dezful between February and April (r > 0.7). At Bostan, this positive relationship persisted nearly year-round. Notably, during the hotter months at Safiabad Dezful, a significant negative correlation emerged, indicating that heightened thermal stress can weaken vegetation even amidst drought conditions. Conclusion The study demonstrates that the Vine ccopulas method, by integrating multi-scale SPEI data and accounting for their complex interdependencies, effectively identified superdrought events over a 30-year period at the selected stations. In contrast, a straightforward comparison of SPEI values across scales, without the Vine approach, revealed only a limited number of superdroughts, with Bostan’s station showing none. The CDI showed a strong correlation with NDVI, confirming its utility in detecting drought-related vegetation stress. Generally, increased drought intensity corresponded with decreased vegetation greenness, attributable to water deficits, although during certain hot months, vegetation greenness increased due to thermal stress effects. Future research should consider the sensitivity of CDI to the specific thresholds of drought occurrence, as well as its dependence on the underlying SPEI scales, to refine drought monitoring and ecological impact assessments. | ||
| کلیدواژهها [English] | ||
| Khuzestan, Standardized Precipitation-Evapotranspiration Index, Super-drought, Time scale, Vegetation | ||
| مراجع | ||
|
AghaKouchak, A., Mirchi, A., Madani, K., Di Baldassarre, G., Nazemi, A., Alborzi, A., Anjileli, H., Azarderakhsh, M., Chiang, F., Hassanzadeh, E., Huning, L.S., Mallakpour, I., Martinez, A., Mazdiyasni, O., Moftakhari, H., Norouzi, H., Sadegh, M., Sadeqi, D., Van Loon, A.F. and Wanders, N., 2021. Anthropogenic Drought: Definition, Challenges, and Opportunities. Reviews of Geophysics 59, e2019RG000683. DOI:10.1029/2019RG000683
Akaike, H., 1998. Information Theory and an Extension of the Maximum Likelihood Principle, in: Parzen, E., Tanabe, K., Kitagawa, G. (Eds.), Selected Papers of Hirotugu Akaike. Springer New York, New York, NY, pp. 199-213. DOI:10.1007/978-1-4612-1694-0_15
Ault, T.R., 2020. On the essentials of drought in a changing climate. Science 368, 256-260. DOI:10.1126/science.aaz5492
Bazrafshan, J., Cheraghalizadeh, M. and Shahgholian, K., 2022. Development of a Non-stationary Standardized Precipitation Evapotranspiration Index (NSPEI) for Drought Monitoring in a Changing Climate. Water Resources Management 36, 3523-3543. DOI:10.1007/s11269-022-03209-x
Bazrafshan, J., Hejabi, S. and Rahimi, J., 2014. Drought Monitoring Using the Multivariate Standardized Precipitation Index (MSPI). Water Resources Management 28, 1045-1060. DOI: 10.1007/s11269-014-0533-2
Bazrafshan, J., Nadi, M. and Ghorbani, K., 2015. Comparison of Empirical Copula-Based Joint Deficit Index (JDI) and Multivariate Standardized Precipitation Index (MSPI) for Drought Monitoring in Iran. Water Resources Management 29, 2027-2044. DOI: 10.1007/s11269-015-0926-x
Cheraghalizadeh, M., Ghameshlou, A.N., Bazrafshan, J. and Bazrafshan, O., 2018. A copula-based joint meteorological–hydrological drought index in a humid region (Kasilian basin, North Iran). Arabian Journal of Geosciences 11, 300. DOI: 10.1007/s12517-018-3671-7
Haile, G.G., Tang, Q., Li, W., Liu, X. and Zhang, X., 2020. Drought: Progress in broadening its understanding. WIREs Water 7, e1407. DOI: 10.1002/wat2.1407
Hao, Z. and AghaKouchak, A., 2013. Multivariate Standardized Drought Index: A parametric multi-index model. Advances in Water Resources 57, 12-18. DOI: 10.1016/j.advwatres.2013.03.009
Karnieli, A., Agam, N., Pinker, R.T., Anderson, M., Imhoff, M.L., Gutman, G.G., Panov, N. and Goldberg, A., 2010. Use of NDVI and Land Surface Temperature for Drought Assessment: Merits and Limitations. Journal of Climate 23, 618-633. DOI: 10.1175/2009JCLI2900.1
Keyantash, J.A. and Dracup, J.A., 2004. An aggregate drought index: Assessing drought severity based on fluctuations in the hydrologic cycle and surface water storage. Water Resources Research 40, W09304. DOI: 10.1029/2003WR002610
Klein Tank, A.M.G. and Zwiers, F.W., 2009. Guidelines on analysis of extremes in a changing climate in support of informed decisions for adaptation. WCDMP- No. 72, WMO.
Liu, Q., Zhang, S., Zhang, H., Bai, Y. and Zhang, J., 2020. Monitoring drought using composite drought indices based on remote sensing. Science of The Total Environment 711, 134585. DOI: 10.1016/j.scitotenv.2019.134585
Liu, W., 2024. The Response of NDVI to Drought at Different Temporal Scales in the Yellow River Basin from 2003 to 2020. Water 16, 2416. DOI: 10.3390/w16172416
Ma, M., Ren, L., Singh, V.P., Tu, X., Jiang, S. and Liu, Y., 2015. Evaluation and application of the SPDI-JDI for droughts in Texas, USA. Journal of Hydrology 521, 34-45. DOI: 10.1016/j.jhydrol.2014.11.074
McKee, T.B., Doeskin, N.J. and Kleist, J., 1993. The relationship of drought frequency and duration to time scales, Proceedings of the eighth conference on applied climatology. American Meteorological Society, Anaheim, CA, pp. 179–184.
Mirabbasi, R., Anagnostou, E.N., Fakheri-Fard, A., Dinpashoh, Y. and Eslamian, S., 2013. Analysis of meteorological drought in northwest Iran using the Joint Deficit Index. Journal of Hydrology 492, 35-48. DOI: 10.1016/j.jhydrol.2013.04.019
Mishra, A.K. and Singh, V.P., 2011. Drought modeling – A review. Journal of Hydrology 403, 157-175. DOI: 10.1016/j.jhydrol.2011.03.049
Mohammadi, H., Bazrafshan, J. and Liaghat, A., 2023. Correlation analysis of drought-dust and its relationship with vegetation changes in Khuzestan province. Iranian Journal of Soil and Water Research 54, 1447-1465. DOI: 10.22059/IJSWR.2023.364328.669560
Nagler, T., Schepsmeier, U., Stoeber, J., Brechmann, E.C., Graeler, B. and Erhardt, T., 2024. VineCopula: Statistical Inference of Vine Copulas, R package version 2.6.0 ed. DOI: 10.32614/CRAN.package.VineCopula
Rahimzadeh Bajgiran, P., Darvishsefat, A.A., Khalili, A. and Makhdoum M.F., 2008. Using AVHRR-based vegetation indices for drought monitoring in the Northwest of Iran. Journal of Arid Environments 72, 1086-109. DOI: 10.1016/j.jaridenv.2007.12.004
Van Loon, A.F., 2015. Hydrological drought explained. Wiley Interdisciplinary Reviews: Water 2, 359-392. DOI: 10.1002/wat2.1085
Vicente-Serrano, S.M., Beguería, S. and López-Moreno, J.I., 2010. A Multiscalar Drought Index Sensitive to Global Warming: The Standardized Precipitation Evapotranspiration Index. Journal of Climate 23, 1696-1718. DOI: 10.1175/2009JCLI2909.1
Vicente-Serrano, S.M., López-Moreno, J.I., Beguería, S., Lorenzo-Lacruz, J., Azorin-Molina, C. and Morán-Tejeda, E., 2012. Accurate Computation of a Streamflow Drought Index. Journal of Hydrologic Engineering 17, 318-332. DOI: 10.1061/(ASCE)HE.1943-5584.0000433
Wang, L., Chen, W., Fu, Q., Huang, G., Wang, Q., Chotamonsak, C. and Limsakul, A., 2022. Super droughts over East Asia since 1960 under the impacts of global warming and decadal variability. International Journal of Climatology 42, 450-4521. DOI: 10.1002/joc.7483
Wang, L., Chen, W., Zhou, W. and Huang, G., 2016. Understanding and detecting super-extreme droughts in Southwest China through an integrated approach and index. Quarterly Journal of the Royal Meteorological Society 142, 529-535. DOI: 10.1002/qj.2593
Wang, L., Huang, G., Chen, W. and Wang, T., 2023. Super Drought under Global Warming Concept, Monitoring Index, and Validation. Bulletin of the American Meteorological Society 104, E943-E969. DOI: 10.1175/BAMS-D-22-0182.1
| ||
|
آمار تعداد مشاهده مقاله: 226 تعداد دریافت فایل اصل مقاله: 110 |
||