واکاوی تغییرات دما، پوشش گیاهی،تبخیر و تعرق و خشکسالی مبتنی بر مدلسازی تصاویر ماهواره ای لندست 5 و 8 و شاخص های هواشناسی
آرشیو
چکیده
با توجه به اهمیت تبخیر- تعرق در چرخه هیدرولوژی و کاربردهای متنوع آن در علوم مختلف، محاسبه مقدار آن بویژه، تبخیر- تعرق واقعی از اهمیت بالایی برخوردار است. با توجه به اینکه فراوانی پوشش گیاهی یکی از مهم ترین عوامل تاثیرگذار بر دمای سطح زمین است بنابراین پژوهش حاضر با هدف بررسی خودهمبستگی فضایی دمای سطح زمین و تبخیر- تعرق در ارتباط با پوشش گیاهی در شهرستان مراوه تپه می باشد. با استفاده از پردازش داده ها در محیط Google Earth Engine در قسمت اول ، یک مجموعه داده مودیس با وضوح بالا و به صورت فصلی برای هر سال طی یک دوره زمانی بین سال های ، 2000، 2015،2010 و 2020 را مورد تجزیه و تحلیل قرار دادیم. سپس تبخیروتعرق به کمک دیتاهای مودیس و روش-تورنت وایت با درنظرگرفتن ضریب رشد گیاهی محاسبه شده و با تبخیروتعرقی که از الگوریتم سبال بدست آمده، مورد مقایسه و بررسی قرار گرفتند.در همین راستا پیشبینی خشکسالی با استفاده از شاخص SPI (یک ماهه،سه ماهه،شش ماهه و دوازده ماهه) برای بازه زمانی 2015 تا 2044 نیز انجام گردید. پس از محاسبه تغییرات جهت شناسایی و کشف الگوها و روندهای موجود در داده های فضایی از نرم افزار ArcGis بهره گرفته شد. به جهت بهترین نتیجه و کمترین میزان خطا از روش میانیابی مجذور فاصله با پراکنش(Expotntial) و جهت انتخاب بهترین روش درونیابی از شاخص های آماری ریشه میانگین مربعات خطا RMS قدر مطلق خطا MAE استفاده گردید. نتایج نشان داد روش عکس فاصله به عنوان بهترین روش در میان روش های مورداستفاده برای برآورد تغییرات می باشد. نتایج این تحقیق مشخص کرد که در فصل بهار بالاترین درصد NDVI با پایین ترین میزان دما انطباق مکانی ندارد، به عبارت دیگر درصد شاخص پوشش گیاهی با درجه حرارت سطح زمین رابطه معکوس ندارد. در فصل تابستان بالاترین میزان درصد شاخص پوشش گیاهی از نظر مکانی با کم ترین میزان دمای سطح زمین انطباق مکانی کامل دارد. در فصل زمستان نحوه پراکنش الگوهای دمایی به دلیل نقش تعدیل کننده دمایی پوشش گیاهی با استفاده از ساز و کار تبخیر و تعرق در مقایسه با سایر فصول کاملا متفاوت است.Analysis of Temperature Changes, Vegetation, Evapotranspiration, and Drought Based on Modeling of Landsat 5 and 8 Satellite Imagery and Meteorological Indicators
Introduction Remote sensing data can provide the latest information for studying land cover and its changes. Land cover detection helps in area management and decision-making. In addition, comparing images from a certain period can show the trend of changes in any region. The formation of human settlements is always based on natural factors such as water and soil, and villages, as the first form of human coexistence in a natural area, are influenced by numerous natural, economic, and other features. Vegetation is the first and most important producer of any ecosystem and is reflected in many factors; therefore, by studying the relationship between its changes and other factors such as temperature, evapotranspiration, and drought, the interaction of these factors can be understood. Monitoring changes in surface temperature due to seasonal and non-seasonal variations is essential because of their large impact on the human and natural environment. Remote sensing satellite imagery can be used to monitor surface temperature continuously, inexpensively, and rapidly.Materials and Methods The objective of this study was to investigate the spatial autocorrelation of surface temperature and evapotranspiration about vegetation in Maraveh Tappeh. Using data processing in the Google Earth Engine environment, the first part analyzes and evaluates a high-resolution seasonal dataset for each year over a period between 2000, 2015, 2010, and 2020. We present the analysis. Then, evapotranspiration was calculated using Modis data and the Torrent-White method, taking into account the plant growth coefficient, and compared with the evapotranspiration determined by the Sabal algorithm. In this context, drought prediction using the SPI index (one month, three months, six months, and twelve months) was also performed for the period 2015 to 2044. After calculating the changes, ArcGIS software was used to detect and discover patterns and trends in the spatial data. To obtain the best result and the lowest error rate, the method of quadratic exponential interpolation was used, and the mean square error RMS absolute value of MAE error was used to select the best interpolation method.Results and Discussion The results showed that the inverse distance method is the best method for estimating changes. The results of this study show that in spring, the highest percentage of NDVI does not correspond to the lowest temperature in space, in other words, the percentage of vegetation index is not inversely related to the temperature of the soil surface. In summer, the highest percentage of vegetation index is fully spatially matched concerning the space with the lowest ground surface temperature. In winter, the distribution of temperature patterns is completely different compared to other seasons because vegetation acts as a temperature moderator through the evapotranspiration mechanism.Conclusion Most areas with lower temperatures have denser vegetation. The correlation of vegetation has a value of -0.77, indicating a direct and inverse relationship between vegetation and temperature. The quantitative and qualitative changes of vegetation in the last 20 years have been extensive for the study area so the areas without vegetation have decreased somewhat and the rich vegetation has increased.