سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,111,922
تعداد دریافت فایل اصل مقاله97,215,570
نگهبان, سعید, مکرم, مرضیه. (1401). بررسی ارتباط بین وضعیت توپوگرافی و خشکسالی در غرب استان فارس با استفاده از تکنیک های سنجش از دور. , 54(3), 331-345. doi: 10.22059/jphgr.2022.341706.1007692
سعید نگهبان; مرضیه مکرم. "بررسی ارتباط بین وضعیت توپوگرافی و خشکسالی در غرب استان فارس با استفاده از تکنیک های سنجش از دور". , 54, 3, 1401, 331-345. doi: 10.22059/jphgr.2022.341706.1007692
نگهبان, سعید, مکرم, مرضیه. (1401). 'بررسی ارتباط بین وضعیت توپوگرافی و خشکسالی در غرب استان فارس با استفاده از تکنیک های سنجش از دور', , 54(3), pp. 331-345. doi: 10.22059/jphgr.2022.341706.1007692
نگهبان, سعید, مکرم, مرضیه. بررسی ارتباط بین وضعیت توپوگرافی و خشکسالی در غرب استان فارس با استفاده از تکنیک های سنجش از دور. , 1401; 54(3): 331-345. doi: 10.22059/jphgr.2022.341706.1007692

بررسی ارتباط بین وضعیت توپوگرافی و خشکسالی در غرب استان فارس با استفاده از تکنیک های سنجش از دور

پژوهش های جغرافیای طبیعی
دوره 54، شماره 3، آبان 1401، صفحه 331-345    اصل مقاله (1.94 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2022.341706.1007692
نویسندگان
سعید نگهبان* ؛ مرضیه مکرم
دانشیار ژئومورفولوژی بخش جغرافیا، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز
چکیده
شاخص پوشش گیاهی یکی از مهم‌ترین ابزارهای سنجش‌ازدور جهت بررسی خشک‌سالی در مقایسه‌های دوره‌ای می‌باشد. توپوگرافی سطح زمین (لند فرم‌ها) همواره ویژگی‌های پوشش گیاهی را تحت تأثیر قرار می‌دهند و تحت تأثیر آن کمربندهای درختی شکل می‌گیرد. این پژوهش سعی دارد که خشک‌سالی‌های غرب استان فارس را با استفاده از شاخص‌های پوشش گیاهی سنجش‌ازدور و در ارتباط با ویژگی‌های توپوگرافی منطقه برای سال‌های 2000، 2010 و2020 بررسی کند. برای این منظور بعد از تهیه نقشه‌های هر یک از شاخص‌های خشک‌سالی، با استفاده از روش زنجیره مارکوف و کومارکوف وضعیت خشک‌سالی در سال‌های آینده در منطقه موردمطالعه تعیین و با استفاده از روش TPI (شاخص موقعیت توپوگرافی)، وضعیت لند فرم‌های منطقه تعیین شد. در نهایت ارتباط بین وضعیت خشک‌سالی در منطقه موردمطالعه و لندفرم‌ها بررسی شد. نتایج نشان داد که در توزیع خشک‌سالی در همه شاخص‌ها در سال 2000 به ترتیب 96 و 78 درصد منطقه، در سال 2010 در حدود 81 و 97 درصد و در سال 2020 93 و 97 درصد منطقه در کلاس‌های خشک‌سالی متوسط  قرارگرفته است. نتایج حاصل از زنجیره مارکوف و کومارکوف برای پیش‌بینی مکانی شاخص‌های خشک‌سالی نشان داد که روند تغییرات به سمت مقادیر کمتر این شاخص‌ها و خشک‌سالی بیشتر می‌باشد. نتایج نشان داد که در سال 2040 در حدود 70 درصد  و 20 درصد از منطقه در کلاس‌های با خشک‌سالی زیاد قرار خواهند گرفت. وضعیت لند فرم‌های منطقه نشان داد که 10 نوع لندفرم در منطقه وجود دارد که شامل لند فرم‌های آبراهه‌ها، زهکش‌های شیب میانی و دره‌های کم‌عمق، زهکش‌های مناطق مرتفع، دره‌های u شکل، دشت، شیب‌های باز، شیب‌های بالایی، یال‌های موضعی، یال‌های شیب میانی، قله کوه و یال‌های مرتفع می‌باشد. ارتباط بین وضعیت خشک‌سالی و توپوگرافی در منطقه موردمطالعه نشان داد، در قسمت‌های جنوبی منطقه که ازنظر وضعیت توپوگرافی دارای شیب و ارتفاع کمتری بوده و کوهستان‌های کمتری مستقر هستند، دارای پتانسیل بیشتری برای خشک‌سالی بوده و ممکن است در آینده با چالش‌های بیشتری مواجه شوند، اما کوهستان‌های منطقه به دلیل دمای مناسب و دریافت بارش بیشتر، خطر خشک‌سالی برای آن‌ها کمتر است. 
کلیدواژه‌ها
خشکسالی؛ سنجش از دور؛ روش TPI؛ لندفرم؛ زنجیره مارکوف و کومارکوف.نیمه غربی استان فارس
مراجع
  1.  صوفی، م و علیجانی، ب. (1391). تغییر اقلیم در ناهمواری‌های زاگرس. فصلنامه سرزمین، 9(34)، 66-47.
  2.  مجرد، ف و مرادی فر، ح. (1382). مدل‌سازی رابطه بارش با ارتفاع در منطقه زاگرس. مدرس علوم انسانی ، 7(23)، صص 182-163.
  1. Brown, D.G., Pijanowski, B.C., & Duh, J.D., (2000). Modeling the relationships between land use and land cover on private lands in the Upper Midwest, J. Environ. Manage. 59, 247–263.
  2. Chang, H., He, G., Wang, Q., Li, H., Zhai, J., Dong, Y., Zhao, Y., Zhao, J., (2021). Use of sustainability index and cellular automata-Markov model to determine and predict long-term spatio-temporal variation of drought in China. Hydrol. 598, 126248.
  3. Choubin, B., Soleimani, F., Pirnia, A., Sajedi-Hosseini, F., Alilou, H., Rahmati, O., Melesse, A.M., Singh, V.P., & Shahabi, H., (2019). Effects of drought on vegetative cover changes: Investigating spatiotemporal patterns. Extrem. Hydrol. Clim. Var. Monit. Model. Adapt. Mitig. 213–222.
  4. Chung, K.L., (1960). Markov Chains with Stationary Transition Probabilities. Markov Chain. with Station. Transit. Probab. 1–130.
  5. Ding, Y., Gong, X., Xing, Z., Cai, H., Zhou, Z., Zhang, D., Sun, P., & Shi, H., (2021). Attribution of meteorological, hydrological and agricultural drought propagation in different climatic regions of China. Water Manag, 255, 106996.
  6. EarthExplorer [WWW Document], 2021. URL https://earthexplorer.usgs.gov/ (accessed 11.11.21).
  7. Ebrahimi-Khusfi, Z., Mirakbari, M., Ebrahimi-Khusfi, M., Taghizadeh-Mehrjardi, R., (2020). Impacts of vegetation anomalies and agricultural drought on wind erosion over Iran from 2000 to 2018. Appl. Geogr, 125, 102330.
  8. Fadhil, R.M., &Unami, K., (2021). A multi-state Markov chain model to assess drought risks in rainfed agriculture: a case study in the Nineveh Plains of Northern Iraq. Stoch. Environ. Res. Risk Assess, 35, 1931–1951.
  9. Fars Meteorological Bureau [WWW Document], 2021. URL https://www.farsmet.ir/ (accessed 11.11.21).
  10. Ghasemi, M.M., Pakparvar, M., & Mokarram, M., (2021). Preparation of landforms using geomorphon method and its relationship with drought in the east and south of Fars province. Quant. Geomorphol. Res, 10, 1-12.
  11. Jahantigh, M., & Jahantigh, M., (2021). Monitoring Changes in Erosion areas Using Remote sensing Data in Three years of Wet, Normal and Drought (Case study: Nimroz Region of Sistan). Eros. Res. J, 11, 1–26.
  12. Javed, T., Li, Y., Feng, K., Ayantobo, O.O., Ahmad, S., Chen, X., Rashid, S., Suon, S., (2021). Monitoring responses of vegetation phenology and productivity to extreme climatic conditions using remote sensing across different sub-regions of China. Sci. Pollut. Res, 28, 3644–3659.
  13. Jiao, W., Wang, L., & McCabe, M.F., (2021). Multi-sensor remote sensing for drought characterization: current status, opportunities and a roadmap for the future. Remote Sens. Environ, 256, 112313.
  14. Karimi, H., Raeisi, E., & Rezaei, A., (2018). Determination of karst aquifer characteristics using physicochemical parameters (A case study from west of Iran). Geopersia, 8, 293–305.
  15. Kędzior, M., & Zawadzki, J., (2017). SMOS data as a source of the agricultural drought information: Case study of the Vistula catchment, Poland. Geoderma, 306, 167–182.
  16. Kiem, A.S., Austin, E.K., (2013). Drought and the future of rural communities: Opportunities and challenges for climate change adaptation in regional Victoria, Australia. Glob. Environ. Chang, 23, 1307–1316.
  17. Li, L., She, D., Zheng, H., Lin, P., & Yang, Z.-L., (2020). Elucidating Diverse Drought Characteristics from Two Meteorological Drought Indices (SPI and SPEI) in China. Hydrometeorol, 21, 1513–1530.
  18. Li, P., Zhu, D., Wang, Y., & Liu, D., (2020). Elevation dependence of drought legacy effects on vegetation greenness over the Tibetan Plateau. Agric. Meteorol, 295, 108190.
  19. Liu, X., Zhu, X., Zhang, Q., Yang, T., Pan, Y., & Sun, P., (2020). A remote sensing and artificial neural network-based integrated agricultural drought index: Index development and applications. CATENA, 186, 104394.
  20. Mansouri Daneshvar, M.R., Ebrahimi, M., & Nejadsoleymani, H., (2019). An overview of climate change in Iran: facts and statistics. Syst. Res. 81(8), 1–10.
  21. Mokarram, M., Pourghasemi, H.R., Hu, M., & Zhang, H., (2021). Determining and forecasting drought susceptibility in southwestern Iran using multi-criteria decision-making (MCDM) coupled with CA-Markov model. Total Environ, 781, 146703.
  22. Mokarram, M., & Sathyamoorthy, D., (2016). Investigation of the relationship between drinking water quality based on content of inorganic components and landform classes using fuzzy AHP (case study: South of Firozabad, west of Fars province, Iran). Water Eng. Sci, 9, 57–67.
  23. Mokarrama, M., & Hojati, M., (2018). Landform classification using a sub-pixel spatial attraction model to increase spatial resolution of digital elevation model (DEM). J. Remote Sens. Sp. Sci. 21, 111–120.
  24. Nafarzadegan, A.R., Rezaeian Zadeh, M., Kherad, M., Ahani, H., Gharehkhani, A., Karampoor, M.A., & Kousari, M.R., (2012). Drought area monitoring during the past three decades in Fars province, Quat. Int. 250, 27–36.
  25. Pei, Z., Fang, S., Wang, L., & Yang, W., (2020). Comparative Analysis of Drought Indicated by the SPI and SPEI at Various Timescales in Inner Mongolia, China. Water, 12, 1912-1925.
  26. Rabbi, S.M.F., Tighe, M.K., Warren, C.R., Zhou, Y., Denton, M.D., Barbour, M.M., & Young, I.M., (2021). High water availability in drought tolerant crops is driven by root engineering of the soil micro-habitat. Geoderma, 383, 114738.
  27. Rabiner, L.R., & Juang, B.H., (1986). An Introduction to Hidden Markov Models. IEEE ASSP Mag, 3, 4–16.
  28. Sang, L., Zhang, C., Yang, J., Zhu, D., & Yun, W., (2011). Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Math. Comput. Model, 54, 938–943.
  29. Sharafati, A., Nabaei, S., & Shahid, S., (2020). Spatial assessment of meteorological drought features over different climate regions in Iran. J. Climatol. 40, 1864–1884.
  30. Tanda, A.S., (2021). Native Bees Are Important and Need Immediate Conservation Measures: A Review † 1–15.
  31. Tsakiris, G., & Vangelis, H., (2005). Establishing a Drought Index Incorporating Evapotranspiration.
  32. Tucker, C.J., Pinzon, J.E., Brown, M.E., Slayback, D.A., Pak, E.W., Mahoney, R., Vermote, E.F., & El & Saleous, N., (2010). An extended AVHRR 8‐km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data. International Journal of Remote Sensing, 26, 4485–4498.
  33. Vali, A., Ranjbar, A., Mokarram, M., & Taripanah, F., (2020). Investigating the topographic and climatic effects on vegetation using remote sensing and GIS: a case study of Kharestan region, Fars Province, Iran. Theor. Climatol. 140, 37–54.
  34. Van Loon, A.F., & Van Lanen, H.A.J., (2012). A process-based typology of hydrological drought. Hydrol. Earth Syst. Sci, 16, 1915–1946.
  35. Vicente-Serrano, S.M., & Beguería, S., (2016). Comment on ‘Candidate distributions for climatological drought indices (SPI and SPEI)’ by James H. Stagge et al. J. Climatol. 36, 2120–2131.
  36. Xie, F., Fan, H., 2021. Deriving drought indices from MODIS vegetation indices (NDVI/EVI) and Land Surface Temperature (LST): Is data reconstruction necessary?, J. Appl. Earth Obs. Geoinf, 101, 102352.
  37. Zhou, K., Li, J., Zhang, T., & Kang, A., (2021). The use of combined soil moisture data to characterize agricultural drought conditions and the relationship among different drought types in China. Agric. Water Manag, 243, 106479.
آمار
تعداد مشاهده مقاله: 272
تعداد دریافت فایل اصل مقاله: 305


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب