مدیریت جامع حوزه های آبخیز

مدیریت جامع حوزه های آبخیز

بررسی تغییرات پوشش گیاهی متاثر از خشکسالی در جنوب استان کرمان

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه مهندسی طبیعت، دانشکده منابع طبیعی، دانشگاه جیرفت، ایران
2 گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
چکیده
چکیده مبسوط
مقدمه: خشکسالی به عنوان یک وضعیت اقلیمی مهم، مناطق گسترده‌ای از جهان را تحت تأثیر قرار داده است. این پدیده در سال‌های اخیر به دلیل تغییرات اقلیمی و گرمایش جهانی به‌طور قابل توجهی افزایش یافته است. پوشش گیاهی نیز به‌عنوان یک عامل اساسی در اکوسیستم‌های خشک، تحت تأثیر بارش کم، دمای بالا و تبخیر و تعرق قرار دارد. خشکسالی‌های طولانی‌مدت می‌توانند تأثیرات خطرناکی بر پوشش گیاهی داشته باشند. برای بررسی الگوهای زمانی-مکانی خشکسالی، شاخص SPEI که حاصل اختلاف بارش و تبخیر و تعرق پتانسیل است، در مطالعات مختلف به‌کار گرفته شده است. همچنین، استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی و زمانی بالا، ابزاری مؤثر در بررسی تغییرات پوشش گیاهی و تأثیرات خشکسالی است.
مواد و روش‌ها: به‌منظور بررسی اثر خشکسالی بر پوشش گیاهی در نواحی جنوب کرمان، شاخص پوشش گیاهی EVI حاصل از تصاویر ماهواره‌ای و نیز شاخص خشکسالی هواشناسی SPEI مورد استفاده قرار گرفت. در این پژوهش از EVI به دست آماده از محصول MOD13Q1 سنجنده مودیس با قدرت تفکیک مکانی 250 متر و تفکیک زمانی 16 روز استفاده شد. ابتدا میانگین ماه به ماه این شاخص برای محدوده مورد مطالعه از ابتدای 2001 تا انتهای 2022 در پلتفرم Google Earth Engine برآورد شد و سپس میانگین ماهانه دوره مطالعاتی محاسبه گردید. با استفاده از نتایج این بخش، دو ماه که دارای بیش‌ترین مقدار EVI بود انتخاب شد. به‌منظور بررسی اثر خشکسالی هواشناسی بر پوشش گیاهی ابتدا شاخص SPEI با مقیاس‌های زمانی مختلف 3، 6، 9 و 12 ماهه برای ماه‌های مارس و آوریل طی 22 سال (2022-2001) توسط نرم‌افزار MATLAB محاسبه شد. دقت حساسیت EVI نسبت به SPEI در ماه مارس و آوریل، توسط ضریب همبستگی پیرسون، در مدل‌ساز روند زمین (ETM) نرم‌افزار TerrSet محاسبه شد. سپس شیب خط اثر رابطه SPEI 3، 6، 9 و 12 ماهه و EVI بر اساس معادلات رگرسیون خطی Chatfield (2016) در مدل‌ساز ETM نرم‌افزار TerrSet محاسبه شد تا اثر نوسانات SPEI در مقایس‌های زمانی مختلف بر پوشش گیاهی بررسی شود.
نتایج و بحث: با توجه به نتایج ماه‌های آوریل و مارس به­ترتیب بیش‌ترین مقدار EVI را در طول سال دارند که نشان‌دهنده حداکثر رشد و شادابی پوشش گیاهی در این ماه‌ها است. ماه‌های ژانویه و دسامبر نیز کم‌ترین مقدار میانگین شاخص EVI را به خود اختصاص داده‌اند. در ماه مارس، بیش‌ترین همبستگی EVI با SPEI 12 ماهه است که معادل 4/40% مساحت منطقه مودمطالعه را شامل می‌شود. همچنین در این ماه، کم‌ترین همبستگی EVI با SPEI 9 ماهه بود که در حدود 55/15% مساحت منطقه است. در ماه آوریل نیز، بیش‌ترین همبستگی EVI با SPEI 12 ماهه و پس از آن SPEI 6 ماهه است که به‌ترتیب در 25/53 و 57/20% محدوده مطالعاتی مشاهده شد. در اکثر شهرستان‌های قلعه‌گنج، رودبار جنوب، جیرفت، فاریاب، منوجان، عنبرآباد و ارزوئیه به خصوص از نواحی مرکز محدوده موردمطالعه به سمت جنوب، SPEI 12 ماهه بیش‌ترین همبستگی را با شاخص EVI دارد. کم‌ترین همبستگی EVI نیز با SPEI 9 ماهه و پس از آن 3 ماهه به‌ترتیب در 75/10 و 44/15% منطقه مشاهده گردید. در ماه مارس، کلاس‌های دقت حساسیت EVI به SPEI، مثبت زیاد، مثبت متوسط و مثبت کم به‌ترتیب 02/29، 41/19 و 03/15% از منطقه را به خود اختصاص دادند. این مقادیر برای ماه آوریل نیز به ترتیب 89/41، 1/28 و 69/14% می‌باشد. همچنین کمترین درصد مساحت نیز در هر دو ماه مربوط به کلاس‌های منفی خیلی‌زیاد و منفی زیاد می‌باشد. در ماه مارس شاخص EVI در قسمت‌هایی از شمال، شمال‌شرق و بخش‌هایی از غرب محدوده مطالعاتی شامل اکثر مساحت شهرستان‌های فهرج، نرماشیر، بم، ریگان حساسیت خیلی‌کم و کم را به خشکسالی داشته در حالی که در بخش‌هایی از غرب منطقه، نواحی مرکزی به سمت جنوب، جنوب‌غرب و جنوب‌شرق شامل نواحی جنوب شهرستان جیرفت، غرب شهرستان رودبار جنوب، اکثر نواحی کهنوج، بیش‌ترین حساسیت EVI به SPEI مشاهده شده است. با توجه به مساحت کلاس‌های مختلف حساسیت پوشش گیاهی به خشکسالی در ماه آوریل نیز شاخص EVI در عمده قسمت‌های غربی، شمال‌غربی، مرکزی، شرق و جنوب‌شرق، جنوب و جنوب‌غرب محدوده مطالعاتی دارای حساسیت خیلی‌زیاد و زیاد نسبت SPEI است. در این ماه نیز کم‌ترین حساسیت EVI به خشکسالی مربوط به قسمت‌های شمال‌شرق است.
نتیجه‌گیری: طبق نتایج آنالیز همبستگی EVI با SPEI در مقیاس‌های زمانی مختلف، در هر دو ماه مارس و آوریل، بیش‌ترین همبستگی EVI به‌ترتیب با SPEI 12، 6، 3 و 9 ماهه بوده ؛ بنابراین بیش‌ترین تأثیر خشکسالی بر پوشش گیاهی در جنوب کرمان مربوط به SPEI 12 ماهه است و کم‌ترین آن مربوط به SPEI 9 ماهه است. این نتایج به علت شرایط محیطی متفاوت در محدوده مورد مطالعه است که باعث شده در هر منطقه نتایج متفاوتی به دست آید. نتایج دقت حساسیت EVI به SPEI نشان داد که بیش‌ترین دقت حساسیت به‌ترتیب به کلاس‌های مثبت زیاد، مثبت متوسط و مثبت کم اختصاص دارد که عمدتأ به شهرستان‌های مرکزی، غربی، جنوب‌غربی، جنوب تا جنوب‌شرق و بخش‌هایی از شرق محدوده مطالعاتی مربوط می‌شود. همچنین نتایج حساسیت EVI به SPEI نشان داد که کم‌ترین حساسیت پوشش گیاهی به خشکسالی مربوط به نواحی شمال‌شرق، بخش‌هایی از جنوب‌شرق و شمال محدوده مطالعاتی می‌باشد. این نواحی عمدتأ اراضی بایر و یا مرتع با تاج پوشش فقیر را شامل می‌شود. با توجه به نتایج، شرایط محیطی مانند ویژگی‌های اقلیمی، توپوگرافی، نوع پوشش‌گیاهی و مدیریت انسان و غیره تأثیر بسیار مهمی در تعیین ارتباط بین شاخص‌های پوشش‌گیاهی و خشکسالی هواشناسی دارد. پیشنهاد می‌شود که در تحقیقات آتی با در نظر گرفتن عوامل مذکور، پیش‌بینی این پدیده و مدل‌سازی تغییرات پوشش‌گیاهی تحت تأثیر پدیده خشکسالی در اولویت قرار گیرد.
کلیدواژه‌ها

موضوعات


Alamdarloo, E. H., Abolhasani, A., Manesh, M. B., & Khosravi, H. (2024). Application of remote sensing techniques for evaluating land surface vegetation. In Remote Sensing of Soil and Land Surface Processes (pp. 199-216). Elsevier. https://doi.org/10.1016/B978-0-443-15341-9.00006-X
Ahmad, M. I., Sinclair, C. D., & Werritty, A. (1988). Log-logistic flood frequency analysis. Journal of Hydrology, 98(3-4), 205-224. https://doi.org/10.1016/0022-1694(88)90015-7.
Bagheri, S., Heydari Alamdarloo, E., Khosravi, H., Abolhasani, A. (2021). The effect of meteorological drought on vegetation dynamics in Iran. Journal of Rangeland, 15(4) :622-637. (In Persian)
Bazarafshan, C., Hejabi, S. (2016). Drought and its monitoring methods (along with applications in MATLAB programming environment). Tehran University Press, 224 pages. (In Persian)
Behrang Manesh, M., Khosravi, H., Heydari Alamdarloo, E., Saadi Alekasir, M., Gholami, A., & Singh, V. P. (2019). Linkage of agricultural drought with meteorological drought in different climates of Iran. Theoretical and Applied Climatology, 138, 1025-1033. http://doi.org/10.1007/s00704-019-02878-w.
Boori, M. S., Choudhary, K., & Kupriyanov, A. (2022). Detecting vegetation drought dynamics in European Russia. Geocarto International, 37(9), 2490-2505. http://doi.org/10.1080/10106049.2020.1750063.
Chatfield, C. (2016). The analysis of time series: an introduction. CRC press. Pp 352. https://doi.org/10.4324/9780203491683
Ding, Y., Xu, J., Wang, X., Peng, X., & Cai, H. (2020). Spatial and temporal effects of drought on Chinese vegetation under different coverage levels. Science of The Total Environment, 716, 137166. https://doi.org/10.1016/j.scitotenv.2020.137166.
Eskandari Damaneh, H., Eskandari Damaneh, H., Khosravi, H., Gilevari, A., & Adeli Sardooei, M. (2021a). A survey on the effect of drought on environmental indices derived from the MODIS data over the 2001-2019 period (Case study: Rangelands of Isfahan province). Rangeland, 15(3), 460-476. (In Persian). 20.1001.1.20080891.1400.15.3.8.7
Eskandari Damaneh, H., Eskandari Damaneh, H., Sayadi, Z., & Khoorani, A. (2021b). Evaluation of spatiotemporal changes and correclations of aerosol optical depth, NDVI and climatic data over Iran. Iranian Journal of Range and Desert Research, 28(4), 772-786. http://doi.org/10.22092/ijrdr.2021.125252  (In Persian)
Eskandari Damaneh, H., Gholami, H., Mahdavi, R., Khoorani, A., & Li, J. (2022a). Evaluation of land degradation trend using satellite imagery and climatic data (Case study: Fars province). Desert Ecosystem Engineering, 8(24), 49-64. https://doi.org/10.22052/deej.2018.7.24.35. (In Persian)
Eskandari Damaneh, H., Zehtabian, G., Khosravi, H., Azarnivan, H., & Barati, A. (2022b). Investigating the Influence of Drought on Trend of Vegetation Changes in Arid and Semiarid Regions, Using Remote Sensing Technique: A Case Study of Hormozgan province). Desert Ecosystem Engineering, 9(28), 13-28. http://doi.org/10.22052/deej.2020.9.28.11 (In Persian)
Evans, J. D. (1996). Straightforward statistics for the behavioral sciences. Thomson Brooks/Cole Publishing Co.
Greve, P., Orlowsky, B., Mueller, B., Sheffield, J., Reichstein, M., & Seneviratne, S. I. (2014). Global assessment of trends in wetting and drying over land. Nature geoscience, 7(10), 716-721. http://doi.org/10.1038/ngeo2247
Heydari Alamdarloo, E., Moradi, E., Abdolshahnejad, M., Fatahi, Y., Khosravi, H., & da Silva, A. M. (2021). Analyzing WSTP trend: a new method for global warming assessment. Environmental Monitoring and Assessment, 193, 1-15. https://doi.org/10.1007/s10661-021-09600-2
Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L.G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2), 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2
Javed, T., Li, Y., Feng, K., Ayantobo, O.O., Ahmad, S., Chen, X., & Suon, S. (2021). Monitoring responses of vegetation phenology and productivity to extreme climatic conditions using remote sensing across different sub-regions of China. Environmental Science and Pollution Research, 28, 3644-3659. https://doi.org/10.1007/s11356-020-10769-1
Khosravi, H., Eskandari Dermaneh, H., Eskandari Damaneh, H., Borji, M., & Nakhaee Nejadfard, S. (2018). Drought Trend Assessment in Riverheads of Karkheh and Dez Basins based on Streamflow Drought Index (SDI). Desert Ecosystem Engineering, 7(2), 45-54. https://doi.org/10.22052/jdee.2018.101087.1019 (In Persian)
Kong, D., Zhang, Q., Singh, V.P., & Shi, P. (2017). Seasonal vegetation response to climate change in the Northern Hemisphere (1982–2013). Global and Planetary Change, 148, 1-8. https://doi.org/10.1016/j.gloplacha.2016.10.020
Lau, W.K.M., Wu, H.T., & Kim, K.M. (2013). A canonical response of precipitation characteristics to global warming from CMIP5 models. Geophysical Research Letters, 40(12), 3163-3169. http://doi.org/10.1002/grl.50420
Lee, S., Moriasi, D.N., Mehr, A.D., & Mirchi, A. (2024). Sensitivity of Standardized Precipitation and Evapotranspiration Index (SPEI) to the choice of SPEI probability distribution and evapotranspiration method. Journal of Hydrology: Regional Studies, 53, 101761. https://doi.org/10.1016/j.ejrh.2024.101761
Ma, J., Zhang, C., Li, S., Yang, C., Chen, C., & Yun, W. (2023). Changes in Vegetation Resistance and Resilience under Different Drought Disturbances Based on NDVI and SPEI Time Series Data in Jilin Province, China. Remote Sensing, 15(13), 3280. https://doi.org/10.3390/rs15133280
Mazidi, A., Mohammadi Ravari, F., & Behzadi Shahrebabak, Z. (2023). Assessment of the Drought Situation in Kerman Using Drought Indicators and its Relationship with the State of Vegetation Change in the Region. Nivar, 47(120-121), 166-180. https://doi.org/10.30467/nivar.2023.3949001244
Moradi, E., Darabi, H., Alamdarloo, E.H., Karimi, M., & Kløve, B. (2023). Vegetation vulnerability to hydrometeorological stresses in water-scarce areas using machine learning and remote sensing techniques. Ecological Informatics, 73, 101838. https://doi.org/10.1016/j.ecoinf.2022.101838
Nasabpour, S., Khosravi, H., & Heydari Alamdarloo, E. (2017). National assessment of climate resources for tourism seasonality in Iran using the tourism climate index. Desert, 22(2), 175-186.
Nejadrekabi, M., Eslamian, S., & Zareian, M. J. (2022). Spatial statistics techniques for SPEI and NDVI drought indices: A case study of Khuzestan Province. International Journal of Environmental Science and Technology, 19(7), 6573-6594. https://doi.org/10.1007/s13762-021-03852-8
Novick, K. A., Miniat, C. F., & Vose, J. M. (2016). Drought limitations to leaf‐level gas exchange: results from a model linking stomatal optimization and cohesion–tension theory. Plant, cell & environment, 39(3), 583-596. https://doi.org/10.1111/pce.12657
Savari, M., Damaneh, H.E., & Damaneh, H.E. (2024). Managing the effects of drought through the use of risk reduction strategy in the agricultural sector of Iran. Climate Risk Management, 100619. https://doi.org/10.1016/j.crm.2024.100619
Sheffield, J., & Wood, E.F. (2008). Projected changes in drought occurrence under future global warming from multi-model, multi-scenario, IPCC AR4 simulations. Climate dynamics, 31, 79-105. http://doi.org/10.1007/s00382-007-0340-z
Singh, V.P., Guo, H., & Yu, F.X. (1993). Parameter estimation for 3-parameter log-logistic distribution (LLD3) by Pome. Stochastic Hydrology and Hydraulics, 7, 163-177. https://doi.org/10.1007/BF01585596
Stagge, J.H., Tallaksen, L.M., Xu, C.Y., & Van Lanen, H. A. (2014). Standardized precipitation-evapotranspiration index (SPEI): Sensitivity to potential evapo-transpiration model and parameters. In Hydrology in a changing world, 363, 367-373.
Thornthwaite, C.W. (1948). An approach towarda rational classification of climate. Geographical Review, 38, 55–94. https://doi.org/10.2307/210739.
Vicente-Serrano, S. M., Cabello, D., Tomás-Burguera, M., Martín-Hernández, N., Beguería, S., Azorin-Molina, C., & El Kenawy, A. (2015). Drought variability and land degradation in semiarid regions: Assessment using remote sensing data and drought indices (1982–2011). Remote Sensing, 7(4), 4391-4423. https://doi.org/10.3390/rs70404391.
Wang, Q., Wu, J., Lei, T., He, B., Wu, Z., Liu, M., & Liu, D. (2014). Temporal-spatial characteristics of severe drought events and their impact on agriculture on a global scale. Quaternary International, 349, 10-21. http://doi.org/10.1016/j.quaint.2014.06.021.
Won, J., & Kim, S. (2023). Ecological Drought Condition Index to Monitor Vegetation Response to Meteorological Drought in Korean Peninsula. Remote Sensing, 15(2), 337. https://doi.org/10.3390/rs15020337.
Zhao, H., Huang, Y., Wang, X., Li, X., & Lei, T. (2023). The performance of SPEI integrated remote sensing data for monitoring agricultural drought in the North China Plain. Field Crops Research, 302, 109041. https://doi.org/10.1016/j.fcr.2023.109041
 

  • تاریخ دریافت 08 اردیبهشت 1403
  • تاریخ بازنگری 14 خرداد 1403
  • تاریخ پذیرش 21 خرداد 1403