پایش خشکسالی با شاخص‌های سنجش از دور: مقایسه SPI، VCI و TCI در محیط GEE

خشکسالی یکی از مخرب‌ترین پدیده‌های آب‌وهوایی است که تأثیرات گسترده‌ای بر کشاورزی، منابع آب و امنیت غذایی دارد. سنتی‌ترین روش‌های پایش خشکسالی مانند شاخص بارش استانداردشده (SPI) تنها بر اساس داده‌های هواشناسی نقطه‌ای عمل می‌کنند. اما با ظهور سنجش از دور، امکان پایش خشکسالی در سطح وسیع و به‌صورت پیوسته فراهم شده است. شاخص‌هایی مانند VCI (شاخص وضعیت پوشش گیاهی) و TCI (شاخص وضعیت دمای سطح زمین) با استفاده از داده‌های ماهواره‌ای، تصویری جامع از وضعیت خشکسالی ارائه می‌دهند.

مقایسه سه شاخص کلیدی خشکسالی

SPI (Standardized Precipitation Index): 

  بر اساس بارش تجمعی محاسبه می‌شود. مناسب برای خشکسالی‌های هواشناسی، اما نیازمند ایستگاه‌های زمینی است.

VCI (Vegetation Condition Index): 

  تغییرات NDVI را نسبت به حداکثر و حداقل تاریخی نرمال‌سازی می‌کند. نشان‌دهنده تأثیر خشکسالی بر پوشش گیاهی است — همان رویکردی که در مقاله تحلیل NDVI در Google Earth Engine به آن پرداخته شده است.

TCI  (Temperature Condition Index): 

از دمای سطح زمین (LST) استفاده می‌کند. در شرایط خشک، تبخیر کاهش یافته و دمای سطح افزایش می‌یابد. ترکیب این شاخص‌ها در یک شاخص ترکیبی مانند VHI (Vegetation Health Index) دقت پایش را افزایش می‌دهد.

کد عملی در Google Earth Engine برای محاسبه VCI و TCI

اسکریپت زیر VCI و TCI را با استفاده از داده‌های MODIS برای یک منطقه و دوره زمانی مشخص محاسبه می‌کند:

1. تعریف منطقه و بازه زمانی

var roi = / your geometry here /;

var startDate = '2023-06-01';

var endDate = '2023-08-31';

2. بارگذاری داده‌های MODIS (NDVI و LST)

var modis = ee.ImageCollection('MODIS/061/MOD13A2')

  .filterBounds(roi)

  .filterDate(startDate, endDate);

var lst = ee.ImageCollection('MODIS/061/MOD11A2')

  .filterBounds(roi)

  .filterDate(startDate, endDate);

3. محاسبه میانگین NDVI و LST در دوره

var ndviMean = modis.select('NDVI').mean().multiply(0.0001);

var lstMean = lst.select('LST_Day_1km').mean().multiply(0.02).subtract(273.15); // تبدیل به سانتی‌گراد

4. محاسبه VCI و TCI

var ndviMin = modis.select('NDVI').min().multiply(0.0001);

var ndviMax = modis.select('NDVI').max().multiply(0.0001);

var vci = ndviMean.subtract(ndviMin).divide(ndviMax.subtract(ndviMin)).multiply(100);

var lstMin = lst.select('LST_Day_1km').min().multiply(0.02).subtract(273.15);

var lstMax = lst.select('LST_Day_1km').max().multiply(0.02).subtract(273.15);

var tci = lstMax.subtract(lstMean).divide(lstMax.subtract(lstMin)).multiply(100);

5. محاسبه شاخص سلامت پوشش گیاهی (VHI)

var vhi = vci.multiply(0.5).add(tci.multiply(0.5));

6. نمایش نتایج

Map.centerObject(roi, 8);

Map.addLayer(vhi, {min: 0, max: 100, palette: ['red', 'yellow', 'green']}, 'VHI - خشکسالی');

تفسیر نتایج

- VHI < 35: خشکسالی شدید 

- 35 ≤ VHI < 60: خشکسالی متوسط 

- VHI ≥ 60: شرایط نرمال یا مرطوب

این روش می‌تواند در کنار تحلیل‌های تغییر کاربری اراضی برای بررسی اثرات بلندمدت خشکسالی بر منابع طبیعی استفاده شود.

جمع‌بندی

پایش خشکسالی با سنجش از دور نه‌تنها سریع‌تر و گسترده‌تر از روش‌های سنتی است، بلکه امکان هشدار زودهنگام را فراهم می‌کند. Google Earth Engine با دسترسی به آرشیو چند دهه‌ای داده‌های ماهواره‌ای، بستری ایده‌آل برای اجرای این تحلیل‌ها در سطح ملی یا منطقه‌ای فراهم کرده است.