مدیریت بحران

مدیریت بحران

سنجش و پایش بحران خشک‌سالی با استفاده از داده‌کاوی مکانی با تأکید بر حوضه آبریز دریاچه ارومیه

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان
محمد اسکندری 1
مسعود دارابی 1
محمدرضا صالحی 2
حبیب اله سهامی 1
1 استادیار، مجتمع دانشگاهی مهندسی و پدافند غیرعامل، دانشگاه صنعتی مالک اشتر، تهران، ایران
2 کارشناس ارشد پدافند غیرعامل، مجتمع دانشگاهی مهندسی و پدافند غیرعامل، دانشگاه صنعتی مالک اشتر، تهران، ایران
چکیده
ایران به دلیل قرار گرفتن در کمربند خشک جغرافیایی و نوار بیابانی واقع در عرض‌های 20 تا 40 درجه‌ی نیمکره‌ی شمالی با متوسّط بارندگی سالیانه 250 میلی‌متر، همچنین به دلیل توزیع نامتناسب مقدار بارندگی جزء مناطق خشک و نیمه‌خشک دنیا به شمار می‌رود؛ لذا جدی گرفتن تهدید خشک‌سالی و مدیریت این تهدید بالقوّه امری اجتناب‌ناپذیر است. پژوهش حاضر تلاش دارد تا بر اساس روش‌های داده‌کاوی مکانی و قوانین انجمنی، مناسب‌ترین ترکیب شاخص‌های خشک‌سالی سنجش‌ازدور را در مقایسه با شاخص استانداردشده‌ی بارش معرفی نماید. برای ارزیابی این روش، حوضه‌ی آبریز دریاچه‌ی ارومیه به‌عنوان منطقه مطالعاتی در نظر گرفته شد. شاخص استانداردشده بارش با استفاده از بارش ایستگاه‌های باران‌سنجی و سینوپتیک از سال 1390 تا 1401 درون‌یابی، سپس یک‌لایه رستری شاخص به‌صورت رسترهای ۹، ۶، ۳، ۱ و 12 ماهه تهیه و شاخص‌های VHI, TCI, VCI, EVI, LST, NDVI از طریق داده‌های سنجنده MODIS برای سال‌های بازه زمانی مشابه استخراج شد. نتایج این تحقیق نشان می‌دهد که همبستگی بالایی بین شاخص‌های سنجش‌ازدور LST NDVI و VCI و شاخص SPI وجود دارد؛ به‌طوری‌که اعتماد بین شاخص SPI و شاخص‌های LST, NDVI و VCI بالاتر از 70 درصد است. همچنین نقشه‌های پهنه‌بندی شده خشک‌سالی به‌وسیله قوانین استخراج‌شده نشان می‌دهد که بیشترین خشک‌سالی در سال‌های 1392،1399 و 1400 رخ‌داده است.
کلیدواژه‌ها
خشک‌سالی
داده‌کاوی مکانی
حوضه‌ی آبریز دریاچه‌ی ارومیه
شاخص SPI

موضوعات

عنوان مقاله English

Assessment and Monitoring of Drought Crisis Impacts Using Spatial Data Mining with an Emphasis on the Lake Urmia Basin

نویسندگان English

Mohammad Eskandari 1
Masoud Darabi 1
Mohammad Reza Salehi 2
Habib Allah sahami 1
1 Assist. Prof., Faculty of Engineering and Passive Defense, Malek Ashtar University of Technology, Tehran, Iran.
2 MSc. in Passive Defense, Faculty of Engineering and Passive Defense, Malek Ashtar University of Technology, Tehran, Iran.
چکیده English

Iran, situated in the arid geographical belt and desert strip of the northern hemisphere between latitudes 20° to 40°, experiences an average annual precipitation of 250 mm. Combined with the uneven distribution of rainfall, this places the country among the arid and semi-arid regions of the world. Consequently, addressing the threat of drought and implementing effective management strategies for this potential crisis is unavoidable. The present study aims to identify the most suitable combination of remote sensing drought indices compared to the Standardized Precipitation Index (SPI) using spatial data mining methods and association rules. The Lake Urmia basin was selected as the study area for evaluation. SPI was calculated by interpolating precipitation data from rain gauge and synoptic stations between 2011 and 2022 (1390 to 1401 in the Persian calendar), resulting in raster layers for 1, 3, 6, 9, and 12-month intervals. In parallel, remote sensing indices, including VHI, TCI, VCI, EVI, LST, and NDVI, were derived from MODIS sensor data for the same period. The results indicate a high correlation between remote sensing indices (LST, NDVI, and VCI) and SPI, with reliability exceeding 70%. Furthermore, drought zoning maps derived from the extracted rules reveal that the most severe droughts occurred in the years 2013, 2020, and 2021 (1392, 1399, and 1400).This study underscores the potential of integrating spatial data mining and remote sensing indices for more effective drought assessment and monitoring, particularly in regions prone to severe water stress.

کلیدواژه‌ها English

Drought
Spatial Data Mining
Lake Urmia Basin
SPI Index
  1. Kerdprasop, K., & Kerdprasop, N. (2021). Remote Sensing Based Model Induction for Drought Monitoring and Rainfall Estimation, Computational Science and Its Applications - ICCSA 2016: 356-368
  2. Barati, M. K., Soundharajan, B. S., & Nikoo, M. R. (2024). Simulation of climate-adaptation responses to rainfall variability on rainfed yield anomalies. Environmental and Sustainability Indicators, 22, 100411.
  3. Chang ChungTe, C. C., Wang HsuehChing, W. H., & Huang ChoYing, H. C. (2018). Assessment of MODIS-derived indices (2001-2013) to drought across Taiwan's forests.
  4. Safaeepour, M., Maleki, S., Ghaed, S., & Ebrahimi, A. (2024). Investigation and analysis of the physical development pattern of Izeh city in dealing with natural hazards. Scientific and Research Quarterly, 13(4), 21-35
  5. Chopra, P. (2006, January). Drought risk assessment using remote sensing and GIS: a case study of Gujarat. Enschede, The Netherlands: ITC.
  6. Goyal, M. K., & Sharma, A. (2016). A fuzzy c-means approach regionalization for analysis of meteorological drought homogeneous regions in western India. Natural hazards, 84, 1831-1847.
  7. Hao, Z., Hao, F., Singh, V. P., Ouyang, W., & Cheng, H. (2017). An integrated package for drought monitoring, prediction and analysis to aid drought modeling and assessment. Environmental modelling & software, 91, 199-209.
  8. Kazempour Choursi, S., Erfanian, M., & Ebadi Nehari, Z. (2019). Evaluation of MODIS and TRMM satellite data for drought monitoring in the Urmia lake basin. Geography and Environmental Planning, 30(2), 17-34.
  9. Kerdprasop, K., & Kerdprasop, N. (2016). Remote sensing based model induction for drought monitoring and rainfall estimation. In Computational Science and Its Applications-ICCSA 2016: 16th International Conference, Beijing, China, July 4-7, 2016, Proceedings, Part III 16 (pp. 356-368). Springer International Publishing.
  10. Dehghan, A., Khanjani, N., Bahrampour, A., Goudarzi, G., Yunesian, M., Hopke, P. K., & Jafarnezhad, A. (2020). Forecasting Ambient Air Pollutants in Tehran, Iran. Environmental Justice, 13(6), 193-201.
  11. McKee, T. B., Doesken, N. J., & Kleist, J. (1995, January). Drought monitoring with multiple time scales. Proceedings of the Conference on Applied Climatology.
  12. Khosravi, I., Jouybari-Moghaddam, Y., & Sarajian, M. R. (2017). The comparison of NN, SVR, LSSVR and ANFIS at modeling meteorological and remotely sensed drought indices over the eastern district of Isfahan, Iran. Natural Hazards, 87, 1507-1522.
  13. Navabi, N., Moghaddasi, M., & Gangi, N. (2021). Assessment of Agricultural Drought Monitoring Using Various Indices based on Ground-based and Remote Sensing Data (Case Study: Lake Urima Basin). Watershed Engineering and Management, 13(1), 1-12.
  14. Marcos-Garcia, P., Lopez-Nicolas, A., & Pulido-Velazquez, M. (2017). Combined use of relative drought indices to analyze climate change impact on meteorological and hydrological droughts in a Mediterranean basin. Journal of Hydrology, 554, 292-305.
  15. Nourani, V., & Molajou, A. (2017). Application of a hybrid association rules/decision tree model for drought monitoring. Global and Planetary Change, 159, 37-45.
  16. Rafiei Sardooi, E., Azareh, A., Eskandari Damaneh, H., & Skandari Damaneh, H. (2021). Drought Monitoring Using MODIS Land Surface Temperature and Normalized Difference Vegetation Index Products in Semi-Arid Areas of Iran. Journal of Rangeland Science, 11(4), 402-418.
  17. Saada, N., & Abu-Romman, A. (2017). Multi-site modeling and simulation of the standardized precipitation index (SPI) in Jordan. Journal of Hydrology: Regional Studies, 14, 83-91.
  18. Tadesse, T., Wardlow, B., & Hayes, M. J. (2009). The application of data mining for drought monitoring and prediction. In Data mining applications for empowering knowledge societies (pp. 278-289). IGI Global.

19- صفایی پور، مسعود، ملکی، سعید، قائدی، سهراب و ابراهیمی، اعظم. (1403). تحلیل و پیشنهاد الگوی توسعه فیزیکی شهر ایذه با تأکید بر مخاطرات طبیعی. مجله مدیریت بحران، 13(4)، 21-35.

20- مرتازی، حسین، پورکرمانی، محسن، الماسیان، محمود و بوذری، سهیلا. (1402). بررسی فعالیت زمین‌ساختی‌ با استفاده از شاخص‌های ریخت زمین‌ساختی در حوضه‌های آبریز حومه شمال شرق استان تهران با رویکرد مدیریت بحران. مجله مدیریت بحران، 12(1), 139-156.

  1. Zahraie, B., Nasseri, M., & Nematizadeh, F. (2017). Exploring spatiotemporal meteorological correlations for basin scale meteorological drought forecasting using data mining methods. Arabian Journal of Geosciences, 10, 1-15.
  2. Zoungrana, B. J., Conrad, C., Thiel, M., Amekudzi, L. K., & Da, E. D. (2018). MODIS NDVI trends and fractional land cover change for improved assessments of vegetation degradation in Burkina Faso, West Africa. Journal of Arid Environments, 153, 66-75.
  3. Thavorntam, W., Tantemsapya, N., & Armstrong, L. (2015). A combination of meteorological and satellite-based drought indices in a better drought assessment and forecasting in Northeast Thailand. Natural Hazards, 77, 1453-1474.
  4. R. Khavari, M. Ghorashi, M. Arian, Kh.Khosrotehrani. (2008). Geomorphi signatures ofActive Tectonics in the Karaj drainage Basin insouth central Alborz, N Iran. ScientificQuarterly Journal Geo sciences vol. 19, No. 75,spring 2010. Pages 67 to 74.
مدیریت بحران
دوره 14، شماره 2 - شماره پیاپی 30
شماره پیا پی 30 تابستان 1404
بهار 1404
صفحه 1-18

  • تاریخ دریافت 11 آذر 1403
  • تاریخ بازنگری 16 دی 1403
  • تاریخ پذیرش 05 بهمن 1403