عنوان

ارزیابی و بررسی تغییرات خشکسالی هیدرولوژیکی بر مبنای تصاویر ماهواره¬ای با استفاده از روش¬های پیش¬پردازش سری¬زمانی و خوشه¬بندی مکانی

شماره

پ۲۵۹۱۰

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

ارزیابی و بررسی تغییرات خشکسالی هیدرولوژیکی بر مبنای تصاویر ماهواره¬ای با استفاده از روش¬های پیش¬پردازش سری¬زمانی و خوشه¬بندی مکانی

نام نخستين پديدآور

رقیه قاسم پور انق

نام ناشر، پخش کننده و غيره

عمران

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۱۷۸ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

دکتری

نظم درجات

عمران گرايش مهندسی و مدیریت منابع آب

زمان اعطا مدرک

۱۴۰۰/۱۰/۲۷

متن يادداشت

خشکسالی پدیده‌ای است که با کاهش نزولات جوي آغاز شده و می‌تواند با ایجاد تغییر در چرخه آب، سیستم‌های محیطی را مختل نماید. بنابراین، پایش و ارزیابی مکانی و زمانی این پدیده براي برنامه¬ریزان و تصمیم-سازان بسیار حائز اهمیت است. روش‌های سنتی پایش مکانی و زمانی خشکسالی¬ها، به دلیل عدم وجود شبکه پراكنش مناسب، نواقص در داده‌های ثبت شده، عدم دسترسی به داده‌های بهنگام و نقطه‌ای بودن اطلاعات ایستگاه‌ها از دقت مطلوبی برخوردار نیست. لذا استفاده از فناوري سنجش‌ازدور در این راستا می¬تواند مفید باشد. ﺑﺎ توجه به پیچیده بودن پدیده خشکسالی و ایجاد پیامدهای نامطلوب هنگام وقوع آن، ﻫﺪف اصلی پژوهش ﺣﺎﺿﺮ بررسی زمانی و مکانی خشکسالی و تعیین روند تغییرات آن در منطقه مورد مطالعه با استفاده از داده¬های زمینی و تصاویر ماهواره¬ای است. در اﯾﻦ راستا، روش پیش‌پردازش ﻣﮑﺎﻧﯽ داده‌ها ﮐﻪ در آن ﺗﺮﮐﯿﺐ اﺑﺰار تبدیل موجک حداکثر همپوشانی (MODWT)، تجزیه مد تجربی یکپارچه (EEMD)، خوشه¬بندی K-means، نقشه‌های ﺧﻮد ﺳﺎزﻣﺎﻧﺪه ﻣﮑﺎﻧﯽ (SOM)، انرژی زیر سری¬ها و ارتباط موجکی ﮐﻪ قبلا ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻧﮕﺮﻓﺘﻪ ﭘﯿﺸﻨﻬﺎد شده است. منطقه مورد مطالعه شمال¬غرب کشور و شامل استان¬های آذربایجان شرقی و غربی و اردبیل می¬باشد. در گام اول پژوهش، ابتدا سری زمانی شاخص بارش استاندارد شده (SPI) دوازده ماهه مستخرج از داده‌های بارش ایستگاه¬های زمینی و تصاویر ماهواره‌ای توسط روش¬های پیش¬پردازش سری زمانی تجزیه شد. سپس، انرژی زیر سری¬های حاصل محاسبه گردید و با استفاده از روش¬های خوشه¬بندي مكانی K-means و SOM مناطق همگن با مشخصات خشکسالی یکسان انتخاب شده و مراکز خوشه¬ها تعیین گردید. در گام دوم تحقیق، با استفاده از شاخص¬های خشکسالی مبتنی بر داده¬های ماهواره¬ای (شامل، شاخص اﺧﺘﻼف ﻧﺮﻣﺎلﺷﺪه ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ (NDVI)، دمای سطح زمین (LST)، شاخص وضعیت گیاهی (VCI)، شاخص سلامت گیاهی (VHI)، و شاخص وضعیت دما (TCI)) ارتباط این شاخص¬ها با یکدیگر و با شاخص SPI به¬دست آمده از ایستگاه¬های زمینی مورد ارزیابی قرار گرفت. به‌طورکلی، نتایج نشان داد که در طول دوره آماری منتخب (1983-2020) خشکسالی¬های مکرر در منطقه رخ داده که اکثر آن‌ها خشکسالی خفیف می‌باشند. مشاهده شد که قسمت¬های شمال¬ شرقی، جنوب ¬شرقی و غرب منطقه از خشکسالی شدید رنج می‌برد، درحالی‌که خشکسالی در بخش‌های جنوب¬ غربی و شمال ¬غربی منطقه مورد مطالعه خفیف‌تر است. با حرکت از سمت شرق به سمت غرب مقدار انرژی کاهش یافت و در حالت کلی، یک رابطه مستقیم بین دو پارامتر انرژي و شدت خشکسالی مشاهده شد.مناطق همگن از لحاظ خشکسالی به صورت ايستگاه¬های توزيع شده در جنوب¬غرب و غرب منطقه با اقلیم نیمه مرطوب (جای گرفته در خوشه 1)، ايستگاه¬های توزيع شده در شمال¬شرق منطقه با اقلیم خشک (جای گرفته در خوشه 2)، ایستگاه¬¬هایی که در نیمه غربی منطقه با اقلیم نیمه¬خشک پراکنده شده¬اند (جای گرفته در خوشه 3) و ايستگاه¬های توزيع شده در قسمت جنوب¬شرقی و نواحی مرکزی با اقلیم خشک و نیمه‌خشک (جای گرفته در خوشه 4) مشخص گردید. با توجه به نتایج خوشه‌بندی، عملکرد مناسب روش خوشه¬بندی مبتنی بر انرژی به اثبات رسید. رابطه بین خشکسالی ایستگاه¬ها با طول و عرض جغرافیایی، ارتفاع ایستگاه¬ها، و فاصله آن¬ها با دو منبع تأمین رطوبت شامل دریای خزر و دریای مدیترانه نشان داد که در بین این پارامترها، رابطه انرژی با عرض جغرافیایی معنادار بوده و این دو پارامتر بیشترین همبستگی را با هم دارند. همچنین، بررسی روند تغییرات دمای سالانه نشان داد که مناطقی که دارای روند افزایشی دما هستند برای خشکسالی مستعدتر می¬باشند.نتایج حاصل برای شاخص NDVI و LST در بازه زمانی انتخاب شده (2000-2020) نشان داد که در سال-های خشکسالی در ﻗﺴﻤﺖ ﺟﻨﻮب ﺷﺮﻗﯽ خشکسالی نسبت به سایر مناطق شدیدتر است. نتیجه ماتریس همبستگی پیرسون نشان داد که LSI و NDVI همبستگی منفی داشته و ضریب همبستگی بین 61/0- تا 72/0- متغیر است. روابط بین VCI و TCI و SPI و VHI مثبت بوده و همبستگی بین آن¬ها در محدوده 60/0 تا 73/0 متغیر است. ارتباط موجکی بین ایستگاه‌های مرکزی خوشه‌ها و شاخص‌های مبتنی بر ماهواره¬ها نشان داد که تمامی شاخص‌های ماهواره‌ای به¬کار رفته با شاخص خشکسالی مبتنی بر داده¬های زمینی در بازه زمانی معین همبستگی آماری معنی‌داری دارند. همچنین، بررسی ارتباط مراکز خوشه¬ها با شاخص¬های پیوند از دور بیان¬گر آن بود که SOI، Nino3 و Nino3.4 بیشترین تأثیر را بر شاخص خشکسالی منطقه دارند، درحالی‌که AO و NAO کمترین تأثیر را دارند. به بررسی کارایی داده¬های خشکسالی شبکه¬ای در تعیین وضعیت خشکسالی منطقه نیز پرداخته شد. در این راستا، سری‌های زمانی SPEI دوارده ماهه استخراج شده از پایگاه http://sac.csic.es/spei تجزیه گردید و به پهنه‌بندی منطقه پرداخته شد. بر اساس نتایج، در قسمت جنوب شرقی منطقه انتخابی، مقادیر SPEI منفی بیشتر از سایر قسمت‌ها بوده و در قسمت جنوب غربی شدت خشکسالی کمتر است که با نتایج به¬دست آمده برای شاخص SPI از نظر تشخیص مناطق مستعد خشکسالی و رابطه شدت خشکسالی با مقادیر انرژی مطابقت دارد.همچنین، چون پیش‌بینی مطمئن خشکسالی می‌تواند به‌عنوان ابزاری مفید در برنامه¬ریزی و مدیریت هرچه بهتر این رخداد استفاده شود، بنابراین، در گام آخر پژوهش از مدل¬های تلفیقی هوشمند جهت پیش¬بینی شاخص-های خشکسالی مستخرج شده از داده‌های زمینی و ماهواره‌ای استفاده شد. بر اساس روش تخمین حدود بالا و پایین (LUBE)، مدل‌های ترکیبی شامل پیش‌پردازش داده‌ها، آنتروپی جایگشت و روش‌های هوش مصنوعی برای پیش‌بینی نقطه‌ای و فواصل پیش‌بینی (PI) شاخص¬های خشکسالی استفاده شد. مشاهده شد که روش‌های ترکیبی با آنتروپی جایگشت عملکرد مدل‌ها را بین 40٪ تا 55٪ افزایش می¬دهند. معیارهای NMPIW و PICP برای ارزیابی کمی کارایی PIهای ساخته شده استفاده شد و نتایج به‌دست‌آمده نشان داد که روش PE-VMD-GPR به نتایج مطلوب‌تری دست‌ می¬یابد

متن يادداشت

Abstract : Drought is a phenomenon which begins with a decrease in precipitation and can disrupt environmental systems by altering the water cycle. Therefore, the spatiotemporal monitoring and evaluation of this phenomenon is very important for planners and decision makers. Traditional methods of spatiotemporal monitoring of droughts do not have the desired accuracy due to the lack of an appropriate distribution network, deficiencies in the recorded data, lack of access to timely data and point information of stations. Therefore, the use of remote sensing technology can be useful for this aim. Considering the complexity of the drought phenomenon and its adverse consequences, the main purpose of this research is analysis of spatiotemporal variations of drought in the selected area using ground-based and satellite-based datasets. In this regard, the spatiol preprocessing method including the integration of the Maximal Overlap Discrete Wavelet Transform (MODWT), Ensemble Empirical Mode Decomposition (EEMD), K-means clustering, Self-Organizing Map (SOM), energy values of the subseries, and wavelet coherence, which has not been used before, is suggested. The study area is the northwest of the Iran and includes three provinces of East and West Azerbaijan and Ardabil. In the first step of the research, the twelve-month Standardized Precipitation Index (SPI) time series extracted from precipitation data of ground stations and satellite images were decomposed by time series preprocessing methods. Then, the energy values of the obtained subseries were calculated and using K-means and SOM spatial clustering methods, homogeneous areas with the same drought characteristics were selected and the centers of the clusters were determined. In the second step of the research, using drought indices based on satellite data (including, the Normalized Difference Vegetation Index (NDVI), Land Surface Temperature (LST), Vegetation Condition Index (VCI), Vegetation Healthy Index (VHI), and Temperature Condition Index (TCI)) the relationship between these indices and the SPI index obtained from ground-based data was evaluated. In general, the results showed that during the selected statistical period (1983-2020) frequent droughts occurred in the selected region in which most of them were slight droughts. It was observed that the northeastern, southeastern, and western parts of the region suffered from severe drought, while the drought in the southwestern and northwestern parts of the study area was slighter. By moving from east to west, the amount of energy decreased and in general, a direct relationship was observed between two parameters of the energy and severity of drought.Drought-homogeneous areas was identified as the stations distributed in the southwest and west of the region with semi-humid climate (located in the cluster 1), stations distributed in the northeast of the region with dry climate (located in the cluster 2), stations scattered in the western half of the region with a semi-arid climate (located in the cluster 3), and stations distributed in the southeastern and central regions with an arid and semi-arid climate (located in the cluster 4). According to the clustering results, the proper performance of the energy-based clustering method was proved and it was observed that using both precipitation datasets of the ground stations and satellite images, homogeneous areas were properly clustered. The relationship between drought stations with the latitude, longitude, and altitude of the stations, and their distance from two sources of moisture supply including the Caspian Sea and the Mediterranean Sea showed that among these parameters, the relationship between energy and latitude was significant and the correlation between these two parameters was higher than others. Also, the study of the trend of annual temperature changes showed that the areas with an increasing temperature trend were more prone to drought.The results obtained for the NDVI and LST indices in the selected period (2000-2020) showed that during the drought years, in the southeast part droughts were more severe than in the other regions. The result of Pearson correlation matrix showed that the LSI and NDVI had a negative correlation and the correlation coefficient ranged from -0.61 to -0.72. The relationship between VCI and TCI and SPI and VHI were positive and the correlation coefficient was in the range of 0.60 to 0.73. Wavelet coherence between the central stations of the clusters and satellite-based indices revealed that all applied satellite-based indices had significant statistical correlations with the ground-based drought index within a certain period. Also, the study of the relationship between the centers of the cluster and teleconnection indices showed that SOI, Nino3 and Nino3.4 had the most impact on the drought index of the region, while AO and NAO had the least impact.The efficiency of the network drought datasets in the region drought monitoring was also investigated. In this regard, the twelve-month Standardized Precipitation-Evapotranspiration Index (SPEI) time series extracted from the http://sac.csic.es/spei database were decomposed and the area was zoned by calculating the energy values of each subseries. According to the results of the SPEI zoning, in the southeastern part of the selected area, negative SPEI values were higher than the other parts and in the southwestern part, the intensity of drought was reduced. The results for this section showed a good agreement with the results obtained for the SPI index in terms of identifying drought-prone areas and the relationship between drought severity and energy values.Also, since reliable drought forecasting can be used as a useful tool in better planning and management of this event; therefore, in the last step of the research, integrated intelligent models were used to predict drought indices extracted from ground-based stations and satellite data. In this regard, based on the upper and lower boundary estimation (LUBE) method, hybrid models including data preprocessing, permutation entropy and artificial intelligence methods were used to predict the points and intervals (PI) of drought indices. It was observed that hybrid methods with permutation entropy increase the performance of models between 40% to 55%. NMPIW and PICP criteria were used to quantitatively evaluate the performance of the constructed PIs and the obtained results showed that the PE-VMD-GPR method led to more desirable results.

عنوان گونه گون

Evaluation and investigation of hydrological drought variation based on satellite data using time series pre-processing and spatial clustering methods

عنصر شناسه اي

‏ قاسم پور انق،

ساير عناصر نام

‏رقیه

کد نقش

تهيه کننده

عنصر شناسه اي

‏روشنگر،

عنصر شناسه اي

نورانی،

ساير عناصر نام

‏كيومرث

ساير عناصر نام

وحید

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز