ارزيابي كارآيي شاخص‌هاي طيفي پوشش گياهي پهن‌باند در پيش‌بيني شرايط خشكسالي در ايران

An Investigation of Remote Sensing Vegetation Indices Ability in Drought Condition Prediction in Iran

ايران يكي از كشورهاي خشك و نيمه‌خشك به‌شمار مي‌رود كه به خشكسالي دچار است. كمبود اطلاعات هواشناسي طولاني‌مدت در پهنه وسيعي از كشور يكي از بزرگ‌ترين مشكلات براي مشاهده و پيش‌بيني كوتاه‌مدت خشكسالي در ايران است. در اين مقاله، با به‌كار بردن روش ماشين بردار پشتيبان (SVM) و با استفاده از داده‌هاي 42 ايستگاه سينوپتيك منتخب در ايران، عملكرد شاخص‌هاي پوشش گياهي طيفي پهن‌باند NDVI، NDVI-DEV، VCI و TCI در پيش‌بيني خشكسالي بررسي شد. بدين منظور، از شاخص خشكسالي (SPI) براي بيان خشكسالي استفاده شد كه نشان‌دهنده شدت و دوره خشكسالي، از سال 1985 تا 2008 است. شاخص‌هاي پوشش گياهي يادشده از تصاوير سنجنده NOAA-AVHRR محاسبه و استخراج شدند. اين شاخص‌ها، به‌صورت ورودي، به مدل SVM وارد شدند و مقادير SPI را به‌دست دادند. با اين روش، شاخص‌هاي TCI و NDVI، به‌ترتيب، داراي بالاترين و پايين‌ترين همبستگي با شرايط خشكسالي شناخته شدند.

Iran as one of the countries located in arid and semi-arid regions of the world, has been in drought danger. Shortage information about long-term weather conditions in many regions of the country, is one of the most important problems in drought monitoring. In this article, spectral vegetation indices (SVIs) have been employed in order to drought modeling and its forecast. To this end, SPI drought indicator (standardized precipitation index) used to represent period of drought and its intensity. Some broad band spectral vegetation indices including Normalized Difference Vegetation Index (NDVI), Temperature Condition Index (TCI) and Vegetation Condition Index (VCI) were extracted by using NOAA-AVHRR satellite imagery. These indices entered to SVM classifier model to gain the SPI index as its result. After comparing the results, TCI was diagnosed as the best index to predict drought condition via 3 months SPI (trimester SPI). Key words: Remote sensing, Drought monitoring, Spectral vegetation indices, SPI, SVM.