ارزیابی خسارت خشکسالی با استفاده از شاخص‌های ماهواره‌ای خشکسالی و فاکتورهای آسیب‌پذیری(مطالعه موردی: استان ایلام)

خشکسالی یک پدیده اقلیمی ناخوشایند است که به‌طور مستقیم بر ابعاد مختلف جوامع انسانی تاثیر می‌گذارد. به‌منظور آگاهی و انتخاب تصمیم مدیریتی مناسب، طراحی و توسعه یک رویکرد یکپارچه برای کنترل موثرتر این پدیده و ارائه هشدارهای اولیه ضروری است. در این مطالعه، دوازده شاخص مختلف سنجش از دور از ماهواره مودیس (modis) و مدل رقومی ارتفاعی (dem) برای پایش خشکسالی در طول فصل رشد برای سال‌های 2000-2018 مورد استفاده قرار گرفت. شاخص استاندارد شده بارش (spi) با مقیاس زمانی یک تا 12 ماه به‌عنوان داده مرجع استفاده شد. سپس روابط بین 13 شاخص و spi با مقیاس­های زمانی مختلف با استفاده از رویکرد یادگیری ماشین و تکنیک جنگل تصادفی مدل­سازی استفاده شد. از داده‌های رطوبت نسبی خاک، شاخص بارش-تبخیر و تعرق استانداردشده (spei) و داده‌های عملکرد محصول به‌منظور اعتبارسنجی مدل استفاده شد. نتایج نشان داد که جنگل تصادفی کارکرد خوبی (r2=0/88) برای شبیه سازی spi دارد. در مرحله بعد با استفاده از مدل خشکسالی که در مرحله قبل ساخته شد، شاخص خطر خشکسالی (dhi) بر اساس احتمال وقوع خشکسالی محاسبه شد. شاخص آسیب‌پذیری خشکسالی (dvi) نیز  با استفاده از  هفت شاخص اجتماعی و اقتصادی محاسبه شد. در نهایت، شاخص خسارت خشکسالی (dri) با تلفیق شاخص خطر خشکسالی و شاخص آسیب پذیری خشکسالی برای استان ایلام به‌دست آمد. نتایج نقشه خسارت نشان داد که دو شهرستان در معرض خسارت خشکسالی خیلی­شدید، چهار شهرستان در معرض خسارت زیاد و چهار شهرستان در معرض خطر خشکسالی متوسط و کم قرار دارند. به‌طور کلی، نتایج این مطالعه یک روش جامع برای ارزیابی خشکسالی منطقه­ا‌ی ارائه می‌دهد. همچنین بر اساس این مدل، می‌توان شهرستان‌های با آسیب‌پذیری بالا را شناسایی کرد تا با ارائه برنامه‌های مدیریتی به‌موقع به بهبود وضعیت کمک کند.

assessment of drought risk using multi-sensor drought indices and vulnerability factors: a case study of illam of province

drought is an unpleasant climatic phenomenon that directly affects different dimensions of human societies. in order to know and choose the right management decision, it is necessary to design and develop an integrated approach to more effectively control this phenomenon and provide early warnings.in this study, twelve various remotely sensed indices of the moderate resolution imaging spectroradiometer (modis) and digital elevation model (dem) were used to monitor drought during 2000–2018 growing season. standardized precipitation index (spi) with time scales of 1 to 12 months was used as reference data. the relations between thirteen indices and spi with different time scales were modulated using machine learning approach. the random forest technique was used to construct a comprehensive drought monitoring model in ilam province. validation data were provided based on relative soil moisture, standardized precipitation evapotranspiration index (spei), and crop yield data. it was observed that random forest produced good applicability (r2 = 0.88) for spi prediction. in the next step, the drought hazard index (dhi) was generated based on the probability occurrences of drought using the comprehensive drought model which was made in the previous step. the drought vulnerability index (dvi) was calculated by using 7 socioeconomic indices. finally, the drought risk index (dri) was obtained by multiplying dhi and dvi for ilam province. the result of the dri map showed that 2 counties are at very high risk of drought, 4 counties are at high risk and 4 counties are at moderate and low risk of drought. overall, the result of our study provides a comprehensive method for assessment of regional drought. also based on this model, counties with high vulnerability can be identified to provide timely management programs to help improve the situation.