ارزیابی شدت خشکسالی مبتنی بر سنجش از دور با استفاده از روش‌ هوشمند چند مقیاسی (مطالعه موردی: شمال غرب ایران)

خشک‌سالی به‌عنوان یک بلای طبیعی یکی از دغدغه‌های اکولوژیکی، هیدرولوژیکی، کشاورزی و اقتصادی انسان است. در این مطالعه، روش‌ هوشمند چند مقیاسی برای بررسی شدت خشک‌سالی و مناطق مستعد خشک‌سالی در شمال غرب ایران برای سال‌های 1983-2020 استفاده شد. در فرآیند مدل‌سازی مجموعه داده‌های سنجش‌ازدور و زمینی مورداستفاده قرار گرفت. در بررسی وضعیت خشک‌سالی، سری‌های زمانی خشک‌سالی ابتدا با روش تجزیه حالت متغیر (vmd) به چندین زیرمجموعه تقسیم شدند. سپس موثرترین زیرمجموعه‌ها بر اساس مقدار انرژی آن ها انتخاب و منطقه انتخابی پهنه‌بندی شد. در مرحله بعد، مقادیر انرژی میانگین هر ایستگاه به‌عنوان ورودی تکنیک خوشه‌بندی k-means استفاده شد. نتایج کارایی مناسب روش‌های چند مقیاسی پیشنهادی را در تشخیص موثر شدت خشک‌سالی ثابت کرد. نتایج نشان داد که بخش جنوب شرقی از خشک‌سالی شدید رنج می‌برد، درحالی‌که خشک‌سالی در بخش‌های جنوب غربی و شمال غربی منطقه موردمطالعه خفیف‌تر است. کمترین مقدار انرژی برای بخش‌های مرکزی به دست آمد که در آن، مناطق خشک‌تر وجود داشت. مشخص گردید که بین شاخص خشک‌سالی و مقادیر انرژی رابطه معکوس وجود دارد. همچنین بر اساس نتایج خوشه‌بندی تشابه عدم قطعیت هیدرولوژیکی درون- خوشه‌ای آشکار شد، اگرچه برخی ایستگاه‌های باران سنجی در برخی خوشه‌ها بافاصله زیاد از هم قرار دارند. به بیانی دیگر، اساس خوشه‌بندی لزوماً قرابت ایستگاه‌ها نیست.

assessment of drought severity based on remote sensing using a multi-scale intelligent method (case study: northwest iran)

drought as a natural disaster is one of the ecological, hydrological, agricultural and economic concerns of humans. in this study, a multi-scale intelligent method was used to assess drought severity and drought-prone areas in northwest iran for the years 1983-2020. the modeling process utilized both remote sensing and ground-based datasets. to analyze drought conditions. drought time series were first decomposed into several subseries using the variational mode decomposition (vmd) method. then, the most effective subseries were selected based on their energy values and the selected area was zoned. in the next step, the mean energy values of each station were used as input of the k-means clustering technique. results proved the proposed multiscale method’s appropriate efficiency in effectively diagnosing drought severity. results showed that the southeastern part suffers from severe drought, while drought in the southwestern and northwestern parts of the study area is milder. the lowest energy values were  obtained for the central regions, where drier areas were present. it was found that there is an inverse relationship between the drought index and energy values. also, based on the results obtained from clustering, it was revealed the similarity of intra-cluster hydrological uncertainty, although some rain-gauge stations in some clusters are located at a great distance from each other. in other words, the basis of clustering was not necessarily the proximity of the stations.