علوم آب و خاک

اطلاع از انواع تغییرات پوشش گیاهی و فعالیت‌های انسانی در قسمت‌های مختلف، به‌عنوان اطلاعات پایه برای برنامه‌ریزی‌های مختلف، از اهمیت ویژه‌ای برخوردار است. گردآوری اطلاعات در مورد تغییرات پیوسته پوشش گیاهی توسط روش‌های معمولی بسیار مشکل و پرهزینه است، از این‌رو استفاده از فناوری‌های نوین مثل سنجش از دور بسیار سودمند است. هدف از این پژوهش معرفی شاخص پوشش گیاهی مناسب و تعیین سطح زیر کشت شبکۀ آبشار است. از شاخص‌های پوشش گیاهی MSAVI، SAVI، EVI و NDVI از سال 2000 تا 2021 هر سال و به‌صورت ماهیانه مساحت‌ها در سامانه گوگل ارث انجین با استفاده از تصاویر ماهوارۀ لندست 7 سنجندۀ ETM+ محاسبه شد. همچنین شاخص خشکسالی SPI با استفاده از آمار بارش ایستگاه کوهرنگ در نرم‌افزار اکسل محاسبه شد. نتایج حاصل از مقایسه چهار شاخص نشان‌دهنده برتری و عملکرد برتر NDVI نسبت به سه شاخص دیگر برای تشخیص تغییرات پوشش گیاهی بود. سپس تغییرات سطوح زیر کشت محاسبه شد. نتایج نشان داد که روند توسعۀ کشاورزی در شبکه آبشار به‌صورت نزولی است و ارتباط مستقیمی با بارندگی و شاخص خشکسالی SPI دارد. همچنین نتایج نشان داد سال‌ 2008 مقدار شاخص خشکسالی SPI برابر با 73/1- است که نشان‌دهندۀ خشکسالی شدید در منطقه است. مقایسۀ این نتایج با سطح زیر کشت نشان داد در این سال‌ مقدار سطح زیرکشت 35721 هکتار و سال بعد از خشکسالی یعنی سال 2009 سطح زیر کشت 22950 هکتار است. بنابراین در سال 2008 کاهش بارندگی و کاهش شدید شاخص SPI وجود داشته است که منجر به کاهش شدیدی معادل 35 درصد در سطح زیرکشت در سال 2009 شده است.

پایش خشکسالی در حوضه‌های برفی، مستلزم اصلاحاتی در شاخص‌های متداول خشکسالی تحت عنوان شاخص‌های خشکسالی برفی است. جدیدترین شاخص برفی توسعه‌یافته عبارت از SZIsnow است. محاسبه شاخص مزبور، علاوه بر داشتن الگوریتم خاصی، مستلزم دسترسی به مقادیر 22 متغیر مختلف اقلیمی و فیزیکی از جمله رطوبت خاک در عمق 0 تا 10 سانتی‌متر، رطوبت خاک در عمق 100 تا 200 سانتی‌متر، دمای هوا، آب معادل برف، رواناب حاصل از ذوب برف، ، بارش برف، بارش باران، نرخ کل بارندگی، تبخیر و تعرق، سرعت باد، رواناب سطحی، رواناب آب زیرزمینی، تبخیر بالقوه، فشار هوا، رطوبت نسبی، شار خالص گرمای نهان، شار حرارتی زمین، شار خالص حرارتی محسوس، تبخیر از خاک لخت، تبخیر از تاج پوشش، تعرق و تبخیر و تعرق بالقوه است. شاخص مزبور، تاکنون فقط در مقیاس قاره‌ای محاسبه شده‌است. این در حالی است که پایش خشکسالی در مقیاس حوضه‌ای به‌عنوان یکی از جنبه‌های مدیریتی منابع آب دارای اهمیت است. از طرفی به‌دلیل نبودن اطلاعات کافی برای تخمین پارامترهای مزبور، استفاده از اطلاعات پایگاه‌های داده جهانی راه‌گشا خواهد بود. از این‌رو در پژوهش حاضر، علاوه بر معرفی فرایند محاسبه شاخص SZIsnow، در حوضه آبریز دز، اقدام به استخراج پارامترهای مورد نیاز شاخص در مقیاس زمانی 3، 6 و 12ماهه و دوره ۴۱ساله (1982 تا 2023) با استفاده از داده‌های  GLDASو سپس پایش خشکسالی حوضه مورد مطالعه شد. نتایج نشان داد که شاخص جدید SZIsnow، چندمتغیره‌ای است که به‌واسطه وجود پارامترهایی که فاقد مشاهدات زمینی است و از سوی دیگر دردسترس‌بودن پایگاه معتبر GLDAS، امکان محاسبه شاخص را فراهم می‌آورد. همچنین نتایج نشان داد که در گام‌های زمانی 3، 6 و ۱۲ماهه به‌ترتیب جولای، به میزان 0/59-، ماه ژوئن به میزان 0/45- و ماه اکتبر به میزان 0/35- بیشترین میزان خشکسالی را دارد.