Investigation of Agricultural Drought Time Series in Darab City using Remote Sensing and Google Earth Engine System

Document Type : Research Article

Authors

• Hossein Esmaeili ¹
• Seyed Hossein Mirmousavi ²
• Esmaeil Soheili ³

¹ MA in Climatology, Department of Geography, Faculty of Humanity Sciences, University of Zanjan, Zanjan, Iran

² Associate Professor in Climatology, Department of Geography Faculty of Humanity Sciences University of Zanjan, Zanjan, Iran

³ Assistant Professor in Watershed management, Department of Range and watershed Management, Faculty of Agriculture and Natural Resources of Darab, Shiraz University, Shiraz, Iran

10.22067/geoeh.2021.69186.1029

Abstract

Drought hazard is one of the natural features of the planet that can occur in all climatic zones so that in some cases it causes irreparable damage. Due to the importance of drought, this study aimed to analyze the time series of agricultural drought in Darab city over 20 years (2000-2020) using remote sensing and satellite images in the Google Earth engine system. Satellite imagery including 460 images of land surface temperature (LST) and vegetation (NDVI) MODIS of Terra satellite was used to calculate the temperature condition index (TCI) and vegetation condition index (VCI). Moreover, using the recorded rainfall data of the Darab synoptic station, the SPI index was calculated by MATLAB software in different time intervals. The results show that according to the extreme dryness class and based on the TCI index, the 2000 with an area of 225.46 square kilometers and also according to the VCI index, the 2013 year with an area of 280.80 square kilometers, had the most dried land area in Darab city. As a result, comparing the numerical value of SPI index for each of the years of the period under study with the amount of non-drought areas obtained from TCI and VCI indices obtained from satellite images, the highest correlation coefficient of 0.76 was observed between the 12-month SPI and the VCI index, which indicates the VCI satellite index as the optimal index indicating the drought situation in Darab city. Another outstanding result of this study is that the use of remote sensing data and Google Earth Engine System to monitor and investigate drought in areas that do not have observational data from land surveys is very useful.

Graphical Abstract

Keywords

• Drought Time Series
• SPI Index
• Darab City
• Google Earth Engine (GEE)
• TCI Index

20.1001.1.23221682.1400.10.4.9.0

---

References

اسدی می­آبادی، احمد؛ اخضری، داود؛ نوری، حمید؛ بشیرگنبد، محمد؛ 1394. مطالعه اثر خشکسالی بر تغییرات پوشش گیاهی در اراضی مرتعی و کشاورزی بر مبنای داده­های میدانی و ماهواره­ای (مطالعه موردی: جنوب استان همدان). نشریه مرتعداری. سال دوم. شماره 1.

رستمی، امین؛ بزانه، محمد؛ رائینی، محمود؛ 1396. پایش مکانی و زمانی خشکسالی کشاورزی با استفاده از تصاویر سنجنده مودیس و فن آوری سنجش‌ازدور (مطالعه موردی: استان آذربایجان شرقی). نشریه دانش آب و خاک. جلد 27. شماره 1. صص 226 – 213.

رضایی­بنفشه، مجید؛ رضایی، علی؛ فریدپور، مجتبی؛ 1394. تحلیل خشکسالی کشاورزی استان آذربایجان شرقی با تاکید بر سنجش‌ازدور و شاخص وضعیت پوشش گیاهی. نشریه دانش آب و خاک. جلد 25. شماره 1. صص 123 – 113.

زرگران، پریما؛ بذرافشان، جواد؛ آقاشریعتمداری، زهرا؛ حجابی، سمیه؛ کمالی، سعیده؛ 1398. پایش روزانه خشکسالی بر پوشش گیاهی با استفاده از داده­های بارش شبکه INTERIM و تصاویر سنجنده مودیس MODIS (مطالعه موردی: استان کرمانشاه). نشریه هواشناسی کشاورزی. جلد 7. پاییز و زمستان. صص 14 – 3.

سلطانی­فر، میلاد؛ سلطانی، هادی؛ کله­هوئی، مهین؛ سلیمانی، کریم؛ 1398. پایش خشکسالی منطقه­ای با استفاده از تصاویر لندست، منطقه مورد مطالعه: شهرستان کرمانشاه. فصلنامه علمی – پژوهشی اطلاعات جغرافیایی (سپهر). دوره 28. شماره 109. صص 146 – 137.

سلیمانی، کریم؛ درویشی، شادمان؛ شکریان، فاطمه؛ 1398. تحلیل خشکسالی کشاورزی با استفاده از شاخص­های سنجش‌ازدور (مطالعه موردی: شهرستان مریوان). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. دوره 10. شماره 35. صص 33 – 15.

سلیمانی­ساردو، مجتبی؛ زراعی، مهدی؛ 1398. پایش خشکسالی با استفاده از داده­های سنجنده MODIS و مقایسه با شاخص هواشناسی SPI در دوره­های کوتاه مدت (مطالعه موردی: حوضه آبخیز جازموریان). پژوهشنامه مدیریت حوضه آبخیز. سال دهم. شماره 20. پاییز و زمستان. صص 261 – 250.

سلیمانی­شیری، محمدرضا؛ 1391. مکان­یابی اراضی مستعد جهت اجرای سیستم­های آبیاری تحت فشار و سطحی با استفاده از GIS (مطالعه موردی: دشت داراب). پایان­نامه کارشناسی ارشد. اساتید راهنما: ناصری، عبدالعلی؛ ایزدپناه، زهرا. رشته مهندسی آب. دانشگاه شهید چمران اهواز.

علائی طالقانی، محمود؛ 1382. ژئومورفولوژی ایران. انتشارات قومس.

علیقلی­نیا، توحید؛ رسولی­مجد، نگار؛ هزارجریبی، ابوطالب؛ 1398. ارزیابی و مقایسه شاخص­های خشکسالی استان آذربایجان غربی با استفاده از شاخص PNI، CZI، SPI و سیستم اطلاعات جغرافیایی (GIS). مجله علوم و مهندسی آبیاری. جلد 42. شماره 1. صص 188 – 175.

فرامرزی، محمد؛ نوری، حمید؛ 1394. بررسی و امکان­سنجی کارایی شاخص­های گیاهی و حرارتی ماهواره لندست در تحلیل خشکسالی کشاورزی (مطالعه موردی: شهرستان ملایر). فصلنامه تحقیقات جغرافیایی. سال 30. شماره 3. صص 152 – 139.

نعمتی، احمد؛ قریشی نجف آبادی، سیدحسین؛ جودکی، غلامرضا؛ موسوی ندوشنی، سیدسعید؛ 1398. ارزیابی شاخصه­های خشکسالی کشاورزی حوضه آبریز فلات مرکزی ایران با استفاده از ماهواره گرانش­سنجی. تحقیقات آب و خاک ایران. دوره 50. شماره 2. خرداد و تیر.

 

AghaKouchak, A. et al., 2015. Remote sensing of drought: Progress, challenges and opportunities. Reviews of Geophysics, 53(2): 452-480.

Baig, M.H.A. et al., 2020. Assessing Meteorological and Agricultural Drought in Chitral Kabul River Basin Using Multiple Drought Indices. Remote Sensing, 12(9): 1417.

Faisol, A., Indarto, I., Novita, E. and Budiyono, B., 2020. An Application of MODIS Surface Reflectance Product for Drought Assessment on Agriculture Area in Manukwari–West Papua–Indonesia, E3S Web of Conferences. EDP Sciences, pp. 01001.

Farahmand, A., 2016. Frameworks for Improving Multi-Index Drought Monitoring Using Remote Sensing Observations, UC Irvine.

Feng, P., Wang, B., Li Liu, D. and Yu, Q., 2019. Machine learning-based integration of remotely-sensed drought factors can improve the estimation of agricultural drought in South-Eastern Australia. Agricultural Systems, 173: 303-316.

Hazaymeh, K. and Hassan, Q.K., 2016. Remote sensing of agricultural drought monitoring: A state of art review. Aims Environmental Science, 3(4): 604.

Ji, T., Li, G., Yang, H., Liu, R. and He, T., 2018. Comprehensive drought index as an indicator for use in drought monitoring integrating multi-source remote sensing data: a case study covering the Sichuan-Chongqing region. International Journal of Remote Sensing, 39(3): 786-809.

Kogan, F.N., 1995. Application of vegetation index and brightness temperature for drought detection. Advances in space research, 15(11): 91-100.

Kulkarni, S.S. et al., 2020. Developing a Remote Sensing-Based Combined Drought Indicator Approach for Agricultural Drought Monitoring over Marathwada, India. Remote Sensing, 12(13): 2091.

McKee, T.B., Doesken, N.J. and Kleist, J., 1993. The relationship of drought frequency and duration to time scales, Proceedings of the 8th Conference on Applied Climatology. Boston, pp. 179-183.

Nemani, R. et al., 2009. Monitoring and forecasting ecosystem dynamics using the Terrestrial Observation and Prediction System (TOPS). Remote Sensing of Environment, 113(7): 1497-1509.

Qu, C., Hao, X. and Qu, J.J., 2019. Monitoring extreme agricultural drought over the Horn of Africa (HOA) using remote sensing measurements. Remote Sensing, 11(8): 902.

Salazar, L., Kogan, F. and Roytman, L., 2008. Using vegetation health indices and partial least squares method for estimation of corn yield. International Journal of Remote Sensing, 29(1): 175-189.

Shen, R., Huang, A., Li, B. and Guo, J., 2019. Construction of a drought monitoring model using deep learning based on multi-source remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 79: 48-57.

Silleos, N.G., Alexandridis, T.K., Gitas, I.Z. and Perakis, K., 2006. Vegetation indices: advances made in biomass estimation and vegetation monitoring in the last 30 years. Geocarto International, 21(4): 21-28.

Teweldebirhan Tsige, D., Uddameri, V., Forghanparast, F., Hernandez, E.A. and Ekwaro-Osire, S., 2019. Comparison of Meteorological-and Agriculture-Related Drought Indicators across Ethiopia. Water, 11(11): 2218.

Thenkabail, P.S. and Gamage, M., 2004. The use of remote sensing data for drought assessment and monitoring in Southwest Asia, 85. Iwmi.

Tucker, C.J. and Choudhury, B.J., 1987. Satellite remote sensing of drought conditions. Remote sensing of Environment, 23(2): 243-251.

Vyas, S.S. et al., 2015. A combined deficit index for regional agricultural drought assessment over semi-arid tract of India using geostationary meteorological satellite data. International journal of applied earth observation and geoinformation, 39: 28-39.

Wang, X. et al., 2018. A predictive model of equivalent temperature index for dairy cattle (ETIC). Journal of thermal biology, 76: 165-170.

West, H., Quinn, N. and Horswell, M., 2019. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities. Remote Sensing of Environment, 232: 111291.

Zhou, X. et al., 2020. Developing a fused vegetation temperature condition index for drought monitoring at field scales using Sentinel-2 and MODIS imagery. Computers and Electronics in Agriculture, 168: 105144.