زمینه و هدف: کمبود داده‌ چالش قابل توجهی برای مطالعات خشک‌سالی است. مجموعه داده‌های جایگزین برای تکمیل منابع داده‌های موجود ایجاد و ارائه می‌شوند. با وجود عدم قطعیت ذاتی مرتبط با مجموعه داده‌های جایگزین، این مجموعه داده‌های شبکه‌بندی شده داده‌های آب و هوایی پیوسته و بلند مدت به لحاظ مکانی را فراهم می‌کنند و برای ارزیابی خشک‌سالی در تغییرات اقلیمی مناسب هستند. چندین مطالعه درباره مدل‌سازی دوره‌های خشک‌سالی در سراسر ایران با استفاده از مجموعه داده‌های نقطه‌ای و محصولات شبکه‌بندی صورت گرفته است. با این حال، بیشتر این مطالعات بر شناسایی خطاهای مربوط به مقادیرمطلق شاخص‌های خشک‌سالی و تشخیص خشک‌سالی تمرکز داشته‌اند.روش پژوهش: در این مطالعه، عملکرد سه مجموعه داده شبکه‌بندی ERA5، CHIRPS و PERSIANN-CDR در برآورد خشک‌سالی در شرایط اقلیمی مختلف ایران مورد ارزیابی قرار گرفت. مجموعه داده های مورد بررسی نسل پنجم مرکز اروپا برای پیش بینی هوای متوسط (ERA5)، بارش مادون قرمز گروه مخاطرات آب و هوا با داده های ایستگاه (CHIRPS) و تخمین بارش از اطلاعات سنجش از دور با استفاده از شبکه های عصبی مصنوعی- رکورد داده های آب و هوا ( PERSIANN-CDR). شاخص خشک سالی بارش استاندارد شده در سه بازه ی زمانی 3 (SPI3)، 6 (SPI6)، و 12 (SPI12) ماهه استفاده شد. داده های بارش از سازمان هواشناسی ایران برای 35 ایستگاه در بازه زمانی 1988 تا 2017 جمع‌آوری شد. نواحی مورد مطالعه شامل مناطق فراخشک، خشک، نیمه خشک و مرطوب/نیمه مرطوب بودند. برای تجزیه و تحلیل روند تغییرات بارش، از برآوردگر شیب سِن و آزمون ناپارامتری من کندال استفاده شد.یافته ها: نتایج نشان داد که داده‌های شبکه‌بندی در تشخیص ماه‌های خشک سالی و برآورد مقادیر شاخص ها در نواحی مرطوب/نیمه مرطوب عملکرد ضعیفی داشتند. با این وجود، داده های ERA5 مقدار شاخص های SPI3، SPI6، و SPI12 را در بیش از دو-سوم مناطق خشک و نیمه خشک با دقت مناسبی برآورد کردند. همچنین، ERA5 در اکثر مناطق خشک و نیمه خشک عملکرد مناسبی در تشخیص دوره‌های خشک سالی بلند مدت (SPI12) از خود نشان داد. به طور ویژه، داده های ERA5 رویدادهای خشک سالی شدید و طولانی‌مدت 1998-2001 و 2007-2009 را بخوبی در مناطق خشک و نیمه خشک تشخیص دادند. این دوره‌های خشک سالی شدید که توسط ERA5 تشخیص داده شده‌اند، تأثیرات منفی قابل توجهی بر بخش کشاورزی در خاورمیانه داشته‌اند، که این به نوبه خود نیاز حیاتی به نظارت و مدیریت دقیق خشک‌سالی را برجسته می‌کنند. لیکن داده های CHIRPS و PERSIANN-CDR عملکرد نامناسبی در تخمین مقدار SPI و تشخیص ماه های خشک سالی در اکثر مناطق خشک و نیمه خشک داشتند. علاوه بر این، داده های ERA5 برآوردی قابل اعتماد از معنی داری و جهت شیب SPI3، SPI6، و SPI12 در بیش از نیمی از مناطق خشک و نیمه خشک ارائه داد، در حالی که CHIRPS و PERSIANN-CDR برآورد‌های نادرستی در بیشتر مناطق ارائه کردند. با این حال، در برخی از موارد که مقادیر SPI و ماه‌های خشک‌سالی به درستی مدل‌سازی نشدند، معنی داری و جهت شیب به درستی تخمین زده شد. این یافته‌ها نشان می‌دهند که ممکن است برآورد‌های نادرست SPI مجموعه داده های شبکه بندی شده بیانگر محدودیت‌هایی در توانایی‌های تعریف خشکسالی باشد، اما این به معنی نامناسب بودن آن ها برای تجزیه و تحلیل روند و ارزیابی تغییرات اقلیمی نیست.نتایج: نتایج نشان می‌دهند که ERA5 عملکرد بهتری در برآورد مقادیر SPI، تشخیص دوره های خشک‌سالی و برآورد معنی داری و شیب SPI در مناطق خشک و نیمه خشک نسبت به سایر مجموعه‌ داده‌های جایگزین دارد. بنابراین، داده های بارش ERA5 می توانند برای مدل‌سازی و نظارت بر خشک‌سالی تحت تغییرات اقلیمی در مناطق خشک و نیمه خشک به کار روند. پرونده مقاله

دمای سطح زمین یکی از مهم ترین پارامترهای است که امروزه توسط باندهای حرارتی ماهواره ها و به کمک ابزار سنجش از دور قابل محاسبه است. اهمیت این موضوع زمانی آشکار می شود که اثر مستقیم دما، افزایش و یا کاهش میزان تبخیر و تعرق و در نتیجه تغییر در میزان رطوبت در دسترس گیاه را نشان می دهد. در این تحقیق دمای پوشش سبز گیاه نیشکر با استفاده از داده های ماهواره لندست 8 در هشت مزرعه از مزارع کشت و صنعت نیشکر سلمان فارسی (هر مزرعه پنج نقطه) جمعاً 40 نقطه که این نقاط در روزهای مختلف آبیاری بودند با استفاده از دماسنج مادون قرمز (که در بازه 8 تا 14 میکرومتر کار می کند)، اندازه گیری شد. نقاط انتخابی به منظور عدم ترکیب با پیکسل های فاقد پوشش گیاهی از لبه مزارع دارای فاصله 30 متری بودند. به منظور واسنجی الگوریتم پنجره مجزا از داده های بخار آب اتمسفر، قابلیت انتشار، قابلیت عبور اتمسفری و از تصاویر ماهواره لندست 8 دمای مزارع استخراج شد. نتایج نشان داد که محاسبه دمای پوشش سبز مزارع نیشکر در روزهای مختلف آبیاری با الگوریتم پنجره مجزا با دقت قابل قبول برآورد گردید. همچنین نتایج نشان داد که در نقاطی که پوشش گیاهی یکسان است، آبیاری عامل اصلی در تغییر مقادیر دما است. حداقل مجذور مربعات خطا و میانگین مربعات خطا بین دمای اندازه گیری شده میدانی و دمای استخراج شده از تصاویر ماهواره ای به ترتیب 925/0 و 766/0 درجه سانتیگراد محاسبه گردید. پرونده مقاله