Analysis of Temperature Changes, Vegetation, Evapotranspiration, and Drought Based on Modeling of Landsat 5 and 8 Satellite Imagery and Meteorological Indicators

Document Type : Original Article

Authors
Mitra Sadat Fathifard 1
Abbas Rahdan 2
Mahsa Tohidfar 3
1 Graduate of Master of Range Management. Faculty of Natural Resources, Isfahan University of Technology. Isfahan, Iran.
2 Ph.D. student of Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
3 Department of Natural Resources and Environment Islamic Azad University, Science and Research Branch
10.22034/el.2023.424546.1016
Abstract
Given the importance of evapotranspiration in the hydrological cycle and its diverse applications in various scientific fields, calculating its value, particularly actual evapotranspiration, is of great significance. Since vegetation cover is one of the most important factors influencing land surface temperature, the present study aims to investigate the spatial autocorrelation between land surface temperature and evapotranspiration in relation to vegetation cover in Maraveh Tappeh County. In the first part of the study, a high-resolution MODIS dataset was processed and analyzed seasonally for each year over a time period spanning 2000, 2010, 2015, and 2020 using the Google Earth Engine platform. Evapotranspiration was then calculated using MODIS data and the Torrent-White method, incorporating the vegetation growth coefficient, and compared with evapotranspiration values derived from the SEBAL algorithm. Additionally, drought prediction was conducted using the Standardized Precipitation Index (SPI) (1-month, 3-month, 6-month, and 12-month) for the period from 2015 to 2044. To identify and uncover patterns and trends in the spatial data, ArcGIS software was utilized after calculating the changes. To achieve the best results with minimal error, the Inverse Distance Weighting (IDW) method with exponential dispersion was employed, and statistical indices such as Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) were used to select the best interpolation method. The results indicated that the Inverse Distance Weighting method was the most effective among the methods used for estimating changes. The findings of this study revealed that in spring, the highest percentage of NDVI does not spatially coincide with the lowest temperature; in other words, the vegetation index percentage does not exhibit an inverse relationship with land surface temperature. In summer, the highest percentage of the vegetation index spatially aligns completely with the lowest land surface temperature. In winter, the distribution pattern of temperature is entirely different compared to other seasons due to the moderating role of vegetation cover through the mechanism of evapotranspiration.

Keywords

Subjects

  1. اکبری، م؛ سیف، ز و زارع ابیانه، ح (1390)، برآورد میزان تبخیر و تعرق واقعی و پتانسیل در شرایط قلیمی مختلف با استفاده از سنجش از دور، فصلنامه آب و خاک (علوم و صنایع کشاورزی)، مهر و آبان، دوره 25، شماره چهار، صص 844-835.
  2. اکبری، ا، ابراهیمی، م، نژادسلیمانی، ح، فیضی‌زاده، ب، (1394). ارزیابی دمای سطح زمین در ارتباط با روند تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‌ای (مطالعة موردی: حوضة آبخیز طالقان)، جغرافیا و برنامه‌ریزی محیطی، دورة 26، شمارة 4، 151-170.
  3. امینی­بازیابی، س؛ زارع­ابیانه، ح و اکبری، م، (1393)، برآورد دما و شاخص پوشش گیاهی سطح زمین با استفاده از داده­های ­سنجش از دور (مطالعه­موردی: استان همدان)، پژوهش­های جغرافیای طبیعی، شماره سه، ص 348-333.
  4. جهانبخش، س، زاهدی، م و ولیزاده­کامران، خ (1390)، محاسبه دمای سطح زمین با استفاده از روش سبال و درخت تصمیم در محیط GIS RS, در بخش مرکزی منطقه مراغه، جغرافیا و برنامه­ریزی، سال 16 ، شماره 38 ، صص 19.
  5. شایان، س، شریفی کیا ، م، ناصری، ن (1396)، تحلیل خشکسالی رودخانه مرزی الوند با استفاده ازداده های سنجش از دور. پژوهش های فرسایش محیطی، ۷ (۳) :۶۹-۵۵.
  6. سواری، م، برفی زاده، ل، اسدی، ز (1400)، آثار سرمایة اجتماعی بر دستیابی به امنیت غذایی در شرایط خشکسالی نمونة پژوهش: سکونتگاههای روستایی شهرستان دورود. جغرافیا و برنامه ریزی محیطی، 32(4)، 1-28.
  7. علیزاده، ا (1385)، رابطه آب و خاک و گیاه، دانشگاه امام رضا(ع). انتشارات آستان قدس رضوی6. 319 -325.
  8. علیائی، م. (1398). بررسی نقش عوامل طبیعی در پراکنش و استقرار سکونتگاه‌های روستایی شهرستان زنجان. مهندسی جغرافیایی سرزمین، 3(5)، 45-57.
  9. گل­کار حمزیی یزد، ح، کاوه، ف، قهرمان، ب و صدقی، ح (1391)، بررسی روند تغییرات سری زمانی تبخیر- تعرق ماهیانه گیاه مرجع با استفاده از روش پیشنهادی فائو پنمن- مانتیس، مجله علمی-پژوهشی علوم کشاورزی، دانشگاه آزاد اسلامی تهران (واحد علوم و تحقیقات)، دوره 13 ، شـماره دو، صص 433-417.
  10. ناطقی، س، گوهردوست، آ، سلیمانی ساردو، ف (1401)، واکاوی اثر پوشش گیاهی بر وقوع پدیده گرد و غبار (مطالعه موردی: استان هرمزگان). پژوهش های فرسایش محیطی، ۱۲ (۲) :۶۰-۴۳.
  11. منتظری، م، کفایت مطلق، ا. (1397). واکاوی میانگین بلندمدت پوشش گیاهی ایران به کمک نمایة ‏NDVI. جغرافیا و برنامه ریزی محیطی، 29(3)، 1-14.
  12. Bandyopadhyay A., Bhadra A., Raghuwanshi N.S, and Singh R. (2010), Temporal trends in estimates of reference evapotranspiration over India, Journal of Hydrologic Engineering, 14(5):508-515.
  13. Brown, I., Poggio, L., Gimona, A. et al (2011). Climate change, drought risk and land capability for agriculture: implications for land use in Scotland. Reg Environ Change 11, 503–518.
  14. Bastiaanssen, W. G. M., Noordman, E. J., Pelgrum, M. H., Davids, G., Thoreson, B. P. and R. G. Allen. (2005), SEBAL model with remotely sensed data to improve water-resources management under actual field conditions. J of Irrig and Drain, (ASCE):85(1): 85-93.
  15. Garbrecht J., Van Liew M., and et al. (2013), Trends in precipitation, streamflow, and evapotranspiration in the Great Plains of the United States, Journal of Hydrological Engineering, 9 (5):360-367.
  16. Merlin, O., Jacob, F., Wigneron, J., Walker, J., Chehbouni, G. (2010), Multidimensional disaggregation of land surface temperature using high-resolution red, near-infrared, shortwave-infrared and microwave L-band. IEEE Trans. Geosci. Remote Sens., 1-16.
  17. Offer,R, Qin,Zh ,Derimian,Y, and Karnieli,A, (2014), Derivation of Land Surface Temperature for Landsat-8 TIRS Using a Split Window Algorithm,sensor, 14(4): 5768–5780.
  18. Papadavid, G., Hadjimitsis, D.G., Toulios, L., and S. Michaelides. (2013), A modified SEBAL modeling approach for estimating crop evapotranspiration in semi-arid conditions. Water resources management. 27(9): 3493-3506.
  19. Orimoloye, Johanes A, Belle, Olusola O. Ololade (2021). Drought disaster monitoring using MODIS derived index for drought years: A space-based information for ecosystems and environmental conservation, Journal of Environmental Management Volume 284, 15 April 2021, 112028.
  20. RajeshwariA , Mani N D, (2014), Estimationof  Land  Surface Temperature ofDindigul District Using Landsat 8 Data, Ijret: International Journal of Research in Engineering and Technology, Volume: 03 Issue: 05, May-2014, Available @ http://www.ijret.org.
  21. Steele, D., Thoreson, B., Hopkins, D., Clark, B., Tuscherer, S., and R. Gautam. (2014), Spatial mapping of evapotranspiration over Devils Lake basin with SEBAL: application to flood mitigation via irrigation of agricultural crops. Irrigation Science. DOI: 10.1007/s00271-014-0445-1.
  22. Tabari H., Marofi S., Aeini A., Hosseinzadeh Talaeea P., and Mohammadi K. (2011), Trend analysis of reference evapotranspiration in the western half of Iran, Agr. Forest Meteorol, 151 (2): 128-136.
  23. Tucker, C.J. and B.Y. Choudhury. (1987), Satellite remote sensing of drought conditions. Remote Sens. Environ. 23:243-251.
  24. Liu, Q., Zhang, S., Zhang, H., Bai, Y., & Zhang, J. (2019). Monitoring drought using composite drought indices based on remote sensing. Science of The Total Environment, 134585.
  25. Zhang, P., Zhang, J., Chen, M., (2017). Economic impacts of climate change on agriculture: The importance of additional climatic variables other than temperature and precipitation, Journal of Environmental Economics and Management, Vol 83, Pp 8- 31.
  26. FAO (2013). Drought Facts-Food and Agriculture, www.fao.org.
  27. Zhang, A., Jia, G., (2013). Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data, Remote Sensing of Environment, Vol 134, Pp 12-23.
Human Ecology
Volume 2, Issue 3
Summer 2023
Pages 195-206