«شاخص ترکیبی پایش خشکسالی» (Composite Drought Monitoring Index – CDMI)

18 تیر 1404 - خواندن 5 دقیقه - 16 بازدید

 یک چارچوب مفهومی برای یک «شاخص ترکیبی پایش خشکسالی» (Composite Drought Monitoring Index – CDMI) ارائه شده است که از پنج زیرشاخص اصلی تشکیل شده و هر زیرشاخص شامل چند مولفه با منابع داده ای در دسترس است. شما می توانید بسته به دسترسی تان به داده ها و اولویت های منطقه ای، وزن ها را تنظیم کنید.

ساختار کلی شاخص (CDMI) CDMI = wcli Scli + whyd Shyd + wagr Sagr + wsoc Ssoc + weco Seco\mathrm{CDMI} \;=\; w_{\mathrm{cli}}\,S_{\mathrm{cli}} \;+\; w_{\mathrm{hyd}}\,S_{\mathrm{hyd}} \;+\; w_{\mathrm{agr}}\,S_{\mathrm{agr}} \;+\; w_{\mathrm{soc}}\,S_{\mathrm{soc}} \;+\; w_{\mathrm{eco}}\,S_{\mathrm{eco}}

  • ScliS_{\mathrm{cli}}: زیرشاخص هواشناسی/اقلیمی
  • ShydS_{\mathrm{hyd}}: زیرشاخص هیدرولوژیکی
  • SagrS_{\mathrm{agr}}: زیرشاخص کشاورزی
  • SsocS_{\mathrm{soc}}: زیرشاخص اجتماعی
  • SecoS_{\mathrm{eco}}: زیرشاخص اقتصادی/جابه جایی

هر زیرشاخص، ترکیبی از چند متغیر خام است که پس از نرمال سازی (مثلا Min–Max یا Z‑Score) با وزن دلخواه (جمع وزن ها = 1) ترکیب می شوند.

1. زیرشاخص هواشناسی/اقلیمی (ScliS_{\mathrm{cli}})

مولفه منبع داده توضیح SPI (Standardized Precip. Index) داده های بارش ایستگاه های هواشناسی شاخص استاندارد شده بارش در بازه های 1، 3 و 12 ماهه PET (Potential Evapotranspiration) داده های دما و تابش خورشیدی محاسبه با روش پنمن–مونتیت یا Hargreaves Soil Moisture Anomaly داده های ماهواره ای SMAP / ASCAT اختلاف رطوبت خاک نسبت به میانگین بلندمدت Scli=α SPI3m+β PET_anom+γ SoilMoist_anomS_{\mathrm{cli}} = \alpha\,\mathrm{SPI}_{3m} + \beta\,\mathrm{PET\_anom} + \gamma\,\mathrm{SoilMoist\_anom}

2. زیرشاخص هیدرولوژیکی (ShydS_{\mathrm{hyd}})

مولفه منبع داده توضیح Streamflow Deficit Index داده های مخازن و رودخانه ها کاهش جریان نسبت به میانگین درازمدت Groundwater Anomaly پایش چاه های آب زیرزمینی تغییر سطح آب زیرزمینی نسبت به دوره مرجع Reservoir Storage Rate مدیریت منابع آبی نسبت حجم آب ذخیره به ظرفیت مخازن Shyd=δ StreamDef+ε GW_anom+ζ Res_rateS_{\mathrm{hyd}} = \delta\,\mathrm{StreamDef} + \varepsilon\,\mathrm{GW\_anom} + \zeta\,\mathrm{Res\_rate}

3. زیرشاخص کشاورزی (SagrS_{\mathrm{agr}})

مولفه منبع داده توضیح NDVI Anomaly ماهواره MODIS / Sentinel اختلاف NDVI فعلی نسبت به میانگین فصلی FAPAR Anomaly ماهواره PROBA-V / Sentinel اختلاف پوشش گیاهی فعال نسبت به دوره مرجع Crop Condition Reports سیستم های اطلاع رسانی کشاورزی درصد زمین های دیم با نقصان محصول گزارش شده Sagr=η NDVI_anom+θ FAPAR_anom+ι CropRptS_{\mathrm{agr}} = \eta\,\mathrm{NDVI\_anom} + \theta\,\mathrm{FAPAR\_anom} + \iota\,\mathrm{CropRpt}

4. زیرشاخص اجتماعی (SsocS_{\mathrm{soc}})

مولفه منبع داده توضیح Google Trends Drought Concern Index Google Trends API حجم جستجوی کلیدواژه های مرتبط با خشکسالی در هر منطقه (نرمال شده) Twitter Drought Sentiment & Volume Twitter API تعداد توییت های خشکسالی و میانگین امتیاز احساسات (Sentiment) Public Water Complaints Rate سامانه شکایات آبفا / شهرداری تعداد شکایات آب طی بازه زمانی مشخص به ازای جمعیت Online Requests for Agricultural Aid / Insurance Claims آمار تراکنش های بانکی بیمه / یارانه ها تعداد درخواست های بیمه خشکسالی یا یارانه کشاورزان Ssoc=κ GTrend+λ TwVol/Score+μ ComplRate+ν AidReqS_{\mathrm{soc}} = \kappa\,\mathrm{GTrend} + \lambda\,\mathrm{TwVol/Score} + \mu\,\mathrm{ComplRate} + \nu\,\mathrm{AidReq}

5. زیرشاخص اقتصادی/جابه جایی (SecoS_{\mathrm{eco}})

مولفه منبع داده توضیح Change in Agri‑Sector Bank Transactions داده های بانک مرکزی درصد تغییر تراکنش های خرید نهاده های کشاورزی (بذر، سم، کود) Migration & Travel Pattern Anomaly داده های اپراتور موبایل تغییر حجم مهاجرت یا تردد بین شهری (پیش از خشکسالی vs دوره خشکسالی) Agricultural Insurance Claim Amount شرکت های بیمه حجم ریالی خسارات پرداخت شده به کشاورزان به دلیل خشکسالی Seco=ξ BankTx_chg+ο Mobility_anom+π InsClaimS_{\mathrm{eco}} = \xi\,\mathrm{BankTx\_chg} + \omicron\,\mathrm{Mobility\_anom} + \pi\,\mathrm{InsClaim} مراحل پیاده سازی

  1. جمع آوری و پیش پردازش
    اتوماسیون دریافت داده ها از API های مختلف
    پاکسازی، نرمال سازی و هم پوشانی مکانی-زمانی
  2. حساب و نرمال سازی زیرشاخص ها
    هر متغیر را به بازه [0,1] یا Z‑Score تبدیل کنید
    تعیین وزن های اولیه (مثلا همه زیرشاخص ها مساوی یا با نظر خبرگان)
  3. محاسبه CDMI و تحلیل زمانی
    رسم سری زمانی CDMI برای هر منطقه
    تشخیص دوره های بحرانی بر اساس آستانه های از پیش تعریف شده
  4. بصری سازی و هشداردهی
    داشبورد GIS با لایه های زیرشاخص
    ارسال هشدار خودکار (SMS / ایمیل) به مدیران منطقه

نکات اجرایی

  • وزن دهی داینامیک: با داده های تاریخی، از روش حساسیت سنجی (Sensitivity Analysis) یا تحلیل مولفه های اصلی (PCA) برای تنظیم وزن ها استفاده کنید.
  • مقیاس بندی فضایی: شاخص را می توان در سطوح ملی، استانی یا بخش هایی از یک حوزه آبریز محاسبه کرد.
  • ارتباط با سیاست گذاری: اولویت کمک رسانی و تخصیص منابع را بر اساس نقشه CDMI تعیین کنید.
  • قابلیت توسعه: می توانید زیرشاخص های جدید (مثلا بهای انرژی، شاخص فقر) یا داده های دقیق تری (IoT سنسورها) اضافه کنید.

این چارچوب به شما کمک می کند تا یک شاخص چندبعدی، به روز و آنلاین برای پایش خشکسالی در هر منطقه ای طراحی و پیاده سازی کنید.