مخازن آب سطحی بهعنوان زیرساختهای راهبردی تأمین آب، نقشی اساسی در امنیت آبی مناطق خشک دارند. این پژوهش با هدف پایش خشکسالی هیدرولوژیکی مخزن چاهنیمه و مقایسه رفتار شاخصهای اقلیمی در برابر تغییرات ذخیره مخزن، از تلفیق سنجش از دور و دادههای اقلیمی چندمنبعه در بستر Google Earth Engine استفاده کرد. در این چارچوب، ۳۴۵ تصویر Sentinel-2 طی دوره ۲۰۱۷ تا ۲۰۲۵ با دادههای CHIRPS، ERA5-Land و TerraClimate تلفیق شد. برای استخراج سطح آب و برآورد عدم قطعیت، شاخصهای NDWI، MNDWI و AWEI بهکار رفت. همچنین، SWLI بهعنوان شاخص اصلی خشکسالی هیدرولوژیکی مخزن محاسبه شد و SPI، SPEI و PDSI فقط برای مقایسه و تفکیک خشکسالی هیدرولوژیکی از خشکسالی هواشناختی و کشاورزی استفاده شدند. نتایج نشان داد حجم مخزن سالانه 38/5 میلیون مترمکعب و مساحت سطح آب 63/0 کیلومترمربع کاهش یافته است. از ۸۲ ماه بررسیشده، ۱۲ ماه خشکسالی هیدرولوژیکی ثبت شد که ۸۳ درصد آن شدید یا حدی بود. در سال ۲۰۲۳، SWLI=−1.35 خشکسالی شدید را نشان داد، در حالیکه SPI و SPEI نزدیک به نرمال بودند. این ناهمزمانی بیانگر آن است که افت ذخیره مخزن بیش از کمبود بارش محلی، به کاهش جریان هیرمند و عوامل مدیریتی-فرامرزی وابسته است.
مخازن آب سطحی بهعنوان زیرساختهای راهبردی تأمین آب، نقش تعیینکنندهای در امنیت آبی مناطق خشک دارند و پایش تغییرات آنها برای مدیریت پایدار منابع آب ضروری است. این پژوهش با هدف پایش خشکسالی هیدرولوژیکی مخزن چاهنیمه و بررسی میزان همراستایی شاخصهای اقلیمی با تغییرات ذخیره مخزن، با بهرهگیری از رویکرد تلفیقی سنجش از دور و دادههای اقلیمی چندمنبعه در محیط Google Earth Engine انجام شد. در این چارچوب، 345 تصویر Sentinel-2 در دوره 2017 تا 2025 همراه با دادههای CHIRPS، ERA5-Land و TerraClimate پردازش شد. برای استخراج سطح آب و برآورد عدمقطعیت، شاخصهای NDWI، MNDWI و AWEI بهکار رفت و شاخص SWLI بهعنوان مبنای اصلی ارزیابی خشکسالی هیدرولوژیکی مخزن محاسبه شد؛ در حالی که SPI، SPEI و PDSI صرفاً برای مقایسه و تفکیک خشکسالی هیدرولوژیکی از خشکسالی هواشناختی و کشاورزی استفاده شدند. نتایج نشان داد حجم مخزن سالانه 38/5 میلیون مترمکعب و مساحت سطح آب 63/0 کیلومترمربع کاهش یافته است. از 82 ماه بررسیشده، 12 ماه در وضعیت خشکسالی هیدرولوژیکی قرار داشت که 83 درصد آنها شدید یا حدی بود. در سال 2023 نیز SWLI برابر 35/1- خشکسالی شدید را نشان داد، در حالی که SPI و SPEI نزدیک به نرمال بودند. این ناهمزمانی نشان میدهد افت ذخیره مخزن بیش از آنکه تابع بارش محلی باشد، تحت تأثیر کاهش جریان هیرمند و عوامل مدیریتی-فرامرزی است.
1.Alademomi, A., Balogun, A.L., Al-Mutiry, M., Aina, Y.A. and Al-Amri, A., 2025.The spatio-temporal analysis of droughts using SPEI and satellite data. Applied Sciences, 15(4), 1865. https://doi.org/10.3390/app15041865
2.Abatzoglou, J.T., Dobrowski, S.Z., Parks, S.A. and Hegewisch, K.C., 2018. TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958–2015. Scientific Data, 5(1), 170191. https://doi.org/10.1038/sdata.2017.191
3.AghaKouchak, A., Mirchi, A., Madani, K., Di Baldassarre, G., Nazemi, A., Alborzi, A. and Wanders, N., 2021. Anthropogenic drought: Definition, challenges, and opportunities. Reviews of Geophysics, 59(2), e2019RG000683. https://doi.org/10.1029/2019RG000683
4.Boretti, A. and Rosa, L., 2024. Reassessing the projections of the World Water Development Report. npj Clean Water, 7(1), pp.1–12. https://doi.org/10.1038/s41545-024-00298-2
5.Chang, L., Cheng, L., Zhang, L., Han, D., Zhang, J. and Liu, P., 2025. Remote sensing-based high-resolution reservoir drought index for identifying hydrological drought propagation. Remote Sensing of Environment, 328,114859. https://doi.org/10.1016/j.rse.2025.114859
6.Cooley, S.W., Ryan, J.C. and Smith, L.C., 2021. Human alteration of global surface water storage variability. Nature, 591(7848), pp.78–81. https://doi.org/10.1038/s41586-021-03262-3
7.Donchyts, G., Winsemius, H., Baart, F., Dahm, R., Schellekens, J., Gorelick, N. and Hurkmans, R., 2022. High-resolution surface water dynamics in Earth's small and medium-sized reservoirs. Scientific Reports, 12, 13776. https://doi.org/10.1038/s41598-022-17074-6
8.Feyisa, G.L., Meilby, H., Fensholt, R. and Proud, S.R., 2014. Automated water extraction index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, pp.23–35. https://doi.org/10.1016/j.rse.2013.08.029
9.Funk, C., Verdin, A., Michaelsen, J., Peterson, P., Pedreros, D. and Husak, G., 2022. A global satellite-assisted precipitation climatology. Earth System Science Data, 14(3), pp.1385–1399. https://doi.org/10.5194/essd-14-1385-2022
10.Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D. and Moore, R., 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, pp.18–27. https://doi.org/10.1016/j.rse.2017.06.031
11.Hou, J., Van Dijk, A.I.J.M., Renzullo, L.J. and Larraondo, P.R., 2024. GloLakes: water storage dynamics for 27,000 lakes globally. Earth System Science Data, 16, pp.201–218. https://doi.org/10.5194/essd-16-201-2024
12.Jiang, W., Ni, Y., Pang, Z., Li, X., Ju, H., He, G. and Qin, X., 2021. An effective water body extraction method with new water index for Sentinel-2 imagery. Water, 13(12), 1647. https://doi.org/10.3390/w13121647
13.Koppa, A., Gebremichael, M., Zambon, R.C., Yeh, W.W.G. and Hopson, T.M., 2022. Seasonal hydropower planning for data-scarce regions. Journal of Water Resources Planning and Management, 148(3), 04021104. https://doi.org/10.1061/(ASCE)WR.1943-5452.0001514
14.Lema, F., Mendoza, P.A., Vásquez, N.A., Mizukami, N., Zambrano-Bigiarini, M. and Vargas, X., 2025. What does the Standardized Streamflow Index actually reflect? Hydrology and Earth System Sciences, 29, pp.1981–2002. https://doi.org/10.5194/hess-29-1981-2025
15.Li, Y., Gao, H., Zhao, G. and Tseng, K.H., 2022. A high-resolution bathymetry dataset for global reservoirs. Remote Sensing of Environment, 278, 113101. https://doi.org/10.1016/j.rse.2022.113101
16.McFeeters, S.K., 1996. The use of the normalized difference water index in delineation of open water features. International Journal of Remote Sensing, 17(7), pp.1425–1432. https://doi.org/10.1080/01431169608948714
17.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, pp.179–184.
18.Muñoz-Sabater, J. Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., et al., 2021. ERA5-Land: A global reanalysis dataset for land applications. Earth System Science Data, 13(9), pp.4349–4383. https://doi.org/10.5194/essd-13-4349-2021
19.Nabavi, S.O., Haimberger, L. and Samimi, C., 2020. Climatology of dust distribution over West Asia. Aeolian Research, 42,100575. https://doi.org/10.1016/j.aeolia.2020.100575
20.Rafiei Taghanaki, Z., Nasr-Esfahani, M.A. and Mirabbasi Najafabadi, R., 2024. Investigating meteorological and groundwater drought relationships. Iranian Water Research Journal, 18(1).https://doi.org/10.22034/IWRJ.2023.14530.2556
21.Shakeri, R., Amini, H., Fakheri, F. and Ketabchi, H., 2023. Assessment of drought conditions using SPI and SWLI. Environmental Science and Pollution Research, 30, pp.101744–101760. https://doi.org/10.1007/s11356-023-29522-5
22.Sharafati, A., Nabaei, S. and Shahid, S., 2021. Spatial assessment of meteorological drought features in Iran. International Journal of Climatology, 41(3), pp.1864–1884. https://doi.org/10.1002/joc.6937
23.Siasar, H. and Ebrahimi, M., 2025. Agricultural drought monitoring using remote sensing indicators. Iranian Water Research Journal, 19(3), pp.75–94. https://doi.org/10.22034/iwrj.2025.15218.2687
24.Vicente-Serrano, S.M., Beguería, S. and López-Moreno, J.I., 2010. A multiscalar drought index sensitive to global warming: SPEI. Journal of Climate, 23(7), pp.1696–1718. https://doi.org/10.1175/2009JCLI2909.1
25.Vicente-Serrano, S.M., López-Moreno, J.I., Beguería, S., Lorenzo-Lacruz, J., Azorín-Molina, C. and Morán-Tejeda, E., 2012. Accurate computation of a streamflow drought index. Journal of Hydrologic Engineering, 17(2), pp.318–332. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000433
26.Wada, Y., de Graaf, I.E.M. and van Beek, L.P.H., 2016. Human and climate impacts on global water resources. Journal of Advances in Modeling Earth Systems, 8(2), pp.735–763. https://doi.org/10.1002/2015MS000618
27.Wang, Y., Ma, J., Xiao, X., Wang, X., Dai, S. and Zhao, B., 2022. Long-term dynamics of Poyang Lake surface water. Remote Sensing, 14(2), 239.https://doi.org/10.3390/rs14020239
28.Xu, H., 2006. Modification of NDWI for open water extraction. International Journal of Remote Sensing, 27(14), pp.3025–3033. https://doi.org/10.1080/01431160600589179
29.Yao, F., Livneh, B., Rajagopalan, B., Wang, J., Crétaux, J.F., Wada, Y. and Berge-Nguyen, M., 2023. Satellites reveal global lake storage decline. Science, 380(6646), pp.743–749. https://doi.org/10.1126/science.abo2812
30.Zhang, G., Yao, T., Xie, H., Yang, K., Zhu, L., Shum, C.K. and Chen, W., 2022. Response of Tibetan Plateau lakes to climate change. Earth-Science Reviews, 208, 103269. https://doi.org/10.1016/j.earscirev.2020.103269
سیاسر,هادی , محمدرضاپور,ام البنی و زینلی,محمدجواد . (1405). ارزیابی بررسی همبستگی بین شاخصهای خشکسالی هیدرولوژیکی با حجم مخزن چاهنیمه با استفاده از دادههای سنجش از دور. پژوهش آب ایران, 20(2), 61-80. doi: 10.22034/iwrj.2026.14921.2631
MLA
سیاسر,هادی , , محمدرضاپور,ام البنی , و زینلی,محمدجواد . "ارزیابی بررسی همبستگی بین شاخصهای خشکسالی هیدرولوژیکی با حجم مخزن چاهنیمه با استفاده از دادههای سنجش از دور", پژوهش آب ایران, 20, 2, 1405, 61-80. doi: 10.22034/iwrj.2026.14921.2631
HARVARD
سیاسر هادی, محمدرضاپور ام البنی, زینلی محمدجواد. (1405). 'ارزیابی بررسی همبستگی بین شاخصهای خشکسالی هیدرولوژیکی با حجم مخزن چاهنیمه با استفاده از دادههای سنجش از دور', پژوهش آب ایران, 20(2), pp. 61-80. doi: 10.22034/iwrj.2026.14921.2631
CHICAGO
هادی سیاسر, ام البنی محمدرضاپور و محمدجواد زینلی, "ارزیابی بررسی همبستگی بین شاخصهای خشکسالی هیدرولوژیکی با حجم مخزن چاهنیمه با استفاده از دادههای سنجش از دور," پژوهش آب ایران, 20 2 (1405): 61-80, doi: 10.22034/iwrj.2026.14921.2631
VANCOUVER
سیاسر هادی, محمدرضاپور ام البنی, زینلی محمدجواد. ارزیابی بررسی همبستگی بین شاخصهای خشکسالی هیدرولوژیکی با حجم مخزن چاهنیمه با استفاده از دادههای سنجش از دور. پژوهش آب ایران, 1405; 20(2): 61-80. doi: 10.22034/iwrj.2026.14921.2631
