528.7:528.852

В условиях глобального изменения климата, проявляющегося в увеличении температуры на поверхности Земли, одной из наиболее серьезных угроз является учащение и усиление засух. Вьетнам - страна, сильно пострадавшая от засухи. Цель исследования заключается в применении модели Маркова-СА и метода многокритериальной оценки для прогнозирования засухи с использованием данных дистанционного зондирования Земли на примере провинции Даклак, Вьетнам. Для достижения этой цели используются данные космических изображений Landsat за период с 2000 по 2020 годы. Космические изображения были обработаны на Google Earth Engine для построения карт районирования засухи в 2000, 2005, 2010, 2015, 2020 годах. В исследовании был использован метод многокритериальной оценки для выявления факторов, влияющих на засуху, таких как: количество осадков; уклона местности; данные направления местности; данные о средней температуре; данные солнечной радиации и плотности населения. Эти данные были введены в модель Маркова-CA (Cellular Automata) для прогноза засухи в 2005, 2010, 2015, 2020 годах. Полученные прогнозные карты засухи были сравнены с картами засухи в каждый год. Результаты прогнозирования засухи по этапам составляют 85.68%, 88.33%, 86.36% и 87.79% соответственно, что обеспечивает точность прогнозирования. На основе этой точности автор прогнозировал засуху исследуемой территории за 2025 и 2030 годы. Результаты исследования могут стать научной основой, которая поможет предложить меры по использованию и распределению водных ресурсов, чтобы минимизировать ущерб, причиняемый засухой.

In the context of global climate change, manifested by an increase in surface temperature on Earth, one of the most serious threats is the increasing frequency and intensity of droughts. Vietnam is a country heavily affected by drought. The aim of the research is to apply the Markov-CA (Cellular Automata) model and multi-criteria evaluation method to forecast drought using remote sensing data in Dak Lak province, Vietnam. To achieve this goal, Landsat satellite imagery data from 2000 to 2020 are utilized. The satellite images were processed on Google Earth Engine to generate drought zoning maps for the years 2000, 2005, 2010, 2015, and 2020. The study employed a multi-criteria evaluation method to identify factors influencing drought, such as precipitation amount, terrain slope, terrain aspect data, average temperature data, solar radiation data, and population density. These data were inputted into the Markov-CA model to forecast drought for the years 2005, 2010, 2015, and 2020. The forecasted drought maps were compared with drought maps for each respective year. The forecasting results at each stage are 85.68%, 88.33%, 86.36%, and 87.79% respectively, demonstrating the accuracy of the forecasting. Based on this accuracy, the author predicted drought for the study area for the years 2025 and 2030. The research findings can serve as a scientific basis to assist managers in proposing measures for the utilization and distribution of water resources to minimize the damage caused by drought.

аспирант, кафедра космического мониторинга и экологии Московского государственного университета геодезии и картографии

Шихов А.Н. Космический мониторинг засух на территории Уральского Прикамья по многолетним рядам данных дистанционного зондирования Земли // Журнал Географический вестник Картография и геоинформатика. 2013. No. 4(27). С. 100-107.

Hung L., Nga N., Tuyen D., Phuong T. Assessing and forecasting urban soil fluctuations in the inner city of Hanoi using remote sensing and GIS data. Science magazine. 2017. V. 14(3). Pp. 176. DOI: 10.54607/hcmue.js.14.3.2135_2017. (In Vietnamese).

Cuong N., Cuong N. Research on land use change using remote sensing image and markov model - logistic regression in Cat Tien, Lam Dong. Vietnam journal of agricultural science and technology. 2021. V. 11(132). Pp. 107-112. DOI: 10.55250/jo.vnuf.2023.3.051-060. (In Vietnamese).

Saha S., et al. Spatial assessment of drought vulnerability using fuzzy-analytical hierarchical process: a case study at the Indian state of Odisha. Geomatics, natural hazards and risk. 2021. V. 12(1). Pp. 123-153. DOI: 10.1080/19475705.2020.1861114.

Wijitkosum S. Fuzzy AHP for drought risk assessment in Lam Ta Kong watershed, the north-eastern region of Thailand. Soil and Water Research. 2018. V. 13(4). Pp. 218-225. DOI: 10.17221/158/2017-SWR.

Ouma Y., Tateishi R. Urban flood vulnerability and risk mapping using integrated multiparametric AHP and GIS: methodological overview and case study assessment. Water. 2014. V. 6(6). Pp. 1515-1545. DOI: 10.3390/w6061515.

Chen S., Shin J., Kim T. Probabilistic forecasting of drought: a hidden markov model aggregated with the rcp 8.5 precipitation projection. Stochastic environmental research and risk assessment. 2017. V. 31. Pp. 1061-1076. DOI: 10.1007/s00477-016-1279-6

Du L., et al. Comparison of two simulation methods of the temperature vegetation dryness index (TVDI) for drought monitoring in semi-arid regions of China. Remote Sensing. 2017. V. 9(2). Pp. 177. DOI: 10.3390/rs9020177.

Воронина П.В., Мамаш Е.А. Классификация тематических задач мониторинга сельского хозяйства с использованием данных дистанционного зондирования MODIS // Вычислительные технологии. 2014. No. 19(3). C. 76-102.

Cheng J.,Tao J. Fuzzy comprehensive evaluation of drought vulnerability based on the analytic hierarchy process: an empirical study from Xiaogan City in Hubei Province. Agriculture and Agricultural Science Procedia. 2010. V. 1. Pp. 126-135. DOI: 10.1016/j.aaspro.2010.09.015.

Ronizi S., Negahban S., Mokarram M. Investigation of land use changes in rural areas using MCDM and CA-Markov chain and their effects on water quality and soil fertility in south of Iran. Environmental Science and Pollution Research. 2022. V. 29(59). Pp. 88644-88662. DOI: 10.1007/s11356-022-21951-y.

Liu X., et al. Meteorological drought forecasting using markov chain model. 2009 International conference on environmental science and information application technology. 2009. Pp. 23-26. DOI: 10.1109/ESIAT.2009.19.