| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,062 |
| تعداد مقالات | 34,180 |
| تعداد مشاهده مقاله | 46,775,090 |
| تعداد دریافت فایل اصل مقاله | 77,769,377 |
تحلیل فراوانی گرد و غبار شمال دریاچه ارومیه بر پایه تصاویر سنجش از دور | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 31 شهریور 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.369926.1627 | ||
| نویسندگان | ||
| مریم فتحی1؛ حسام احمدی بیرگانی* 2 | ||
| 1دانشجوی کارشناسی ارشد،دانشکده منابع طبیعی،دانشگاه ارومیه،ارومیه،ایران | ||
| 2دانشیار، گروه مرتع و آبخیزداری، منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران | ||
| چکیده | ||
| مقدمه و هدف توفان‌های گردوغبار پیامدهای گسترده‌ای بر سلامت انسان، کشاورزی و بوم‌سازگان دارند. در سال‌های اخیر، بروز این پدیده در نواحی پیرامون دریاچه ارومیه، و در بخش شمالی آن، افزایش چشمگیری یافته است. یکی از دلایل اصلی این روند، خشک شدن بخش وسیعی از بستر دریاچه ارومیه در پی کاهش شدید منابع آبی و تغییرات اقلیمی روی داده است. بستر خشک‌شده‌ی دریاچه به یکی از مهم‌ترین منابع تولید و انتشار ذرات گردوغبار در منطقه تبدیل شده که در اثر وزش باد به‌راحتی از سطح آن بلند می‌شوند. این دریاچه که در منطقه‌ای با فعالیت‌های کشاورزی و صنعتی گسترده قرار دارد، همواره نقشی کلیدی در پایداری محیط‌زیست و امنیت غذایی منطقه ایفا کرده است. هدف اصلی این مطالعه، تحلیل روندهای زمانی و مکانی تغییرات فراوانی روزهای گرد و غبار در حاشیه شمالی دریاچه ارومیه در بازه زمانی ۲۰۰۱ تا ۲۰۲۴ با استفاده از داده‌های سنجش از دور و الگوریتم اصلاح‌شده تصحیح جوی چندزاویه‌ای (MAIAC) است. مواد و روش‌ها در این مطالعه، داده‌های ماهواره‌ای MODIS با تفکیک متوسط طی بازه زمانی ۲۰۰۱ تا ۲۰۲۴ برای حاشیه شمالی دریاچه ارومیه جمع‌آوری شد. با استفاده از الگوریتم اصلاح‌شده تصحیح جوی چندزاویه‌ای (MAIAC)، که توانایی بالایی در تفکیک دقیق ذرات معلق در هوا دارد، روزهای گرد و غبار شناسایی شدند. داده‌های استخراج‌شده سپس با نرم‌افزار ArcMap (نسخه ۱۰.۸) تحلیل و بر اساس تعداد روزهای گرد و غبار به چهار طبقه فراوانی تقسیم شدند: طبقه۱ با فراوانی کم (۰ تا ۵۰ روز)، طبقه۲ با فراوانی متوسط (۵۰ تا ۱۰۰ روز)، طبقه۳ با فراوانی زیاد (۱۰۰ تا ۱۵۰ روز) و طبقه۴ با فراوانی خیلی زیاد (بیش از ۱۵۰ روز). نقشه‌های توزیع مکانی و زمانی هر طبقه تهیه شد. همچنین، به منظور شناسایی و دسته‌بندی سال‌هایی که از نظر فراوانی روزهای گرد و غبار الگوهای مشابهی دارند، از روش خوشه‌بندی K-means در نرم‌افزار SPSS (نسخه ۲۶) استفاده گردید. این تحلیل به تفکیک سال‌ها بر اساس شباهت‌های فراوانی در گروه‌های خوشه‌ای کمک کرد. روندهای بلندمدت و تغییرات مکانی به دقت مورد بررسی قرار گرفتند. نتایج و بحث نتایج نشان داد که پراکنش مکانی و شدت رویدادهای گرد و غبار در بازه زمانی ۲۰۰۱ تا ۲۰۲۴ تغییرات قابل توجهی داشته است. در سال‌های ابتدایی، فراوانی وقوع گرد و غبار پایین بود، اما از سال ۲۰۱۲ به بعد، افزایش چشمگیری در مساحت تحت تأثیر طبقه‌های با فراوانی متوسط و زیاد مشاهده شد. هرچند در برخی سال‌ها مانند ۲۰۱۹ و ۲۰۲۰ کاهش نسبی در فراوانی گرد و غبار دیده شد، اما در سال‌های اخیر این پدیده روند افزایشی داشته است. تحلیل خوشه‌ای با استفاده از نرم‌افزار SPSS (نسخه ۲۶) نشان داد که سال‌های گروه خوشه ۲ (۲۰۱۴-۲۰۱۵ و ۲۰۱۵-۲۰۱۶) بیشترین فراوانی روزهای گرد و غبار را داشته‌اند. همچنین سال‌های خوشه ۴ (۲۰۰۱-۲۰۰۲ تا ۲۰۰۷-۲۰۰۸، ۲۰۱۹-۲۰۲۰ و ۲۰۲۰-۲۰۲۱) به عنوان سال‌هایی با فراوانی کم گرد و غبار شناخته شدند. نتیجه‌گیری و پیشنهادها نتایج این مطالعه نشان داد که شدت و پراکنش گرد و غبار در منطقه در دوره مورد بررسی با نوسانات زمانی و مکانی قابل توجهی همراه بوده و در سال‌های اخیر روندی افزایشی داشته است. خشک شدن بستر دریاچه ارومیه در اثر تغییرات اقلیمی، به افزایش شدت و فراوانی روزهای گرد و غبار منجر شده است. تحلیل خوشه‌بندی نیز نشان داد که برخی سال‌ها (به ویژه خوشه ۲) به طور پایدار در معرض فراوانی بالای گرد و غبار قرار دارند، در حالی که سال‌های خوشه ۴ شرایط نسبتاً پایدارتری را تجربه کرده‌اند. با توجه به افزایش شدت و فراوانی گرد و غبار در سال‌های اخیر، پایش مستمر به همراه تحلیل‌های مکانی و داده‌محور می‌تواند به پیش‌بینی دقیق‌تر این پدیده کمک کند. همچنین پیشنهاد می‌شود که مدیریت منابع آب و برنامه‌های مقابله با خشک شدن بستر دریاچه، به عنوان راهکاری مؤثر برای کاهش مخاطرات گرد و غبار در این منطقه در نظر گرفته شوند. | ||
| کلیدواژه‌ها | ||
| دریاچه ارومیه؛ فراوانی توفان‌های گرد و غبار؛ MAIAC؛ خوشه بندی k-mean؛ تصاویر ماهواره‌ای؛ مودیس | ||
| عنوان مقاله [English] | ||
| Analysis of Dust Frequency in Northern Lake Urmia Using Remote Sensing Images | ||
| نویسندگان [English] | ||
| Maryam Fathi1؛ Hesam Ahmady birgani2 | ||
| 1Master Student, Faculty of Natural Resources, Urmia University, Urmia, Iran | ||
| 2Associate Professor, Rangeland and Watershed Management Department, Natural Resources, Urmia University, Urmia, Iran | ||
| چکیده [English] | ||
| Introduction and Goal Dust storms have widespread impacts on human health, agriculture, and ecosystems. In recent years, the occurrence of this phenomenon has significantly increased in the areas surrounding Lake Urmia, especially in its northern part. One of the main reasons for this trend is the drying of a large portion of the lakebed, which has resulted from a sharp decline in water resources and climate change. The dried lakebed has become one of the most important sources of dust particle generation and dispersion in the region, easily lifted by the wind. Located in an area with extensive agricultural and industrial activities, this lake has always played a key role in environmental sustainability and regional food security. The main objective of this study is to analyze the temporal and spatial trends of dust storm frequency along the northern margin of Lake Urmia from 2001 to 2024, using remote sensing data and a modified Multi-Angle Implementation of Atmospheric Correction (MAIAC) algorithm. Materials and Methods In this study, MODIS satellite data with moderate spatial resolution were collected for the northern margin of Lake Urmia over the period from 2001 to 2024. Using the modified Multi-Angle Implementation of Atmospheric Correction (MAIAC) algorithm—which has a high capability for accurately detecting airborne particulate matter—dust storm days were identified. The extracted data were then analyzed using ArcMap software (version 10.8) and classified into four frequency categories based on the number of dusty days: Category 1 with low frequency (0 to 50 days), Category 2 with moderate frequency (50 to 100 days), Category 3 with high frequency (100 to 150 days), and Category 4 with very high frequency (more than 150 days). Spatial and temporal distribution maps were generated for each category. In addition, to identify and categorize the years that exhibit similar patterns in the frequency of dusty days, the K-means clustering method was applied using SPSS software (version 26). This analysis facilitated the grouping of years based on similarities in dust event frequency. Long-term trends and spatial changes were examined in detail. Results and Discussion The results showed that the spatial distribution and intensity of dust storm events from 2001 to 2024 underwent significant changes. In the early years, the frequency of dust occurrence was low, but from 2012 onwards, a notable increase was observed in the area affected by moderate and high frequency categories. Although some years, such as 2019 and 2020, experienced a relative decrease in dust frequency, the overall trend in recent years has been upward. Cluster analysis using SPSS revealed that the years in Cluster Group 2 (2014–2015 and 2015–2016) exhibited the highest frequency of dusty days. Conversely, the years in Cluster Group 4 (2001–2002 to 2007–2008, 2019–2020, and 2020–2021) were characterized by low dust frequency. Conclusion and Suggestions The results of this study indicate that the intensity and spatial distribution of dust storms in the region have experienced significant temporal and spatial fluctuations during the examined period, with an increasing trend in recent years. The drying of Lake Urmia’s bed due to climate change has contributed to the heightened intensity and frequency of dusty days. Cluster analysis also revealed that certain years—particularly those in Cluster 2—consistently experienced high dust frequencies, while years in Cluster 4 exhibited relatively more stable conditions. Given the recent rise in the intensity and frequency of dust storms, continuous monitoring combined with spatial and data-driven analyses can improve the accuracy of predicting this phenomenon. It is also recommended that comprehensive water resources management plans, along with targeted measures to prevent further drying of the lakebed, be implemented as part of integrated and sustainable strategies to mitigate dust-related hazards and improve environmental resilience in the region. | ||
| کلیدواژه‌ها [English] | ||
| Lake Urmia, dust storm frequency, MAIAC, K-means clustering, satellite imagery, MODIS | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1 |
||