ارزیابی تغییرات مکانی و تاثیر عناصر اقلیمی موثر بر وقوع پدیده گرد و غبار در دو منبع داخل و خارج با تکنیک سنجش از دور

الموضوعات :

صدیقه یوسفی ¹ , حسین قره داغی ² , مرضیه رضایی ³

1 - دانشجوی دکتری علوم مهندسی محیط زیست، دانشگاه آزاد اسلامی واحد بندرعباس، هرمزگان، ایران
2 - استادیار گروه کشاورزی و منابع طبیعی، دانشکده منابع طبیعی، دانشگاه آزاد اسلامی واحد ارسنجان، فارس، ایران
3 - استادیار گروه منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

تاريخ الإرسال : 14 الثلاثاء , صفر, 1443 تاريخ التأكيد : 10 الثلاثاء , جمادى الأولى, 1443 تاريخ الإصدار : 29 الثلاثاء , شعبان, 1444

الکلمات المفتاحية: فرسایش, گرد و غبار, پوشش گیاهی, هرمزگان, پایش,

ملخص المقالة :

قرار گرفتن ایران در کمربند بیابانی نیمکره شمالی زمین، بی‌نظمی‌های بارش، خشکسالی‌های متعدد و ضعیف بودن پوشش گیاهی موجبات بروز پدیده گرد و غبار در کشور شده است. این پدیده یکی از مهمترین مخاطرات محیطی است که هر ساله سبب بروز خسارت‌های فراوانی در بخش‌های مختلف بخصوص در استان‌های جنوب و جنوب غرب کشور می‌گردد. پژوهش حاضر به بررسی علل طوفان‌های گرد و غبار در استان هرمزگان در بازه زمانی سال‌های ۲۰۰۲ تا ۲۰۰۹ پرداخته است. در این پژوهش که با استفاده از آمار‌های سازمان هواشناسی ایران در پنج‌ایستگاه سینوپتیکی استان هرمزگان انجام شد، روز‌های گرد و غباری با دو منشأ نزدیک و خارج از‌ایستگاه‌های سینوپتیکی استخراج و پس از پایش سالانه و ماهانه طوفان‌ها، با استفاده از عناصر اقلیمی و شاخص گیاهی بارز شده (EVI)، اقدام به بررسی طوفان‌های گرد و غبار با استفاده از رگرسیون چند متغیره گردید. نتایج نشان می‌دهد که گردوغبار با منشاء نزدیک‌ایستگاه باعث ایجاد بیشترین روز‌های گردوغباری در منطقه می‌شود به طوری که بیش از ۶۵درصد از روز‌های گردوغباری ناشی از گردوغبار ایجاد شده با منشاء نزدیک‌ایستگاه است و بیشترین رخداد گرد و غبار در فصل گرم سال رخ داده است. در مجموع نتایج این پژوهش بیانگر این مطلب است که استفاده همزمان از اندازه‌گیری‌های زمینی و تصاویر ماهواره‌ای قابلیت مناسبی جهت پایش و بررسی طوفان‌های گرد و غبار دارد. با توجه به اینکه عمده‌ی گردوغبار این منطقه با منشاء نزدیک‌ایستگاه است، می‌توان با اقدامات بیولوژیکی و مکانیکی و مقابله با ‌فرسایش بادی حجم قابل توجهی از این طوفان‌ها را کاهش داد.

نص كامل:



تغییرات مکانی و اثر عناصر اقلیمی موثر بر وقوع پدیده گرد و غبار در دو منشا درونی و بیرونی  

 

چکیده

قرار گرفتن ایران در کمربند بیابانی نیمکره شمالی زمین، بی‌نظمی‌های بارش، خشکسالی‌های متعدد و ضعیف بودن پوشش گیاهی موجبات بروز پدیده گرد و غبار در کشور شده است. این پدیده یکی از مهمترین مخاطرات محیطی است که هر ساله سبب بروز خسارت‌های فراوانی در بخش‌های مختلف بخصوص در استان‌های جنوب و جنوب غرب کشور می‌گردد. پژوهش حاضر به بررسی علل طوفان‌های گرد و غبار در استان هرمزگان در بازه زمانی سال‌های ۲۰۰۲ تا ۲۰۰۹ پرداخته است. در این پژوهش که با استفاده از آمار‌های سازمان هواشناسی ایران در پنج‌ایستگاه سینوپتیکی استان هرمزگان انجام شد، روز‌های گرد و غباری با دو منشأ درونی و بیرونی از‌ایستگاه‌های سینوپتیکی استخراج و پس از پایش سالانه و ماهانه طوفان‌ها، با استفاده از عناصر اقلیمی و شاخص گیاهی بارز شده(EVI)، اقدام به بررسی طوفان‌های گرد و غبار با استفاده از رگرسیون چند متغیره گردید. نتایج نشان داد که گردوغبار با منشاء نزدیک‌ایستگاه باعث ایجاد بیشترین روز‌های گردوغباری در منطقه می‌شود به طوری که بیش از ۶۵درصد از روز‌های گرد و غباری ناشی از گردوغبار ایجاد شده با منشاء نزدیک‌ایستگاه است و بیشترین رخداد گرد و غبار در فصل گرم سال رخ داده است. در مجموع نتایج این پژوهش بیانگر این مطلب است که استفاده همزمان از اندازه‌گیری‌های زمینی و تصاویر ماهواره‌ای قابلیت مناسبی جهت پایش و بررسی طوفان‌های گرد و غبار دارد. با توجه به اینکه عمده‌ی گردوغبار این منطقه با منشاء نزدیک‌ایستگاه است، می‌توان با اقدامات بیولوژیکی و مکانیکی و مقابله با ‌فرسایش بادی حجم قابل توجهی از این طوفان‌ها را کاهش داد.

 کلمات کلیدی: طوفان، پایش، داده های رقومی، ماهواره ای، هرمزگان. 

    

 

 

 

 

 

 

 

مقدمه:

 طوفان‌های گردغبار منجر به از بین رفتن گیاهان زراعی، معادن و امکانات ارتباطی و همچنین سبب کاهش دید و مختل شدن فعالیت‌های روزانه می‌شود. این پدیده در ایران، بیشتر در نواحی شرقی و چاله‌های مرکزی، جنوب و جنوب غرب کشور به وقوع می‌پیوندد. وقوع این طوفان‌ها ارتباط نزدیكی با پارامتر‌های اقلیمی محلی مثل بارندگی، دما و همچنین ویژگی‌های سطح زمین مانند پوشش گیاهی، پوشش برف روی سطح زمین و بافت خاک دارد (22). طوفان‌های گردوغباری هر ساله باعث بستری شدن تعدادزیادی از مردم در بیمارستان و اثرات زیانبار زیست محیطی گسترد‌های می‌گردد (۲). برخـی پژوهشـگران بـر ایـن باورند کـه تغییـرات اقلیمـی منطقه‌ای نقـش مهمـی در وقـوع طوفان‌های گرد و غبار دارند (14). آن‌ها همچنین نشان دادند که دمای بالای هوا، بارندگی کم، پوشش گیاهی فقیر و سرعت زیاد باد شرایط مساعدی برای وقوع طوفان‌های گـرد و غبـار فـراهم می‌کنند (۱۲). امروزه پیامد‌های مختلف طوفان‌های گردوغبار علاوه بر آلودگی هوا، در بخش‌های مختلف محیط زیست، بهداشت، سلامت، اقتصاد، صنعت، گیاهان و محصولات کشاورزی، نظارت و کنتر ل آن را امری گریزناپذیر در تمام جوامع و در رأس مسائل ملی مطرح کرده است (20). ازجمله مهمترین روش‌های مطالعه و بررسی پدیده گردوغبار و طوفان‌های مرتبط با آن، اطلاعات حاصل از مشاهدات و اندازه‌گیری های زمینی و ماهواره‌ای است که سنجش از دور با ایجاد پوشش منظم و وسیع از منطقه موردمطالعه امكان دید کلی تر و عامتر از آن را فراهم می‌سازد (۲۰). لی و همکاران(۱۸)بزرگترین گرد و غبار شرق استرالیا را با استفاده از تصاویر ماهوارة مودیس و شاخص اختلاف دمای روشنایی (BTD) مورد ارزیابی قرار داده و با بیان کارائی قابل توجه این روش در شناسایی توده‌های گرد و غبار، چگونگی وقوع این پدیده را شناسایی نمودند.

گائو و همکاران(۱۲) تأثیرات ناهنجاری‌های آب و هوا در طوفان‌های گرد و غبار بر افزایش مناطق حمل را در شمال شرق چین طی ۲۰۰۸-۲۰۰۱ مورد مطالعه قرار دادند. آن‌ها بیان کردند که هر چند که از سال ۱۹۶۱ تا سال ۲۰۰۸ از فراوانی کلی طوفان‌های گرد و غبار در این منطقه کاسته شده ولی مناطق حمل رسوب طی فعالیت‌های گرد و غبار بخصوص بین سال‌های ۲۰۰۱ تا ۲۰۰۸ افزایش یافته است. پس از بررسی متغیر‌های آب و هوایی، خشکی را مهمترین عامل افزایش طوفان‌های گرد و غبار ذکر کردند. همچنین کاهش بارش، تبخیر زیاد، کاهش رطوبت نسبی و رطوبت خاك با کاهش پوشش گیاهی طی دوره مورد مطالعه در مقایسه با ۳۰ سال قبل از آن تأیید شده است. خاورمیانه یكی از کانون‌های عمده گردوغبار درماه‌های تابستان اسـت و طوفانهـای گردوغبـار در ایـن منطقـه، اغلب با باد‌های شمالی و سیكلون‌ها همراه می‌شود (۱۳) طی سال‌های اخیر، بحث طوفان‌های جوی اقلیمی گرد وغبار به عنوان یکی از پارامتر‌های اصلی آب و هوایی به دلیلی اثرات منفی آن در فضای جغرافیایی چه به لحاظ طبیعی و چه به لحاظ انسانی، به یکی از چالش برانگیزترین مباحث علمی در بین جغرافیدانان نیزتبدیل شده است. دردهه ها‌ی اخیر، تعداد زیادی از تغییرات آب وهوایی مانند امواج گرما و خشک سالی در ارتباط با گرم شدن کره زمین مشاهده شده است و با تشدید گرمایش جهانی، بسیاری از مخاطرات جوی از جمله شدت و مسیریابی طوفان‌  و گردباد‌ها نیز تغییر پیداکرده‌اند (۱۲). فلاح ززولی و همکاران (2014) بیان نمودند که منشاء پدیده‌های گرد و غبار ورودی به غرب، شمال غرب و جنوب غرب کشور از سوریه و عراق و بخشی از عربستان سعودی می‌باشد. تلفیق نتایج حاصله از بارزسازی گرد و غبار با تصاویر سنجندة مودیس و نقشه‌های سینوپتیکی، یافتن منشاء و نحوه انتقال گرد و غبار را بهینه کرده و تصمیم‌گیری بهتری را برای پیش‌بینی مسیر حرکت گرد و غبار برای مدیران بخش‌های مختلف و محققین فراهم می‌سازد. با استفاده از اطلاعات مکانی می‌توان به آسانی به مدلسازی و نمایش حرکت پدیده‌های گرد و غبار پرداخت(10). سعیدی فر و همکاران منشاء گردغبار حوزه تالاب گاوخونی را کشور عراق، کانون‌های تولید گرد و غبار خوزستان و کویر مرکزی عنوان کردند(4). بررسی رابطه بین شاخص طوفان گرد و غبار، پارامترهای اقلیمی و شاخص تفاوت نرمال شده پوشش گیاهی با استفاده از روش رگرسیون در مناطق خشک ایران مرکزی انجام شد یافته ها نشان داد بالاترین فعالیت فرسایش بادی با شاخص طوفان گرد و غبار بیشتر از یک و در فصل بهار بود (6)(ابراهیمی 2020). به منظور بررسی تغییرات غلظت گرد و غبار (DC) در ایران به تغییرات شاخص خشکی از سال 1990 تا 2018 نیز مطالعه ای انجام شد. از بارش بلندمدت و تبخیر و تعرق بالقوه برای محاسبه هوش مصنوعی برنامه محیط‌زیست سازمان ملل و از داده های دید افقی برای محاسبه غلظت گرد وغبار استفاده ونقشه های توزیع فضایی گرد و غبار تهیه شد(7) (ابراهیمی، 2021). همچنین تغییرات مکانی و فصلی رویدادهای شن و غبار و ارتباط آنها با شرایط جوی و پوشش گیاهی در مناطق نیمه خشک مرکز ایران   با روش رگرسیون  بررسی و برای تجزیه و تحلیل رابطه بین تغییرات فصلی بارش، سرعت بادهای سطحی، دمای هوا و شاخص پوشش گیاهی تقویت‌شده (EVI) با شاخص طوفان گرد و غبار برای دو دوره مختلف استفاده شده است(8) (ابراهیمی ژئودرما 2020). دانیالی و همکاران منشاء گرد و غبار نواحی غرب ایران شامل كشور‌های عراق، سوریه و بخش‌هایی از عربستان را به عنوان كانون‌های اصلی گرد و غبار‌های رسیده به خوزستان عنوان کردند. بررسی تغییرات فعالیت كانون‌های این نواحی در دراز مدت، مبنای بررسی قرار گرفت. از جمله این دلایل می‌توان به تغییر اقلیم، کمبود بارندگی و وقوع خشک‌سالی، تخریب پوشش گیاهی(۱۹) و عدم مدیریت مناسب منابع آب اشاره نمود، که منجر به وقوع بیابان‌زایی و تشدید گرد و غبار می‌شود. برخی پژوهشگران بر این باورند که همبستگی زیادی بین وقوع ریزگرد‌ها و سرعت باد در مجاورت سطح زمین در برخی مناطق مانند شرق آسیا وجود دارد (۱۷). در حالی که در برخی تحقیقات هیچ گونه همبستگی قابل قبولی بین سرعت باد و فراوانی وقوع ریزگرد مشاهده نشده است(۲۱). نتایج تحقیقات نشان داده که گرد و غبار حاصل از زمین‌های کشاورزی کمتر از ۱۰ درصد طوفان‌های گرد و غبار جهانی را در بر‌می‌گیرد(۲۰). علت عمده مطالعات جدید در مورد طوفان‌های گرد و غبار مربوط به تأثیر آن بر سیستم‌های کره زمین است (۱۹)، به گونه‌ای که گرد و غبار می‌تواند از طریق جذب و پراکنش انرژی خورشید بر دمای هوا (۱۷)، تشکیل ابر (۷)، فعالیت‌های همرفتی (۲۳)، غلظت دی‌اکسید‌کربن و گوگرد در اتمسفر، چرخه‌های زمین- شیمی، تکامل خاک (۲۵) و بیابان‌زایی تأثیر گذارد. یکی دیگر از موضوعات مطرح شده در این زمینه آن است که گرد و غبار به واسطه غلظت و توزیع عمودی آن در اتمسفر، اندازه و ویژگی کانی-شناسی ذرات می‌تواند به عنوان عامل تغییر اقلیم عمل نماید (۲۴). همچنین این امکان وجود دارد که ترسیب مقادیر قابل توجهی ذرات گرد و غبار بر روی سطوح برف و یخ باعث کاهش قدرت بازتابندگی شده و در نتیجه‌ی جذب نور خورشید دمای آن‌ها افزایش یافته و نهایتاً ذوب سریع و زود هنگام برف و کاهش منابع آب را سبب گردد (۳). از مهم‌ترین پیامد‌های مستقیم طوفان‌های گرد و غبار تأثیر مخرب آن بر سلامتی انسان است (۱۵). بطوریکه جدا شدن گرد و غبار از بستر‌های خشک باعث انتقال ذرات ریز خاک، املاح و ترکیبات شیمیایی و ریزگرد‌ها به اتمسفر شده و نهایتاً باعث ایجاد اختلالات تنفسی و بیماری‌های عروقی و عفونی در انسان می‌شود (۱۸). از بررسی مطالعات انجام شده در زمینه طوفان‌های گرد و غبار لزوم بررسی جامع‌تر در مورد شرایط وقوع این پدیده مشخص می‌‎شود. غالب کار‌های انجام شده به بررسی‌های آماری و منشأ‌یابی طوفان‌ها پرداخته‌اند و کمتر به بررسی شرایط و عوامل شکل‌گیری طوفان‌ها پرداخته شده است. با توجه به گستردگی مناطق خشک و نیمه خشک در ایران و بروز پی در پی این پدیده در کشور دراین مطالعه به بررسی ارتباط بین عناصر اقلیمی و پوشش گیاهی با طوفان‌های گرد و غبار با منشأ خارج و نزدیک‌ایستگاه با استفاده از رگرسیون فضایی چند متغیره پرداخته شد. هدف این مطالعه بررسی و تحلیل تغییرات مکانی عناصر اقلیمی مؤثر بر پدیده گرد و غبار و ارائه مدلی برای پیش‌بینی طوفان‌های گرد و غبار و با استفاده از سنجش از دور در سطح استان هرمزگان می‌باشد.

مواد و روش‌ها

مشخصات منطقه مورد مطالعه:

استان هرمزگان، جنوبی‌ترین استان ایران، در ساحل خلیج فارس و دریای عمان با مساحتی حدود ۶۸ هزار و ۴۷۶ کیلومتر مربع قرار دارد. این استان از شمال و شمال شرقی با استان کرمان، از شمال غربی و غرب با استان‌های فارس و بوشهر و از شرق با استان سیستان و بلوچستان همسایه بوده و جنوب آن را آب‌های گرم خلیج فارس و دریای عمان به صورت نواری به طول تقریبی ۹۰۰ کیلومتر در بر‌گرفته است. مرکز استان هرمزگان، بندر‌عباس است و از شهر‌های مهم آن می‌توان به: ابوموسی، بندر جاسک، بندر لنگه، حاجی آباد، رودان یا دهبارز، قشم، کیش، میناب، تنب بزرگ و تنب کوچک اشاره کرد. استان هرمزگان از لحاظ جغرافیایی به دو بخش کوهستانی و جلگه‌ای و ساحلی تقسیم می‌شود. از آن جا که بیش از ۷۰ درصد مساحت این استان را کوه‌ها و ارتفاعات کوتاه و بلند و نیز دشت‌ها و دره‌های مرتفع تشکیل داده است، این استان جزء مناطق کوهستانی است. کوه‌های این منطقه که ادامه رشته‌کوه‌های زاگرس هستند با جهت شمال شرقی به جنوب شرقی تا داخل آب‌های خلیج فارس امتداد یافته و به تدریج از ارتفاع آن‌ها کاسته می‌شود.

با توجه به آب‌وهوای خشک، گستره وسیع و تأثیر جریان‌های هوایی مختلف بر استان هرمزگان این منطقه یکی از مناطق عمده متأثر از‌فرسایش بادی است و طوفان‌های گرد‌و‌غبار یکی از مخاطرات اقلیمی است که هرساله سبب بروز خسارت‌هایی در بخش‌های مختلف این استان می‌شود. ‌ایستگاه‌های موردمطالعه شامل پنج‌ایستگاه سینوپتیکی در استان هرمزگان است (جدول ۱و شکل (1.

   

 

شکل1.موقعیت جغرافیایی منطقه موردمطالعه

Figure 1. Geographical location of the study area

جدول 1. مشخصات ایستگاه‌های مورد مطالعه

Table 1. Details of the stations under study

نام ایستگاه	عرض (درجه/دقیقه)	طول (درجه/دقیقه)	ارتفاع از سطح دریا(متر)		سال تأسیس
جاسک	25 38	57 46	2/5	1968
بندرعباس	27 13	56 22	8/9	1957
بندرلنگه	53/26	83/54	7/22	1966
حاجی‌آباد	28 19	55 55	2/931	1998
میناب	06 27	57 05	6/29	1985

 

روش کار:

 در این تحقیق پس از انتخاب پنج‌ایستگاه هواشناسی سینوپتیکی در محدودۀ استان هرمزگان، اقدام به استخراج میانگین سالانۀ عناصر اقلیمی شامل بارندگی، رطوبت نسبی، دما و سرعت باد طی سال‌های ۲۰۰۲ تا ۲۰۰۹ گردید. جهت انجام پایش سالانه با توجه به داده‌های‌ایستگاهی، عملیات درون‌یابی با استفاده از درون‌یابی به‌روش عکس فاصله انجام گرفت و داده‌های اقلیمی به‌صورت رستری تهیه گردیدند. سپس از ۱۹۲ تصویر محصولات مودیس مربوط به سال‌های ۲۰۰۲ تا ۲۰۰۹ جهت استخراج شاخص پوشش گیاهی بارز شده استفاده شد. سنجنده مودیس دارای ۳۶ باند است كه در محدوده طیفی ۴/۰ الی ۱۵ میکرون قرار گرفته‌اند. قابلیت تفكیك زمینی باند‌های یك و دو حدود ۲۵۰‌متر، باند‌های سه تا هفت حدود ۵۰۰ متر و بقیه باند‌ها هزار متر است. مودیس (اسپکترورادیومتر تصویربردار با قدرت تفکیک متوسط) سنجنده‌ای است که بر روی ماهواره ترا و آکوا قرار داده شده است. سنجنده مودیس ماهواره ترا، هر دو روز یک بار از تمام سطح زمین تصویربرداری و داده‌هایی در ۳۶ باند طیفی اخذ می‌کند. سپس عملیات پایش و رگرسیون چند متغییره روی داده‌ها انجام شد. داده‌های اقلیمی و تصاویر ماهواره‌ای از طریق سازمان هواشناسی ایران و درگاه اینترنتی USGS  جمع‌آوری و مورد استفاده قرار گرفت.

به‌منظور انجام رگرسیون چند متغیر خطی، بعد از تهیه داده‌های اقلیمی و شاخص های  EVI سالانه و ماهانه به‌صورت رستری، این داده‌ها با فرمت TIF ذخیره گردیدند. بعد از یکسان‌سازی سطر و ستون‌ها و سیستم مرجع که پیش‌نیاز انجام رگرسیون چند متغیره خطی هستند، با استفاده از منوی GIS Analysis و ماژول Statistics روش Mult REG برای انجام رگرسیون چند متغیره خطی استفاده گردید. در مدل‌های رگرسیونی هر کدام از طوفان‌های‌گرد و غبار به‌صورت جداگانه به‌عنوان متغیر‌های وابسته و داده‌ها شامل میانگین بارندگی بر حسب میلی‌متر، میانگین رطوبت نسبی هوا بر حسب درصد، میانگین سرعت باد بر حسب نات، میانگین دمای هوا برحسب درجه سانتی‌گراد و نیز EVI به‌عنوان متغییر‌های مستقل در نظر گرفته شدند.

نتایج

پایش سالانه طوفان‌های گردوغبار

نتایج حاصل از بررسی هشت‌ساله طوفان‌های گرد‌و‌غبار با منشأ خارج از‌ایستگاه در استان هرمزگان نشان می‌دهد که فراوانی این طوفان‌ها در‌ایستگاه‌های بندر‌عباس، بندر جاسک، بندرلنگه، حاجی‌آباد و میناب از سال ۲۰۰۲ تا ۲۰۰۹ افزایش‌یافته است (شکل‌های ۲ و۳(.
بررسی میانگین هشت‌ساله وقوع طوفان‌های گرد‌وغبار با منشأ خارج از ‌ایستگاه‌های سینوپتیکی در منطقه استان هرمزگان (شکل۱) نشان می‌دهد که‌ایستگاه‌های عمده دارای این نوع گرد‌و‌غبار شامل‌ایستگاه‌های بندرعباس، میناب و بندرلنگه است که به ترتیب دارای ۱۹۷، ۸۱ و ۵۰ روز گرد‌و‌غباری با منشأ خارج از‌ایستگاه بوده‎‌اند. ‌ایستگاه‌های حاجی‌آباد و بندر جاسک نیز به ترتیب با ۲۲ و ۷ روز در سال دارای کم‌ترین روز‌های گرد‌و‌غباری با منشأ خارج از‌ایستگاه بوده‌اند. بیش‌ترین میانگین سالانه‌ی این نوع گرد‌و‌غبار مربوط به‌ایستگاه بندرعباس است که به‌طور متوسط سالانه دارای ۲۵ روز گردو‌غباری با منشأ خارج از‌ایستگاه است و کم‌ترین آن نیز مربوط به‌ایستگاه بندر جاسک است که تقریباً هیچ روز گردو‌غبار با منشأ خارجی در سال مشاهده نمی‌شود. ‌ایستگاه‌های واقع بر خط ساحلی باوجود رطوبت نسبی بالا عمدتاً جزء‌ایستگاه‌های اصلی دارای این نوع گرد‌و‌غبار می‌باشند. این امر نشان می‌دهد که این‌ایستگاه‌ها در مسیر حرکت طوفان‌های با منشأ خارجی قرارگرفته‌اند (شکل4).

 

 

شکل2-نمودار تعداد روزهای گردوغباری با منشأ خارج از ایستگاه در طی سال‌های 2002 تا 2009 

Figure 2 - Graph of the number of dust days originating outside the station during the years 2002 to 2009

 

 

 

شکل3-نمودار میانگین سالانه طوفان‌های گرد‌ و‌غبار با منشأ خارج از ایستگاه در سالهای 2002 تا 2009

Figure 3 - Graph of the average annual dust storms from outside the station

 

شکل4-فراوانی سالانه طوفان‌های گرد‌و‌غبار با منشأ خارج از ایستگاه در سالهای 2002 تا 2009

 

Figure 4. Annual frequency of off-station dust storms

 

بررسی هشت‌ساله فراوانی طوفان‌های گرد‌و‌غبار با منشأ نزدیک‌ایستگاه در منطقه استان هرمزگان (جدول۱) نشان می‌دهد که تغییر چندانی در فراوانی وقوع این طوفان‌ها در طی هشت سال موردمطالعه رخ نداده است و ‌ایستگاه‌های بندر جاسک، بندرلنگه و حاجی‌آباد همواره جزء‌ایستگاه‌های دارای بیشترین روز‌های همراه با طوفان‌های گرد وغبار با منشأ نزدیک بوده‌اند، این امر نشان می‌دهد که در طی سال‌های اخیر طوفان‌های با منشأ خارج از‌ایستگاه موجب افزایش گرد وغبار منطقه شده‌اند و تغییر چندانی در فراوانی طوفان‌های با منشأ نزدیک رخ نداده است (شکل۵). بررسی تغییرات هشت‌ساله طوفان‌های گرد وغبار با منشأ نزدیک‌ایستگاه نشان می‌دهد که‌ایستگاه‌های اصلی دارای این نوع گرد‌و‌غبار شامل‌ایستگاه‌های بندرعباس، بندرلنگه و بندر جاسک است که به ترتیب دارای ۱۸۳، ۱۸۳و۱۵۰ روز گرد‌و‌غباری با منشأ نزدیک‌ایستگاه بوده‌اند. ‌ایستگاه‌های حاجی‌آباد و میناب با یک و دو روز در سال دارای کم‌ترین روز‌های گرد‌و‌غباری با منشأ نزدیک‌ایستگاه بوده‌اند. بیش‌ترین میانگین سالانه‌ی این نوع گرد‌و‌غبار مربوط به‌ایستگاه‌های بندرعباس و بندرلنگه است که به‌طور مشترک و متوسط سالانه دارای ۱۸۳ روز گردو‌غباری با منشأ نزدیک‌ایستگاه داشته‌اند و کم‌ترین آن نیز مربوط به‌ایستگاه حاجی‌آباد است که به‌طور متوسط دارای یک روز گردو‌غبار با منشأ نزدیک در سال بوده است. (شکل۶و شکل۷).

 

 

شکل5-نمودار تعداد روزهای گردوغباری با منشأ نزدیک ایستگاه در طی سال‌های 2002 تا 2009

Figure 5 - Graph of the number of dust days near the station during the years 2002 to 2009

 

شکل 6 -نمودار فراوانی سالانه طوفان‌های گرد‌وغبار با منشأ نزدیک ایستگاه سال‌های 2002 تا 2009

Figure 6 - Annual frequency graph of dust storms near the station

 

شکل7-فراوانی سالانه طوفان‌های گرد ‌وغبار با منشأ نزدیک ایستگاه در سال‌های 2002 تا 2009

Figure 7. Annual frequency of dust storms originating near the station

استخراج میانگین سالانه شاخص پوشش گیاهی بارز شده(EVI)

شاخصی که به وسیله تصاویر ماهواره‌ای MODIS استخراج شده‌است، شاخص پوشش گیاهی EVI است. این شاخص مشکل تأثیر آلودگی هوا در ارتباط با پس زمینه تاج پوشش در NDVI شاخص را به حداقل می‌رساند(۱۴). جهت استخراج این شاخص پوشش گیاهی از تصاویر سنجش‌از‌دور سنجنده مودیس استفاده گردید. این تصاویر از محصولات پردازش شده‌ی سنجده مودیس می‌باشند که نیاز به تصحیحات اتمسفری و رادیومتریک اندکی دارند. به همین دلیل بعد از برش منطقه در تصاویر ماهانه از تصاویر در طی هشت سال مورد بررسی میانگین گرفته شد و به عنوان یک متغییر وارد مدل‌های رگرسیونی شد.

شکل۸ تصویر میانگین هشت ساله‌ی شاخص گیاهی بارز شده (EVI) را که در هر یک از مدل‌های رگرسیونی مورد استفاده قرار گرفته است نشان می‌دهد. بررسی این تصویر در منطقه‌ی مورد مطالعه نشان می‌دهد که در مناطق که بارندگی و شرایط اقلیمی نسبتاً مناسب‌تر است، پوشش گیاهی انبوه‌تر و فراوانی طوفان‌های گردوغبار کاهش می‌یابد، در حالی که بیشترین فراوانی طوفان‌های گردوغبار مربوط به مناطق دارای بارندگی کمتر و به تبع آن پوشش گیاهی تنک‌تر است. در مناطقی که حداقل پوشش‌گیاهی وجود دارد، خطر وقوع طوفان‌های گرد‌و‌غبار افزایش می‌یابد. در این مناطق بارندگی کم، پوشش‌گیاهی پراکنده و با وزش باد‌های مکرر پدیده گرد‌ و‌غبار رخ می‌دهد.

.

شکل8- تصویر میانگین هشت ساله‌ی شاخص گیاهی بارز شده (EVI)

Figure 8- Picture of the eight-year average of the highlighted plant index (EVI)

مدل سالانه طوفان‌های گرد و غبار با منشأ خارج از ‌ایستگاه

معادلۀ رگرسیونی ارائه شده در جدول (۲)، ضرایب هر یک از متغیر‌های مستقل و ضریب ثابت را نشان می‌دهد. ضریب ثابت نشان دهندۀ ارزش متغیر وابسته در زمانی است که تمام متغیر‌های مستقل ارزش صفر داشته باشند که در این مورد طوفان‌های گرد و غبار با منشأ خارج از‌ ایستگاه برابر ۰۴۹/۰- است. ضرایب رگرسیونی، نشان‌دهندۀ اثر هر یک از متغیر‌های مستقل بر متغیر وابسته هستند. نتایج حاصل از رگرسیون چندگانۀ طوفان‌های گرد و غبار با منشأ خارج از‌ایستگاه نشان می‌دهد که متغیر‌های دما و پوشش گیاهی رابطه مثبت بر وقوع این طوفان‌ها دارند، متغیر بارندگی به میزان بسیار کم‌تری بر وقوع این طوفان‌ها اثر می‌گزارد و متغیر‌های رطوبت نسبی و سرعت باد نیز تأثیر منفی بر وقوع این طوفان‌ها می‌گذارند.

 

جدول 2 .اطلاعات مربوط به معادله رگرسیونی قانع عزآبادی (2021)

Table 2. Information about the regression equation

معادله رگرسیونی	Y = -۰٫۰۴۹ - ۰٫۴۵X۱ - ۰٫۰۷X۲ + ۱٫۱X۳ + ۰٫۲۹X۴ + ۰٫۰۰۲X۵
آزمون F	F (۵, ۹۲۰۶۰۴) = ۱۱۷۰۰۱۰٫۵
ضریب همبستگی (R)	89/0
ضریب تعیین(R2)	83/0
ضریب همبستگی تصحیح شده1	87/0
ضریب تعیین تصحیح شده2	84/0

Y: تعداد روزهای با طوفان های گرد و غبار با منشأ خارج از ایستگاه سینوپتیکی در سال * 1X= میانگین سالانه سرعت باد (نات) * 2X= میانگین رطوبت نسبی سالانه (درصد) * 3X= میانگین دمای سالانه (درجه سانتی گراد) * 4X= میانگین بارندگی سالانه (میلی متر) * 5X= میانگین سالانه شاخص پوشش گیاهی

R نشان‌دهنده ضریب همبستگی چندگانه بین متغیر وابسته و متغیر‌های مستقل است، مقدار R در این معادله رگرسیونی برابر ۹۲/۰ می‌باشد و 2 R  میزان تغیرپذیری متغیر وابسته را بر مبنای تمام متغیر‌های مستقل نشان می‌دهد که در این مورد ۸۶ درصد تغییرات طوفان‌های گرد و غبار با منشأ خارج از‌ایستگاه توسط متغیر‌های مستقل نشان داده شده است. ضریب همبستگی تصحیح شده و ضریب تعیین تصحیح شده نیز نشان‌دهندۀ میزان R و2 R پس از اصلاح اثرات مربوط به تعداد متغیر‌ها می‌باشند. این ضرایب پیچیدگی مدل را اصلاح می‌کنند. در مورد این معادله رگرسیونی پس از اصلاح اثرات مربوط به تعداد متغیر‌ها تغییر چشم‌گیری در مقادیر R و2 R مشاهده نشد.

در این معادله رگرسیونی، ارزش‌های بحرانی زیر برای بررسی معناداری معادله رگرسیونی مورد استفاده قرار گرفته است: در سطح معنا‌داری ۹۹ درصد، ضریب معادله رگرسیونی دارای F-statistic برابر ۵/۱۱۷۰۰۱۰ است که نشان می‌دهد این معادله معدله در این سطح ۹۹ درصد معنا‌دار است.

جدول ANOVA مقبولیت مدل را از نظر آماری بررسی می‌کند (جدول ۳). در سطر رگرسیون که اطلاعات راجع به تغییر مدل را نشان می‌دهد. مجموع مربعات رگرسیونی بخش توجیه شده توسط رگرسیون را نشان می‌دهد. این مقدار از تفریق مجموع مربعات باقی-مانده از مجموع کل مربعات به‌دست می‌آید. مجموع مربعات رگرسیونی تقسیم بر مجموع کل مربعات نشان‌دهندۀ میزان2 R است. رگرسیون چند متغیره تنها از این روش برای سناریو‌های چند متغیره استفاده می‌کند (خطی که بهترین برازش را در یک فضای چند بعدی دارا باشد). تحلیل باقی‌مانده‌ها می‌تواند ما را در شناسایی قابلیت مدل در مناطق خاص هدایت نماید.

بنابراین باقی‌مانده‌های با ارزش بالای مثبت در مورد این معادله رگرسیونی نشان دهندۀ این است که مدل، مقادیر تغییر طوفان‌های گرد و غبار با منشأ خارج از‌ایستگاه سینوپتیکی را پایین‌تر از میزان واقعی پیش‌بینی می‌کند.

جدول3 .جدول رگرسیونی ANOVA گرد و غبار سالانه با منشأ خارجی

Table 3. ANOVA annual dust regression table of foreign origin

میانگین مربعات	مجموع مربعات	درجه‌آزادی	منبع
719422541	21/3514221437	5	رگرسیون
9/601	89/548921162	910971	باقی مانده‌ها
	04/3969425071	910976	مجموع

T-statistic و F-statistic ترکیبی، رایج‌ترین نوع آزمون‌ها در برآورد موفقیت نسبی مدل و افزودن و یا حذف کردن متغیر‌های مستقل مدل رگرسیونی هستند. در جدول ۴ ضرایب نشان‌دهندۀ تأثیر مجزای هریک از متغیر‌های مستقل بر متغیر‌های وابسته است. معناداری ضرایب در ساختار مربوط به آمار T بیان می‌گردد. آمار T که معناداری هر یک از متغیر‌های مستقل را با حرکت از صفر (بدون اثر) بررسی می‌کند در جدول رگرسیونی مجزا نشان داده شده است. در این معادله رگرسیونی ارزش‌های بحرانی زیر برای بررسی معناداری متغیر مستقل در سطح 99 و 95 درصد مورد استفاده قرار گرفته است.

در جدول ضرایب رگرسیونی، ضریب سرعت باد دارای T-statistic برابر ۴۵/۰، ضریب رطوبت نسبی دارای T-statistic برابر ۰۳/۵۴،

ضریب دما دارای T-statistic برابر ۶۷/۱۰۲۴، ضریب بارندگی دارای T-statistic برابر ۷۴/۲۸۷ و ضریب EVI دارای T-statistic برابر ۲۵/۷ می‌باشند که نشان می‌دهد در این معادله ضرایب سرعت باد و ضریب ثابت در سطح ۸۰ درصد و ضرایب رطوبت نسبی، دما، بارندگی و ضریب شاخص EVI در سطح ۹۹ درصد معنا‌دار می‌باشند.

جدول 4 .ضرایب رگرسیونی مجزا گرد و غبار سالانه با منشأ خارجی

Table 4. Separate annual regression coefficients of dust of foreign origin

t_test ) 920604 (	ضریب
038792/0-	120821/1-	ضریب ثابت
398589/0-	64201/638-	سرعت باد
124027/51-	068539/0-	رطوبت نسبی
9865526/1018	06946/0	دما
654128/276	184946/0	بارندگی
972431/6	001982/0	شاخص پوشش گیاهی

 

مدل سالانه طوفان‌های گرد و غبار با منشأ نزدیک‌ایستگاه

معادله رگرسیونی ارائه شده در جدول (۵)، ضرایب هر یک از متغیر‌های مستقل و ضریب ثابت را نشان می‌دهد. در این مدل فراوانی طوفان‌های گرد و غبار با منشأ نزدیک‌ایستگاه به‌عنوان متغیر وابسته و متغیر‌های میانگین بارندگی بر حسب میلی‌متر، میانگین رطوبت نسبی هوا بر حسب درصد، میانگین سرعت باد بر حسب نات، میانگین دمای هوا برحسب درجه سانتی‌گراد و نیز EVI سالانه به‌عنوان متغیر‌های مستقل در نظر گرفته شدند. ضریب ثابت نشان‌دهندۀ ارزش متغیر وابسته در زمانی است که تمام متغیر‌های مستقل ارزش صفر داشته باشند که در این مورد برابر ۳۹/۰- است. معادلۀ رگرسیون چندگانه استخراج شدۀ طوفان‌های گرد و غبار با منشأ نزدیک‌ایستگاه نشان‌دهندۀ این است که متغیر‌های سرعت باد، دما و رطوبت نسبی تأثیر مثبت بر وقوع این طوفان‌ها می‌گذارند، در حالی که متغیر بارندگی و شاخص پوشش گیاهی تأثیر منفی بر وقوع این طوفان‌ها می‌گزارد.

جدول 5 .اطلاعات مربوط به معادله رگرسیونی

Table 5. Information about the regression equation

معادله رگرسیونی	Y = -۰٫۳۹۸ + ۰٫۰۰۲۴X۱ + ۰٫۰۱۷۹X۲ + ۰٫۰۰۰۹X۳ - ۰٫۰۱۴۳X۴ 00003/0-X۵
آزمون F	F ( ۵, ۹۲۰۶۰۴) = ۷۱۵۴۵۱٫۵۶۲۵
ضریب همبستگی (R)	84/0
ضریب تعیین(R2)	73/0
ضریب همبستگی تصحیح شده	81/0
ضریب تعیین تصحیح شده	72/0

Y: تعداد روزهای با طوفان های گرد و غبار با منشأ خارج از ایستگاه سینوپتیکی در سال * 1X= میانگین سالانه سرعت باد (نات) * 2X= میانگین رطوبت نسبی سالانه (درصد) * 3X= میانگین دمای سالانه (درجه سانتی گراد) * 4X= میانگین بارندگی سالانه (میلی متر)  * 5X= میانگین سالانه شاخص پوشش گیاهی

در جدول ANOVA (جدول6)، باقی‌مانده های با ارزش بالای مثبت در مورد این معادله رگرسیونی نشان‌دهنده این است که مدل، مقادیر تغییر طوفان‌های طوفان­های گرد و غبار با منشأ نزدیک ایستگاه سینوپتیکی را پایین‌ترپایین­تر از میزان واقعی پیش‌بینی می‌کند می­کند.

جدول6 .جدول رگرسیونی ANOVA گرد و غبار سالانه با منشأ نزدیک

Table 6. ANOVA Annual dust regression table of near origin

میانگین مربعات	مجموع مربعات	درجه‌آزادی	منبع
115940	17/669741	5	رگرسیون
18/0	94/159268	919562	باقی مانده‌ها
	29/810946	919567	مجموع

 

در جدول 7 ضرایب نشان‌دهندهنشان­دهندۀ تأثیر مجزای هر یک از متغیرهای مستقل بر متغیرهای وابسته است. آمار T که معناداری هر یک از متغیرهای مستقل در این معادله را آزمون می‌کندمی­کند، نشان داد که ضرایب سرعت باد، رطوبت نسبی، دما، EVI، بارندگی و ضریب ثابت در سطح 99 درصد معنادار هستند.

جدول7.ضرایب رگرسیونی مجزا گرد و غبار سالانه با منشأ نزدیک

Table 7. Separate annual dust regression coefficients of near origin

( t_test  )	ضریب
012972/61-	31691/0-	ضریب ثابت
419424/209	001829/0	سرعت باد
944202/766	015892/0	رطوبت نسبی
784478/43	000792/0	دما
164941/768-	009212/0-	بارندگی
980424/4-	000029/0-	شاخص پوشش گیاهی

 

بنابراین پیش‌بینی سالانۀ طوفان‌های گرد و غبار طی سال‌های ۲۰۰۲ تا ۲۰۰۹ نشان دهندۀ این است که طوفان‌های گرد و غبار با منشأ نزدیک‌ایستگاه‌ها با ضرایب همبستگی و تعیین بالاتری قابل پیش‌بینی هستند. در پیش‌بینی ماهانه طوفان‌های گرد و غبار نیز، طوفان‌های با منشأ نزدیک‌ایستگاه نسبت به طوفان‌های با منشأ خارج از‌ایستگاه با ضرایب همبستگی و تعیین بالاتری قابل پیش‌بینی هستند. همچنین طی ماه‌هایی که فراوانی طوفان‌های گرد و غبار افزایش می‌یابد، ضرایب همبستگی و تعیین معادله‌های رگرسیونی به میزان کم کاهش می‌یابد. بیشترین ضریب همبستگی در مورد طوفان‌های با منشأ خارج از‌ایستگاه مربوط به ماه فوریه و مارس است، در حالی که بیشترین ضریب همبستگی در مورد طوفان‌های با منشأ نزدیک‌ایستگاه مربوط به ماه دسامبر است، در واقع این مدل‌های رگرسیونی در ماه‌های سرد و کم‌غبار دارای R و2 R بالاتری هستند، اما قدر مطلق خطای پیش‌بینی در ماه‌های گرم سال کمتر از ماه‌های سرد سال است. همچنین هرگاه ضریب تغییرات در مورد متغیر‌های مستقل برای پیش‌بینی طوفان‌های گرد و غبار کاهش یابد، سطح معنی‌داری برای آزمون T نیز کاهش می‌یابد. اما در اکثر موارد ضرایب متغیر‌های مستقل در سطح ۹۹ درصد معناداری هستند. در سطح معنا‌داری ۹۹ درصد همۀ معادله‌های رگرسیونی معنا‌دار هستند.

بحث و نتیجه‌گیری

طوفان های گرد و غبار معمولاً در مناطق خشک و نیمه خشک کویر و مناطق اطراف آن رخ می دهد(۲۲-۲۱). طوفانهاي گرد و غبار به عنوان يکي از رايج ترين بلاياي طبيعـي قرن اخير داراي اثرات متعدد مثبت و منفي برروي اکوسيستم هـا است. اين طوفانها با افزايش ميزان مواد مغذي خاک در منـاطق رسوبگذاري و اقيانوسها، حاصلخيزي و رشد فيتوپلانگتونها را افزايش داده و با کاهش ميزان تابش، رشد و عملکرد پوشـش گياهي را تحـت تـأثير قـرار داده و باعـث شـيوع بيمـاريهـاي مختلف در بين جوامع بشري می‌شود مي شود (۸). بررسی پارامتر‌های اقلیمی در رابطه با طوفان‌های گرد و غبار علاوه بر اینکه به شناخت و تحلیل شرایط وقوع این پدیده منجر می‌شوند، امکان دست‌یابی به مدلی برای پیش‌بینی این پدیده مخرب زیست محیطی را فراهم می‌کند. نتایج این تحقیق نشان داد که در نوار ساحلی دما و رطوبت نسبی به حداکثر خود می‌رسد و بارش و سرعت باد نیز به صورت منطقه‌ای متغییر است، همچنین بین عناصر اقلیمی مؤثر بر بروز پدیده گرد و غبار و میانگین سالانه روز‌های گردو غباری با دو منشأ نزدیک و خارج از‌ایستگاه همبستگی‌های معنی داری وجود دارد این یافته‌ها یافته ها با یافته های کانگ (16) مغایرت دارد. در مدل مربوط به پیش‌بینی طوفان‌های گرد و غبار با منشأ نزدیک‌ایستگاه سرعت باد بیشترین تأثیر را در افزایش روز‌های گرد و غباری با منشأ نزدیک‌ایستگاه دارد، که نشان دهنده اهمیت سرعت باد بر افزایش‌فرسایش بادی می‌باشد یافته های این پژوهش با یافته های ابراهیمی(9) با توجه به اینکه رابطه معنی دار بین تغییرات  EVI و شاخص گرد و غبار فقط در فصل بهار مشاهده می شود، در یک راستا است. یافته های تحقیق دیگر ابراهیمی (2020) با یافته های این پژوهش در یک راستا نیست به طوری که در این پژوهش بعد از عامل سرعت باد مهمترین عامل موثر دما است اما دما در تحقیق وی رابطه معنی داری با شاخص گرد و غبار نداشت (8). تگن (23) نیز سرعت باد را مهمترین عامل در فرایند فرسایش بادی دانست که یافته‌هاییافته های وی موید نتایج یافته های این تحقیق است. اما عوامل دما و رطوبت نسبی نیز به ترتیب بعد از سرعت باد بیشترین تأثیر را در افزایش روز‌های گرد و غباری با منشأ نزدیک‌ایستگاه دارند. همچنین در مدل مربوط به رگرسیون چند متغیره طوفان‌های گرد ‌و ‌غبار با منشأ خارج از‌ ایستگاه از بین عوامل وارد شده در مدل، سرعت باد بیشترین تأثیر را در افزایش روز‌های گرد و غباری با منشأ خارج از‌ ایستگاه داشته و با افزایش روز‌های گرد و غباری با منشأ خارجی رابطه مستقیم داشته و عامل دما تأثیر معکوس در افزایش روز‌های گرد و غباری با منشأ نزدیک‌ایستگاه دارد. یافته های این تحقیق با یافته های سولمون (24) و همکاران،  و ارکباو (6) در یک راستا است ( 22). با توجه به اینکه سرعت باد به خصوص در مناطق ساحلی جنوبی کشور علت اصلی بروز این پدیده در مناطق کم باران و خشک است و در پی کاهش بارندگی پوشش گیاهی نیز ضعیف می‌شود. در این تحقیق؛ با توجه به تأثیر طوفان‌های گردوغبار غربی امکان پیش‌بینی طوفان‌های با منشأ خارج از‌ایستگاه با همبستگی و ضریب تعیین بالایی میسر است این نتیجه با نتایج بیات (2) و الخلیدی (54) و ابراهیمی (7) در یک جهت است. بررسی ارتباط طوفان‌های گرد و غبار با عناصر اقلیمی نشان ‌داد که می‌توان با شناخت بیشتر این طوفان‌ها و انجام به موقع اقدامات کنترلی از خسارات آن‌ها کاست. پیشنهاد می‌شود که با توجه به پیچیدگی پدیده‌ها و مخاطرات جوی مدل‌های دیگری با استفاده از متخصصین رشته‌های مختلف علوم محیطی جهت پیش‌بینی پدیده گرد و غبار مورد مطالعه قرار گیرد. به شکلی که رطوبت سطحی خاک، ارتفاع از سطح دریا و دیگر شاخص‌های پایش تغییرات نیز در آن‌ها استفاده گردد. همچنین بهتر است عملیات مقابله با‌فرسایش بادی و طوفان‌های گرد و غبار در کانون‌های گرد و غبار منطقه‌ای با استفاده از روش‌های مختلف عملیات بیولوژیکی و مکانیکی، با تأکید بر کاهش سرعت باد و افزایش رطوبت خاک انجام گیرد. 

سپاسگزاری

بدین وسیله مراتب تشکر و قدردانی خود را از سازمان هواشناسی ایران بدلیل همکاری صمیمانه در اجرای این تحقیق اعلام می داریم.

فهرست منابع

1. Fallah Zezoli, M., A. Vafai najad. M., Khairkhah Zarqash and F. Ahmadi Dehka. 2014. Dust detection in southwestern Iran and its synoptic analysis using remote sensing and GIS. Remote Sensing and Geographic Information System in Natural Resources, 4 (5): 61-78. (In Persian).

21. Bayat, R., S. Jafari and A. Charkheshi.  2016. Study of the effect of fine dust on vegetation changes (Case study: Shadegan Wetland, Khuzestan). Remote Sensing and Geographic Information Systems in Natural Resources, 2 (7): 17-32. (In Persian).

3 2 . Daniel, M., B. Mohammad Nejad, N. Karimi. 2018. Spatial analysis of dust in Khuzestan province with the help of satellite images. Remote Sensing and GIS in Natural Resources, 9 (1): 37-58. (In Persian).

4 3 . Saeedifar, Z., M. Khosroshahi, A. Gohardost, Z. Ebrahimi Khosfi, S. Lotfi Nasab Asl, F. dargehani. 2020. Investigation of the origin and spatial distribution of high concentrations of dust and its synoptic analysis in Gavkhoni area. . Remote Sensing and Geographic Information System in Natural Resources, 11 (4): 64-47. (In Persian).

54. Al-Khalidi, J., Dher Bakr, D. and Abdullah A. 2021. Synoptic Analysis of Dust Storm in Iraq, Environment Asia, 14(1), 18-22.

65.Erkebaev, T., Attokurov, K., Sattarov, A., Shaimkulova, M., Orozaliev, N., Erkebaev, T., Topchubaeva, T., Kaparova, N., Abdullaeva, Z., 2021. Dust Retention ability of plants as a factor improving environment air, American Journal of plant Science, 12- 187-198.

 

6. Arimoto, R. 2001. Aeolian dust and climate, Relationships to sources, tropospheric chemistry, transport and deposition". Journal of Earth Sci. Rev.: 54, PP 29–42.

7. Bennion, P., et al. 2007. The impact of airborne dust on respiratory health in children living in the Aral Sea region". Int. J. Epidemiol. 36, pp 1103–1110.

Cao, J. Z., J. C. Shen and J. G. Chow. 2009. Seasonal variations and sources of mass and chemical composition for PM10 aerosol in Hangzhou. China. J .Particuol. 7: 161-168.

9.7. Ebrahimi khusfi, Z., Mirakbari, M., Soleimani Sardo, M., 2021. Aridity Index Variations and Dust Events in Iran from 1990 to 2018. Annals of the American association of Geographers, https://doi.org/10.1080/24694452.2021.1896355.

8. Ebrahimi khusfi, Z., Khosroshahi, M., Rostai, Mirakbari, M., 2020. Spatial and seasonal variations of sand-dust events and their relation to atmospheric conditions and vegetation cover in semi-arid regions of central Iran. Geoderma. 365, 114255. https://doi.org/10.1016/j.geoderma.2020.114225.

 

9.9. Ebrahimi khusfi, Z., Roustaei, F., Ebrahimi, M., Naghavi, S., 2020. Investigation of the relationship between dust storm index, climatic parameters, and normalized difference vegetation index using the ridge regression method in arid regions of Central Iran, Arid land research and management. 34 (3), https://doi.org/10.1080/15324982.2019.1694087.

 

 Ding, R., Li, J.,Wang, S., and Ren, F. 2005. Decacdal Change of the SpringDust Storm in Northwest China and the Associated Atmospheric circulation. Geophysical Research Letters 32, L202808. Doi: 10.1029/2004 GL 021561.

10.Fallah Zezoli, M., A. Vafai najad. M., Khairkhah Zarqash and F. Ahmadi Dehka. 2014. Dust detection in southwestern Iran and its synoptic analysis using remote sensing and GIS. Remote Sensing and Geographic Information System in Natural Resources, 4 (5): 61-78. (In Persian).

 

1011. Ghane Ezabadia, N., Ajdara, S. and Jamali, A. 2021. Analysis of dust changes using satellite images in Giovanni NASA and Sentinel-5P in Google Earth Engine, Journal of Nature and Spatial Sciences. 1 (1), 17-26.

1112. Gao PT., Han, J., Wang, Y, Pei, H., Lu, S. 2012. Impacts of climate abnormality on remarkable dust storm increase of the Hunshdak Sandy Lands in northern China during 2001–2008. Meteorological Applications, 19(3): 265-872

1213. Goudie, A. S. 2009. Dust storms: Recent developments. Journal of environmental management, 90. 89-94.

1314. Griffin, D. W. 2007. Atmospheric movement of microorganisms in clouds of desert dust and implications for human health. Clinical microbiology reviews, 20, 459-477.

14. Haghighi Khomami, M., Tajadod, M. J. Ravanbakhsh, M., Jamalzad fallah, F., 2021. Vegetation Classification Based on Wetland Index Using Object Oriented Classification of Satellite Images (Case Study: Anzali Wetland), Remote Sensing and Geographic Information System in Natural Resources, 12 (44): 1-17. (In Persian).

14. Huete. A. 2004. Remote Sensing for Natural Resources Management and Enviromental Monitoring”: Univercity of Arizona. Manual of remote sensing3 ed. Vol. 4.

 15. Jafari, M., Mesbahzadeh, T., Masoudi, R., Zehtabian, Gh. & Amouei Torkmahalleh, M. 2021. Dust storm surveying and detection using remote sensing data, wind tracing, and atmospheric thermodynamic conditions, Air quality, Atmosphere and Health, Springer.

16.Kang, S., Zhang, Y., Zhang, Y., Grigholm, B., Kaspari, S., Qin, D., Ren, J., & Mayewski, P. 2010.Variability of atmospheric dust loading over the central Tibetan Plateau based on ice core glaciochemistry. Journal of Atmospheric Environment: 44; pp 2980-2989.

17. Li. X, Ge L, Dong Y, Chang HC. 2010. Estimating the greatest dust storm in eastern Australia with MODIS satellite images. Geoscience and Remote Sensing Symposium (IGARSS), 2010 IEEE International, 1039-.2401

18. Middleton, N. J. 2017. Desert dust hazards: a global review. Aeolian Res. 24: 53-63.

19. Prospero, J. M., Lamb, P. J., 2003. African droughts and dust transport to the Caribbean: climate change implications, Science; 302(5647): 1024-1027.

20- Nateghi, S., Khalifezadeh, R., Souri, M., Khodagholi, M., 2021. Classification of the most important spectral factors extracted from Landsat 8 images in explaining the organic carbon of the topsoil of semi-steppe rangelands using exploratory factor analysis, Remote Sensing and Geographic Information System in Natural Resources, 12 (43) 16-34.

-21. Nafarzadegan, A. R., Ebrahimi, Khusfi, Z., Kazemi, M., 2021. Spatial characterization of dust emission prone arid regions using feature extraction and predictive algorithms, Applied Geography. 133 (8):102495.DOI:10.1016/j.apgeog.2021.102495.

22. Shahmoradi, S., Ghafarian Malmiri, H. R., Amini, M., 2021. Extraction of Soil Surface Moisture Index (TVDI) using Temperature / Vegetation Scatter Chart and MODIS Images, Remote Sensing and Geographic Information System in Natural Resources, 12(1) 38-62.

 

2023. Sun, k. Qinghua, S. and Ming, Y. 2019. Dust Storm Remote Sensing Monitoring Supported by MODIS Land Surface Reflectance Database, Remote sensing, 11 (15), 1772; https://doi.org/10.3390/rs11151772.

21. Sun, J.; Zhang, M.; Liu, T. 2001. Spatial and temporal characteristics of dust storms in China and its surrounding regions, 1960–1999: Relations to source area and climate. J. Geophys. Res. Atmos. 106, 10325–10333.

2224.Su, Q.; Sun, L.; Yang, Y.; Zhou, X.; Li., R.; Jia, S. 2017. Dynamic Monitoring of the Strong Sandstorm Migration in Northern and Northwestern China via Satellite Data. Aerosol Air Qual. Res. 17, 3244–3252.

2325. Tegen, I., Werner, M., Harrison, S. P., and Kohfeld, K. E. 2004. Relative Importance of Climate and Land Use in Determining Present and Future Global Soil Dust Emission. Geophysical Research letters 31, L05105. doi: 10.1029/2003 GL019216.

24. Tsolmon, R., Ochirkhuyag, L., & Sternberg, T. 2008. Monitoring the source of trans-national dust storms in north East Asia.International Journal of Digital Earth, 1, 119–129

25.Wang X., Zhou Z., and Dong Z. 2006. Control of Dust Emissions by Geomorphic Conditions, Wind Environments and Land Use in Northern China: An Examination Based on Dust Storm Frequency from 1960 to 2003. Geomorphology, 81:292-308.

26.Yoshino, M. 2002. Climatology of yellow sand (Asian sand, Asian dust or Kosa) in East Asia. Science in china series dearth. Science 45. PP: 59-70.

 

 

Spatial changes and the effect of climatic elements affecting the phenomenon of dust with remote sensing techniques 

Abstract

Iran's location in the desert belt of the northern hemisphere, rainfall irregularities, multiple droughts and poor vegetation have caused the phenomenon of dust in the country. This phenomenon is one of the most important environmental hazards that causes a lot of damage every year in different parts, especially in the southern and southwestern provinces of the country. The present study investigates the causes of dust storms in Hormozgan province in the period from 2002 to 2009. In this study, which was conducted using the statistics of the Meteorological Organization of Iran in five synoptic stations of Hormozgan province, dust days with two sources near and outside the synoptic stations were extracted and after annual and monthly monitoring of storms, using climatic elements. And Plant Index (EVI) was investigated for dust storms using multivariate regression. The results show that dust with a source close to the station causes the most dust days in the region, so that more than 65% of dust days caused by dust originates near the station and the most occurrence of dust occurred in the warm season. Overall, the results of this study indicate that the simultaneous use of ground measurements and satellite images has a good ability to monitor and investigate dust storms. Due to the fact that most of the dust in this area is close to the station, it is possible to reduce the significant volume of these storms by biological and mechanical measures and to deal with wind erosion.

Keywords: Dust, Climate elements, EVI index, Remote sensing

Extended abstract

One of the atmospheric phenomena of arid and semi-arid regions or areas adjacent to such areas is the phenomenon of fine dust, dust and in its obvious form dust storm. Dust storms are a type of dust event, often caused by turbulent winds from convective currents. Dust storms lead to the destruction of crops, mines and communication facilities, as well as reduced visibility and disruption of daily activities. Another issue raised in this field is that dust can act as a climate change agent due to its concentration and vertical distribution in the atmosphere, size and mineralogical characteristics of particles. Due to the extent of arid and semi-arid regions in Iran and the successive occurrence of this phenomenon in the country in this study to investigate the relationship between climatic elements and vegetation with dust storms of near and outside the station using multivariate spatial regression We will make. The purpose of this study is to investigate and analyzeanalysis the spatial changes of climatic elements affecting the dust phenomenon and to provide a model for predicting dust storms using remote sensing in Hormozgan province.

 Materials and methods

Details of the study area Case study:

Hormozgan province, the most southern province of Iran, is located on the shores of the Persian Gulf and the Sea of Oman with an area of about 68,476 square kilometers. It is bordered by Kerman province to the north and northeast, Fars and Bushehr provinces to the northwest and west, and Sistan and Baluchestan province to the east.

In this study, after selecting five synoptic meteorological stations in Hormozgan province, the annual average of climatic elements including rainfall, relative humidity, temperature and wind speed during 2002-2009 was extracted. In order to conduct annual monitoring according to the station data, the interpolation operation was performed using interpolation by inverse distance method and the climatic data were prepared as a raster. Then, 192 images of Modis products from 2002 to 2009 were used to extract the prominent vegetation index. Modis sensor has 36 bands in the range of 0.4 to 15 microns. The ground resolution of one and two bands is about 250 meters, سه three to seven bands are about 500 meters and the rest of the bands are 1000 meters. Then multivariate monitoring and regression operations were performed on the data. Climatic data datas and satellite images were collected and used through the Meteorological Organization of Iran and the USGS Internet portal.

In order to perform multivariate linear regression, after preparing climatic data and annual and monthly EVIs as a raster, these data were stored in TIF format. After unifying the rows and columns and the reference system that are required for linear multivariate regression, the Mult Multi REG method was used to perform linear multivariate regression using the GIS Analysis menu and the Statistics modulemodal. In regression models, each of the dust storms separately as dependent variables and data including average rainfall in millimeters, average relative humidity in percent, average wind speed in knots, average air temperature in degrees Celsius. And EVI were considered as independent variables.

Results

Annual monitoring of dust storms

The results of an eight-year study of dust storms with out-of-station origin in Hormozgan province show that the frequency of these storms in Bandar Abbas, Bandar Jask, Bandar Lengeh, Hajiabad and Minab stations has increased from 2002 to 2009 (Figures 2 and 3).

Examination of the average eight-year occurrence of dust storms originating outside synoptic stations in Hormozgan province. shows that the main stations with this type of dust storm include Bandar Abbas, Minab and Bandar Lengeh stations with 197, 81 and 50 days of rain, respectively. They were from the station. Hajiabad and Bandar Jask stations with 22 and 7 days per year, respectively, had the lowest dust days outside the station. The highest annual average of this type of dust is related to Bandar Abbas station, which has an average of 25 days of dust originating outside the station, and the lowest is related to Bandar Jask station, where almost no days of dust of foreign origin are observed per year. Shoreline stations, despite the high relative humidity, are mainly the main stations with this type of dust. Therefore, the annual forecast of dust storms during the years 2002 to 2009 shows that dust storms of near origin are predictable with higher correlation and determination coefficients. In the monthly forecast of dust storms, storms of near-station origin can be predicted with higher correlation and determination coefficients than storms of out-of-station origin. Also, during the months when the frequency of dust storms increases, the correlation coefficients and determination of regression equations decrease slightly.

Discussion and conclusion

The study of climatic parameters in relation to dust storms, in addition to identifying and analyzing the conditions of occurrence of this phenomenon, provides the possibility of obtaining a model for predicting this destructive environmental phenomenon, the results of this study showed that the temperature in the coastal strip And the relative humidity reaches its maximum and the precipitation and wind speed also change regionally. Also, there are significant correlations between the climatic elements affecting the occurrence of dust phenomenon and the annual average of dusty days with two sources near and outside the station. The results of this study are consistent with the results of Orozaki and Mikami (20), Ding et al. (16), Tamsky (6) and the lamenter (12) who state in their research that dust storms of near-station origin with the amount of higher correlation (R) and coefficient of determination (R2) are more predictable than dust storms of out-of-station origin. Dust days are caused by dust generated near the station and the highest occurrence of dust occurred in the warm season.

In the model related to forecasting dust storms with source close to the station, wind speed has the greatest effect on increasing dust days with source close to the station, which shows the importance of wind speed on increasing wind erosion. However, temperature and relative humidity factors also have the greatest effect on increasing dust days near the station after wind speed, respectively. Also, in the multivariate regression model of out-of-station dust storms, among the factors included in the model, wind speed has the greatest effect on increasing out-of-station dust days and increasing the number of out-of-station dust days. They are directly related and the temperature factor has the opposite effect on increasing dust days near the station. Due to the fact that wind speed, especially in the southern coastal areas of the country, is the main cause of this phenomenon in low rainfall and dry areas, and vegetation is weakening due to reduced rainfall.

 

20

 

---

[1] . Adjusted R

[2] .  Adjusted R2

---