Investigating the changes in the snow cover level and its relationship with the ground surface temperature in a time series (case study: Mashgin Shahr watershed)

Subject Areas : Geomorphology

Mousa Abedini ¹ , aboozar Sadeghi ² , Hamed Solamani Yoozband ³

1 - Professor of Geomorphology, Mohaghegh Ardabili University, Ardabil, Iran
2 - University Mohaghegh Ardabili Ardabil
3 - Department of physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardebili, Ardebil, Iran.

Received: 2023-12-02 Accepted : 2024-10-23 Published : 2024-12-21

Keywords: Snow Cover, Land Surface Temperature, Landsat, Meshgin Shahr, Elevation Topographical Component.,

Abstract :

Snow and glaciers play a fundamental role in terrestrial life and human sustenance, significantly influencing our daily lives. Therefore, the primary objective of this research is to examine and evaluate the surface temperature of the Earth and snow cover using topographic components and changes in snow cover (SC) in the Meshgin Shahr watershed. In this study, Landsat 5, 8, and 9 images were utilized in the Earth Inheritance System to calculate the Normalized Difference Snow Index (NDSI), and Land Surface Temperature (LST) was computed for the same images using the Normalized Difference Vegetation Index (NDVI) for the summer season. The results indicate an inverse relationship between surface temperature and snow cover. The analysis of snow cover (SC) maps and elevation classes reveals that, until the year 2007, all regions were covered with snow at elevations higher than 4381 meters. However, post-2007, fluctuations have been observed. At elevations below 2000 meters, the annual average temperature ranges from 14.97 to 0.97 degrees Celsius, decreasing with increasing altitude. In higher elevations exceeding 3500 meters, the annual average temperature ranges from 24.84 to 12.64 degrees Celsius. According to the current research results, the maximum greenness occurred in 1993, covering an area of 1041.74 square kilometers. In that year, the snow-covered area was 1642.37 square kilometers. In contrast, the minimum vegetation cover occurred in 2006, with an area of 237.42 square kilometers, corresponding to a snow cover area of 1003.63 square kilometers.

Full-Text:



فصل­نامه جغرافیای طبیعی، سال هفدهم، شماره 65، پاییز 1403                                1

 

صص 18-1

 

 

بررسی روند تغییرات سطح پوششی برف و ارتباط آن با دمای سطح زمین به‌صورت سری زمانی (مطالعه موردی: حوضه آبخیزمشگین شهر)¹

 

 

موسی عابدینی²

استاد ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران

ابوذر صادقی

دانشجو دکتری ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران

حمید سلیمانی یوز بند

دانشجوی کارشناسی ارشد سنجش از دور، دانشگاه محقق اردبیلی، اردبیل، ایران

 

تاریخ دریافت: 11/9/1402                تاریخ پذیرش: 2/8/1403

 

چکیده

برف و یخچال‌ها برای زندگی در زمین و تأمین زندگی انسان اساسی بوده و زندگی روزمرۀ ما تأثیر می‌گذارند. لذا بررسی و ارزیابی دمای سطح زمین و سطح پوشش برف با مؤلفه توپوگرافیکی و تغییرات سطحی پوشش برفی (SC) حوضه مشگین شهر، هدف اصلی پژوهش است. در این پژوهش با استفاده از تصاویر لندست 5، 8 و 9 در سامانه ارث انجین شاخص NDSI محاسبه و برای همان تصاویر دمای سطح زمین (LST) برای تابستان شاخص NDVI محاسبه شد. نتایج به دست آمده نشان داد که بین دمای سطح زمین و سطح پوشش برف رابطه معکوس وجود دارد. بررسی نقشه‌های (SC) و طبقات ارتفاعی نشان می‌دهد که در ارتفاعات بالاتر از 4381 متر تا سال 2007 در تصاویر همۀ مناطق پوشیده از برف بوده است ولی بعد از سال 2007 با نوساناتی همراه بوده است. در ارتفاعات کمتر از 2000 متر میانگین سالانه دما 14.97- تا 0.97 درجه سانتی‌گراد است اما با افزایش ارتفاع دما کاهش می‌یابد. به‌طوری‌که در ارتفاعات بالاتر از 3500 متر میانگین دمای سالانه حدود 24.84- الی 12.64- درجه سانتی‌گراد است. طبق نتایج پژوهش حاضر بیشترین میزان سبزینگی مربوط به سال 1993 با مساحت 1041.74 کیلومترمربع بوده که در این سال میزان مساحت سطحی برف برابر با 1642.37 کیلومترمربع بوده و در مقابل در سال 2006 میزان پوشش گیاهی در کم‌ترین مقدار خود برابر با 237.42 کیلومترمربع که در این سال میزان مساحت پوشش برفی برابر با 1003.63 کیلومتر مربع بوده است.

 

واژگان کلیدی: سطح پوشش برف، دمای سطح زمین، لندست، مشگین شهر، مؤلفه توپوگرافیکی ارتفاع.

 

 

 

مقدمه

برف و یخچال‌ها برای زندگی در زمین و تأمین زندگی انسان اساسی بوده و زندگی روزمرۀ ما تأثیر گذاشته و امکان توسعه فعالیت‌های اجتماعی-اقتصادی را فراهم می‌کند. از جمله تولید برق آبی، گردشگری، مصرف آب و کشاورزی. حجم برف به تغییرات اقلیم بسیار حساس است و عمدتاً توسط دو عامل اصلی یعنی دما و بارش کنترل می‌شود. پوشش برف فصلی که به‌شدت به نوسانات بارش و دما وابسته است، تغییرات معنادار فضایی و زمانی در توزیع برف را نشان می‌دهد که تأثیرگذار بر منابع آب تازه، الگوهای رواناب و خنک کردن دما سطح را دارد. با تغییرات اقلیم که منجر به تغییرات ناهمگن در ذوب برف و بارش می‌شود، بر اکوسیستم‌ها، جمعیت‌ها و فعالیت‌های اقتصادی حتی در مناطق خالی از برف تأثیر می‌گذارد. علاوه بر این، برف فصلی به‌طور قابل توجهی بر چرخه کربن تأثیر می‌گذارد (آکیورک و همکاران، 2023). کیسه‌برفی با انباشتن برف در طول زمستان‌های مرطوب و رهاسازی آهسته آن در بهار و تابستان خشک، منبع حیاتی تأمین آب برای جمعیت‌ها و اکوسیستم‌ها را فراهم می‌کند (مانکین³ و همکاران، 2015، ویویرولی⁴ و همکاران، 2007). در واقع، پوشش برف عنصر مهمی از سطح زمین است که بر توزیع مکانی و شرایط سایر عناصر یخ‌پوسته تأثیر می‌گذارد، زیرا برف یک جزء ضروری برای حفظ ثبات یخچال‌های طبیعی در مناطق معتدل بوده که بر بودجه جهانی و منطقه‌ای انرژی تأثیر می‌گذارد (بارنت⁵ و همکاران، 2005). علاوه‌ بر این، پوشش برف تأثیر مستقیمی بر محیط‌زیست و سیستم اجتماعی-اقتصادی دارد، زیرا تحقیقات متعدد نشان می‌دهد که آب حاصل از ذوب برف جزء اصلی سیستم‌های رواناب در نواحی پایین از نظر کمیت و همچنین توزیع و کیفیت آب است (شوبر⁶ و همکاران، 2014، سای⁷ و همکاران، 2019). دانش پوشش برف برای پیش‌بینی ذوب برف و رواناب و اعتبارسنجی یا کالیبراسیون مدل‌های مختلف هیدرولوژیکی استفاده ‌شده ‌است (کیائو⁸ و همکاران، 2021). خورشید منبع اصلی، سر آغاز حیات و منشأ تمام انرژی‌ها است و تابش جهانی آن عامل اصلی تغییرات اقلیمی است (عابدینی و شیشه‌گران،1402). علاوه‌ بر این، ذوب شدن پوشش برف می‌تواند باعث بروز فجایع زیست‌محیطی مانند سیل یا خشک‌سالی در صورت عدم بارش برف شود؛ بنابراین، تشخیص به‌موقع شروع ذوب برف برای شناسایی سیل احتمالی ضروری است (پیلک⁹ و همکاران، 2005). با توجه به‌تمامی این جنبه‌ها و تأثیر تغییر اقلیم در مناطق کوهستانی بر گستره مکانی و طول مدت پوشش برف جهانی، پایش مستمر پوشش برف یکی از حیاتی‌ترین موضوعات در مطالعه و شناخت یخ‌پوسته است (سای¹⁰ و همکاران، 2019). در مناطق نیمه‌خشک، مناطق کوهستانی پوشیده از برف به‌عنوان برج‌های آبی در نظر گرفته می‌شوند که منبع منظم آب برای آبیاری، آب آشامیدنی، تولید برق، ذخیره سدها و یک حائل حیاتی در دوره‌های خشک‌سالی هستند. علاوه‌ بر این، منابع آب حاصل از برف‌های ذوب شده منبع اصلی آب برای جمعیت‌های ساکن پایین‌دست هستند (مانکین¹¹ و همکاران، 2015) و به‌طور قابل توجهی به تغذیه آب‌های زیرزمینی کمک می‌کنند (اوتیکی¹² و همکاران، 2022، وو و خو¹³، 2007). علیرغم اهمیت منطقه پوشیده از برف برای مدیریت منابع آب در این مناطق، شکاف‌های زیادی در مورد پویایی سریع آن در مکان و زمان و ویژگی‌های آن باقی‌مانده است (بودار¹⁴ و همکاران، 2020، توئل¹⁵ و همکاران، 2021)؛ بنابراین برآورد دقیق پوشش برف در حوضه‌های اطلس عالی برای مدل‌سازی مناسب تعادل آب کلی در مقیاس حوضه و به‌ویژه جریان و تغذیه آب زیرزمینی ضروری است. علاوه‌ بر این، اطلس عالی از نظر ایستگاه‌های هواشناسی (هانیچ¹⁶ و همکاران، 2022، جارلان¹⁷ و همکاران، 2015) به دلیل هزینه بالای آن‌ها و دشواری دسترسی به مناطق کوهستانی در زمستان، کمبود نشان می‌دهد. علاوه‌ بر این، تنوع مکانی-زمانی آب‌وهوا و توپوگرافی پیچیده منطقه (بابا¹⁸ و همکاران، 2021، بوماری¹⁹ و همکاران، 2021، بودار²⁰ و همکاران، 2011، توئل و الطاهیر²¹، 2018) مشکلات عمده‌ای را برای نقشه‌برداری و نظارت بر پوشش برف در محل ایجاد می‌کند. به‌عنوان یک جایگزین، سنجش‌ازدور ماهواره‌ای نوری می‌تواند مشاهدات توزیع‌شده منظم در فضا و زمان را برای نقشه‌برداری از پوشش برف فراهم کند (دوزیر و مارکس²²، 1987، گاسکوین²³ و همکاران، 2015). پوشش برف به‌دلیل ویژگی‌های خاص آن در بخش نوری محدوده طیف الکترومغناطیسی، از طریق فضا از حسگرهای نوری مختلف قابل شناسایی است (بودار²⁴ و همکاران، 2010، مارچین²⁵ و همکاران، 2015). تهیه نقشه‌های پوشش برف با استفاده از تصاویر ماهواره‌ای از آوریل 1960 توسط سنجندۀ TIROS-1 شروع شده است؛ اما با گذشت چندین دهه از شروع به‌کارگیری تصاویر ماهواره‌ای و سنجنده‌ها و تکنیک‌های مختلف جهت تهیه نقشه پوشش برف، همچنان تقاضا برای افزایش دقت و سرعت این نقشه‌ها وجود دارد (متکان و همکاران، 1387). در چند سال اخیر شاهد توسعه چندین ماهواره در مدار زمین بوده‌ایم که می‌توانند برای نظارت بر پوشش برف و نقشه‌برداری مورد استفاده قرار گیرند. متأسفانه، به‌دلیل محدودیت‌های تکنولوژیکی، ماهواره‌های موجود تصاویری با دو حالت ارائه می‌دهند: یا داده‌هایی با زمان بازبینی طولانی اما وضوح مکانی بالا، یا داده‌هایی با زمان بازدید مجدد کوتاه اما وضوح مکانی پایین (امیلیانوا²⁶، 2013، فنگ²⁷ و همکاران، 2006). به‌عنوان مثال، حسگرهای با وضوح پایین و نوار پهن مانند MODIS، SPOT-VEGETATION و NOAA-AVHRR فرکانس اکتساب روزانه مناسب برای نظارت زمانی سطح زمین در وضوح‌های مکانی مختلف از 250 متر تا 1 کیلومتر را ارائه می‌دهند. با این حال، وضوح فضایی MODIS برای ثبت تنوع فضایی پوشش برف کافی نیست که این امر توانایی ما را برای ارتباط بین وجود یا مدت پوشش برف در مقیاس حوضه کوچک محدود می‌کند (اندرتون²⁸ و همکاران، 2002، کارلسون²⁹ و همکاران،2017، لوپز مورنو و استالی³⁰، 2008). مطالعاتی در خصوص سنجش برف و برآورد سطح حاصل از آن انجام گرفته است.

در پژوهشی خسروی و همکاران در سال (1395) به بررسی تغییرات سطوح پوشش برف در ارتفاعات زرد کوه بختیاری با استفاده از سنجش‌ازدور پرداختند. با استفاده از تصاویر ماهواره‌ای لندست برای ماه‌های آوریل و سپتامبر در سال‌های 1991، 2003 و 2011 به این نتیجه رسیدند که سطوح پوشش برف در ارتفاعات زرد کوه بختیاری طی دورۀ آماری روندی کاهشی داشته است. بهزادی کریمی و همکاران (1400) پژوهشی را در ارتباط با تغییرات زمانی -مکانی تبخیر و تعرق در حوضه آبریز کارون طی دوره‌های آتی و تحت سناریوهای انتشار گازهای گلخانه‌ای به عمل آورده‌اند و نتایج نشان داده که متوسط سالانه دمای حداقل در سطح حوضه، بین 1.2 تا 3.4 دمای حداکثر بین 1.3 تا 3.7 سلسیوس در دوره‌های آتی نسبت به دوره پایه، افزایش می‌یابد. بر اساس نتایج حاصل از نقشه‌های پهنه‌بندی تغییرات تبخیر و تعرق سطح حوضه، بیشترین میزان تغییرات تبخیر و تعرق، طی دوره 2080-2061 و تحت سناریو RCP8.5 در مناطق غربی حوضه رخ خواهد داد. حسینی و کاشکی (1400) به بررسی پایش آب و هواشناسی روزهای برفی زاهدان در بازه زمانی 40 ساله کرده‌اند. نتایج نشان داد که بارش برف در زاهدان به‌صورت متمرکز در فصول گذار پاییز و زمستان (ماه‌های دسامبر، ژانویه، فوریه و مارس) رهنمود دارد. در تراز دریا نیز الگوهای ادغامی پرفشارهای مهاجر سیبری- خزر با فراوانی 32.5 درصد و پرفشار سیبری- قفقاز با 20 درصد، بیشترین نقش‌آفرینی را در رخداد بارش برف‌بازی می‌کند. در پژوهشی اصغری و همکاران در سال (1401) به بررسی تغییرات پوشش برف و دمای سطح زمین با مؤلفه توپوگرافیکی ارتفاع حوضه آبریز دریاچه ارومیه پرداخته‌اند. شیخی و ملک محمدی (1402) به بررسی تغییرات کاربری اراضی بر الگوهای زمانی- مکانی دمای سطح زمین در اراضی شهری با استفاده از داده‌های سنجش از دور به مطالعه شهر ایلام پرداختند. با استفاده از تصاویر لندست به بررسی تغییرات دمای سطح زمین و کاربری پرداختند که نتایج آن‌ها نشان داد کمینه دما در مناطق مرتفع و پوشش سبز بوده است. مصطفی و همکاران در سال 2022 تحت پژوهشی به بررسی اثربخشی استفاده ترکیبی از سنجنده‌های نوری از طریق تکنیک‌های فیوژن تصویر برای ثبت دینامیک برف و تولید سری‌های زمانی شاخص NDSI دقیق و متراکم در یک محیط نیمه‌خشک پرداختند. سه مدل متفاوت شامل ESTARFM، FSDAF و FSDAF از قبل طبقه‌بندی شده آزمایش شده و برای تلفیق داده‌های L8 و S2 مقایسه شدند. نتایج نشان داد که مدل FSDAF از قبل طبقه‌بندی شده نقشه NDSI با بیشترین دقت و ضریب همبستگی 0.96 تولید می‌کند. ژیائو و همکاران در سال 2022 در مطالعه‌ای به برآورد پوشش کسر برف در محیط‌هایی با پوشش گیاهی با استفاده از داده‌های بازتاب سطحی MODIS پرداختند. نتایج نشان داد که ادغام 20 مدل فرعی وابستگی مدل به کیفیت نمونه آموزشی را تا حد زیادی کاهش داده و استحکام پیش‌بینی‌های مدل را بهبود می‌بخشد. شارلوت و همکاران در سال 2023 در پژوهشی به بررسی دقت تهیه نقشه پوشش برف بر اساس لندست بهبودیافته با استفاده از یک NDSI مکانی-زمانی و مدل مخلوط خطی تعمیم‌یافته پرداختند. در این پژوهش از مجموعه داده‌های پوشش برفی Landsat-8 با اندازه‌گیری‌های عمق برف زمینی ایستگاه‌های آب‌وهوایی برفراز سوئیس برای دوره 2014 تا 2020 استفاده شده است. نتایج نشان داد که یک رابطه ثابت بین مقادیر NDSI و نوع پوشش زمین، ارتفاع، فصل‌ها و اندازه‌گیری عمق برف وجود دارد. در این مطالعه یک روش NDSI مکانی-زمانی جدید برای به حداکثر رساندن دقت تهیه نقشه پوشش برف با استفاده از یک مدل خطی تعمیم‌یافته (GLMM) پیشنهاد شد. این مدل از سه متغیر محیطی (ارتفاع، نوع پوشش زمین و فصل‌ها) و مقادیر خام NDSI استفاده می‌کند و دقت تهیه نقشه پوشش برفی را تا 24 درصد با آستانه ثابت 0.4 بهبود می‌بخشد.

 

محدوده مورد مطالعه

حوضه آبخیز مشگین شهر با وسعت 87/1795 کیلومتر مربع در طول شرقی 10 47 تا 55 47 و عرض شمالی 10 38 تا 40 38 قرار گرفته است (شکل 1). از رودخانه‌های مهم استان اردبیل که در این حوضه قرار گرفته‌اند می‌توان به رودخانه‌هایی مثل خیاوچای، انارچای، کرکری‌چای، کلفیرچای، آلتی‌چای اشاره کرد که همگی این رودخانه‌ها پس از طی مسیری وارد رودخانه قره‌سو می‌شوند. حوضۀ مورد مطالعه جزء واحد ساختمانی البرز غربی- منطقۀ: آذربایجان است (علایی طالقانی، 1385: 48) مورد مطالعه پس از حرکات زمین ساختی در پلیوسن و کواترنر شکل گرفته است.شکل‌گیری طبقات واحدهای سنگی، دگرشکلی آن‌ها و انواع پدیده‌های تکتونیکی حاصل عملکرد آتش‌فشان‌های این دوران است که پس از تشکیل واحدهای سنگی سخت بر اثر تنش‌های وارده، گسل‌ها و شکستگی‌های وسیعی ایجاد شده است (عابدینی و شبرنگ، 1393: 51).

 

 

شکل 1: موقعیت جغرافیایی حوضه آبخیز مشگین شهر

 

داده‌ها و روش‌ها

روش پژوهش

در این پژوهش از سامانه GEE³¹ برای استخراج شاخص برف و دمای سطح زمین استفاده شد. در این سامانه از تصاویر لندست‌های 8،5 و 9 برای استخراج شاخص و از همان تصاویر برای استخراج دمای سطح زمین استفاده شد. با توجه به عامل ارتفاع در برف‌گیری برای اعمال شاخص ارتفاع شاخص NDSI و LST به نرم‌افزار ArcMap انتقال داده شد تا این شاخص نیز اعمال گردد. با توجه به اینکه محدوده مورد مطالعه (قله توده کوهستان سبلان) بیشتر اوقات در تصاویر لندست دارای پوشش ابری بوده برای همین مشکل برای سال‌هایی که در ماه بهمن تصاویر دارای پوشش ابر نبوده یا ابر در محدوده مورد مطالعه نبوده آن تصاویر و سال‌ها برای مطالعه انتخاب شدند که در جدول (شماره 1) لیست تصاویر نمایش داده شده است.

 

 

 

 

جدول 1: لیست تصاویر استفاده شده برای NDSI و LST

ردیف	لندست	تاریخ تصویر
1	Landsat 5	13/02/1991
2	Landsat 5	16/02/1992
3	Landsat 5	18/02/1993
4	Landsat 5	05/02/1994
5	Landsat 5	13/02/1997
6	Landsat 5	06/02/2006
7	Landsat 5	09/02/2007
8	Landsat 8	04/02/2017
9	Landsat 8	26/02/2019
10	Landsat 8	02/02/2022
11	Landsat 9	06/02/2023

 

جدول 2: لیست تصاویر استفاده شده برای NDVI

ردیف	لندست	تاریخ تصویر
1	Landsat 5	20/05/1991
2	Landsat 5	25/07/1992
3	Landsat 5	10/06/1993
4	Landsat 5	13/06/1994
5	Landsat 5	23/07/1997
6	Landsat 5	16/07/2006
7	Landsat 5	01/06/2007
8	Landsat 8	28/06/2017
9	Landsat 8	04/07/2019
10	Landsat 8	12/07/2022
11	Landsat 9	07/07/2023

 

شاخص NDSI:

در این پژوهش از شاخص تفاضلی نرمال شده برف (NDSI) برای بررسی تغییرات پوشش برفی استفاده شده است. این شاخص توانایی جداسازی طول‌موج پدیده‌ها بخصوص برف از یخ را داشته که با استفاده از رابطه زیر محاسبه می‌شود:

رابطه 1:

NDSI= (G-SWIR)/(G+SWIR)

حاصل به‌کارگیری این شاخص تولید پیکسل‌هایی با ارزش 1- تا 1+ ایجاد خواهد شد که ارزش پیکسل‌هایی که از 1- تا صفر باشند نشان‌دهندۀ مناطقی است که برف در آن‌ها وجود ندارد و از صفر تا 1+ مناطقی هستند که برف با توجه به عمق آن ضرایب مثبت را به خود اختصاص می‌دهد. هر قدر عمق برف بیشتر باشد، عدد مورد نظر به 1 نزدیک‌تر و هرچقدر کم‌عمق‌تر باشد به صفر متمایل می‌شود (خسروی و همکاران، 1396).

 

استخراج دمای سطح زمین

درجه حرارت سطح زمین می‌تواند اطلاعات مفیدی در رابطه با خصوصیات فیزیکی زمین و اقلیم که نقش بسزایی
در فرایندهای محیط‌زیستی بازی می‌کنند فراهم نماید (لو و ونگ، 2004). برای تعیین دمای واقعی سطح زمین از الگوریتم‌های گوناگونی همچون رابطه معکوس تابع پلانک استفاده می‌شود و در این پژوهش نیز به‌منظور به دست آوردن دمای سطح زمین از این الگوریتم استفاده شد. در همین راستا از باند 10 حرارتی سنجنده لندست 8 و 9 و از باند 6 سنجنده لندست 5 استفاده شد. دمای سطح زمین در این روش (بـر مبنـای میـزان تـابش الکترومغناطیسی جسم سیاه) با اسـتفاده از رابطـه 2 حاصل می‌شود (سین‌ها و همکاران، 2014).

رابطه 2:

در ایــن رابطــه BT، λ و ε بــه ترتیــب برابــر بــا دمــای درخشندگی باندهای حرارتی 6 و 10 طول‌موج و گسـیل مندی و ρ برابر با مقدار ثابت 2-10. 1.438 است (میلتون و اوگور، 2016).

 

شاخص NDVI

این شاخص که تفاضل نرمال شده پوشش گیاهی است دارای مقادیر بین ۱- و ۱+ است. مقادیر مختلف سبزینگی نمایانگر پوشش‌های مختلف می‌باشند. به‌عنوان مثال مقادیر NDVI بین 0.05 تا 0.1 برای مناطق گیاهی کم تراکم، مقادیر بین ۰، ۱ تا 0.5 برای مناطق گیاهی معمولی و از 0.5 به بالا برای مناطق گیاهی بسیار متراکم و غنی است. آب، برف و یخ دارای مقادیر NDVI منفی می‌باشند؛ و خاک‌ها دارای مقادیر کمتر از 0.05 و ابرها نیز معمولاً دارای مقادیر حول صفر هستند (فاطمی و رضایی، ص 137).

 

بحث و یافته‌ها

برای بررسی تغییرات پوشش برف، اسفند ماه که تغییرات را به‌صورت واضح‌تری نسبت به دیگر ماه‌های سال نشان می‌دهد، انتخاب گردید. در این پژوهش برای ارزیابی دمای سطح زمین و سطح پوشش برف و بررسی ارتباط بین دو مؤلفه از تصاویر سنجنده Landsat استفاده شده است. در این مطالعه منطقه موردمطالعه به 10 طبقه ارتفاعی تقسیم شده است. مناطق کم ارتفاع مساحت بیشتری از کل منطقه را در برمی‌گیرند (جدول 3). بیشترین مساحت مربوط به طبقه ارتفاعی 1161-759 با مساحت 527.25 کیلومترمربع و کمترین مساحت طبقه ارتفاعی مربوط به مناطق مرتفع 4784 -4381 با مساحت 0.94 کیلومترمربع است؛ بنابراین مناطق مرتفع حوزه مساحت کمتری دارند.

 

 

جدول 3: مساحت طبقات ارتفاعی

درصد طبقه	مساحت طبقه به کیلومترمربع	طبقه ارتفاعی
35/29	25/527	1161 – 759
71/28	65/515	1564 – 1161
67/10	67/191	1966 – 1564
68/11	92/209	2369 – 1966
54/10	40/189	2771 – 2369
47/5	34/98	3174 – 2771
52/2	30/45	3576 – 3174
68/0	22/12	3979 – 3576
28/0	15/5	4381 – 3979
05/0	94/0	4784 - 4381

 

بررسی نقشه‌های دمای سطح زمین

برای بررسی دمای سطح زمین، محصولات سنجنده Landsat به‌صورت تک تصویر مربوط به اواخر اسفند ماه هر سال در حوضه مشگین‌شهر تهیه شد. در جدول 3 نتایج تغییرات میانگین دما در بازه زمانی مورد مطالعه ارائه شده است و شکل (2) دمای سطح زمین را در حوضه مشگین‌شهر نشان می‌دهد. کمترین مقدار میانگین دما (جدول 4) مربوط به سال 1991 با درجه دمایی 29.00- و بیشترین مقدار میانگین دما مربوط به سال 2019 با درجه دمایی 19.04 درجه سانتی‌گراد بوده است. نتایج به‌دست آمده نشان می‌دهد که در بین سال‌های مورد مطالعه (جدول 1) سال‌های 2019 و 2022 نسبت به سال‌های دیگر از میانگین دمای بیشتری برخوردار بودند. به‌طوری که در این سال‌ها در ارتفاعات کمتر از 2369 متر دما به‌صورت مثبت و بالای صفر نمایش داده می‌شود بعد از این سال‌ها نیز گرم‌ترین سال، سال 1992 و 2006 بوده که در طبقات ارتفاعی کمتر از 1966 متر دما به‌صورت مثبت و بالای صفر بوده است. در بقیه سال‌های مورد به‌طور میانگین مناطق خیلی کم ارتفاع (ارتفاعات کمتر از 1161 متر) درجه دمایی بالای صفر ثبت کرده‌اند. بررسی نقشه‌های حاصل نشان می‌دهد که حداقل مقدار دما مربوط به مناطق مرتفع و کوهستانی هستند و حداکثر دما را مناطق پست و هموار دارا می‌باشند.

 

جدول 4: دما به سلسیوس

2023	2022	2019	2017	2007	2006	1997	1994	1993	1992	1991	سال ارتفاع
1.31	9.73	19.04	4.84-	9.84	7.64	1.11-	8.33	0.3	10.14	3.75	1161-759
6.45-	5.97	14.49	4.22-	2.98	4.82	3.68-	4.95	4.59-	7.42	1.56-	1564-1161
12.54-	3.52	5.83	5.24-	4.64-	1.82	5.66-	0.40-	6.10-	3.05	9.80-	1966-1564
14.97-	0.97	0.10	5.57-	6.10-	3.08-	7.17-	3.75-	7.68-	0.07-	11.72-	2369-1966
17.81-	3.68-	4.88-	6.73-	8.31-	5.19-	10.55-	8.69-	10.67-	5.21-	15.39-	2771-2369
20.54-	7.25-	8.28-	9.09-	10.73-	7.66-	14.14-	12.40-	13.98-	10.07-	17.74-	3174-2771
22.68-	10.09-	11.83-	12.17-	14.27-	10.04-	17.47-	15.63-	17.14-	13.37-	20.35-	3576-3174
24.84-	13.02-	15.46-	14.76-	18.25-	12.64-	20.36-	18.78-	20.62-	16.56-	24.57-	3979-3576
26.10-	14.75-	18.01-	15.81-	20.76-	14.20-	21.25-	20.48-	22.66-	18.84-	26.98-	4381-3979
28.27-	17.21-	21.19-	18.16-	23.96-	16.92-	23.69-	23.34-	25.65-	21.06-	29.00-	4784-4381

 

 

شکل 2: دمای سطح زمین (برای تاریخ‌های جدول 1)

 

 

بررسی سطح پوشش برف

در جدول (5) نتایج تغییرات سطح پوشش برف مربوط به اسفند ماه در بازه زمانی مورد مطالعه ارائه شده است و در شکل (3) تغییرات مساحت سطح پوشش برف آورده شده است. همان‌طور که مشاهده می‌شود روند تغییرات برف در سال‌های مختلف از الگوی منظمی برخوردار نیست. به‌طوری که در سال‌های مورد مطالعه به‌جز سال‌های 2017، 2019، 2022 و 2023 بقیه سال‌ها در طبقات بالای 2369 متر به‌طور میانگین هر طبقه ارتفاعی بیشتر از 98 درصد آن طبقه پوشیده از برف بوده است. ولی در سال 2017 در بالاترین طبقه ارتفاعی سطح پوششی برف به کمترین میزان خود یعنی 0.43 کیلومتر مربع رسیده که در بحث میانگین دما نیز اشاره شد که میانگین دما در سال‌های 2019 و 2022 نسبت به بقیه سال‌ها بالاتر بوده که در این سال‌ها نیز در این طبقه ارتفاعی به ترتیب 0.65 و 0.43 کیلومتر مربع بوده است. به‌گونه‌ای که در سال 1997 شاهد بیشترین مقدار میانگین مساحت سطح پوشش برف با مساحت 477.57 و کم‌ترین مساحت برف در سال در سال 2019 با مساحت 1.23 کیلومتر مربع نسبت به مساحت طبقه ارتفاعی بوده است.

 

جدول 5: مساحت سطح پوشش برف به کیلومتر مربع

2023	2022	2019	2017	2007	2006	1997	1994	1993	1992	1991	سال ارتفاع
8.39	84.33	1.23	432.29	10.15	70.53	466.47	72.94	406.66	7.49	31.82	1161 – 759
220.25	254.86	12.77	473.00	332.25	267.40	477.57	180.93	490.31	13.38	304.45	1564 – 1161
146.03	108.28	88.96	170.35	191.21	123.86	186.31	132.38	189.67	62.08	181.60	1966 – 1564
174.52	131.20	166.45	189.14	209.91	195.54	205.21	182.91	206.28	145.52	203.70	2369 – 1966
174.53	155.52	181.18	173.54	189.36	185.19	188.53	185.10	187.51	176.45	186.48	2771 – 2369
94.56	88.81	97.60	87.87	98.34	97.75	98.24	97.96	98.33	97.85	97.91	3174 – 2771
42.59	39.95	44.87	36.98	45.28	45.24	45.21	45.25	45.30	45.29	44.93	3576 – 3174
8.58	8.00	10.51	5.86	12.16	12.09	12.00	12.08	12.22	12.22	12.01	3979 – 3576
2.68	2.84	3.63	1.52	5.12	5.09	5.03	5.08	5.15	5.15	5.08	4381 – 3979
0.43	0.43	0.65	0.29	0.94	0.94	0.92	0.93	0.94	0.94	0.94	4784 - 4381

 

 

 

 

 

 

 

 

 

 

 

شکل 3: میانگین سطح پوشش برف (برای تاریخ‌های جدول 1)

 

در جدول (6) مساحت شاخص پوشش گیاهی (NDVI) برای سال‌های مورد مطالعه بر اساس طبقه ارتفاعی که در جدول (1) مشخصات طبقات ارتفاعی مشخص محاسبه شده است.(شکل 4) در حالت کلی بیشترین میزان سبزینگی مربوط به سال 1993 با مساحت 1041.74 کیلومتر مربع که در این سال میزان مساحت سطحی برف برابر با 1642.37 کیلومتر مربع بوده است. در مقابل در سال 2006 میزان پوشش گیاهی در کم‌ترین مقدار خود برابر با 237.42 کیلومتر مربع که در این سال میزان مساحت پوشش برفی برابر با 1003.63 کیلومتر مربع بوده است. بیشترین مساحت طبقه ارتفاعی مربوط به طبقه ارتفاعی اول 1161-759 برابر با 527.25 کیلومتر مربع بوده در برابر بیشترین میزان پوشش گیاهی برای این طبقه برای سال 1993 که میزان آن 194.61 کیلومتر مربع و کمترین آن برای سال 2006 برابر با 66.10 کیلومتر مربع است. بیشترین میزان پوشش گیاهی در طبقه دوم ارتفاعی 1564-1161 بوده که بیشترین مقدار آن در سال 1993، 334.41 کیلومتر مربع بوده است. همچنین در طبقات ارتفاعی بالاتر از 3979 متر هیچ پوشش گیاهی و سبزینگی مشاهده نمی‌شود.

 

جدول 6: مساحت شاخص پوشش گیاهی به کیلومتر مربع (NDVI)

2023	2022	2019	2017	2007	2006	1997	1994	1993	1992	1991	سال ارتفاع
87.49	88.81	88.55	96.97	165.37	66.10	80.61	144.95	194.61	82.02	188.26	1161 – 759
92.30	110.82	110.51	131.32	289.82	62.48	122.28	331.98	334.41	129.91	296.57	1564 – 1161
57.46	86.96	91.86	107.60	146.05	25.93	75.49	140.85	130.31	96.44	124.36	1966 – 1564
100.37	102.17	137.15	116.95	169.21	18.21	103.23	161.80	162.50	134.59	144.03	2369 – 1966
138.03	96.75	141.69	94.50	112.01	27.25	131.32	107.64	150.46	129.56	98.69	2771 – 2369
82.59	57.59	83.56	62.31	30.47	24.60	76.86	36.11	62.88	70.38	24.87	3174 – 2771
31.09	26.28	31.84	27.87	0.74	13.05	31.17	4.27	4.10	25.88	0.13	3576 – 3174
1.49	1.76	1.89	1.54	0.04	0.57	2.02	0.22	0	1.41	0	3979 – 3576
0	0	0	0	0	0	0	0	0	0	0	4381 – 3979
0	0	0	0	0	0	0	0	0	0	0	4784 - 4381

 

 

 

 

 

 

 

 

شکل 4: شاخص پوشش گیاهی (NDVI)

 

نتیجه‌گیری

از نظر اقلیم‌شناسان و هواشناسانی که تغییرات اقلیمی و اتمسفری را مطالعه می‌کنند، پایش برف یک ضرورت است و برآورد دقیق سطح پوشش آن به‌عنوان یکی از عملیات محوری و اساسی در زمینۀ مدیریت منابع آب، به‌ویژه در مناطقی که بارش برف سهم زیادی در نزولات جوی دارد محسوب می‌شود. در این مطالعه مساحت سطح پوشش برف (SC)، مقدار دمای سطح زمین (LST) و میزان سبزینگی پوشش گیاهی (NDVI) برای تاریخ‌هایی که مشخص شده محاسبه شد و ارتباط این سه متغیر با توپوگرافی حوضه مشگین شهر مورد بررسی قرار گرفت. نتایج بررسی نقشه‌های دمای سطح زمین نشان می‌دهد که مناطق با ارتفاع زیاد، به دلیل مرتفع بودن دمای کمتری دارند ولی مناطق که پست و هموار هستند دمای بیشتری دارند. به‌طوری که در طبقات ارتفاعی کمتر از 1500 متر به‌صورت میانگین بالای صفر بوده یا چند درجه کمتر از صفر اما در ارتفاعات بالای 3000 متر دما در سال‌های مورد مطالعه همیشه زیر صفر بوده است. این نتایج نشان می‌دهد دما با ارتقاع در کل منطقه مورد مطالعه رابطه معکوسی دارد. سطح پوشش برف (SC) با ارتفاع رابطه مستقیمی دارد، به‌طوری که بررسی نقشه‌های سطح پوششی برف در ارتفاعت بیشتر از 2369 متر در سال‌های مورد مطالعه به‌جز سال‌های 2017، 2019، 2022 و 2023 به‌طور متوسط 98 در طبقه ارتفاعی پوشید از برف بوده است. هر چه ارتفاع کاهش پیدا می‌کند درصد سطح پوشش برف در منطقه نیز به‌تبع آن کاهش پیدا کرده است. همچنین بررسی نقشه‌های شاخص پوشش گیاهی نشان می‌دهد بیشترین میزان سبزینگی مربوط به سال 1993 با مساحت 1041.74 کیلومتر مربع بوده که در این سال میزان مساحت سطحی برف برابر با 1642.37 کیلومتر مربع، در مقابل در سال 2006 میزان پوشش گیاهی در کم‌ترین مقدار خود برابر با 237.42 کیلومتر مربع که در این سال میزان مساحت پوشش برفی برابر با 1003.63 کیلومتر مربع بوده است. در رابطه با میزان پوشش گیاهی می‌توان گفت علاوه بر برف باید پارامترهای دیگر نیز مورد بررسی قرار بگیرد. در این مطالعه با بررسی نقشه‌های سطح پوشش برف (SC)، دمای سطح زمین (LST) و میزان سبزینگی پوشش گیاهی (NDVI) و ارتباط این سه مؤلفه با توپوگرافی منطقه به وضعیت هیدرولوژیکی و اکولوژیکی منطقه پی برده شده است.

 

 

 

منابع

1- اصغری سراسکانرود، صیاد؛ صادقی، ابوذر؛ ملانوری، الهام )1402): بررسی تغییرات پوشش برف و دمای سطح زمین با مؤلفه توپوگرافیکی ارتفاع مطالعه موردی: حوضه آبریز دریاچه ارومیه، هیدروژئومورفولوژی، سال دهم، شماره سی‌وچهارم، صص 53-75:

2- بهزادی کریمی، حسین؛ مظفری، غلامعلی؛ امیدوار، کمال؛ مزیدی، احمد (1400): چشم‌انداز تغییرات زمانی -مکانی تبخیر و تعرق در حوضه آبریز کارون طی دوره‌های آتی و تحت سناریوهای انتشار گازهای گلخانه‌ای، فصل‌نامه جغرافیای طبیعی، سال سیزدهم، شماره 54، صص 87-108:

3- حسینی، سید محمد؛ کاشکی، عبدالرضا (1400): پایش آب و هواشناسی روزهای برفی در زاهدان، فصل‌نامه جغرافیای طبیعی، سال سیزدهم، شماره 54، صص 57-72:

4- خسروی، محمود؛ طاووسی، تقی؛ رئیس‌پور، کوهزاد؛ امیدی قلعه‌محمدی، محبوبه (1395): بررسی تغییرات سطوح پوشش برف در ارتفاعات زرد کوه بختیاری با استفاده از سنجش‌ازدور، هیدروژئومورفولوژی، سال سوم، شماره دوازدهم، صص 25-44:

5- شیخی، حجت؛ ملک محمدی، رضا (1401): بررسی تغییرات کاربری اراضی بر الگوهای زمانی- مکانی دمای سطح زمین در اراضی شهری با استفاده از داده‌های سنجش‌ازدور و  GIS (مطالعه موردی: شهر ایلام)، آمایش سرزمین، سال پانزدهم، شماره اول، صص 165-186:

6- عابدینی، موسی؛ شنو، شبرنگ (1393): ارزیابی فعالیت‌های نو زمین‌ساخت در حوضه آبخیز مشکین‌چای از طریق شاخص‌های ژئومورفولوژی، جغرافیا و توسعه، سیستان و بلوچستان، شماره 35، صص 66-46:

7- عابدینی، موسی؛ محمدزادة شیشه گران، مریم (1402 ): امکان‌سنجی استفاده از انرژی تابشی خورشید با استفاده از سنجش از دور و الگوریتم سبال (مطالعه موردی: شهرستان ساوجبلاغ( آمایش سرزمین، سال پانزدهم، شماره اول، صص 147-163:

8- علایی‌طالقانی، محمود (1385): ژئومورفولوژی ایران، چاپ دوم، تهران، انتشارات قومس، صص 360:

9- فاطمی، سید باقر؛ رضایی، یوسف (1401): مبانی سنجش از دور، انتشارات آزاده، صص 288:

10- متکان، علی‌اکبر؛ ضیائیان فیروزآبادی، پرویز؛ عاشور لو، داوود؛ داداشی خانقاه، سپیده (1387): ارزیابی شاخص جهانی پوشش برف برای مطالعه سطح پوشش برف در مقیاس منطقه‌ای، همایش ژئوماتیک 87 و چهارمین همایش یکسان‌سازی نام‌های جغرافیایی، تهران:

 

11- Akyurek, Z: Kuter, S: Karaman, C And Akpınarmb. (2023): Uerstanding The Snow Cover Climatology Over Turkey From Era5-Land Reanalysis Data And Modis Snow Cover Frequency Product, Geosciences, 13, 311, 1-19.

12- Anderton, S.P. White, S.M. Alvera, B. (2002): Micro-Scale Spatial Variability And The Timing Of Snow Melt Runoff In A High Mountain Catchment. J. Hydrol, 158–176.

13- Baba, M.W. Boudhar, A. Gascoin, S. Hanich, L. Marchane, A. Chehbouni, A. (2021): Assessment Of Merra-2 And Era5 To Model The Snow Water Equivalent In The High Atlas (1981–2019). Water 2021, 13, Pp 890.

14- Barnett, T.P. Adam, J.C. Lettenmaier, D.P. (2005): Potential Impacts Of A Warming Climate On Water Availability In Snow-Dominated Regions, 438, 303–309.

15- Bouamri, H. Kinnard, C. Boudhar, A. Gascoin, S. Hanich, L. Chehbouni, A. (2021): Modis Does Not Capture The Spatial Heterogeneity Of Snow Cover Induced By Solar Radiation. Front. Earth Sci, 9, 1-19.

16- Boudhar, A. Duchemin, B. Hanich, L. Boulet, G. Chehbouni, A. (2011): Spatial Distribution Of The Air Temperature In Mountainous Areas Using Satellite Thermal Infra-Red Data. Comptes. Rendus. Geosci, 343, 32–42.

17- Boudhar, A. Duchemin, B. Hanich, L. Jarlan, L. Chaponnière, A. Maisongrande, P. Boulet, G. Chehbouni, A. (2010): Long-Term Analysis Of Snow-Covered Area In The Moroccan High-Atlas Through Remote Sensing. Int. J. Appl. Earth Obs. Geoinf, 12, 109–115.

18- Boudhar, A. Ouatiki, H. Bouamri, H. Lebrini, Y. Karaoui, I. Hssaisoune, M. Arioua, A. (2020): Benabdelouahab, T. Hydrological Response To Snow Cover Changes Using Remote Sensing Over The Oum Er Rbia Upstream Basin, Morocco. In Mapping And Spatial Analysis Of Socio-Economic And Environmental Indicators For Sustainable Development, Advances In Science, Technology & Innovation; Rebai, N. Mastere, M. Eds. Springer International Publishing: Berlin/Heidelberg, Germany, 95–102.

19- Carlson, B.Z. Corona, M.C. Dentant, C. Bonet, R. Thuiller, W. Choler, P. (2017): Observed Long-Term Greening Of Alpine Vegetation—A Case Study In The French Alps. Environ. Res. Lett, 12, 1-13.

20- Charlotte, P; Pablo, T; Bruno, Ch; Gregory, G; Pascal, P. (2023): Improved Landsat-Based Snow Cover Mapping Accuracy Using A Spatiotemporal Ndsi And Generalized Linear Mixed Model. Science Of Remote Sensing 7, 1-13.

21- Dozier, J. Marks, D. (1987): Snow Mapping And Classification From Landsat Thematic Mapper Data. A. Glaciol, 9, 97–103.

22- Emelyanova, I.V. Mcvicar, T.R. Van Niel, T.G. Li, L.T. Van Dijk, A.I.J.M. (2013): Assessing The Accuracy Of Blending Landsat–Modis Surface Reflectances In Two Landscapes With Contrasting Spatial And Temporal Dynamics: A Framework For Algorithm Selection. Remote Sens. Environ, 133, 193–209.

23- Feng, G. Masek, J. Schwaller, M. Hall, F. (2006): On The Blending Of The Landsat And Modis Surface Reflectance: Predicting Daily Landsat Surface Reflectance. Ieee Trans. Geosci. Remote Sens, 44, 2207–2218.

24- Gascoin, S. Hagolle, O. Huc, M. Jarlan, L. Dejoux, J.F. Szczypta, C. Marti, R. Sánchez, R. (2015): A Snow Cover Climatology For The Pyrenees From Modis Snow Products. Hydrol. Earth Syst. Sci, 19, 2337–2351.

25- Hanich, L. Chehbouni, A. Gascoin, S. Boudhar, A. Jarlan, L. Tramblay, Y. Boulet, G. Marchane, A. Baba, M.W. Kinnard, C. Et Al. (2022): Snow Hydrology In The Moroccan Atlas Mountains. J. Hydrol. Reg. Stud, 42, 1-20.

26- Jarlan, L. Khabba, S. Er-Raki, S. Le Page, M. Hanich, L. Fakir, Y. Merlin, O. Mangiarotti, S. Gascoin, S. Ezzahar, J. Et Al. (2015): Remote Sensing Of Water Resources In Semi-Arid Mediterranean Areas: The Joint International Laboratory Trema. Int. J. Remote Sens, 36, 4879–4917.

27- López-Moreno, J.I. Stähli, M. (2008): Statistical Analysis Of The Snow Cover Variability In A Subalpine Watershed: Assessing The Role Of Topography And Forest Interactions. J. Hydrol, 348, 379–394.

28- Mankin, J.S. Viviroli, D. Singh, D. Hoekstra, A.Y. Diffenbaugh, N.S. (2015): The Potential For Snow To Supply Human Water Demand In The Present And Future. Environ. Res. Lett, 10, 114016.

29- Marchane, A. Jarlan, L. Hanich, L. Boudhar, A. Gascoin, S. Tavernier, A. Filali, N. Le Page, M. Hagolle, O. Berjamy, B. (2015): Assessment Of Daily Modis Snow Cover Products To Monitor Snow Cover Dynamics Over The Moroccan Atlas Mountain Range. Remote Sens. Environ, 160, 72–86.

30- Milton Isaya Ndossi ;Ugur Avdan. (2016): Application Of Open Source Coding Technologies In The Production Of Land Surface Temperature (Lst) Maps From Landsat: A Pyqgis Plugin; Remote Sensing, 8, 413.

31- Mostafa, B; Abdelaziz, H; Abdelghani, B; Youssra, E; Haytam, E; Hafsa, B; Hamza, O; Abdelghani, Ch. (2022): High-Resolution Monitoring Of The Snow Cover On The Moroccan Atlas Through The Spatio-Temporal Fusion Of Landsat And Sentinel-2 Images. Remote Sens, 14, 5814.

32- Ouatiki, H. Boudhar, A. Leblanc, M. Fakir, Y. Chehbouni, A. (2022): When Climate Variability Partly Compensates For Groundwater Depletion: An Analysis Of The Grace Signal In Morocco. J. Hydrol. Reg. Stud, 42, 1-14.

33- Pielke, R.A. Doesken, N. Bliss, O. Green, T. Chaffin, C. Salas, J.D. Woodhouse, C.A. Lukas, J.J. Wolter, K. (2005): Drought 2002 In Colorado: An Unprecedented Drought Or A Routine Drought? Pure Appl. Geophys, 162, 1455–1479.

34- Qiao, H. Zhang, P. Li, Z. Liu, C. (2021): A New Geostationary Satellite-Based Snow Cover Recognition Method For Fy-4a Agri. Ieee J. Sel. Top. Appl. Earth Obs. Remote Sens, 14, 11372–11385.

35- Schöber, J. Schneider, K. Helfricht, K. Schattan, P. Achleitner, S. Schöberl, F. Kirnbauer, R. (2014): Snow Cover Characteristics In A Glacierized Catchment In The Tyrolean Alps—Improved Spatially Distributed Modelling By Usage Of Lidar Data. J. Hydrol, 519, 3492–3510.

36- Sinha, S. Pandey, P.C. Sharma, L.K. Nathawat, M.S. Kumar, P. Kanga, S. (2014): Remote Estimation Of Land Surface Temperature For Different Lulc Features Of A Moist Deciduous Tropical Forest Region. In Remote Sensing Applications In Environmental Research; Springer: Berlin, Germany; Heidelberg, Germany,57–68.

37- Tsai, Y.L.S. Dietz, A. Oppelt, N. Kuenzer, C. (2019): Remote Sensing Of Snow Cover Using Spaceborne Sar: A Review. Remote Sens, 11, 1-44.

38- Tuel, A. Chehbouni, A. Eltahir, E.A.B. (2021): Dynamics Of Seasonal Snowpack Over The High Atlas. J. Hydrol. 595, 1-14.

39- Tuel, A. Eltahir, E.A.B. (2018): Seasonal Precipitation Forecast Over Morocco. Water Resour. Res, 54, 9118–9130.

40- Viviroli, D. Dürr, H.H. Messerli, B. Meybeck, M. Weingartner, R. (2007): Mountains Of The World, Water Towers For Humanity: Typology, Mapping, And Global Significance. Water Resour. Res, 43, 1-13.

41- U, Y. Xu, Y. (2007): Snow Impact On Groundwater Recharge In Table Mountain Group Aquifer Systems With A Case Study Of The Kommissiekraal River Catchment South Africa, 31, 275–282.

42- Iongxin, X; Tao, H; Shunlin, L; Yichuan, M; Shuang, L; Xiaona, Ch. (2022): Estimating Fractional Snow Cover In Vegetated Environments Using MODIS Surface Reflectance Data, International Journal Of Applied Earth Observations And Geoinformation 114, 1-23.

---

[1] - این مقاله مستخرج از طرح پژوهشی به شماره قرارداد ( 113/402 ) از محل اعتبارات معاونت پژوهش و فناوری دانشگاه محقق اردبیلی می‌باشد.

[2] * نویسنده مسئول:  09143555226                                                   Email: [e-mail]

[3]  Mankin et al

[4]  Viviroli et al

[5]  Barnett et al

[6]  Schöber et al

[7]  Tsai et al

[8]  Qiao et al

[9]  Pielke et al

[10]  Tsai et al

[11]  Mankin et al

[12]  Ouatiki et al

[13]  Wu and Xu

[14]  Boudhar et al

[15]  Tuel et al

[16]  Hanich et al

[17]  Jarlan et al

[18]  Baba et al

[19]  Bouamri et al

[20]  Boudhar et al

[21]  Tuel and Eltahir

[22]  Dozier and Marks

[23]  Gascoin et al

[24]  Boudhar et al

[25]  Marchane et al

[26]  Emelyanova

[27]  Feng et al

[28]  Anderton et al

[29]  Carlson et al

[30]  López-Moreno and Stähli

[31]  Google Earth Engine