Spatio-temporal Variations of Snow-covered Days in the Northwest of Iran using Remote Sensing Data
Subject Areas : Natural resources and environmental management
Abbas Kashani
1
,
Bromand Salahi
2
,
Amirhossein Halabian
3
,
Batool Zeinali
4
1 - Faculty of Social Science, University of Mohaghegh Ardabili, Ardabil, Iran
2 - Faculty of Social Science, University of Mohaghegh Ardabili, Ardabil, Iran
3 - Department of Geography, Payame Noor University, Tehran, Iran
4 - Associate Professor, Department of natural geography, Faculty of Literature and Sciences, Mohaghegh Ardebili University, Ardebil, Iran
Keywords: Snow-covered days (SCDs), Snow-covered areas (SCAs), Altitude, MODIS sensor, Northwest of Iran.,
Abstract :
In this research, the spatiotemporal variations of snow-covered days (SCDs) in this region were analyzed using the data of the sixth version of MODIS Terra and MODIS Aqua sensors on a daily basis in the period of 2003-2020. In order to reduce the cloud cover effect, three algorithms were applied to the data. For the digital elevation model, the Digital Surface Model (DSM) of the Japan Space Exploration Agency was used. The relation between two snow-cover phenological components (SCAs and SCDs) and the relation between the SCDs and the altitude were investigated. The findings show an increase in SCDs in the months of November, December, and January. Maximum SCDs are observed in January in Sabalan Mountain and then Sahand. The reduction of SCDs in the spring and summer months is also affected by the two factors of latitude and altitude. The absolute maximum of SCDs in this region is observed at 160 days/ year in the mountain of Sabalan. Examining the changes in SCDs in March and April shows a decrease in SCDs in high-altitude classes. At the same time, it shows the increasing pattern of SCDs in November and December at many altitude levels. Analysis of the relation between SCA and SCDs in different months illustrated that SCAs has decreased in regions with more SCDs (heights) due to the reduction of topographic areas. The relation of SCDs and altitude also showed that the minimum of SCDs occurred in all altitude levels (even altitudes above 3500 m with 4 days) in August and the maximum occurred in December with 22 days at the altitude of 3500 m. SCDs decrease with increasing altitude in mountainous areas of 3500 to 4000 m, due to the increase of land slope and instability of SC in steep areas.
Akyürek Z, Sorman A.Ü. 2002. Monitoring snow-covered areas using NOAA-AVHRR data in the eastern part of Turkey. Hydrological Sciences, 47: 243–252.
Alhossaini Almodaresi S.A, Hatami J, Sarkargar A. 2016. Calculating the physical properties of snow, using differential radar interferometry and Terra SAR-X and MODIS images. RS and GIS for Natural Resources, 7 (2): 59-76. (In Persian).
Brown R.D. 2000. Northern Hemisphere snow cover variability and change, 1915–97. Journal of Climate, 13: 2339–2355. DOI: https://doi.org/10.1175/1520-0442(2000)013<2339:NHSCVA>2.0.CO;2
Butt M.J, Bilal M. 2011. Application of snowmelt runoff model for water resource management. Hydrological Processes, 25: 3735–3747. Doi:https://doi.org/10.1002/hyp.8099
Dietz A.J, Kuenzer C, Conrad C. 2013. Snow-cover variability in central Asia between 2000 and 2011 derived from improved MODIS daily snow-cover products. International journal of remote sensing, 34(11): 3879- 3902. Doi: https://doi.org/10.1080/01431161.2013.767480
Dietz A, Conrad C, Kuenzer C, Gesell G, Dech S. 2014. Identifying changing snow cover characteristics in central Asia between 1986 and 2014 from remote sensing data. Remote Sensing, 6(12): 12752- 12775. DOI: 10.3390/rs61212752
Foster J, Liston G, Koster R, Essery R, Behr H, Dumenil L, Verseghy D, Thompson, S, Pollard D, Cohen J. 1996. Snow cover and snow mass intercomparisons of general circulation models and remotely sensed datasets. Journal of Climate, 9: 409-426. DOI: https://doi.org/10.1175/1520-0442(1996)009<0409:SCASMI>2.0.CO;2
Foster J, Sun C, Walker J.P. Kelly R, Chang A, Dong J, Powell H. 2005. Quantifying the uncertainty in passive microwave snow water equivalent observations. Remote Sensing of Environment, 94: 187–203. Doi: https://doi.org/10.1016/j.rse.2004.09.012
Gafurov A, Bardossy A. 2009. Cloud removal methodology from MODIS snow cover product, Hydrol. Earth Syst. Sci, 13: 1361–1373. Doi: https://doi.org/10.5194/hess-13-1361-2009
Halabian, A.H, Solhi S. 2020. Spatiotemporal changes in snow-cover related to the land surface temperature over central Alborz. Physical Geography, 47: 53-75. Doi: 20.1001.1.20085656.1399.13.47.4.6 (In Persian).
Hall D, Foster J, Verbyla D, Klein A, Benson C. 1998. Assessment of snow-cover mapping accuracy in a variety of vegetation-cover densities in central Alaska. Remote Sensing of Environment, 66(2), 129-137. Doi: https://doi.org/10.1016/S0034-4257(98)00051-0
Jain S.K, Goswami A, Saraf A.K. 2008. Accuracy assessment of MODIS, NOAA and IRS data in snow cover mapping under Himalayan conditions. International Journal of Remote Sensing, 29: 5863–5878. Doi: https://doi.org/10.1080/01431160801908129
Ke C, Liu X. 2014. Modis-observed spatial and temporal variation in snow cover in Xinjiang, China; Climate Research, 59:15-26. doi: 10.3354/cr01206
Keikhosrvai Kiany M.S, Masoudian S.A. 2017. Identification of snow reservoirs in Iran. Physical Geography Research Quarterly, 49 (3): 395-408. Doi: 10.22059/JPHGR.2017.212604.1006908 (In Persian).
Lemke P, Ren J, Alley R.B, Allison I, Carrasco J, Flato G, Fujii Y, Kaser G, Mote P, Thomas,R.H, Zang T. 2007. Observations: changes in Snow, ice and frozen ground. In climate change 2007: The physical science basis. contribution of working group I to the fourth assessment report of the intergovernmental panel on climate change, S. Solomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor and H.L. Miller (Eds.): 337–384 (Cambridge and New York: Cambridge University Press).
Mölg N, Rastner P, Irsara L, Notarnicola C, Steurer C, Zebisch M. 2010. Multi-temporal modis snow cover monitoring over the alpine regions for civil protection applications, Remote Sensing for Science. Education and Natural and Cultural Heritagein 30th EARSel symposium, 31st May–3rd June.
Notarnicola C. 2020. Hotspots of snow cover changes in global mountain regions over 2000–2018, Remote Sensing of Environment. 243(15): 111781. Doi: https://doi.org/10.1016/j.rse.2020.111781
Parajka J, Bloschi G. 2008. The value of MODIS snow cover data in validating and calibrating conceptual hydrological models. Journal of Hydrology, 358: 240-258. Doi: https://doi.org/10.1016/j.jhydrol.2008.06.006
Peng S, Piao S, Ciais P, Fang J. 2010. Change in winter snow depth and its impacts on vegetation in China. Global Change Biology, 16: 3004–3013. DOI: 10.1111/j.1365-2486.2010.02210.x
Pepe M, Brivio P.A, Rampini A, Rota Nodari F. Boschetti M. 2005. Snow cover monitoring in Alpine regions using ENVISAT optical data. International Journal of Remote Sensing, 26: 4661–4667. Doi: https://doi.org/10.1080/01431160500206635
Riggs G.A, Hall D.K. 2015. MODIS Snow Products Collection 6 User Guide, modis-snow-ice.gsfc.nasa.gov: 1-66.
Saavedra F.A, Kampf S.K, Fassnacht S.R, Sibold J.S. 2018. Changes in Andes Mountains snow cover from MODIS data 2000–2016. Cryosphere 12: 1027–1046. Doi: 10.5194/tc-2017-72, 2017
She J, Zhang Y, Li X, Chen Y. 2014. Changes in snow and glacier cover in an arid watershed of the western Kunlun Mountains using multisource remote-sensing data‚ International journal of remote sensing, 35(1): 234- 252. DOI: 10.1080/01431161.2013.866296
Simpson J.J, Stitt J.R, Sienko M. 2001. Improved Estimates of the Areal Extent of Snow Cover from AVHRR Data. Journal of Hydrology, 204(1-4): 1-23. Doi: https://doi.org/10.1016/S0022-1694(97)00087-5
Sood V, Singh S, Taloor A.K, Prashar S, Kaur R. 2020. Monitoring and mapping of snow cover variability using topographically derived NDSI model over north Indian Himalayas during the period 2008–19. Applied Computing and Geosciences, 8 (2020) 100040: 1-9. Doi: https://doi.org/10.1016/j.acags.2020.100040
Takaku J, Tadono T, Tsutsui K. 2014. Generation of high-resolution global DSM from ALOS PRISM, The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences, 4: 243-248, ISPRS. Doi: https://doi.org/10.5194/isprsarchives-XL-4-243-2014
Vikhamar D, Solberg R. 2003. Snow-cover mapping in forests by constrained linear spectral unmixing of MODIS data. Remote Sensing of Environment, 88: 309–323. Doi: https://doi.org/10.1016/j.rse.2003.06.004
Wang X. Xie H. 2009. New methods for studying the spatiotemporal variation of snow cover based on combination products of MODIS Terra and Aqua. Journal of hydrology, 371(1-4): 192-200. Doi: https://doi.org/10.1016/j.jhydrol.2009.03.028
Wang X, Xie H, Liang T, Huang X. 2009. Comparison and validation of MODIS standard and new combination of Terra and Aqua snow cover products in northern Xinjiang, China. Hydrological Processes: An International Journal, 23(3): 419- 429. DOI:10.1002/hyp.7151
Zhang G, Xie H, Yao T, Liang T, Kang S. 2012. Snow cover dynamics of four lake basins over Tibetan Plateau using time series MODIS data (2001-2010). Water resources research, 48: 1-22. Doi: https://doi.org/10.1029/2012WR011971
Zhang H, Zhang F, Zhang G, Che T, Yan W, Ye M, Ma N. 2019. Ground-based evaluation of MODIS snowcover product V6 across China: Implications for the selection of NDSI threshold. Science of the Total Environment 651: 2712–2726. Doi: https://doi.org/10.1016/j.scitotenv.2018.10.128
Zhao H, Fernandes R. 2009. Daily snow cover estimation from advanced very high- resolution radiometer polar pathfinder data over northern hemisphere land surfaces during 1982–2004. Journal of Geophysical Research, 114: 1–14. Doi: https://doi.org/10.1029/2008JD011272
وردشهای فضایی- زمانی روزهای برفپوشان در پهنه شمال غرب ایران با استفاده از دادههای دورسنجی
چکیده
در این پژوهش وردشهای فضایی – زمانی روزهای برفپوشان (SCDs) در این منطقه با استفاده از دادههای نسخه ششم سنجنده مادیس تررا و مادیس آکوا بهصورت روزانه در بازه زمانی 2020-2003 واکاوی شد. بهمنظور کاهش اثر ابرناکی سه الگوریتم بر روی دادهها اعمال شد. برای الگوی رقومی ارتفاع، از مدل رقومی سطحی (DSM) سازمان اکتشافات فضایی ژاپن استفاده شد. ارتباط بین دو مؤلفه فنولوژیک برف-پوش (SCAs و SCDs) و پیوند شمار SCDs با مؤلفه توپوگرافیکی ارتفاع مورد بررسی قرار گرفت. یافتهها نشان از افزایش SCDs در ماههای نوامبر، دسامبر و ژانویه دارد. بیشینه SCDs در ژانویه مربوط به توده کوهستانی سبلان و سپس سهند میباشد. کاهش SCDs در ماههای بهاره و تابستانه نیز متأثر از دو عامل عرض جغرافیایی و ارتفاع میباشد. بیشینه مطلق SCDs در این منطقه با 160 روز در سال در بلندیهای سبلان مشاهده میشود. بررسی تغییرات روزهای برفپوشان در ماههای مارس و آوریل نشان از کاهش SCDs در طبقات ارتفاعی بلند دارد. درعینحال، الگوی افزایشی SCDs در نوامبر و دسامبر را در بسیاری از کمربندهای ارتفاعی نشان میدهد. واکاوی ارتباط SCAs و SCDs در ماههای مختلف مشخص کرد که در پهنههای دارای SCDs بیشتر (ارتفاعات) به سبب کاهش سطوح توپوگرافی، از SCAs کاسته شده است. ارتباط وردشهای SCDs با ارتفاع نیز نشان داد که کمینه SCDs در تمامی باندهای ارتفاعی (حتی ارتفاعات بالای 3500 متر با 4 روز) در اوت و بیشینه آن در دسامبر با 22 روز در ارتفاع 3500 متر روی داده است. SCDs با افزایش ارتفاع در مناطق کوهستانی 3500 تا 4000 متری، به دلیل افزایش شیب زمین و ناپایداری SC بر روی سطوح پرشیب کاهش مییابد.
واژگان کلیدی: روزهای برفپوشان، سطوح برفپوشان، ارتفاع، سنجنده مادیس، شمال غرب ایران
مقدمه
برف شکلی از بارش است که به دلیل تأخیر زمانی بین زمان وقوع آن و زمان تولید رواناب و تغذیهی سفره آب زیرزمینی رفتار متفاوتی با دیگر شکلهای بارش دارد. مطالعه و اندازهگیری تغییرات سطوح برف بهعنوان يكي از منابع مهم تأمین آب، بسیار حائز اهمیت است. با توجه به شرايط سخت فیزيكي محیطهای كوهستاني، امكان اندازهگیری دائم زمیني جهت تخمین منابع برفابي و تشكیل پايگاه دادهها وجود ندارد. استفاده از تصاوير ماهوارهای و سنجش از دور با توجه به هزينه كم، بهروز بودن و پوشش وسیع در اين زمینه راهگشا بوده و میتواند در شناسايي مناطق برفگیر و ارزيابي تغییرات آن روش مناسبی جهت نیل به اين هدف باشد. مساحت پوشش برف، پارامتر بسیار مهمی برای چرخه هیدرولوژیک و اقلیمشناسی است. بازتابش ناشی از سپیدایی بالای برف سبب میگردد که سطوح برفی، بیشتر انرژی تابشی خورشید را برگردانند. به علت ظرفیت گرمایی بالای برف، سطوح برفی سبب محافظت سطح خاک در برابر جو و کاهش فرایند گرم شدن در فصل بهار میگردد؛ بنابراین، برف با تحت تأثیر قرار دادن جذب انرژی و گرم شدن حوضه، نقش مستقیمی در مدلهای گردش جوی در مقیاس ریز اقلیم و بزرگ اقلیم دارد. پوشش برف و رطوبت خاک، مهمترین متغیرها در فرایند تبادل گرما و رطوبت بین زمین و جو هستند. وجود برف در حوضه تأثیر زیادی بر رطوبت موجود در سطح و در نتیجه جاری شدن رواناب دارد. سطوح پوشیده از برف در اثر عوامل اقلیمی و توپوگرافی دستخوش تغییرات سریع و ناهمگن است. بیشتر روشهای کارآمد پایش گستره برفی به کمک پایش از راه دور بهوسیله ماهوارهها است. ویژگیهای فیزیکی برف، سبب شده است که پایش این پدیده از راه سنجش از دور امکانپذیر شود. در واقع، ماهواره بهترین وسیلهای است که میتواند پوشش برفی مناطق گستردهای را که با روشهای زمینی تعیین محدوده آنها امکانپذیر نیست، در زمانهای گوناگون نشان دهد (سیمپسون و استیت (24)). وجود برف در حوضههای برفگير، نهتنها بر اقليم محلي و منطقهای مؤثر است، بلكه منابع آبي كه بهصورت آبهای یخزده در سطح ذخيره میشوند را نيز متأثر میسازد. بنابراين، پايش زماني و مكاني سطح برفپوش سالهاست كه براي پیشبینیهای هيدرولوژيك استفاده شده است. استفاده از دادههاي تصاوير ماهوارهای بهمنظور تعيين تغييرات روزانه سطح پوشش برف، دماي برف، عمق آب برف و پیشبینی سيل مؤثر میباشد.
برفپوش نقش مهمی هم در سطح جهانی و هم در سطح منطقهای ایفا میکند؛ بهطوریکه بخش بزرگی از تابش ورودی را منعکس نموده و تعادل بیلان تابشی کره زمین را حفظ میکند (جین و همکاران (12)؛ ژائو و فرناندز (32) بهطور تقریبی 40 تا 50 درصد از سطح نیمکره شمالی در میانه زمستان تحت پوشش برف قرار داشته (پپ و همکاران (20)، لمکه و همکاران (15)). در فصل زمستان، برفپوش مهمترین پوشش اراضی سطح زمین در این دوره زمانی میباشد. در مقیاس منطقهای برف -پوش در دسترسی محلی آب، رواناب رودخانهها و شارژ مجدد آبهای زیرزمینی، بهخصوص در عرضهای میانه و بالا، اهمیت دارد (آکیورک و سورمان (1)؛ جین و همکاران (12)). در کشورهایی همچون نروژ و یا سوئیس که الکتریسیته عمدتاً از طریق نیروی آبی تأمین میگردد، برفپوش نقش مهمی در تأمین انرژی ایفا میکند (ویخامر و سولبرگ (27)). در این زمینه اطلاع دقیق از مناطقی که دارای پوشش برف هستند برای مدیریت منابع آبی نیز ضروری است؛ بهطور مثال زمانی که از مدلهای رواناب ناشی از ذوب برف استفاده میشود (بات و بیلال (4)). همچنین، داشتن اطلاعاتی در مورد آب معادل برف نیز در مدلسازیهای هیدرولوژیکی و مدیریت منابع آبی دارای اهمیت بسزایی است علاوه بر این موارد، اینگونه گزارش شده است که تغییرات عمق برف بر رشد گیاه در برخی گونههای گیاهی اثرات مشخص دارد (فوستر و همکاران (8)). کاهش برفپوشها از دهه 1960 زمانی که اولین ماهوارهها شروع به پایش سطح کره زمین کردهاند، آغاز شده است (براون (3)؛ لمکه و همکاران (15)). تغییرات اقلیمی شرایط برفپوشهای جهانی را تحت تأثیر قرار داده و منجر به ذوب زودرس و پوشش کمتر برف شده است (فوستر و همکاران (7)). پارامترهایی همچون عمق برف ممکن است به دلیل دماهای بالاتر بسته به موقعیت جغرافیایی تغییر کند، درحالیکه عمق برف در جنوب مدار 40 درجه کاهش داشته در شمال مدار 40 درجه افزایش نشان داده است (پنگ و همکاران (19)). دادههای دورسنجی برفپوش به سبب پوشش فضایی- زمانی مناسب برای واکاوی تغییرات این پدیده محیطی بهویژه در محیطهای کوهستانی که دادههای کافی وجود ندارد بسیار ارزشمند هستند. بدین سبب پژوهشهای متعددی به کمک این دادههای دورسنجی انجام شده که در ادامه بدان اشاره میشود. مولگ و همکاران (16) در مطالعهای که در نواحی کوهستانی ایتالیا انجام دادند به بررسی و کنترل پوشش برف چند زمانی مادیس در مناطق با ارتفاع زیاد پرداختند. آنها از نقشههای پوشش برف به دست آمده از تصاویر ماهوارهای لندست ETM+ بهمنظور اعتبارسنجی نتایج استفاده کردند که نتایج آنها دقت تصاویر ترکیبی ترا و آکوا را تائید کرد. کی و لیو (13) برای بررسی روند پوشش برف در منطقه شین جانگ در کشور چین طی سالهای 2000 تا 2012 دادههای دو سنجندة تررا و مودیس آکوا را بکار گرفتند. یافتههای آنها نشان داد که روند پوشش برف برای ارتفاعات گوناگون و فصول مختلف سال متفاوت است. در فصل زمستان ارتفاعات پایینتر از 2000 متر به بالاتر از 4000 متر دارای روند کاهش پوشش برف بودند اما در فصل تابستان ارتفاعات بالاتر از 3000 متر روند افزایشی را از خود نشان میدادند. ساودرا و همکاران (22)، منطقه کوهستانی آند را با استفاده از تصاویر ماهوارهای مادیس در بین سالهای 2000 تا 2016 بررسی کردند. مناطق بین عرض جغرافیایی 29 تا 39 جنوبی، افت قابلتوجهی در تعداد روزهای با پوشش برف در حدود 2 تا 5 روز کمتر در سال را نشان دادهاند. در ضمن کاهش برف-پوش در دیواره شرقی آند را بارزتر اعلام داشتهاند. نوتارینکولا، (17) پارامترهای مرتبط با پوشش برف، ازجمله: مساحت پوشیده شده از برف، مدت زمان مانایی پوشش برف، اولین روز برفپوشان، آخرین روز برف-پوشان، ارتفاع خط برف را از دادههای پوشش برف ماهواره مادیس استخراج نمود. مطالعات وی نشان داد که در حدود 78 درصد از مناطق کوهستانی در مقیاس جهانی، در حال کاهش زمان مانایی پوشش برف تا 43 روز و مساحت پوشیده از برف تا 13 درصد افت در برخی مناطق هستند. وی عامل اصلی را تغییر دمای هوا اعلام مینماید و اثرات ترکیبی بارش و دما را در زمستانهای نیمکره شمالی نیز مؤثر میداند.
در ایران، الحسینی المدرسی و همکاران (2) خصوصیات فیزیکی برف (سطح، عمق و حجم برف) را در ارتفاعات شمال تهران به کمک تصاویر ترا سارایکس (Terra SAR-X) و مادیس در دوره زمانی اکتبر 2012 تا می 2013 با استفاده از روش تداخل سنجی تفاضلی راداری برآورد کردند. کیخسروی کیانی و مسعودیان (14) به شناسایی برفخوانهای ایران به کمک دادههای ماهوارهای مادیس پرداختند، یافتههای آنها نشان میدهد که سه برفخوان بزرگ در ایران شامل برفخوانهای البرز، شمال غرب و زاگرس وجود دارد. بیشینه شمار روزهای برفپوشان در این برفخوانها به ترتیب 153، 132 و 127 روز در سال است. یافتههای حلبیان و صلحی (10) در البرزی مرکزی نشان داد که دمای سطح زمین و برف-پوش دارای روند معکوس، خصوصاً در فصول زمستان و پائیز هستند. اختلاف بارزی نیز بین دمای سطح زمین در دامنههای جنوبی و شمالی البرز مرکزی مشاهده میشود که علاوه بر جهت شیب، رطوبت دریای خزر و نیز پوشش گیاهی و جنگلی در دامنههای رو به شمال در این وضعیت تأثیرگذار است.
در مجموع، پژوهشهای فوق نشان میدهد که دادههای دورسنجی در زمینه برآورد گستره و وردشپذیری پوشش برف که فراسنجهای مهمی در سامانههای آبشناختی و آب و هواشناسی هستند بسیار توانمند بوده و میتوانند نمایی از الگوی پراکنش برف و تغییرات فنولوژیک این پدیده محیطی مشتمل بر مساحت پوشیده شده از برف، مدت زمان مانایی پوشش برف، اولین روز برفپوشان، آخرین روز برف-پوشان، ارتفاع برفمرز را فراهم آورند.
از آن جایی که ذخاير برفي حوضههای كوهستاني از منابع مهم و قابل اطمينان ایران محسوب میشود. آگاهي از ميزان ذخاير برفي در حوضههای آبريز کشور براي استفاده آب معادل برف، ذخیرهسازی، كنترل سیلابها و تأمین آب مورد نياز پاییندست لازم است. بنابراين، پايش مكاني و زماني سطوح پوشيده شده از برف و آب معادل برف از اهميت بالايي در زمينه سامانههاي هشدار سيل برخوردار است. بخش عظيمي از بارشها در پهنه شمال غربي ايران به شكل برف است و انباشت آن آب مورد نیاز رودخانهها را در فصول گرم فراهم میکند. در حقیقت، سطوح پوشیده از برف در پهنه شمالغربی نقش عمدهای را در ایجاد جریانهای دائمی و فصلی برای مصارف مختلف و تأمین نیاز آبی در این گستره جغرافیایی فراهم میکند. لذا آگاهی درست و بهنگام از ذخایر برفی در پهنه شمالغربی ایران با توجه به پدیده تغییر اقلیم برای مهار سیلابها، برآورد آب معادل برف و مهیایی آب مورد نیاز مناطق فرودست امری اجتنابناپذیر است. آب حاصل از ذوب برف، نقش مهمي در ايجاد رواناب سطحي، تغذيه آبهای زیرزمینی و ايجاد سيل را در این پهنه ايفا میکند. از آن جایی که پوشش برف معرف ميزان آب ذخيره شده در حوضههاي كوهستاني است. لذا تعیین سطح پوشش برف در پهنه شمال غربی ایران و واکاوی نوسانات و تغییرات آن در ارتباط با مؤلفههای محیطی دیگر ضروری به نظر میرسد و سنجش از دور و تصاویر حاصل از آن بهعنوان ابزاری کارآمد در این امر محسوب میشوند. از طرفی سطوح پوشیده از برف در اثر عوامل اقلیمی و توپوگرافی دستخوش تغییرات سریع و ناهمگن است. با توجه به اینکه ماهوارهها قادر به تصویربرداری از یک سطح در مقاطع زمانی مختلف هستند، در مطالعات برف سنجی پهنه شمال غربی کشور این امکان را فراهم میکنند که پراکنش زمانی و مکانی برف مورد مطالعه قرار گیرد. در این پژوهش علاوه بر وردشهای فضایی و زمانی برف-پوش، ارتباط بین دو مولفة فنولوژیک برف-پوش (سطوح برف-پوش (SCAs) و تعداد روزهای برف-پوشان (SCDs)) و ارتباط شمار روزهای برف-پوش با مؤلفه توپوگرافیکی ارتفاع در پهنه شمال غربی ایران مورد بررسی و تحلیل قرار گرفته است.
روش تحقیق
منطقه مورد مطالعه
محدوده مورد بررسی مابین 44 درجه و 2 دقیقه و 54 ثانیه تا 49 درجه و 26 دقیقه و 48 ثانیه طول شرقی و 34 درجه و 41 دقیقه و 17 ثانیه و 39 درجه و 46 دقیقه و 25 ثانیه عرض شمالی شامل استانهای شمال غربی ایران (اردبیل، آذربایجان غربی، آذربایجان شرقی، زنجان، کردستان) میباشد. ارتفاعات سبلان با 4811 متر و سهند با 3707 متر و کوههای ارسباران با ارتفاع 3225 متر و کوههای طالش با ارتفاع 3303 متر، يكي از وسیعترین مناطق برفگیر ايران و سرچشمه رودخانههای بزرگي، چون: ارس، آجی چای (تلخه رود)، قزلاوزن، شاهرود، سفیدرود، سیمینهرود، زرینهرود، قرهسو و اهر رود را تشكيل میدهد. این ارتفاعات که دارای تنگههای با شیب تند بوده و در فصل بارش حجم زیادی از برف را در خود جای میدهد. با توجه به اينكه قسمت عمده بارندگي در اين نواحي در فصل سرد سال رخ میدهد، ذخاير برفي اهميت زيادي را در تأمین آبهای سطحي منطقه داراست. ارتفاعات برفگیر سهند نیز یکي از بزرگترین منشأهای رودخانههای متعددي است که حیات شهری، روستایي و عشایري را تداوم بخشیده است
شکل1. قلمرو مطالعاتی
Fig 1. The study area
دادهها و روششناسی
دادهها
در این پژوهش برای برف-پوش از دادههای فرآورده v006-MOD10A1 ورژن 6 ماهواره ترا (Terra) و فرآورده v006-MyD10A1 ورژن 6 ماهواره آکوا (Aqua) در دوره زمانی 2020-2003 استفاده شد که دارای توان تفکیک مکانی 500 متر و توان تفکیکی زمانی روزانه هستند. لازم یادآوری است که دادههای برف- پوش ماهواره ترا از تاریخ 24/02/2000 و دادههای ماهواره آکوا از تاریخ 04/07/2002 بهصورت عددی تاکنون (با چند روز دیرهنگامی) قابل دستیابی است. در این پژوهش برای واکاوی وردشهای فضایی- زمانی برفپوش بر روی قلمرو مورد بررسی از کاشی H21v05 هر دو سنجنده مادیس ترا و اکوا که پهنه شمال غربی ایران را در بر میگیرد استفاده شد. با توجه به بازههای زمانی فوق و استفاده همزمان از هر دو فرآورده سنجنده مادیس ترا و مادیس آکوا و درهمآمیزی آن دو در بازه زمانی مشترک و بهمنظور کاهش مسئله ابرناکی که موجب پنهان ماندن پوشش برف از دید ماهواره میشود از هر دو فرآورده استفاده شد. بدین ترتیب، دوره زمانی مورد نظر در این پژوهش برای واکاوی وردشهای فضایی، زمانی برف -پوش در پهنه شمال غربی ایران 2020-2003 (01/01/2003 تا 31/12/2020 حدود 6544 روز) در نظر گرفته شد. سیستم تصویر این فرآوردهها سینوسی و دادهها بهصورت رقومی بر اساس شاخص NDSI (Normalize Difference Snow Index) با فرمت HDF در تارنمای search.earthdata.nasa.gov قابلدسترسی است (رابطه 1 و 2). نمایه تفاضلی نرمال شده برف (NDSI) نسبت بین اختلاف دو طیف مادونقرمز و مرئی است (هال و همکاران (11)، سود و همکاران، (25)):
[1] 
در این رابطه G باند سبز (باند 4) و SWIR باند مادونقرمز موج کوتاه (باند 6) است:
[2] NDSI = ((band 4-band 6) / (band 4 + band 6))
در این روابط باند G و باند SWIR مربوط به بازتاب در طول موجهای 66/0 و 60/1 نانومتر سنجنده است.
بر اساس این نمایه، برفپوش در محدوده 100%-0 (1-0) گزارش میشود (ریگز و هال (21)). یاختهای با NDSI > 0.0 دارای مقداری برف و یاختهای با NDSI <= 0.0 بدون برف قلمداد میشود.
روششناسی
تعیین آستانه NDSI
بر اساس دستورالعمل و راهنمای فرآوردههای برفپوش سنجنده مادیس اگر کاربر بخواهد یک SCA (Snow Cover Area) باینری بسازد، میتواند آستانه NDSI را برای برف تعیین کند (ریگز و هال (21)). در این زمینه برخی از پژوهشگران نظیر ژانگ و همکاران (31) آستانه حداقل 1/0 را برای NDSI منطقیتر دانسته و مورد تأکید قرار دادهاند. لذا با توجه به این موضوع که اساساً ایران کشوری با پوشش برف کم بشمار میرود و با در نظر گرفتن موقعیت و شرایط قلمرو مطالعاتی از این آستانه برای برآورد برفپوش استفاده گردید. بدین منظور، دادههای سنجنده مادیس در هر دو ماهواره ترا و اکوا با فرمت hdf به فرمت tif و با آستانه 1-1/0 به باینری و ASCII و با سیستم مختصات جغرافیایی تبدیل گردید. این دادهها با بهرهگیری از زبان کدنویسی پایتون پردازش شد. درعینحال، فرآورده برف بر اساس مرز پهنه مطالعاتی با روش Extract by Mask در محیط پایتون برش داده شد.
روشهای کاهش اثر پدیده ابرناکی
ترکیب دادههای ترا و اکوا
بدون اجرای الگوریتم کاهش پوشش ابر، استفاده از دادههای خام برفپوش سنجیده و منطقی نیست. یکی از محدودیتهای عمده در استفاده از دادههای روزانه برفپوش MODIS، بالا بودن ابرناکی در مناطق کوهستانی است. ازآنجاییکه زمان گذر ماهواره ترا از فراز استوا ساعت 10:30 صبح و زمان گذر ماهواره اکوا از فراز استوا ساعت 1:30 بعدازظهر است (این دو ماهواره با سه ساعت اختلاف از روی منطقه عبور میکنند). لذا با ترکیب فرآوردههای ترا و اکوا بهتر و دقیقتر میتوان برفپوش را تشخیص و شناسایی نمود (وانگ و ژی (28) و شی و همکاران (23)). در این پژوهش در هنگام ترکیب دادههای دو ماهواره ترا و اکوا، یک یاخته درصورتیکه بهوسیله ماهواره ترا و یا اکوا بهعنوان یاخته برفی شناسایی شده باشد؛ بهعنوان یاخته برفی در نظر گرفته میشود. امکان دارد ماهواره ترا صبح هنگام و یا ماهواره اکوا بعدازظهر یاختهای را بهمثابه یاخته ابری شناسایی کند، ولی همان یاخته در بعدازظهر توسط ماهواره آکوا و یا صبح هنگام بهوسیله ماهواره ترا بهعنوان یاخته برفی شناسایی شود. بهبیاندیگر، ابرناکی در صبح هنگام و یا در بعدازظهر موجب مخفی ماندن برفپوش از دید ماهواره شده باشد. در این شرایط یاختههایی که این حالت را دارند؛ در دادههای سنجندهی مادیس ترا و اکوا بهعنوان یاختههای برفی تلقی میشوند. تنها درصورتیکه یاختهای در هر دو ماهواره ترا و اکوا ابر باشد؛ بهعنوان یاخته ابری در نظر گرفته و طبقهبندی میشود (شی و همکاران، (23)). روش ترکیب دادههای سنجنده مادیس در دو ماهواره ترا و اکوا با هدف کاهش اثر پدیده ابرناکی و تخمین بهینه برفپوش بهوسیله محققینی همچون پاراجکا و بلوشل (18)، وانگ و همکاران (29)، شی و همکاران (23)، کی و لیو (13) و دایتز و همکاران (6) توصیه و استفاده شده است.
پالایه فضایی- زمانی
یکی دیگر از راهکارهای کاهش اثر پدیده ابرناکی اجرای پالایه فضایی- زمانی بر روی دادههای رقومی برفپوش است. بهرهگیری از پالایه برای کاهش اثر ابرناکی توسط پژوهشگران متعددی پیشنهاد شده است (گفورو و باردوسی (9)، ژانگ و همکاران (30) و دایتز و همکاران (5 و 6). الگوریتم این روش بدین صورت است که یک پالایه فضایی با کرنل 3×3 (9 یاخته) بر روی دادههای ادغام و ترکیب شده ترا و اکوا اعمال شد. بدین صورت که اگر یاخته مرکزی ابر و بیش از شش یاخته همسایه آن برف را گزارش کرده بودند؛ یاخته مرکزی هم برف در نظر گرفته شد. چنانچه بیش از شش یاخته اطراف یاخته مرکزی پدیده زمین و یاخته مرکزی ابر را گزارش کرده بودند؛ آن یاخته ابری نیز به پدیده زمین تبدیل شد. در ادامه، روش پالایه زمانی نیز بر روی دادههای ادغامی ترا و اکوا نیز صورت گرفت. در این الگوریتم یاختههایی که توسط سنجنده مادیس ابر تشخیص داده شده بود، ولی همان یاخته در روز پیشین و پسین برف گزارش شده بود؛ آن یاخته ابری نیز در روز مورد بررسی بهعنوان یاخته برفی در نظر گرفته شد؛ زیرا با احتمال بسیار زیاد ابرناکی در روز میانی بر فراز یاخته مورد نظر موجب پنهان و مخفی ماندن برفپوش از دید ماهواره شده است. ازاینرو، در این پژوهش از الگوریتم پالایه سهروزه نیز بر روی سری زمانی دادههای روزانهی برفپوش بهره گرفته شد.
در ادامه، پایگاه داده برفپوش حاصل از اجرای الگوریتم ادغام و ترکیب دادههای ترا و اکوا و الگوریتم پالایه فضایی- زمانی بر اساس آستانه 1-1/0 به باینری تبدیل و به ازای هر روز برفپوش شناسایی و برآورد گردید.
مدل رقومی ارتفاع (DEM)
برای مدل رقومی ارتفاع (DEM) نیز از دادههای آژانس اکتشافات فضایی ژاپن (JAXA) به نام ALOS World 3D (AW3D) استفاده شد. این مجموعه دادهAW3D30 در پژوهشهای علمی و آموزش و طراحی سرویسهای جدید اطلاعات مکانی میتواند مورد استفاده قرار بگیرد (تاکاکو و همکاران (26)). این مجموعه داده، مدل رقومی سطحی (DSM) با قدرت تفکیک افقی تقریباً 30 متر (در اصل 1 ثانیه قوسی) میباشد که توسط ابزار سنجش از دوری پانکروماتیک برای تصویرسازی استریو به دست آمده است. PRISM یک سنسور نوری است که بر روی ماهواره پیشرفته مشاهده زمین (ALOS) قرار گرفته است. آخرین ورژن 1/3 است. این دادهها نیز با فرمت tif به ASCII تبدیل و با کمک زبان برنامهنویسی پایتون پردازش شد.
بازآرایی شبکهای
با توجه به اینکه تفكيك فضایی دادههاي برفپوش 500 متر و دادههای مدل رقومی ارتفاع ALOS 30 متری است، در این پژوهش تفکیک فضایی تمامی دادههای رقومی مورد استفاده 250 متر در نظر گرفته میشود و بهمنظور هماهنگسازي تفکیک فضایی این دادهها از روشهای پرکاربرد بازآرایی شبکهای (Resample) یا تغییر اندازه یاختههای دادههای رستری نزدیکترین همسایه (Nearest Neighbor) برای دادههای برفپوش و میانیابی دوسویه (Nearest Neighbor) برای دادههای مدل رقومی ارتفاع متناسب با ماهیت و نوع داده استفاده شد. پس از آمادهسازی و تهیه پایگاه داده برفپوش میانگین روزهای برفپوش در مقیاسهای زمانی ماهانه، فصلی، سالانه و بلندمدت (کل دوره) برآورد و نقشههای پراکنش فضایی برفپوش در این بازههای زمانی ترسیم شد. در ادامه، ارتباط بین دو مولفة فنولوژیک برف-پوش SCAs و SCDs و پیوند شمار روزهای برف-پوش با ارتفاع در گامهای 100 متری در پهنه شمال غربی ایران مورد واکاوی قرار گرفت. شکل 2 فلوچارت دادهها و روش پژوهش را نشان میدهد.
شکل 2. فلوچارت دادهها و روش پژوهش
نتایج
واکاوی وردشهای فضایی تعداد روزهای برفپوش (SCDs)
منظور از روز برفپوش روزی است که زمین از برف پوشیده شده است (روزهای همراه با پوشش برف). وردشهای مکانی-زمانی متوسط تعداد روزهای برف-پوشان در منطقه شمال غرب ایران بر اساس دادههای روزانه برف محاسبه و به نقشه تبدیل شد. این وردشها در بازه زمانی ماهانه نمایش داده شده است. متوسط SCDs در ماه ژانویه (11 دی تا 11 بهمن) در کل دوره آماری بین 0 تا 8/25 روز متغیر است. نزدیک صفر مربوط به اراضی هموار و پست پیرامون دریاچه ارومیه و دشت مغان است. سایر اراضی بین این دو آستانه متغیر میباشند. در شکل 3 طیف رنگ به سمت سفید، SCDs بیشتر و طیف رنگ به سمت زرد SCDs کمتر را نشان میدهد. سیمای کلی نقشه SCDs تبعیت این شاخص محیطی با ارتفاع را بهخوبی نشان میدهد. توده کوهستانی سهند و سبلان، ارتفاعات قندیل در غرب دریاچه ارومیه و همچنین ارتفاعات زنجان و بخشی از ارتفاعات چهل چشمه کردستان، دارای SCDs بالایی هستند. مطابق با شکل 4 الگوی کلی SCDs در ماه فوریه (12 بهمن تا 9 اسفند) مشابه ماه ژانویه است با این تفاوت که مقداری از SCDs به نسبت ماه قبل (ژانویه) کاسته شده است. این موضوع در ماکزیمم SCDs ماه فوریه قابل مشاهده است. ماکزیمم SCD ماه فوریه در منطقه شمال غرب معادل 3/21 ولی در ماه ژانویه این مقدار معادل 8/25 روز است. بالاترین SCDs در ماه ژانویه مربوط به توده کوهستانی سبلان و سپس سهند میباشد.
شکل3. میانگین ماهانه SCDs در پهنه شمال غربی ایران (ژانویه) شکل4. میانگین ماهانه SCDs در پهنه شمال غربی ایران (فوریه)
Fig 4. Monthly mean of SCDs in the Northwestern region (February) Fig 3. Monthly mean of SCDs in the Northwestern region (January)
الگوی کلی ماه مارس (10 اسفند تا 11 فروردین)، مشابه ماههای ژانویه و فوریه است با این تفاوت که مقداری SCDs به نسبت دو ماه قبل کاهش مییابد. این کاهش در بیشینه SCDs مشخصتر است. بهطوریکه ماکزیمم SCDs ماه ژانویه و فوریه به ترتیب 8/25 و 3/21 روز است ولی در این ماه بیشینه SCDs معادل 1/21 روز است که مربوط به ارتفاعات سبلان و سهند میشود. افت ماه مارس به نسبت ماه فوریه در مقدار ماکزیمم SCDs ملایمتر از ماه فوریه به نسبت ژانویه است (شکل 5). بر اساس شکل 6 که متوسط SCDs ماه آوریل (12 فروردین تا 10 اردیبهشت) را نشان میدهد، افت قابل توجه ماکزیمم SCDs در ارتفاعات مشهود است. بهصورتی که به نسبت ماه قبل یعنی مارس، بیشینه SCDs در ارتفاعات شمال غرب در حدود 3 روز کاهش مییابد. کاهش SCDs در نواحی شمال غرب ایران مشهود است. الگوی کلی ماه آوریل از ارتفاع زمین تبعیت دارد و بهطورکلی SCDs از ارتفاعات به سمت دشتها بهشدت کاهش مییابد. نکته قابل توجه در تغییرات SCDs در این ماه آن است که در عرضهای جغرافیایی پایینتر همچون ارتفاعات چهل چشمه و منطقه کردستان افت SCDs در ارتفاعات مشهود و ملموستر از عرضهای جغرافیایی بالاتر همچون ارتفاعات تخت سلیمان، سهند و سبلان و ارتفاعات مرزی (مرز ایران-عراق و ایران- ترکیه) رشتهکوههای قندیل است. بهطورکلی افت SCDs از جنوب به سمت شمال در حال پیشروی است و در این ماه ارتفاعات شاهو، چهل چشمه و سلطانیه با سرعت بیشتری در حال از دست دادن SCDs میباشند.
شکل5. میانگین ماهانه SCDs در پهنه شمال غربی ایران (مارس) شکل6. میانگین ماهانه SCDs در پهنه شمال غربی ایران (آوریل)
Fig 6. Monthly mean of SCDs in the Northwestern region (April) Fig 5. Monthly mean of SCDs in the Northwestern region (March)
همانطور که در شکل 7 مشاهده میشود، افت قابلتوجهی در SCDs ماه می (11 اردیبهشت تا 10 خرداد) در منطقه شمال غرب مشاهده میشود. نواحی دشتی و سطوح هموار و کم ارتفاع پیرامون ارتفاعات، افت قابلتوجهی از SCDs را تجربه کردهاند بهطوریکه SCDs در این ماه بهطور متوسط به کمتر از 1 روز رسیده است. بهطور مشخص تنها واحدهای کوهستانی مرتفع و پرحجم همچون سهند، سبلان، بزقوش و ارتفاعات قندیل (خصوصاً بخش شمالی) توانستهاند SCDs را در این ماه بالای 10 روز نگه دارند (شکل 7). همانطور که در شکل 8 مشاهده میشود، SCDs ماه ژوئن (11 خرداد تا 9 تیر) بهسرعت در منطقه شمال غرب در این ماه کاهش یافته و تنها به بخشهای مرتفع و قلههای اصلی خصوصاً در نیمه شمالی منطقه آذربایجان بالاتر از مدار 5/37 درجه محدود میشود. واحدهای کوهستانی بخش آذربایجان جنوبی همچون ارتفاعات شاهو، چهل چشمه، سلطانیه، ماهنشان و تالش، بهطور مشخص SCDs بیشتری به نسبت ارتفاعات آذربایجان شمالی همچون قندیل (شمالی)، سهند و سبلان، بزقوش و علی علمدار از دست دادهاند. متوسط SCDs ماه ژوئن در عمده اراضی آذربایجان جنوبی به کمتر از 1 روز کاهش یافته درحالیکه در آذربایجان شمالی بدنه ارتفاعات همچنان SCD بالایی داشته و در ارتفاعات نزدیک به قله سبلان این مقدار به حدود 25 روز نیز میرسد.
در ماه جولای (10 تیر تا 9 مرداد) تعداد روز برف-پوشان در ارتفاعات شمال غرب بهطور کامل کاهش مییابد. در عمده نواحی، SCDs به کمتر از 1 روز کاهش یافته است تنها در ارتفاعات سبلان و سهند و تا حدودی در دیواره مرزی غربی در رشتهکوههای قندیل SCD بالاتری مشاهده میشود. مشابه الگوی ماههای پیش، باند جنوبی منطقه شمال غرب، SCDs پایینتری به نسبت باند شمالی نشان میدهد. ارتفاعات سبلان به نسبت سایر واحدهای کوهستانی منطقه شمال غربی دارای پایداری بیشتر SCDs بوده که با وجود یخچالهای طبیعی در این واحد کوهستانی توجیهپذیر است (شکل 9). در ماه اوت که منطبق با 10 مرداد تا 9 شهریور است، الگوی مشابهی با ماه پیش (جولای) در وردشهای مکانی SCDs در منطقه شمال غرب ایران مشاهده شد. افت SCDs در این ماه نیز همچنان در منطقه مشاهده میشود بهطوریکه ماکزیمم SCDs در ارتفاعات سبلان به نسبت ماه قبل 8/0 کاهش نشان میدهد. افت SCDs در سایر نواحی نیز مشاهده میشود. متوسط SCDs در این ماه در عمده اراضی به کمتر از 65/0 کاهش یافته و این ماه را میتوان یکی از چهار ماه با پایینترین نرخ SCDs در منطقه شمال غرب ایران دانست (شکل 10).
شکل7. میانگین ماهانه SCDs در پهنه شمال غربی ایران (می) شکل8. میانگین ماهانه SCDs در پهنه شمال غربی ایران (ژوئن)
Fig 8. Monthly mean of SCDs in the Northwestern region (June) Fig 7. Monthly mean of SCDs in the Northwestern region (May)
شکل9. میانگین ماهانه SCDs در پهنه شمال غربی ایران (جولای) شکل10. میانگین ماهانه SCDs در پهنه شمال غربی ایران (اوت)
Fig 10. Monthly mean of SCDs in the Northwestern region (August) Fig 9. Monthly mean of SCDs in the Northwestern region (July)
بهطوریکه در شکل 11 ملاحظه میشود، متوسط SCDs ماه سپتامبر (10 شهریور تا 8 مهر) نیز یکی از 3 ماه با کمترین SCDs در منطقه شمال غرب بهحساب میآید. الگوی افت SCDs همچنان در منطقه دیده میشود. ارتفاعات سبلان بهطور متوسط 1 روز دیگر از SCDs از دست میدهند و تقریباً همه اراضی دشتی و هموار و کم ارتفاع و نیمه مرتفع دارای SCDs کمتر از 5/0 هستند. ماه سپتامبر به همراه ماههای اوت، جولای و اکتبر دارای کمترین نرخ SCDs ماهانه در متوسط بلندمدت دوره آماری مورد بررسی هستند.
همانطور که در شکل 12 مشاهده میشود، مقدار SCDs در ماه اکتبر (9 مهر تا 9 آبان)، تقریباً در همه به کمترین مقدار خود رسیده است. باوجود آنکه شرایط دمایی رو به کاهش داشته ولی SCD به نسبت ماههای پیش در کمینه قرار گرفته است. به دلیل آنکه هنوز بارشهای به شکل برف در این ناحیه غالب نشده است، باوجود آنکه دما کاهش داشته ولی SCDs کاهش نشان میدهد. در این ماه بیشینه SCDs در ارتفاعات سبلان در کمترین مقدار خود در طول سال قرار دارد بهطوریکه SCDs به کمتر از 17 روز کاهش یافته است. در این ماه یخچالهای طبیعی و یخچالهای سنگی سبلان در شکنندهترین شرایط خود در طول سال قرار دارند و در فاز کامل برداشت قرار گرفتهاند. از ماه بعد شرایط تغییر نموده و مجدداً بارشهای برف پائیزی در ارتفاعات این مخازن کوهستانی را تغذیه مینماید.
شکل11. میانگین ماهانه SCDs در پهنه شمال غربی ایران (سپتامبر) شکل12. میانگین ماهانه SCDs در پهنه شمال غربی ایران (اکتبر)
Fig 12. Monthly mean of SCDs in the Northwestern region (October) Fig 11. Monthly mean of SCDs in the Northwestern region (September)
در شکل 13 متوسط ماهانه SCDs ماه نوامبر (10 آبان تا 9 آذر) نشان داده شده است. همانطور که مشاهده میشود، در منطقه شمال-غرب نهایتاً بعد از 4 ماه متوالی کاهش SCDs، مجدداً افزایش SCDs پائیزی آغاز میشود. این افزایش تا چندین ماه آینده نیز ادامه مییابد. در این ماه بدنه واحدهای کوهستانی نسبتاً مرتفع مجدداً 5/4 روز برف-پوشان را بهطور متوسط تجربه مینماید. در ارتفاعات بسیار مرتفع SCDs به بالای 15 روز افزایش مییابد. شرایط افت دمای پائیزه به همراه شروع بارشها و ورود بادهای غربی به منطقه باعث افزایش نسبتاً سریع SCDs در این ماه میشود. افزایش SCDs در این ماه در باند شمالی منطقه در واحدهای کوهستانی قندیل، قرهداغ، سهند، سبلان، بزقوش بارزتر از باند جنوبی است. در باند جنوبی به دلیل شرایط دمایی (گرمای بیشتر در باند جنوبی)، افزایش SCDs به نسبت باند شمالی با تأخیر اتفاق میافتد. مطابق با نتایج نشان داده شده در شکل 14، متوسط SCDs در ماه دسامبر (10 آذر تا 10 دی) در منطقه شمال غرب بهسرعت افزایش مییابد. گستره وسیعتری از ارتفاعات و اراضی پیرامونی با افزایش SCDs روبهرو میشوند. باند جنوبی شامل ارتفاعات چهل چشمه، سلطانیه و ماهنشان، کوههای طارم و تالش نیز افزایش SCDs را تجربه میکنند. افزایش SCDs تقریباً تمام بدنه واحدهای کوهستانی مهم را در بر میگیرد. بیشینه SCDs در ناحیه شمال غرب به بالای 25 روز افزایش مییابد که عمدتاً منطبق با نواحی مرتفع واحدهای کوهستانی سهند و سبلان، قندیل، تخت سلیمان و چهل چشمه کردستان است.
شکل13. میانگین ماهانه SCDs در پهنه شمال غربی ایران (نوامبر) شکل14. میانگین ماهانه SCDs در پهنه شمال غربی ایران (دسامبر)
Fig 14. Monthly mean of SCDs in the Northwestern region (December) Fig 13. Monthly mean of SCDs in the Northwestern region (November)
بر اساس الگوی بلندمدت SCDs، بیشینه مطلق SCDs در منطقه برابر با 160 روز است که عمدتاً مربوط به اراضی بسیار مرتفع و کوههای سر به فلک کشیده سبلان و چند قله بسیار مرتفع دیگر میگردد و سطح چندانی را در بر نمیگیرد. متوسط پهنهای SCDs در بازه بلندمدت در منطقه برابر با 95/32 روز با پوشش برفی میباشد. نکته دیگر آنکه بین باند شمالی منطقه شامل واحدهای قندیل (خصوصاً قندیل شمالی)، میشو داغ، قرهداغ، قوشاداغ، سهند، سبلان و بزقوش و تا حدی تالش شمالی و باند جنوبی شامل واحدهای قندیل جنوبی، ارتفاعات تخت سلیمان، ارتفاعات چهل چشمه کردستان، ارتفاعات سلطانیه و ماهنشان زنجان، طارم و تا حدودی تالش جنوبی، اختلاف معنادار مشاهده میشود و این اختلاف خصوصاً در سطوح با بیش از 80 روز SCDs محسوس و مشخص است. بین باند شمالی و جنوبی در بدنه ارتفاعات حداقل 30 روز با پوشش برفی اختلاف وجود دارد که این اختلاف در ارتفاعات سبلان به ماکزیمم میرسد. در ضمن اراضی پیرامون دریاچه ارومیه در بخش غربی و شمال شرقی نرخ SCDs بلندمدت بالاتری به نسبت اراضی جنوبی و جنوب شرقی نشان میدهد. در نهایت ارتباط SCDs با مولفة توپوگرافیکی ارتفاع، بسیار قوی بوده و پیوند مثبت و قوی بین این دو متغیر محیطی در بازه بلندمدت مشاهده میشود (شکل 15).
شکل15. میانگین بلندمدت SCDs در پهنه شمال غربی ایران (2003-2020)
Fig 15. The long-term mean of SCDs in the Northwestern region (2003-2020)
واکاوی ارتباط سطوح برف-پوش (SCAs) با تعداد روز برف-پوشان (SCDs)
در این بخش ارتباط بین دو مولفة فنولوژیک برف-پوش شامل سطوح برف-پوش (SCAs) و تعداد روز برف-پوشان (SCDs) در بازه زمانی ماهانه مورد بررسی قرار گرفت. بر اساس شکل 16 در ماه ژانویه در منطقه شمال غرب، بیشترین سطوح برفی یا SCAs در حدود 5 تا 17 روز را شامل میشود. این سطوح 10000 تا 14000 کیلومترمربع را در بر میگیرد. SCDs بیش از 20 روز و کمتر از 5 روز SCAs کمتری به خود اختصاص میدهد و به کمتر از 6000 کیلومترمربع میرسد. به دلیل آنکه سطوحی که دارای SCDs بالاتری هستند به ارتفاعات بالاتر مربوط میشوند، با افزایش ارتفاع سطوح توپوگرافی کاهش مییابد و در نتیجه افزایش SCDs با کاهش SCAs همراه میگردد که در شکل 16 بهخوبی این موضوع مشاهده میشود. در نهایت به این موضوع بایستی اشاره شود که در منطقه شمال غرب بیشترین SCAs در منطقه شمال غرب دارای 8 روز SCDs میباشد و این سطح به چیزی در حدود 14000 کیلومترمربع بالغ میگردد. بر اساس شکل 17 بیشینه SCAs در ماه فوریه به سمت SCDs کمتر در حدود 5 روز جابهجا میشود که سطحی برابر با حدوداً 16000 کیلومترمربع را به خود اختصاص میدهد. در ماه فوریه دو پیک اصلی در SCAs یکی در حدود SCDs 5 روز و دیگری در SCDs 15 روز مشاهده شد. SCDs 5 روز سطحی در حدود 16000 کیلومترمربع و 15 روز در حدود 10000 کیلومترمربع را در بر میگیرد. نکته قابل توجه در ارتباط با الگوی تغییرات ماه فوریه در مقایسه با ماه ژانویه آن است که ماکزیمم SCAs در این ماه به سمت SCDs کمتر تمایل مییابد.
شکل16. ارتباط SCAs با SCDs (ژانویه) شکل17. ارتباط SCAs با SCDs (فوریه)
Fig 17. Relationship between SCAs and SCDs (February) Fig 16. Relationship between SCAs and SCDs (January)
بر اساس شکل 18 که ارتباط SCAs و SCDs را در ماه مارس نشان میدهد اینطور استنباط میشود که الگوی کلی تغییرات در این ماه بهطورکلی به نسبت ماههای ژانویه و فوریه تغییر میکند. ماکزیمم SCAs در این ماه دارای SCDs کمتر از 5 روز است. در این ماه SCDs بالاتر از 15 روز دارای SCAs بسیار کمی است. SCDs بین 5 تا 15 روز دارای SCA در حدود 10000 کیلومترمربع میباشد. شکل 19 ارتباط سطوح برف-پوش با تعداد روزهای برف-پوشان در ماه آوریل را نشان میدهد. الگوی کلی این ماه شباهت بسیار بالایی به الگوی ماه مارس دارد. بیشترین SCAs مربوط به SCDs کمتر از 2 روز میشود و با افزایش SCDs به بیش از 2 روز به یکباره SCAs به شیب بسیار بالایی، کاهش مییابد. در ماه آوریل که برابر با 12 فروردین تا 10 اردیبهشت میشود، مطابق با فصل ذوب بهاره بوده و SCAs بهشدت رو به کاهش گذاشته و در نتیجه در این ماه، سطوح بسیار زیادی از منطقه تنها کمتر از 2 روز پوشش برفی یا SCDs دارند.
شکل18. ارتباط SCAs با SCDs (مارس) شکل19. ارتباط SCAs با SCDs (آوریل)
Fig 19. Relationship between SCAs and SCDs (April) Fig 18. Relationship between SCAs and SCDs (March)
بر اساس شکل 20 الگوی کلی ماه می شباهت زیادی به الگوی ماه آوریل و مارس دارد با این تفاوت که کاهش SCAs در SCDs بیش از 2 روز مشهود است. در این ماه SCAs نواحی و مناطقی که دارای SCDs برابر و کمتر از 2 روز هستند، نسبتاً بالا است و ماکزیمم به کمی بیش از 160000 کیلومترمربع در منطقه مورد بررسی میرسد. بر اساس شکل 21 که ارتباط SCAs و SCDs در ماه ژوئن را در مقابل یکدیگر نشان میدهد اینطور برداشت میشود که الگوی کلی بسیار مشابه ماه پیش یعنی می است با این تفاوت که SCAs نواحی و اراضی که دارای SCDs کمتر از 2 روز هستند حداکثر 10000 کیلومترمربع کاهش نشان میدهد.
شکل20. ارتباط SCAs با SCDs (می) شکل21. ارتباط SCAs با SCDs (ژوئن)
Fig 21. Relationship between SCAs and SCDs (June) Fig 20. Relationship between SCAs and SCDs (May)
در مورد ارتباط SCAs و SCDs در ماه جولای بر اساس شکل 22 اینطور برداشت میشود که الگوی این ماه شباهت بسیار بالایی با ماه می و ژوئن نشان میدهد. دقیقاً مطابق با دو ماه قبلی، SCAs مناطق و اراضی که دارای SCDs کمتر از 2 روز هستند، زیاد بوده اما در این ماه ماکزیمم SCAs به مقدار 140000 کیلومترمربع کاهش مییابد. در نتیجه الگوی کلی شباهت زیادی با دو ماه پیشین نشان میدهد ولی SCAs که دارای SCDs کمتر از 2 روز هستند، با ماکزیمم 20000 کیلومترمربع کاهش همراه میگردد. بر اساس شکل 23 که ارتباط SCAs و SCDs ماه اوت را نشان میدهد اینطور میتوان گفت که الگوی بسیار مشابهی با ماه جولای دارد. سطوحی که کمتر از 2 روز SCDs دارند، حداکثر 140000 کیلومترمربع از منطقه شمال غرب را پوشش میدهند؛ و افت این سطوح به نسبت ماه قبل ناچیز است.
شکل22. ارتباط SCAs با SCDs (جولای) شکل23. ارتباط SCAs با SCDs (اوت)
Fig 23. Relationship between SCAs and SCDs (August) Fig 22. Relationship between SCAs and SCDs (July)
بر اساس شکل 24 که ارتباط SCAs و SCDs ماه سپتامبر در منطقه شمال غرب ایران را نشان میدهد ذکر این نکته ضروری است که بعد از 6 ماه کاهش مستمر سطوح برفی در این منطقه اولین ماهی که مجدداً سطوح برفی افزایش نشان میدهد مربوط به همین ماه است. در ماه سپتامبر بعد از ماهها مجدداً SCAs که دارای SCDs کمتر از 2 روز هستند، 20000 کیلومترمربع در منطقه مورد بررسی افزایش نشان میدهد و به مقدار حدوداً 160000 کیلومترمربع بالغ میگردد. بر اساس شکل 25 که ارتباط SCAs و SCDs ماه اکتبر در منطقه شمال غرب را نشان میدهد اینطور میتوان گفت که الگوی کلی وردشهای این ماه مشابه 5 ماه پیش است با این تفاوت که در این ماه SCAs نواحی که دارای SCDs کمتر از 2 روز هستند افزایش نشان میدهد و حداکثر به 180000 کیلومترمربع میرسد. در نتیجه این ماه حدود 20000 کیلومترمربع به سطوح برفی که دارای SCDs کمتر از 2 روز هستند، اضافه میشود.
شکل24. ارتباط SCAs با SCDs (سپتامبر) شکل25. ارتباط SCAs با SCDs (اکتبر)
Fig 25. Relationship between SCAs and SCDs (October) Fig 24. Relationship between SCAs and SCDs (September)
بر اساس شکل 26 در ماه نوامبر مجدداً بهصورت معناداری SCAs که دارای SCDs کمتر از 5 روز هستند، افزایش مییابد به این صورت که ماکزیمم این سطوح به 90000 کیلومترمربع بالغ میگردد. SCAs نواحی و مناطقی که دارای SCDs بین 5 تا 10 روز هستند نیز در این ماه افزایش جزئی نشان میدهد و ماکزیمم به 10000 کیلومترمربع بالغ میگردد. ماه نوامبر به لحاظ الگوی فضایی ارتباط بین SCAs و SCDs آخرین ماه از ماه مارس به بعد است که دارای این الگوی فضایی است و از این ماه به بعد الگوی فضایی ارتباط SCAs و SCDs در منطقه شمال غرب بهطورکلی تغییر میکند. بر اساس شکل 27 که ارتباط SCAs و SCDs ماه دسامبر در منطقه شمال غرب را نشان میدهد به ذکر چند موضوع اشاره میشود. نخست آنکه از ماه مارس به بعد، اولین ماهی که الگوی فضایی وردشهای فنولوژیک SCAs و SCDs بهطورکلی تغییر میکند، ماه دسامبر است. SCAs در نواحی که دارای SCDs بین 2 روز تا 10 هستند به یکباره افزایش قابلتوجهی نشان میدهد. SCAs در اراضی با SCDs حدوداً 4 روز در ماکزیمم قرار میگیرد و سطحی در حدود 20000 کیلومترمربع را پوشش میدهد. اراضی با SCDs بین 5 تا 10 روز نیز سطوح قابلتوجهی را در بر میگیرد و بین 10 تا 17 هزار کیلومترمربع را شامل میشود. اراضی با SCDs بین 10 تا 20 روز نیز چیزی در حدود 2 تا 10 هزار کیلومترمربع را اشغال مینماید.
شکل26. ارتباط SCAs با SCDs (نوامبر) شکل27. ارتباط SCAs با SCDs (دسامبر)
Fig 27. Relationship between SCAs and SCDs (December) Fig 26. Relationship between SCAs and SCDs (November)
شکل 28 الگوی کلی وردشهای SCAs در ارتباط با SCDs در منطقه شمال غرب را نشان میدهد. بر این اساس، بیشترین SCAs در SCDs بین 20 تا 40 روز در این منطقه توزیع شده است که سطحی در حدود 4000 تا 10000 کیلومترمربع را شامل میشود. SCAs بین 50 تا 100 روز به نسبت کاهش قابل توجه داشته و چیزی در حدود 500 تا 2000 کیلومترمربع را در بر میگیرد.
شکل28. ارتباط SCAs با SCDs در بازه بلند-مدت (2020 – 2003)
Fig 28. Relationship between SCAs and SCDs (2003-2020)
واکاوی ارتباط تعداد روز برف-پوشان (SCDs) با مؤلفه توپوگرافیکی ارتفاع
در گام دیگر از تحلیلهای فنولوژیک برف به بررسی و واکاوی ارتباط تعداد روزهای برف-پوش با مؤلفه توپوگرافیکی ارتفاع در بازه ماهانه پرداخته شد. شکل 29 ارتباط وردشهای SCDs با ارتفاع را در منطقه شمال غرب در ماه ژانویه نشان میدهد الگوی کلی از افزایش SCDs با ارتفاع حکایت دارد. این ارتباط تا حدوداً ارتفاع 3500 متری مستقیم و افزایشی است. ناهنجاریهایی بین تغییرات ارتفاع و تغییرات SCD از ارتفاع 3500 متری تا حدوداً 4250 متری مشاهده میشود. از ارتفاع 2000 متری به بعد منطقه در ماه ژانویه دارای بیش از 15 روز SCDs است که البته ماکزیمم در برخی باندهای ارتفاعی به بالای 20 روز نیز تجاوز میکند. بر اساس شکل 30 که ارتباط وردشهای SCDs و ارتفاع ماه فوریه را نشان میدهد اینطور میتوان گفت که الگوی فضایی بسیار مشابه ماه ژانویه است؛ اما مقادیر مطلق دچار تغییرات کاهشی شدهاند. تقریباً در تمامی باندهای ارتفاعی در این ماه به نسبت ماه پیش، بین 3 تا 6 روز کاهش SCDs محسوس است. با این وجود الگوی تغییرات نسبی بسیار مشابه ماه ژانویه است.
شکل29. ارتباط وردشهای SCDs با تغییرات ارتفاعی (ژانویه) شکل30. ارتباط وردشهای SCDs با تغییرات ارتفاعی (فوریه)
Fig 30. Relationship between SCDs variations and altitude changes (February) Fig 29. Relationship between SCDs variations and altitude changes (January)
بر اساس شکل 31 که ارتباط وردشهای SCDs با ارتفاع سطح زمین در ماه مارس را نشان میدهد اینطور برداشت میشود که الگوی کلی تغییرات مشابه با دو ماه پیش است با این تفاوت که میزان مطلق SCDs در تمامی باندهای ارتفاعی کاهش نشان داده است. کاهش SCDs در ارتفاعات زیر 2000 متر محسوس و به کمتر از 4 روز کاهش یافته است؛ اما ارتفاعات بالای 2500 متر همچنان بین حدوداً 10 تا 15 روز پوشش برفی را میتوانند نگهداری کنند. نکته دیگر در افت SCDs قابل توجه در ارتفاعات بالای 3500 متر است. بر اساس شکل 32 که ارتباط وردشهای SCDs در پاسخ به تغییرات ارتفاع در ماه آوریل نشان میدهد باید چنین گفت که اراضی کمتر از 2000 متر بهشدت و به یکباره با افت مشخص SCD در این ماه روبهرو میشوند. اختلاف بین SCDs در اراضی کمتر از 2000 متر و بالاتر بهشدت افزایش مییابد و به چیزی در حدود 10 تا 12 روز میرسد. الگوی کلی با الگوی فضایی ماه ژانویه تا مارس شباهت دارد ولی اختلاف SCDs بین اراضی پایینتر از 2000 متر و بالاتر از آن بهشدت افزایش مییابد.
شکل31. ارتباط وردشهای SCDs با تغییرات ارتفاعی (مارس) شکل32. ارتباط وردشهای SCDs با تغییرات ارتفاعی (آوریل)
Fig 32. Relationship between SCDs variations and altitude changes (April) Fig 31. Relationship between SCDs variations and altitude changes (March)
بر اساس شکل 33 که ارتباط وردشهای SCDs با تغییرات ارتفاعی در ماه می را نشان میدهد اینگونه میتوان اظهار نظر کرد که افت SCDs در تمامی باندهای ارتفاعی مشخص است اما در این ماه ارتفاعات زیر 2500 متر، کاهش بسیار سنگینی در SCDs تجربه میکنند. اختلاف SCDs بین اراضی زیر 2000 متر و بالاتر ماکزیمم به حدوداً 14 روز میرسد. در این ماه تباین بین اراضی کوهستانی و اراضی هموار و پست و دشتهای پیرامون، بسیار بالا است. بر اساس شکل 34 میتوان گفت که در ماه ژوئن افت SCDs در اراضی تا ارتفاع 3000 متر کاملاً محسوس است. الگوی فضایی نمودار به نسبت ماههای پیش تغییرات مشخصی نشان میدهد. تراکم SCDs بیشتر به سمت کوهستانهای بسیار مرتفع و بالای 4000 متری متمرکز شده است. الگوی فضایی وردشهای این ماه را میتوان اولین نمونه از الگوی ماههای گرم در نظر گرفت. همین الگو در ماههای گرم بعدی نیز به نحوی مشابه تکرار میشود.
شکل33. ارتباط وردشهای SCDs با تغییرات ارتفاعی (می) شکل34. ارتباط وردشهای SCDs با تغییرات ارتفاعی (ژوئن)
Fig 34. Relationship between SCDs variations and altitude changes (June) Fig 33. Relationship between SCDs variations and altitude changes (May)
بر اساس شکل 35 افت قابل توجه SCDs در ماه جولای در باندهای مختلف ارتفاعی بهخصوص باندهای پائین تر از 4000 متری مشخص است. در این ماه که در اوج تابستان قرار دارد، کاهش SCDs در بیشتر سطوح منطقه مسلط شده بهطوریکه بیشتر اراضی SCDs کمتر از 2 روز را تجربه میکنند. ارتفاعات سبلان و تا حدی سهند به دلیل برخورداری از ارتفاع بسیار بالا و توان بالا در نگهداشت SCDs باعث شده که در این ماه بتوانند از ارتفاع 4000 متر به بالا SCDs را ماکزیمم تا 14 روز نگهداری نمایند. البته باید به این موضوع توجه داشت که این نواحی سطوح بسیار کم و نزدیک به قلههای اصلی را در بر میگیرند. بر اساس شکل 36 افت قابل توجه SCDs در ماه اوت حتی در ارتفاعات بالای 3500 متر نیز مشهود است. در این ماه نواحی کوهستانی بسیار مرتفع نیز بخش مهمی از توان نگهداشت SCDs را از دست دادهاند. در ماه جولای که در ارتفاعات بالای 3500 متر SCDs ماکزیمم به 14 روز میرسید در این ماه به تنها 4 روز کاهش یافته است. بر این اساس، ماه اوت پایینترین نرخ SCDs در تمامی باندهای ارتفاعی در منطقه شمال غرب ایران است. در این ماه حتی ارتفاعات بالای 3500 متر SCDs ناچیز در حدود 4 روز را تجربه میکنند.
شکل35. ارتباط وردشهای SCDs با تغییرات ارتفاعی (جولای) شکل36. ارتباط وردشهای SCDs با تغییرات ارتفاعی (اوت)
Fig 36. Relationship between SCDs variations and altitude changes (August) Fig 35. Relationship between SCDs variations and altitude changes (July)
بر اساس شکل 37 کاملاً افزایش SCDs در ماه سپتامبر در باندهای ارتفاعی مرتفع بسیار مشهود است. در این ماه مجدداً SCDs از باندهای مرتفع ارتفاعی شروع به افزایش مشهود میکند. بهطوریکه در این ماه SCDs در ارتفاعات بالای 3500 متر مجدداً از ماکزیمم 4 روز در ماه اوت به نزدیک 10 روز در ماه سپتامبر افزایش مییابد. در این ماه افزایش SCD در ارتفاعات بالای 4000 متر، مشخص و مشهود، در ارتفاعات بین 3000 تا 4000 متر متوسط و در ارتفاعات 1500 تا 3000 متر بهصورت ضعیف حادث شده است. در ارتفاعات زیر 1500 متر هنوز افزایش SCDs در این ماه حادث نشده است. بر اساس شکل 38 که ارتباط SCDs و ارتفاع سطح زمین در ماه اکتبر را نشان میدهد چنین میتوان ادعا نمود که افزایش قابل توجه SCDs در ارتفاعات بالای 3500 متر در این ماه اتفاق میافتد. در این ارتفاعات ماکزیمم SCDs به بالای 16 روز افزایش مییابد. افزایش در نواحی مرتفع بسیار بیش از اراضی کم ارتفاع است.
شکل37. ارتباط وردشهای SCDs با تغییرات ارتفاعی (سپتامبر) شکل38. ارتباط وردشهای SCDs با تغییرات ارتفاعی (اکتبر)
Fig 38. Relationship between SCDs variations and altitude changes (October) Fig 37. Relationship between SCDs variations and altitude changes (September)
بر اساس شکل 39 چنین میتوان ادعا نمود که ماه نوامبر اولین ماه از تغییر الگوی SCDs به الگوی ماههای سرد است. در این ماه خیزش منحنی SCDs در حوالی 3000 تا 4000 متر حادث میشود و الگو و فرم کلی نمودار به الگوی کلی ماههای سرد شبیه میشود. افزایش SCDs در تمامی باندهای ارتفاعی قابل توجه بوده و در باندهای ارتفاعی 3500 متر به بالا، SCDs به بالای 15 روز و ماکزیمم به 20 روز نیز افزایش مییابد. بر اساس شکل 40 الگوی ماه دسامبر کاملاً فرم ماههای سرد را به خود گرفته است. خیزش منحنی SCDs در حوالی ارتفاع 2500 تا 3500 محسوس است. کاهش SCDs در ارتفاع حدوداً 4000 متری مشهود است. افزایش SCDs در ارتفاعات زیر 2000 متر نیز مشخص است. در این ماه در ارتفاع 3500 متر نرخ SCDs به بالاترین حد یعنی 22 روز افزایش مییابد.
شکل39. ارتباط وردشهای SCDs با تغییرات ارتفاعی (نوامبر) شکل40. ارتباط وردشهای SCDs با تغییرات ارتفاعی (دسامبر)
Fig 40. Relationship between SCDs variations and altitude changes (December) Fig 39. Relationship between SCDs variations and altitude changes (November)
در بازه بلندمدت 2020-2003 بهطورکلی در همه طبقات ارتفاعی افزایش ارتفاع با افزایش SCDs ارتباط مستقیم و افزایشی نشان میدهد؛ اما شیب تغییرات در برخی طبقات کمی ناهنجاری نشان میدهد. در ارتفاعات کمتر از 1500 متر، افزایش ارتفاع با شیب ملایمتری منجر به افزایش SCDs میگردد درحالیکه در ارتفاعات 1500 تا 3500 متری این شرایط متفاوت است و افزایش ارتفاع با قدرت بیشتری SCDs را افزایش میدهد. یک ناهنجاری محلی در ارتفاع 3500 تا 4000 متری مشاهده میشود. در این ارتفاع کمی با افزایش ارتفاع SCDs کاهش مییابد که دلیل آن را باید در افزایش شیب زمین و ناپایداری SC بر روی سطوح پر شیب دانست و همچنین عوامل اقلیمی همچون کاهش نسبی ابرناکی و یا کاهش قدرت سیستمهای بارشی و عدم توان نفوذ این سامانهها به ارتفاعات بسیار بالا و عوامل دیگری از این دست. در الگوی بلندمدت اراضی کمتر از 1500 متر بین 0 تا 20 روز پوشش برفی را میتوانند نگهداری کنند. در ارتفاعات بین 1500 تا 3500 روز بین 40 تا 120 روز توان نگهداشت پوششهای برفی وجود دارد و در ارتفاعات بین 3500 تا بیش از 4500 متر، بین 120 تا 160 روز در سال توان نگهداشت پوشش برفی وجود دارد (شکل 41).
شکل41. ارتباط وردشهای SCDs با تغییرات ارتفاعی (بازه بلندمدت 2020 تا 2003)
Fig 41. Relationship between SCDs variations and altitude changes (2003-2020)
بحث و نتیجهگیری
در این پژوهش بهمنظور واکاوی وردشهای فضایی – زمانی روزهای برفپوشان در گستره شمال غربی ایرانزمین از دادههای نسخه ششم سنجنده مادیس تررا و مادیس آکوا بهصورت روزانه در بازه زمانی 2020-2003 با توان تفکیک بسیار خرد (500 متر) بهره گرفته شد. قبل از استفاده از دادههای روزانه برفپوش، پیشپردازشهای ضروری بر روی آنها بهمنظور کاهش اثر ابرناکی انجام شد. بدین منظور، سه الگوریتم ادغام و ترکیب دادهها، پالایه همسایگی فضایی و پالایه زمانی بر روی دادههای خام اولیه اعمال شد. دادهها به تفکیک هر ماه پردازش و فرایند برآورد میانگین بسامد روزهای برفپوشان بهصورت ماهانه و در کل دوره زمانی مورد بررسی انجام شد. برای الگوی رقومی ارتفاع، از مدل رقومی سطحی (DSM) سازمان اکتشافات فضایی ژاپن استفاده شد. در ادامه، ارتباط بین دو مولفة فنولوژیک برف-پوش (SCAs و SCDs) و پیوند شمار روزهای برف-پوش با مؤلفه توپوگرافیکی ارتفاع مورد بررسی و تحلیل قرار گرفت. بررسیها نشان از کاهش شمار روزهای برفپوشان در ماههای زمستانه دارد، البته، این کاهش در بیشینه SCDs مارس در مقایسه با فوریه ملایمتر از فوریه به نسبت ژانویه است. کاهش شمار روزهای برفپوشان در ماههای زمستانه میتواند توزیع رواناب را در گستره مطالعاتی تحتالشعاع قرار داده و ضمن سوق آن بهسوی ناهنجاری، پیامدهای سویی را از نظر بیلان آبی در منطقه به همراه داشته باشد. بررسی تغییرات SCDs در ماههای بهاره و تابستانه نقش مهم دو عامل عرض جغرافیایی و ارتفاع را در کاهش این مؤلفه فنولوژیک در پهنه شمال غربی آشکار میکند. پردازشها نشان میدهد که ماه سپتامبر به همراه ماههای اوت، جولای و اکتبر دارای کمترین نرخ SCDs ماهانه در پهنه مورد بررسی هستند. در گستره شمال غرب پس از 4 ماه متوالی فوق که با نزول SCDs همراه بوده است، افزایش SCDs در دو ماه پاییزی نوامبر و دسامبر روندی صعودی به خود میگیرد و تا ژانویه در زمستان این روند افزایشی بهویژه در تمامی تودهای کوهستانی نسبتاً مرتفع و بسیار مرتفع استمراری آشکار دارد. در این دوره زمانی بیشینه SCDs در واحدهای کوهستانی بسیار بلند همچون تودههای کوهستانی سهند و سبلان، قندیل، تخت سلیمان و چهل چشمه کردستان از 8/25-15 روز متغیر است که نشان از افزایش چشمگیر این مؤلفه فنولوژیک برف به پیروی از عامل ارتفاع در پهنه مطالعاتی دارد. در بازه بلندمدت، بیشینه مطلق SCDs (معادل با 160 روز) غالباً محدود به پهنههای بسیار مرتفع و توده کوهستانی سبلان و چندین قله بسیار مرتفع دیگر با گستره نهچندان زیاد است. این در حالی است که کیخسروی کیانی و مسعودیان (14) بیشترین شمار روزهای برفپوشان را در این منطقه با 132 روز در کوهستان سبلان برآورد کردهاند. میانگین پهنهای SCDs در بازه بلندمدت در منطقه مطالعاتی برابر با 95/32 روز با پوشش برفی است. بهطورکلی، بررسی ارتباط SCDs با مولفة توپوگرافیکی ارتفاع نشان از پیوند مثبت و نیرومند بین این دو متغیر محیطی دارد؛ اما آهنگ شمار روزهای برفپوشان با میزان افزایش ارتفاع در ماههای مختلف سال متفاوت است. بررسی وردشهای روزهای برفپوشان در ماههای مارس و آوریل گویای کاهش روزهای برفپوشان در طبقات ارتفاعی بلند در پهنه مورد بررسی است. درعینحال، نشان از الگوی افزایشی شمار روزهای برفپوشان در ماههای پاییزی نوامبر و دسامبر در بسیاری از کمربندهای ارتفاعی دارد. واکاوی ارتباط SCAs و SCDs نشان داد که ازآنجاییکه با افزایش ارتفاع، سطوح توپوگرافی کاهش مییابد؛ لذا در پهنههای دارای SCDs بالاتر (ارتفاعات) افزایش این مؤلفه فنولوژیک برف، کاهش SCAs را به همراه دارد. در بازه بلندمدت، بیشینه سطوح SCAs در SCDs بین 20 تا 40 روز در این منطقه توزیع شده است که گسترهای در حدود 4000 تا 10000 کیلومترمربع را در بر میگیرد. ارتباط وردشهای SCDs با تغییرات ارتفاعی نیز نشان داد که کمینه نرخ SCDs در تمامی باندهای ارتفاعی در گستره شمال غرب ایران در ماه اوت روی داده است؛ بهگونهای که حتی ارتفاعات بالای 3500 متر SCDs ناچیز در حدود 4 روز را تجربه میکنند. در ماه دسامبر در ارتفاع 3500 متر نرخ SCDs به بالاترین حد یعنی 22 روز افزایش مییابد. در بازه بلندمدت در تمامی طبقات ارتفاعی با افزایش ارتفاع بر SCDs افزوده میشود و مابین این دو ارتباط مستقیم و افزایشی آشکاری وجود دارد. این در حالی است شیب تغییرات در برخی طبقات ارتفاعی ناهنجاریهای اندکی نشان میدهد. بدین صورت که در ارتفاع 3500 تا 4000 متری با افزایش ارتفاع، SCDs به سبب افزایش شیب زمین و ناپایداری SC بر روی سطوح پرشیب کمی کاهش مییابد. به پژوهشگران آتی پیشنهاد میگردد ارتباط برفپوش با دمای سطح زمین (LST) و پیوند آن با سایر مؤلفههای توپوگرافیکی نظیر شیب و جهت شیب، ارتفاع تراز انجماد (Freezing Level Height) را در پژوهشهای خویش مورد بررسی و واکاوی قرار دهند. همچنین توصیه میشود نتایج حاصله از دادههای دورسنجی منابع مختلف با یکدیگر مقایسه و تشابهات و اختلافات احتمالی آنها بررسی گردد.
تقدير و تشكر
این مقاله بخشي از پاياننامه با عنوان «پایش و ارزیابی وردشهای فضایی - زمانی برفپوش در پهنه شمال غربی ایران» در مقطع دكترا در سال 1402 است كه با حمايت دانشگاه محقق اردبیلی اجرا شده است.
منابع مورد استفاده
Akyürek Z, Sorman A.Ü. 2002. Monitoring snow-covered areas using NOAA-AVHRR data in the eastern part of Turkey. Hydrological Sciences, 47: 243–252.
Alhossaini Almodaresi S.A, Hatami J, Sarkargar A. 2016. Calculating the physical properties of snow, using differential radar interferometry and Terra SAR-X and MODIS images. RS and GIS for Natural Resources, 7 (2): 59-76. (In Persian).
Brown R.D. 2000. Northern Hemisphere snow cover variability and change, 1915–97. Journal of Climate, 13: 2339–2355. DOI: https://doi.org/10.1175/1520-0442(2000)013<2339:NHSCVA>2.0.CO;2
Butt M.J, Bilal M. 2011. Application of snowmelt runoff model for water resource management. Hydrological Processes, 25: 3735–3747. Doi:https://doi.org/10.1002/hyp.8099
Dietz A.J, Kuenzer C, Conrad C. 2013. Snow-cover variability in central Asia between 2000 and 2011 derived from improved MODIS daily snow-cover products. International journal of remote sensing, 34(11): 3879- 3902. Doi: https://doi.org/10.1080/01431161.2013.767480
Dietz A, Conrad C, Kuenzer C, Gesell G, Dech S. 2014. Identifying changing snow cover characteristics in central Asia between 1986 and 2014 from remote sensing data. Remote Sensing, 6(12): 12752- 12775. DOI: 10.3390/rs61212752
Foster J, Liston G, Koster R, Essery R, Behr H, Dumenil L, Verseghy D, Thompson, S, Pollard D, Cohen J. 1996. Snow cover and snow mass intercomparisons of general circulation models and remotely sensed datasets. Journal of Climate, 9: 409-426. DOI: https://doi.org/10.1175/1520-0442(1996)009<0409:SCASMI>2.0.CO;2
Foster J, Sun C, Walker J.P. Kelly R, Chang A, Dong J, Powell H. 2005. Quantifying the uncertainty in passive microwave snow water equivalent observations. Remote Sensing of Environment, 94: 187–203. Doi: https://doi.org/10.1016/j.rse.2004.09.012
Gafurov A, Bardossy A. 2009. Cloud removal methodology from MODIS snow cover product, Hydrol. Earth Syst. Sci, 13: 1361–1373. Doi: https://doi.org/10.5194/hess-13-1361-2009
Halabian, A.H, Solhi S. 2020. Spatiotemporal changes in snow-cover related to the land surface temperature over central Alborz. Physical Geography, 47: 53-75. Doi: 20.1001.1.20085656.1399.13.47.4.6 (In Persian).
Hall D, Foster J, Verbyla D, Klein A, Benson C. 1998. Assessment of snow-cover mapping accuracy in a variety of vegetation-cover densities in central Alaska. Remote Sensing of Environment, 66(2), 129-137. Doi: https://doi.org/10.1016/S0034-4257(98)00051-0
Jain S.K, Goswami A, Saraf A.K. 2008. Accuracy assessment of MODIS, NOAA and IRS data in snow cover mapping under Himalayan conditions. International Journal of Remote Sensing, 29: 5863–5878. Doi: https://doi.org/10.1080/01431160801908129
Ke C, Liu X. 2014. Modis-observed spatial and temporal variation in snow cover in Xinjiang, China; Climate Research, 59:15-26. doi: 10.3354/cr01206
Keikhosrvai Kiany M.S, Masoudian S.A. 2017. Identification of snow reservoirs in Iran. Physical Geography Research Quarterly, 49 (3): 395-408. Doi: 10.22059/JPHGR.2017.212604.1006908 (In Persian).
Lemke P, Ren J, Alley R.B, Allison I, Carrasco J, Flato G, Fujii Y, Kaser G, Mote P, Thomas,R.H, Zang T. 2007. Observations: changes in Snow, ice and frozen ground. In climate change 2007: The physical science basis. contribution of working group I to the fourth assessment report of the intergovernmental panel on climate change, S. Solomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor and H.L. Miller (Eds.): 337–384 (Cambridge and New York: Cambridge University Press).
Mölg N, Rastner P, Irsara L, Notarnicola C, Steurer C, Zebisch M. 2010. Multi-temporal modis snow cover monitoring over the alpine regions for civil protection applications, Remote Sensing for Science. Education and Natural and Cultural Heritagein 30th EARSel symposium, 31st May–3rd June.
Notarnicola C. 2020. Hotspots of snow cover changes in global mountain regions over 2000–2018, Remote Sensing of Environment. 243(15): 111781. Doi: https://doi.org/10.1016/j.rse.2020.111781
Parajka J, Bloschi G. 2008. The value of MODIS snow cover data in validating and calibrating conceptual hydrological models. Journal of Hydrology, 358: 240-258. Doi: https://doi.org/10.1016/j.jhydrol.2008.06.006
Peng S, Piao S, Ciais P, Fang J. 2010. Change in winter snow depth and its impacts on vegetation in China. Global Change Biology, 16: 3004–3013. DOI: 10.1111/j.1365-2486.2010.02210.x
Pepe M, Brivio P.A, Rampini A, Rota Nodari F. Boschetti M. 2005. Snow cover monitoring in Alpine regions using ENVISAT optical data. International Journal of Remote Sensing, 26: 4661–4667. Doi: https://doi.org/10.1080/01431160500206635
Riggs G.A, Hall D.K. 2015. MODIS Snow Products Collection 6 User Guide, modis-snow-ice.gsfc.nasa.gov: 1-66.
Saavedra F.A, Kampf S.K, Fassnacht S.R, Sibold J.S. 2018. Changes in Andes Mountains snow cover from MODIS data 2000–2016. Cryosphere 12: 1027–1046. Doi: 10.5194/tc-2017-72, 2017
She J, Zhang Y, Li X, Chen Y. 2014. Changes in snow and glacier cover in an arid watershed of the western Kunlun Mountains using multisource remote-sensing data‚ International journal of remote sensing, 35(1): 234- 252. DOI: 10.1080/01431161.2013.866296
Simpson J.J, Stitt J.R, Sienko M. 2001. Improved Estimates of the Areal Extent of Snow Cover from AVHRR Data. Journal of Hydrology, 204(1-4): 1-23. Doi: https://doi.org/10.1016/S0022-1694(97)00087-5
Sood V, Singh S, Taloor A.K, Prashar S, Kaur R. 2020. Monitoring and mapping of snow cover variability using topographically derived NDSI model over north Indian Himalayas during the period 2008–19. Applied Computing and Geosciences, 8 (2020) 100040: 1-9. Doi: https://doi.org/10.1016/j.acags.2020.100040
Takaku J, Tadono T, Tsutsui K. 2014. Generation of high-resolution global DSM from ALOS PRISM, The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences, 4: 243-248, ISPRS. Doi: https://doi.org/10.5194/isprsarchives-XL-4-243-2014
Vikhamar D, Solberg R. 2003. Snow-cover mapping in forests by constrained linear spectral unmixing of MODIS data. Remote Sensing of Environment, 88: 309–323. Doi: https://doi.org/10.1016/j.rse.2003.06.004
Wang X. Xie H. 2009. New methods for studying the spatiotemporal variation of snow cover based on combination products of MODIS Terra and Aqua. Journal of hydrology, 371(1-4): 192-200. Doi: https://doi.org/10.1016/j.jhydrol.2009.03.028
Wang X, Xie H, Liang T, Huang X. 2009. Comparison and validation of MODIS standard and new combination of Terra and Aqua snow cover products in northern Xinjiang, China. Hydrological Processes: An International Journal, 23(3): 419- 429. DOI:10.1002/hyp.7151
Zhang G, Xie H, Yao T, Liang T, Kang S. 2012. Snow cover dynamics of four lake basins over Tibetan Plateau using time series MODIS data (2001-2010). Water resources research, 48: 1-22. Doi: https://doi.org/10.1029/2012WR011971
Zhang H, Zhang F, Zhang G, Che T, Yan W, Ye M, Ma N. 2019. Ground-based evaluation of MODIS snowcover product V6 across China: Implications for the selection of NDSI threshold. Science of the Total Environment 651: 2712–2726. Doi: https://doi.org/10.1016/j.scitotenv.2018.10.128
Zhao H, Fernandes R. 2009. Daily snow cover estimation from advanced very high- resolution radiometer polar pathfinder data over northern hemisphere land surfaces during 1982–2004. Journal of Geophysical Research, 114: 1–14. Doi: https://doi.org/10.1029/2008JD011272
Spatiotemporal Variations of Snow-covered Days in the Northwest of Iran using Remote Sensing Data
In this research, the spatiotemporal variations of snow-covered days (SCDs) in this region were analyzed using the data of the sixth version of MODIS Terra and MODIS Aqua sensors on a daily basis in the period of 2003-2020. In order to reduce the cloud cover effect, three algorithms were applied to the data. For the digital elevation model, the Digital Surface Model (DSM) of the Japan Space Exploration Agency was used. The relation between two snow-cover phenological components (SCAs and SCDs) and the relation between the SCDs and the altitude were investigated. The findings show an increase in SCDs in the months of November, December, and January. Maximum SCDs are observed in January in Sabalan Mountain and then Sahand. The reduction of SCDs in the spring and summer months is also affected by the two factors of latitude and altitude. The absolute maximum of SCDs in this region is observed at 160 days/ year in the mountain of Sabalan. Examining the changes in SCDs in March and April shows a decrease in SCDs in high-altitude classes. At the same time, it shows the increasing pattern of SCDs in November and December at many altitude levels. Analysis of the relation between SCA and SCDs in different months illustrated that SCAs has decreased in regions with more SCDs (heights) due to the reduction of topographic areas. The relation of SCDs and altitude also showed that the minimum of SCDs occurred in all altitude levels (even altitudes above 3500 m with 4 days) in August and the maximum occurred in December with 22 days at the altitude of 3500 m. SCDs decrease with increasing altitude in mountainous areas of 3500 to 4000 m, due to the increase of land slope and instability of SC in steep areas.
Keywords: Snow-covered days (SCDs), Snow-covered areas (SCAs), Altitude, MODIS sensor, Northwest of Iran.
وردشهای فضایی- زمانی روزهای برفپوشان در شمالغرب ایران با استفاده از دادههای دورسنجی
چکیده مبسوط
طرح مسئله: ذخاير برفي حوضههای كوهستاني از منابع مهم و قابل اطمينان ایران محسوب میشود. آگاهي از ميزان ذخاير برفي در حوضههای آبريز براي استفاده آب معادل برف، ذخیرهسازی، كنترل سیلابها و تأمین آب مورد نياز پاییندست لازم است. پايش مكاني و زماني سطح پوشيده شده از برف و آب معادل برف از اهميت بالايي در زمينه سامانههاي هشدار سيل برخوردار است. بخش عظيمي از بارشها در حوضههاي شمال غربي ايران به شكل برف است و آب حاصل از ذوب برف، نقش مهمي در ايجاد رواناب سطحي، تغذيه آبهای زیرزمینی و ايجاد سيل ايفا میکند. پوشش برف معرف ميزان آب ذخيره شده در حوضههاي كوهستاني است لذا تعیین سطح پوشش برف در پهنه شمالغربی ایران و واکاوی تغییرات آن در ارتباط با مؤلفههای محیطی دیگر ضروری به نظر میرسد و سنجش از دور و تصاویر حاصل از آن بهعنوان ابزاری کارآمد در این امر محسوب میشوند. سطوح پوشیده از برف در اثر عوامل اقلیمی و توپوگرافی دستخوش تغییرات سریع و ناهمگن است. با توجه به اینکه ماهوارهها قادر به تصویربرداری از یک سطح در مقاطع زمانی مختلف هستند، در مطالعات برف سنجی این امکان را فراهم میکنند که پراکنش زمانی و مکانی برف مورد مطالعه قرار گیرد.
هدف: علاوه بر وردشهای فضایی و زمانی برف-پوش، ارتباط بین دو مولفة فنولوژیک برف-پوش (سطوح برف-پوش (SCAs) و تعداد روزهای برف-پوشان (SCDs)) و ارتباط شمار روزهای برف-پوش با مؤلفه توپوگرافیکی ارتفاع در پهنه شمالغربی ایران از دیگر اهداف این پژوهش است.
روش تحقیق: در این پژوهش، بهمنظور واکاوی وردشهای فضایی – زمانی روزهای برفپوشان در گستره شمالغربی ایران، از دادههای نسخه ششم سنجنده مادیس تررا و مادیس آکوا به صورت روزانه در بازه زمانی 2020-2003 بهره گرفته شد. برای واکاوی وردشهای فضایی- زمانی برفپوش بر روی قلمرو مورد بررسی، از کاشی H21v05 هر دو سنجنده مادیس ترا و اکوا که شمال غربی ایران را در بر میگیرد استفاده شد. با توجه به دورههای زمانی مذکور و استفاده همزمان از هر دو فرآورده سنجنده مادیس ترا و مادیس آکوا و درهمآمیزی آن دو در بازه زمانی مشترک و بهمنظور کاهش مسئله ابرناکی که موجب پنهان ماندن پوشش برف از دید ماهواره میشود، از هر دو فرآورده استفاده شد. بدین ترتیب، برای واکاوی وردشهای فضایی زمانی برف -پوش در پهنه شمال غربی ایران، دوره 2020-2003 (6544 روز) در نظر گرفته شد. قبل از استفاده از دادههای روزانه برفپوش، بهمنظور کاهش اثر ابرناکی، پیشپردازشهای ضروری بر روی آنها انجام شد. بدین منظور، سه الگوریتم ادغام و ترکیب دادهها، پالایه همسایگی فضایی و پالایه زمانی بر روی دادههای خام اولیه اعمال شد. دادهها به تفکیک هر ماه پردازش و فرایند برآورد میانگین بسامد روزهای برفپوشان به صورت ماهانه و در کل دوره زمانی مورد بررسی انجام شد. بهمنظور هماهنگسازي تفکیک فضایی دادههای برفپوش، متناسب با ماهیت و نوع داده، از روش بازآرایی شبکهای (تغییر اندازه یاختههای دادههای رستری نزدیکترین همسایه) برای دادههای برفپوش و روش میانیابی دوسویه برای دادههای مدل رقومی ارتفاع استفاده شد. برای الگوی رقومی ارتفاع، از مدل رقومی سطحی (DSM) سازمان اکتشافات فضایی ژاپن استفاده شد. در ادامه، ارتباط بین دو مولفة فنولوژیک برف-پوش (SCAs و SCDs) و پیوند شمار روزهای برف-پوش با مؤلفه ارتفاع مورد تحلیل قرار گرفت.
نتایج و بحث: بررسیها نشان از کاهش شمار روزهای برفپوشان در ماههای زمستانه دارد، البته، این کاهش در بیشینه SCDs مارس در مقایسه با فوریه ملایمتر از فوریه به نسبت ژانویه است. کاهش شمار روزهای برفپوشان در ماههای زمستانه میتواند توزیع رواناب را در گستره مطالعاتی تحت تأثیر قرار داده و با ایجاد ناهنجاری، پیامدهای نامناسبی را از نظر بیلان آبی در منطقه به همراه داشته باشد. پردازشها نشان دادند که سپتامبر، اوت، جولای و اکتبر دارای کمترین نرخ SCDs ماهانه در شمال غرب ایران هستند. در گستره شمالغرب ایران، پس از سپتامبر، اوت، جولای و اکتبر که با نزول SCDs همراه بوده است، مقدار SCDs در نوامبر و دسامبر روندی صعودی به خود میگیرد و این روند افزایشی بهویژه در تمامی تودهای کوهستانی نسبتاً مرتفع و بسیار مرتفع تا ژانویه استمراری آشکار دارد. در این دوره زمانی، بیشینه SCDs در واحدهای کوهستانی بسیار بلند همچون سهند و سبلان، قندیل، تخت سلیمان و چهل چشمه کردستان از 8/25-15 روز متغیر است که نشان از افزایش چشمگیر این مؤلفه فنولوژیک برف به پیروی از عامل ارتفاع در پهنه مطالعاتی دارد. بهطورکلی، بررسی ارتباط SCDs با مولفة توپوگرافیکی ارتفاع نشان از پیوند مثبت و نیرومند بین این دو متغیر محیطی دارد؛ اما آهنگ شمار روزهای برفپوشان با میزان افزایش ارتفاع در ماههای مختلف سال متفاوت است. در بازه بلندمدت، بیشینه سطوح SCAs در SCDs بین 20 تا 40 روز در این منطقه توزیع شده است که گسترهای در حدود 4000 تا 10000 کیلومترمربع را در بر میگیرد. در بازه بلندمدت، در تمامی طبقات ارتفاعی، با افزایش ارتفاع بر SCDs افزوده میشود و بین آنها ارتباط مستقیم و افزایشی آشکاری وجود دارد.
نتیجهگیری: یافتهها نشان از افزایش SCDs در ماههای نوامبر، دسامبر و ژانویه دارد. بیشینه SCDs در ژانویه مربوط به توده کوهستانی سبلان و سپس سهند دارد. پهنه شمالغربی شاهد کاهش شمار روزهای برفپوشان از ژانویه تا مارس است. کاهش SCDs در ماههای بهاره و تابستانه نیز متأثر از دو عامل عرض جغرافیایی و ارتفاع میباشد. بیشینه مطلق SCDs در این منطقه با 160 روز در سال در بلندیهای سبلان مشاهده میشود. بررسی تغییرات روزهای برفپوشان در ماههای مارس و آوریل نشان از کاهش SCDs در طبقات ارتفاعی بلند دارد. در عین حال، الگوی افزایشی SCDs در نوامبر و دسامبر را در بسیاری از کمربندهای ارتفاعی نشان میدهد. واکاوی ارتباط SCAs و SCDs در ماههای مختلف مشخص کرد که در پهنههای دارای SCDs بیشتر (ارتفاعات) به سبب کاهش سطوح توپوگرافی، از SCAs کاسته شده است. ارتباط وردشهای SCDs با ارتفاع نیز نشان داد که کمینه SCDs در تمامی باندهای ارتفاعی (حتی ارتفاعات بالای 3500 متر با 4 روز) در اوت و بیشینه آن در دسامبر با 22 روز در ارتفاع 3500 متر روی داده است. SCDs با افزایش ارتفاع در مناطق کوهستانی 3500 تا 4000 متری، به دلیل افزایش شیب زمین و ناپایداری SC بر روی سطوح پرشیب کاهش مییابد.
واژگان کلیدی: روزهای برفپوشان، سطوح برفپوشان، ارتفاع، سنجنده مادیس، شمالغرب ایران
Spatio-temporal variations of snow-covered days in northwest of Iran using remote sensing data
Extended abstract
Statement of the Problem: Snow reserves of mountain basins are considered as important and reliable resources of Iran. Knowledge of the amount of snow reserves in watersheds is necessary for the use of water equivalent to snow, storage, flood control and supply of water needed downstream. Spatial and temporal monitoring of the surface covered by snow and snow-equivalent water has high importance in the field of flood warning systems. A large part of the precipitation in the northwestern basins of Iran is in the form of snow, and the water from snowmelt plays an important role in creating surface runoff, feeding underground water, and causing floods. Snow cover represents the amount of water stored in mountain basins, therefore, determining the level of snow cover in the northwestern region of Iran and analyzing its changes in relation to other environmental components seems necessary, and remote sensing and the resulting images are considered an efficient tool in this matter. Snow-covered surfaces undergo rapid and heterogeneous changes due to climatic and topographical factors. Due to the fact that satellites are capable of imaging the same surface at different time points, in snow measurement studies, they provide the possibility to study the temporal and spatial distribution of snow.
Purpose: In addition to the spatial and temporal variations of snow-cover, the relationship between two snow-cover phonological components (snow-cover levels (SCAs) and the number of snow-cover days (SCDs)) and the relationship between the number of snow-cover days and the altitude component in the north-western part of Iran is one of the other goals of this research.
Methodology: In this research, in order to analyze the spatial-temporal variations of snow-covered days in the northwestern region of Iran, the data of the sixth version of Modis Terra and Modis Aqua sensors were used on a daily basis in the period of 2003-2020. To analyze the spatio-temporal changes of snow cover on the studied territory, tile H21v05 of both Modis Terra and Aqua sensors, which covers the northwest of Iran, was used. Considering the mentioned time periods and the simultaneous use of both Modis Terra and Modis Aqua sensor products and mixing them in a common time frame and in order to reduce the problem of cloudiness which causes the snow cover to be hidden from the satellite view, both products were used. In this way, the period of 2003-2020 (6544 days) was considered to analyze the temporal spatial variations of snow-covered in the northwestern region of Iran. Before using the daily snow cover data, in order to reduce the effect of cloudiness, necessary pre-processing was done on them. For this purpose, three algorithms of data integration and combination, spatial neighborhood filtering and temporal filtering were applied on the primary raw data. The data was processed separately for each month and the process of estimating the average frequency of snow-covered days was done monthly and in the entire time period. In order to harmonize the spatial separation of snow cover data, according to the nature and type of data, resample method (changing the size of the nearest neighbor raster data cells) for snow cover data and the bilinear interpolation method for the digital height model data were used.
For the digital height model, the Digital Surface Model (DSM) of Japan Space Exploration Agency was used. Next, the relationship between two snow-cover phonological components (SCAs and SCDs) and the relationship between the number of snow-cover days and the height component was analyzed.
Results and discussion: The surveys show a decrease in the number of snow-covered days in the winter months, of course, this decrease in maximum SCDs in March compared to February is milder than in February compared to January. The decrease in the number of snow-covered days in the winter months can affect the distribution of runoff in the study area and, by creating anomalies, bring unfavorable consequences in terms of the water balance in the region. The analysis showed that September, August, July and October have the lowest monthly rates of SCDs in northwest Iran. In the north-west of Iran, after September, August, July and October, which have been associated with the decrease of SCDs, the amount of SCDs in November and December takes an increase trend, and this increasing trend is especially in all relatively high mountain massifs and this increasing trend, especially in all relatively high and very high mountain massifs, has an obvious continuity until January. In this period of time, the maximum SCDs in very high mountain units such as Sahand and Sablan, Qandil, Takht Soleiman and Chehel Cheshme of Kurdistan range from 15-25 days, which shows the significant increase of this snow phonological component following the height factor in the study area. In general, examining the relationship between SCDs and the topographic component of height shows a positive and strong link between these two environmental variables; but the number of snow-covered days varies with the height increase in different months of the year. In the long term, the maximum levels of SCAs in SCDs are distributed between 20 and 40 days in this region, which covers an area of about 4000 to 10000 square kilometers. In the long term, in all altitude classes, SCDs increase with increasing altitude, and there is a direct and increasing relationship between them.
Conclusion: The findings show an increase in SCDs in the months of November, December, and January. Maximum SCDs are observed in January in Sabalan Mountain and then Sahand. The northwest region sees a decrease in the SCDs from January to March. The reduction of SCDs in the spring and summer months is also affected by the two factors of latitude and altitude. The absolute maximum of SCDs in this region is observed at 160 days/ year in the mountain of Sabalan. Examining the changes in SCDs in March and April shows a decrease in SCDs in high-altitude classes. At the same time, it shows the increasing pattern of SCDs in November and December at many altitude levels. Analysis of the relation between SCA and SCDs in different months illustrated that SCAs has decreased in regions with more SCDs (heights) due to the reduction of topographic areas. The relation of SCDs and altitude also showed that the minimum of SCDs occurred in all altitude levels (even altitudes above 3500 m with 4 days) in August and the maximum occurred in December with 22 days at the altitude of 3500 m. SCDs decrease with increasing altitude in mountainous areas of 3500 to 4000 m, due to the increase of land slope and instability of SC in steep areas.
Keywords: Snow-covered days (SCDs), Snow-covered areas (SCAs), Altitude, MODIS sensor, Northwest of Iran.