پایش و پیش‌بینی زمانی و مکانی گردوغبار معلق در جو در استان قزوین با استفاده از سامانۀ گوگل‌ارث‌انجین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد سنجش‌ازدور، گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران.

2 دانشجوی کارشناسی ارشد سنجش‌ازدور، گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران.

3 استادیار، گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران.

چکیده

گردوغبار به‌عنوان مهمترین رکن آلودگی هوا است که در سا­ل‌های اخیر غلظت آن در مناطق مختلف افزایش یافته است. پژوهش حاضر، با استفاده از سامانۀ گوگل ارث انجین و داده‌های ماهواره‌ای مودیس با قدرت تفکیک زمانی ۸ روزه و قدرت تفکیک مکانی 1km و 250m و همچنین روش‌های آماری از جمله همبستگی و هموارسازی نمایی سه‌گانه، به پایش و پیش‌بینی تغییرات مکانی و زمانی گردوغبار معلق در جو استان قزوین پرداخت. بدین منظور، با استفاده از تصاویر شاخص عمق اپتیکی آئروسل (AOD)، شاخص بهینه پوشش گیاهی (EVI) و شاخص تغییرات جزیره حرارتی (HI) مودیس و تهیه نقشه‌های پایش زمانی و مکانی آنها در طول دوره آماری 1394-1399 و پیش‌بینی روند آن تا 1409، ارتباط این عوامل با یکدیگر بررسی شد. نتایج پژوهش حاضر نشان‌دهنده افزایش میزان گردوغبار معلق در جو در استان قزوین از 0.461 در سال 1394 به 0.603 در سال 1396 بود. این میزان، سپس در یک روند کاهشی به 0.493 در سال 1397 رسیده بود که مجدداً به 0.575 در سال 1398 افزایش یافت. میزان گردوغبار معلق در جو سپس با کاهشی اندک به 0.536 در سال 1399 رسید. نتایج بیانگر ارتباط منفی بارندگی، رطوبت نسبی و پوشش گیاهی و ارتباط مثبت سرعت باد، تعداد روزهای یخبندان، دما، تغییرات جزیره حرارتی و ساعات آفتابی با مقادیر AOD بود. پژوهش حاضر با بررسی تغییرات غلظت گردوغبار معلق در جو در دو کلاس پرخطر و کم‌خطر و پیش‌بینی آن، افزایش کلاس پرخطر برای این استان را برای سال 1409 پیش‌بینی کرد. نتایج پژوهش حاضر به تصمیم‌گیران و برنامه‌ریزان کمک می‌کند تا با مدیریت پوشش گیاهی و برنامه‌ریزی در جهت کاهش جزایر حرارتی شهرها و همچنین برنامه‌های مدیریت بارش و رطوبت سطح شهرها به کاهش آلودگی‌های ناشی از گردوغبار معلق در جو در شهرها کمک کنند.

کلیدواژه‌ها

مراجع

  1. Ackerman, T.P., Braverman, A.J., Diner, D.J., Anderson, T.L., Kahn, R.A., Martonchik, J.V., Penner, J.E., Rasch, P.J., Wielicki, B.A., & Yu, B. (2004). Integrating and interpreting aerosol observations and models within the PARAGON framework. Bulletin of the American Meteorological Society, 85(10), 1523-1534.
  2. Alipour, N., Mesbahzadeh, T., Ahmadi, H., Malekian, A., & Jafari, M. (2018). Synoptic analysis of dust events and its relation with drought in Alborz and Qazvin provinces. Geography & Regional Planning, 8(2), 59-68. (in Farsi)
  3. Berwal, S. (2018). Urban heat island formation with respect to aerosol load and land-cover variations over Delhi-NCR. in AGU Fall Meeting Abstracts.
  4. Chi, Y., Zuo, S., Ren, Y., & Chen, K. (2019). The spatiotemporal pattern of the aerosol optical depth (AOD) on the canopies of various forest types in the exurban national park: a case in ningbo city, eastern China. Advances in Meteorology, 2019, 1-15.
  5. Chu, D., Kaufman, Y., Ichoku, C., Remer, L., Tanré, D., & Holben, B. (2002). Validation of MODIS aerosol optical depth retrieval over land. Geophysical research letters, 29(12), MOD2-1-MOD2-4.
  6. (2022). Climate & weather averages in Qazvin, Iran. Annual weather averages near Qazvin. Retrieved from 08 Mar 2022, from https://www.timeanddate.com/weather/iran/qazvin/climate
  7. Dastjerdi, J.K., Mousavi, S., & Kashki, A. (2012). Synoptic analysis of Ilam dust storms (1987-2005). Geography and Environmental Planning, 23(2), 15-34. (in Farsi)
  8. Dev, S., AlSkaif, T., Hossari, M., Godina, R., Louwen, A., & Van Sark, W. (2018). Solar irradiance forecasting using triple exponential smoothing. International Conference on Smart Energy Systems and Technologies (SEST). IEEE.
  9. Didan, K. (2018). MOD13Q1 v006. Retrieved from 25 Jan 2022, from https://lpdaac.usgs.gov/products/mod13q1v006/
  10. Farmer, A.M. (1993). The effects of dust on vegetation-a review. Environmental Pollution, 79(1), 63-75.
  11. Gardner Jr, E.S. (1985). Exponential smoothing: The state of the art. Forecasting, 4(1), 1-28.
  12. Gavrouzou, M., Hatzianastassiou, N., Gkikas, A., Korras-Carraca, M.-B., & Mihalopoulos, N. (2021). A global climatology of dust aerosols based on satellite data: spatial, seasonal and inter-annual patterns over the period 2005–2019. Remote Sensing, 13(3), 359.
  13. Goudie, A.S. (2009). Dust storms: Recent developments. Environmental Management, 90(1), 89-94.
  14. Heald, C., Ridley, D., Kroll, J., Barrett, S., Cady-Pereira, K., Alvarado, M., & Holmes, C. (2014). Contrasting the direct radiative effect and direct radiative forcing of aerosols. Atmospheric Chemistry and Physics, 14(11), 5513-5527.
  15. Hu, Z. (2009). Spatial analysis of MODIS aerosol optical depth, PM2.5, and chronic coronary heart disease. Health Geographics, 8(1), 27.
  16. Indriani, R., Sugandha, A., Tripena, A., Larasati, N., Rokhman, A.F., & Bon, A.T. (2020). Forecasting of air temperature in Cilacap Regency with triple exponential smoothing (holt-winter) method, 5th NA International Conference on Industrial Engineering and Operations Management Detroit, Michigan, USA. August 2020. IEOM.
  17. Jennings, S., (1994). Atmospheric trace gases and aerosols, in Remote Sensing and Global Climate Change. Springer. p. 223-252.
  18. Kalekar, P.S. (2004). Time series forecasting using holt-winters exponential smoothing. Kanwal Rekhi school of information Technology, 4329008(13), 1-13.
  19. Li, H., Meier, F., Lee, X., Chakraborty, T., Liu, J., Schaap, M., & Sodoudi, S. (2018). Interaction between urban heat island and urban pollution island during summer in Berlin. Science of the Total Environment, 636, 818-828.
  20. Li, J., Ge, X., He, Q., & Abbas, A. (2021). Aerosol optical depth (AOD): spatial and temporal variations and association with meteorological covariates in Taklimakan desert, China. PeerJ, 9, e10542.
  21. Li, J., He, Q., Ge, X., Abbas, , & Jin, L. (2021). Spatio-temporal changes of AOD in Xinjiang of China from 2000 to 2019: Which factor is more influential, natural factor or human factor? Plos One, 16(8), e0253942.
  22. Lin, W., Yu, X., Xu, D., Sun, T., & Sun, Y. (2021). Effect of Dust Deposition on Chlorophyll Concentration Estimation in Urban Plants from Reflectance and Vegetation Indexes. Remote Sensing, 13(18), 3570.
  23. Lyapustin, A. MCD19A2 v006. Retrieved from 25 Jan 2022, from https://lpdaac.usgs.gov/products/mcd19a2v006/
  24. Mahmoodi Mahpash, N. & Souri, B. (2021). Comparison of concentration and trend of dust particles in relation to climatic variables in the western half of Iran. Human & Environment, 19(3), 17-29. (in Farsi)
  25. Mansourmoghaddam, M., Rousta, I., Zamani, M.S., Mokhtari, M.H., Karimi Firoozjaei, M., & Alavipanah, S.K. (2022). Study and prediction of land surface temperature changes of Yazd city: assessing the proximity and changes of land cover. RS and GIS for Natural Resources, 12(4), 1-5. (in Farsi)
  26. Mansourmoghaddam, M., Rousta, I., Zamani, M.S., Mokhtari, M.H., Karimi Firozjaei, M., & Alavipanah, S.K. (2022). Investigating and modeling the effect of the composition and arrangement of the landscapes of Yazd city on the land surface temperature using machine learning and Landsat-8 and Sentinel-2 data. Remote Sensing & GIS. (in Farsi)
  27. Masatoshi, Y. (2002). Climatology of yellow sand (Asian sand, Asian dust or Kosa) in East Asia. Science in China Series D: Earth Sciences, 45(1), 59-70.
  28. Meisam Malmir. (2020). Abyek, misses a clean air. Retrieved from 25 Jan 2022, from https://irna.ir/xjxdfH (in Farsi)
  29. Mesbahzadeh, t., alipour, n., ahmadi, h., malekian, a., & jafari, m. (2018). Time evaluating of dust phenomenon in Alborz and Qazvin provinces. Environmental Studies, 44(2), 309-320. (in Farsi)
  30. Mirakbari, M. & Ebrahimi Khusfi, Z. (2020). Investigation of spatial and temporal changes in atmospheric aerosol using aerosol optical depth in southeastern Iran. Rs and Gis for Natural Resources (Applied Rs and Gis Techniques in Natural Resource Science), 11(3), 17-18. (in Farsi)
  31. Momeni, S. (2018). An overview of the causes, effects and methods of dealing with fine dust. Retrieved from 25 Jan 2022, from tabnak.ir/003MQu (in Farsi)
  32. Mutanga, O. & Kumar, L., Google earth engine applications. 2019, Multidisciplinary Digital Publishing Institute. p. 591.
  33. Noguchi, K., Ueda, M., & Hayashi, H. (2019). Zonal correlation among dust, water ice clouds and temperature in the martian atmosphere observed by MRO-MCS. LPI Contributions, 2089, 6135.
  34. Pandey, A.K., Singh, S., Berwal, S., Kumar, D., Pandey, P., Prakash, A., Lodhi, N., Maithani, S., Jain, V.K., & Kumar, K. (2014). Spatio–temporal variations of urban heat island over Delhi. Urban Climate, 10, 119-133.
  35. Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J., & Stenseth, N.C. (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 20(9), 503-510.
  36. Pourhashemi, S., Boroghani, M., Zangane Asadi, M.A., & Amir Ahmadi, A. (2015). Analysis relation of vegetation cover on the number of dust event in Khorasan Razavi using geographic information system and remote sensing. RS and GIS for Natural Resources, 6(4), 33-45. (in Farsi)
  37. Qazvin Municipality, (2019). Qazvin province strategic planning document. (in Farsi)
  38. Ramanathan, V., Crutzen, P.J., Kiehl, J., & Rosenfeld, D. (2001). Aerosols, climate, and the hydrological cycle. Science, 294(5549), 2119-2124.
  39. Rousta, I., Olafsson, H., Zhang, H., Moniruzzaman, M., Krzyszczak, J., & Baranowski, P. Anthropogenic factors affecting the vegetation dynamics in the arid Middle East. Preprints 2020, 2020100208.
  40. Rousta, , Sarif, M.O., Gupta, R.D., Olafsson, H., Ranagalage, M., Murayama, Y., Zhang, H., & Mushore, T.D. (2018). Spatiotemporal analysis of land use/land cover and its effects on surface urban heat island using Landsat data: A case study of Metropolitan City Tehran (1988–2018). Sustainability, 10(12), 4433.
  41. Shaheen, A., Wu, R., Lelieveld, J., Yousefi, R., & Aldabash, M. (2021). Winter AOD trend changes over the Eastern Mediterranean and Middle East region. Climatology, 41(12), 5516-5535.
  42. Soltani, M., Laux, P., Kunstmann, H., Stan, K., Sohrabi, M., Molanejad, M., Sabziparvar, A., SaadatAbadi, A.R., Ranjbar, F., & Rousta, I. (2016). Assessment of climate variations in temperature and precipitation extreme events over Iran. Theoretical and Applied Climatology, 126(3), 775-795.
  43. Statistical Center of Iran. (2015-2019). Statistical Yearbook of Qazvin Province.
  44. Taghavi, F., Owlad, E., Safarrad, T., & Irannejad, P. (2013). Identifying and monitoring dust storm in the western part of Iran using remote sensing techniques. Earth and Space Physics, 39(3), 83-96. (in Farsi)
  45. Tariq, S., Nawaz, H., Ul-Haq, Z., & Mehmood, U. (2021). Investigating the relationship of aerosols with enhanced vegetation index and meteorological parameters over Pakistan. Atmospheric Pollution Research, 12(6), 101080.
  46. Tariq, S., Qayyum, F., Ul-Haq, Z., & Mehmood, U. (2022). Long-term spatiotemporal trends in aerosol optical depth and its relationship with enhanced vegetation index and meteorological parameters over South Asia. Environmental Science and Pollution Research, 1-18.
  47. (2020). Crisis management alert; The air in Qazvin will be heavily polluted in the next 5 days. Retrieved from 25 Jan 2022, from https://tn.ai/2418687 (in Farsi)
  48. Van Donkelaar, A., Martin, R.V., & Park, R.J. (2006). Estimating ground‐level PM2.5 using aerosol optical depth determined from satellite remote sensing. Geophysical Research: Atmospheres, 111(D21).
  49. Wan, Z. MOD11A2 v006. Retrieved from 25 Jan 2022, from https://usgs.gov/products/mod11a2v006/
  50. Wang, N., Yao, T., Thompson, L., & Davis, M. (2006). Strong negative correlation between dust event frequency and air temperature over the northern Tibetan Plateau reflected by the Malan ice-core record. Annals of Glaciology, 43, 29-33.
  51. Zhang, P., Lu, N.-m., Hu, X.-q., & Dong, C.-h. (2006). Identification and physical retrieval of dust storm using three MODIS thermal IR channels. Global and Planetary Change, 52(1-4), 197-206.
  52. Zhou, J., Chen, Y., Wang, , & Zhan, W. (2010). Maximum nighttime urban heat island (UHI) intensity simulation by integrating remotely sensed data and meteorological observations. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4(1), 138-146.
مدیریت بیابان
دوره 10، شماره 1 - شماره پیاپی 21
6 مقاله
خرداد 1401
صفحه 77-98

فایل ها

سابقه مقاله

  • تاریخ دریافت: 12 بهمن 1400
  • تاریخ بازنگری: 29 اسفند 1400
  • تاریخ پذیرش: 03 فروردین 1401

هم رسانی

ارجاع به این مقاله

آمار