در پژوهش حاضر نقش تغییر کاربری اراضی و تأثیر آن بر توفانهای گردوغبار در منطقه سیستان با بهرهگیری از سنجش از دور در سالهای ۱۳۸۱، ۱۳۹۰ و ۱۴۰۱ مورد واکاوی قرارگرفته است . با توجه به تأثیرگذاری تغییر اقلیمی بر کاربری/پوشش اراضی، متغیرهای اقلیمی شامل؛ بارندگی ،دما و تعداد روزهای گردوغباری به روش آنومالی بررسی شد و در ادامه به منظور پیشبینی وضعیت کاربری اراضی در ۲۰ سال آینده از ترکیب نقشههای سال ۱۳۸۱ و ۱۴۰۱ برای شرایط خشکسالی شدید، با زنجیره مارکوف پیشبینی انجام شد. نتایج نشان داد در منطقه سیستان طی دو دهه گذشته دما افزایش و بارندگی کاهش یافته است. نقشههای کاربری اراضی نیز نشان داد در سالهایی که تالاب هامون آبگیری شده است، مرتع و پوشش گیاهی متراکم روند افزایشی و اراضی بایر (بدون پوشش گیاهی) و شوره زار روند کاهشی داشته است. اما با توجه به خشکسالیهای اخیر همانند سال ۱۴۰۱ که خشکسالی در منطقه فراهم شده است، کاربری مرتع کاهش و بایر و شوره زار افزایش داشته است. این شرایط منجر به افزایش گردوغبار در منطقه میشود، نقشه کاربری/پوشش اراضی در ۲۰ سال آینده برای شرایط خشکسالی شدید با استفاده از مدل سلولهای خودکار و زنجیره مارکوف پیشبینی شد. نتایج نشان داد در آینده مرتع و پوشش گیاهی متراکم کاهش خواهد داشت اما اراضی بایر و مناطق شوره زار افزایش چشمگیری خواهد داشت این شرایط، منجر به افزایش بیابانزایی و فرسایش بادی میشود و در پی آن توفانهای گردوغباری افزایش خواهد داشت. با توجه به اینکه توفانهای گردوغبار بر شرایط اقتصادی، اجتماعی، محیطزیست و سلامت ساکنان منطقه تأثیرهای منفی بسیاری دارد، بنابراین با برنامهریزی و مدیریت صحیح به منظور کنترل پیامدهای حاصل از گردوغبار در منطقه سیستان میتوان خسارتهای حاصل از توفانهای گردوغبار در این منطقه را کاهش داد.
Azizi Qalati, S., Rangzan, K., Sadidi, J., Heydarian, P., & Taghizadeh, A. (2016). Predicting the trend of spatial changes in land use using the Markov chain model-CA (case study: Kohmera Sorkhi region of Fars province), Remote Sensing and Geographic Information System in Natural Resources. 7(1), 59-71. [In Persian].
Arabi Aliabad, F., & Zare, M., & Ghafarian Malamiri, H R. (2021). Land use Change Prediction using Markov Chain Compilation Model and Automated Cells (Casestudy: Shirkuh). Geography and Development, 19 (62), 251-270. DOI: 10.22111/J10.22111.2021.6022 [In Persian]
Ayodeji Opeyemi, Z. (2006). Change detection in land use and land cover using remote sensing data and GIS, (A case study of Ilorin and its environs in Kwara State), The department of Geography, University of Ibadan in Partial Fulfillment for the award of master of science.
Alimohamadi, A., Moosivand, A.J., & Shayan, S. (2010). Prediction of land use and land cover changes using satellite images and Markov chain models. Humanities Teacher – Spatial Planning, 14(3), 117-130. [In Persian]
Aslami, F., Ghorbani, A. Sobhani. B., & Panahandeh, M. (2015). Comparing artificial neural network, support vector machine and object-basedmethods in preparation land use/cover maps using landsat-8 images. RS & GIS techniques innaturalresources. 6(3),1-14, [In Persian]
Bahak, b. (2018). Spatial analysis of the occurrence of dust phenomenon in Sistan and Baluchistan province with statistical methods. Quarterly Scientific Research Journal of Geography. 8(3), 109-97. DOI: 1001.1.22286462.1397.8.3.28.9 [In Persian]
Brown D. G., Pinjanowski B. C., & Duh J. D. (2000). Modeling the relationships between land use and land cover on private lands in the Upper Midwest, USA. Journal of Environmental Management. 59(4), 247-263. DOI:1006/jema.2000.0369
Coppin P I., Jonckheere K., Nackaerts B., & Muys, S. (2004). Digital change detection methods in ecosystem monitoring: a review. Remote Sensing, 25(9), 1565–1596. DOI: 1080/0143116031000101675
Chen, M., Su, W., Li. L., & Zhang, C. (2008). A comparison of pixel-based and object-oriented classification using spot5 imagery, Wseas Transactions on Information Science & Applications, 6(3), 477-489.
Dahmardeh Ghaleno, M., Nohtani, M., & KHaledi, S.(2019). Effect anthropogenic factors on winderosion intensification in Hirmand Hamoon Region. Journal of Watershed Engineering and Management, 3(11), 609-618. DOI: 10.22092/ijwmse.2018.108923.1250 [In Persian]
Ehsani A.h., & Shakeryari, M. (2019). Determining the optimal method for classification and mapping of land use/land cover through comparison of artificial neural network and support vector machine algorithms using satellite data (Case study: International Hamoun wetland). Environmental Science and Technology, 20(4) ,193-207. Doi:22034/JEST.2019.13711 [In Persian]
Fathizade, H., Karimi, H., Tazeh, M., &Tavakoli, M. (2014). Prediction of land use change and land cover Changes in Arid and Semi-Arid Regions using satellite Images and Markov chain model (Case study: Doviraj Basin, Ilam Province). Desert Management. 2(3), 76-61. DOI: 22034/JDMAL.2014.17062 [In Persian]
Farzadmehr, J., Arzani, H., Darvish Sefat, A.A. & Jafari, M. (2006). Assessment Landsat 7 satellite data ability to estimate the canopy and plant production (Case study: Semi-steppe zone henna Samirom). Iranian Journal of Natural Resources, 57(2), 1-15. [In Persian]
Fartot Enayat, M., & Jaberzadeh, M. (2015). Investigating the effect of Hamon wetland on the formation of sand and dust storm phenomenon in Sistan. Seventh International Conference on Comprehensive Crisis Management, Tehran. [In Persian]
Gholam Ali Fard, M., Jvrabyan Shushtarî Sh., Hosseini Kahnooj S.H., & Mirzaee, M. (2013). Modeling land use changes in the coastal province using LCM. Ecology, 4(4), 124-109. DOI: 10.22059/jes.2013.29867 [In Persian]
Huang, Y., Yang, B., Wang, M. Liu.b., & Yang, X. (2020). Analysis of the future land cover change in Beijing using CA–Markov chain model. Environmental Earth Sciences, 79(60), 1-12. DOI: 1007/s12665-019-8785-z
Halmy, M. W. A., Gessler, P. E., Hicke, J. A., & Salem, B. B. (2015). Land use/land cover change detection and prediction in the north-western coastal desert of Egypt using Markov-CA. Applied Geography, 4(7), 101-112. DOI: 10.1016/j.apgeog.2015.06.015
Ilderami, A., Nouri, H., Naderi, M., Aghabeigi, S., & Zainiwand, H. (2017). Prediction of land use changes using the Markov chain model. Watershed Management Research Paper. 8(16), 232-240. DOI:29252/jwmr.8.16.232 [In Persian]
Jenerette, D., & Jianguo. Wu. (2001). Analysis and simulation of land use change in the central ArizonaPhoenix region, USA. Landscape Ecology. 16(7), 611- 626. DOI: 1023/A:1013170528551
Karimi, K., Zahtabian, G., Faramarizi, M., & Khosravi, H. (2016). Monitoring and changes in land use using Markov chain in order to predict it. Pasture and Watershed, Journal of Natural Resources of Iran. 69(3), 711-724. [In Persian]
E., Massah Bavani, A.R., Saadi, T., & Javadi. S. (2020). Detection and attribution of climate change effects on inflow to Karaj dam in the past period. Iran-Water Resources Research. 16(3), 306-321. DOI: 20.1001.1.17352347.1399.16.3.21.9 [In Persian]
Khoshgoftar, M.M., Tallei, M., & Malek pour. P. (2010). Spatial-temporal modeling of urban scattering, by automated cell based approach and Marcov chain. National geomatic conference. Abadan. Iran. [In Persian]
Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25(12), 2365- 2401. DOI: 10.1080/0143116031000139863
Mir, M., Maliki, S., & Rahdari, V. (2021). Investigating changes in the intensity and scope of the impact of dust storms in the Sistan plain. Scientific Research Journal of Desert Ecosystem Engineering. 10(30), 111-125. DOI: 10.22052/deej.2021.10.30.59 [In Persian]
Mir, M., Maliki, S., & Rahdari, V. (2022). Ecosystem restoration and degradation monitoring using ecological indices. International Journal of Environmental Science and Technology. 62(20), 1713-1724. DOI: 10.1007/s13762-022-04694-8
Nikpour, A., Amonia, H., & Nurpasandi, A. (2021). Monitoring and forecasting land use changes using Landsat satellite images using automatic cells and Markov chain (case study: Abbas Abad region, Mazandaran province). Remote Sensing and Geographic Information System in Natural Resources. 12(2), 53-35. DOI:30495/GIRS.2021.678602 [In Persian]
Najafi, A., Azizi. S &. Mokhtari .M. (2017). Application of support vector machine in land use classification of Cheshmeh Kileh-Chalkroud area. Journal of Watershed Management Research,15(8), 92-96. DOI: 10.29252/jwmr. 8.15.92 [In Persian]
Norris, J.R. (1997). Markov Chains. Cambridge University Press.
Patino, J.E., & Duque, J.C. (2013). A review of regional science applications of satellite remote sensing in urban settings. computers, Environment and Urban Systems, 8(3), 1-17. DOI: org/10.1016/j.compenvurbsys.2012.06.003
Rahmani, N., Shahedi, K., Soleimani, K., & Yaghoubzadeh. M.H. (2016). Evaluation of the Land use Change Impact on Hydrologic Characteristics (Case Study: Kasilian Watershed). Journal of Watershed Management Research, 7(13), 23-32. DOI: 10.18869/acadpub.jwmr.7.13.32 [In Persian]
v., Maleki, S., & Mir, M. (2021). Presenting a sensitivity model to wind erosion using a multi-criteria evaluation method in Hamon wildlife sanctuary. Desert Management. 10(2), 54-39. DOI: 10.22034/JDMAL.2022.551548.1382 [In Persian]
Richards, J. A., & Richards, J. (1999). Remote sensing digital image analysis (Vol. 3), Springe
Salman Mahini, A., & Kamiyab, R. (2011). Remote sensing and applied geographical information systems with idrisi software, Mehr Mahdis Publications, Tehran.
Soffianian, A., Ahmadi Nadoushan, M., Yaghmaei L., & Falahatkar, S. (2010). Mapping and analyzing urban expansion using remotely sensed imagery in Isfahan, Iran. World Applied Sciences Journal, 9(12), 1370-1378.
Sistan and Baluchestan Regional Water Company. (2014). Status report of Sistan and Baluchestan province, 41 pages.
Wang, S., Zheng, X., & Zang, X. (2012). Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13(1), 1238-1245. DOI: 1016/j.proenv.2012.01.117
Youssef, A. M., Pradhan, B., & Tarabees, E. (2011). Integrated evaluation of urban development suitability based on remote sensing and GIS techniques: contribution from the analytic hierarchy process. Arabian Journal of Geosciences, 4(3), 463-473. DOI: 1007/s12517-009-0118-1
Wang, S. Q., Zheng, X. Q., & Zang, X. B. (2012). Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13(6), 1238-1245. DOI: org/10.1016/j.proenv.2012.01.117
