علیرضا یوسفی کبریا؛ علی خلیلی؛ حسن رضائی
چکیده
مقدمه
پدیده گردوغبار بهعنوان یکی از مهمترین چالشهای زیستمحیطی مناطق خشک و نیمهخشک، طی سالهای اخیر در استان ایلام شدت یافته و اثرات گستردهای بر سلامت عمومی، زیرساختهای شهری، کشاورزی و پایداری منابع طبیعی داشته است. واقع شدن این استان در مرز با کشورهای عراق و سوریه، آن را در معرض مستقیم طوفانهای گردوغبار با منشأ فرامرزی ...
بیشتر
مقدمه
پدیده گردوغبار بهعنوان یکی از مهمترین چالشهای زیستمحیطی مناطق خشک و نیمهخشک، طی سالهای اخیر در استان ایلام شدت یافته و اثرات گستردهای بر سلامت عمومی، زیرساختهای شهری، کشاورزی و پایداری منابع طبیعی داشته است. واقع شدن این استان در مرز با کشورهای عراق و سوریه، آن را در معرض مستقیم طوفانهای گردوغبار با منشأ فرامرزی قرار داده است. در این راستا، پایش دقیق روند تغییرات مکانی–زمانی گردوغبار و شناسایی منشأهای آن، برای طراحی راهبردهای کنترلی و کاهش اثرات این پدیده، ضروری به نظر میرسد.
مواد و روشها
در این پژوهش، دادههای ذرات معلق (PM) مربوط به سالهای 2020 تا 2025 از ایستگاههای سنجش آلودگی هوا مهران و دهلران بهعنوان دادههای زمینی جمعآوری شد. همزمان، از شاخصهای ماهوارهای شامل عمق نوری آئروسل (AOD) از سنجنده MODIS، شاخص جذب آئروسل (AAI) از سنجنده TROPOMI، شاخص NDDI (گردوغبار) و نقشه شمارش روزهای گردوغبار (DECM) استفاده شد. دادهها با استفاده از برنامهنویسی در محیط Google Earth Engine پردازش و تحلیل شدند. برای ردیابی مسیر حرکت تودههای گردوغبار، از مدل عددی HYSPLIT با رهگیری معکوس 24 ساعته استفاده شد. همچنین، تصاویر ماهوارهای MODIS (True Color) بهمنظور اعتبارسنجی نتایج مدل و تحلیل بصری بهکار گرفته شدند.
نتایج و بحث
تحلیل شاخص شمارش روزهای گردوغبار (DECM) طی سالهای 2020 تا 2024 حاکی از روند صعودی وقوع این پدیده در استان ایلام است. در سال 2020، کمترین روزهای گردوغبار ثبت شد، اما حتی در همین سال، شهرستانهای دهلران و آبدانان با بیش از 30 روز مواجه بودند. در سال 2021، این مقدار در مناطق مرزی به بیش از 120 روز افزایش یافت، و در سال 2022، اوج بحران با ثبت بیش از 200 روز در نواحی مرزی نظیر مهران، دهلران، ایوان و جنوب ایلام مشاهده شد. اگرچه در سالهای 2023 و 2024 این تعداد بهترتیب به 182 و 172 مورد کاهش یافت، اما تمرکز مکانی پدیده همچنان در نواحی مرزی باقی ماند. شاخص جذب آئروسل (AAI) که از دادههای Sentinel-5P استخراج شده است، نیز روند بحرانی بودن شرایط را تأیید میکند. در سال 2020، میانگین AAI در مهران، دهلران و آبدانان حدود 0.28 بود؛ در سال 2021 این مقدار به 0.32 افزایش یافت و در سال 2022 به بیش از 1.3 رسید که معادل با شرایط بسیار ناسالم برای عموم مردم است. حتی با کاهش نسبی در سالهای 2023 (0.87) و 2024 (0.86)، مقادیر همچنان در محدوده ناسالم باقی ماندهاند. شاخص عمق نوری آئروسل (AOD) از محصولات MODIS نیز در تحلیل شدت گردوغبار نقش کلیدی داشته است. در سال 2020، مقادیر AOD در نواحی مرزی ایلام به بیش از یک رسید و در سال 2021 در برخی مناطق از 1.6 نیز فراتر رفت. بحرانیترین سال در این زمینه، 2022 بود که در آن مقدار AOD در جنوب ایلام و غرب دهلران به بیش از 1.85 رسید. حتی مناطق مرکزی استان نیز در این سال با مقادیر AOD بیش از 0.5 مواجه شدند. در سالهای 2023 و 2024 به ترتیب مقادیر 1.3 و 1.18 ثبت شد که گرچه کاهش نشان میدهند اما همچنان در محدوده ناسالم و خطرناک قرار دارند. شاخص NDDI نیز، بیانگر میزان رسوبگذاری ذرات گردوغبار بر سطح زمین است، در سال 2021 به اوج خود رسید و در برخی نواحی مرزی به بیش از 0.9 افزایش یافت. در سال 2022 مقدار شاخص به حدود 0.5 کاهش یافت که میتواند ناشی از عبور تودههای گردوغبار بدون تهنشینی موضعی باشد. در سال 2023 این شاخص به پایینترین سطح خود (کمتر از 0.5) رسید اما در 2024 بار دیگر تا 0.54 افزایش یافت. شبیهسازی مسیرهای حرکت ذرات گردوغبار با استفاده از مدل HYSPLIT برای دو رخداد بحرانی در سال 2025 انجام شد. در تاریخ 15 آوریل 2025 (26 فروردین 1404)، مدل نشان داد که منشأ اصلی گردوغبار از نواحی خشک غرب عراق بوده است. مسیر شبیهسازیشده نشان میدهد که توده گردوغبار ساعت 11:00 صبح به مرز ایلام و ساعت 12:00 به ایستگاه دهلران رسید. ساختار عمودی جریان نشان میدهد که ذرات در آغاز حرکت در ارتفاع 500 متری قرار داشتند و هنگام ورود به استان، به لایههای سطحی جو نفوذ کردهاند، که این امر با شاخص AQI 500 در ایستگاه دهلران همخوانی دارد. در رخداد دوم، مربوط به 25 می 2025 (4 خرداد 1404)، مدل HYSPLIT منشأ گردوغبار را بیابانهای شرق سوریه تشخیص داد. ذرات گردوغبار در ارتفاع 2000 متری شکل گرفته و با گذر از عراق، ساعت 12:00 ظهر به ایستگاه مهران رسیدهاند. در این مسیر نیز کاهش تدریجی ارتفاع تا سطح 500 متر باعث نفوذ ذرات به لایه مرزی و آلودگی شدید سطحی شده است. نقشه فراوانی مسیرها نشان داد که بیش از 90 درصد از مسیرهای شبیهسازیشده از بیابانهای سوریه عبور کردهاند و تأثیر ترکیبی منابع عراق و سوریه را در انتقال آلودگی تأیید میکنند. در این رخداد نیز شاخص AQI در ایستگاه مهران به سطح 500 رسید. در مجموع، نتایج حاصل از مدلسازی و تحلیلهای ماهوارهای نهتنها حاکی از تثبیت الگوی مکانی گردوغبار در نواحی مرزی ایلام است، بلکه بر نقش کلیدی کانونهای فعال در عراق و سوریه و تأثیر سینوپتیکی جریانهای باد در انتقال فرامرزی این ذرات نیز تأکید دارد.
نتیجهگیری
یافتههای این پژوهش نشان میدهد که استان ایلام طی سالهای اخیر با افزایش فراوانی و شدت پدیده گردوغبار مواجه بوده و کانونهای فعال این پدیده بهویژه در نواحی مرزی تثبیت شدهاند. نقش منابع فرامرزی، بهویژه بیابانهای عراق و سوریه، در تشدید آلودگی گردوغبار استان، بسیار برجسته است. ترکیب تحلیل شاخصهای ماهوارهای با مدل HYSPLIT امکان شناخت دقیقتر از منشأ، مسیر و شدت گردوغبار را فراهم نموده است. بر این اساس، اجرای راهکارهایی مانند احیای پوشش گیاهی مقاوم به خشکی، تثبیت خاک، مرطوبسازی اراضی خشک، ایجاد کمربند سبز در مرزها، توسعه همکاریهای منطقهای با کشورهای همسایه و بهکارگیری سامانههای هشدار سریع بر پایه دادههای ماهوارهای، برای مقابله با این بحران زیستمحیطی حیاتی است. در غیر این صورت، تداوم روند فعلی میتواند به تثبیت یک وضعیت بحرانی و افزایش آسیبپذیری زیستمحیطی، اجتماعی و اقتصادی در منطقه منجر شود.
سینا نبی زاده؛ علی اصغر نقی پور؛ عطاالله ابراهیمی؛ حمیدرضا کشتکار؛ الهام قهساره
چکیده
مقدمه
نقشههای کاربری/پوشش زمین از ابزارهای کلیدی در مدیریت منابع طبیعی، برنامهریزی منطقهای و دستیابی به توسعه پایدار به شمار میآیند و ازاینرو ضرورت پایش دقیق و بهروز آنها بیشازپیش احساس میشود. تغییرات ناشی از عوامل انسانی و طبیعی، الگوهای کاربری زمین را بهطور مستمر دستخوش تحول کرده و پیامدهای قابلتوجهی بر بومسازگانهای ...
بیشتر
مقدمه
نقشههای کاربری/پوشش زمین از ابزارهای کلیدی در مدیریت منابع طبیعی، برنامهریزی منطقهای و دستیابی به توسعه پایدار به شمار میآیند و ازاینرو ضرورت پایش دقیق و بهروز آنها بیشازپیش احساس میشود. تغییرات ناشی از عوامل انسانی و طبیعی، الگوهای کاربری زمین را بهطور مستمر دستخوش تحول کرده و پیامدهای قابلتوجهی بر بومسازگانهای محلی و جهانی ایجاد کردهاند. در دهههای اخیر، پیشرفت فناوری سنجش از دور و الگوریتمهای یادگیری ماشین تحول مهمی در استخراج و طبقهبندی دادههای مکانی ایجاد کرده است. سامانه گوگل ارث انجین (GEE) بهعنوان بستری قدرتمند برای پردازش کلاندادههای مکانی-زمانی، امکان تولید نقشههای دقیق و بهروز را فراهم میکند. در این چارچوب، مطالعه حاضر با تمرکز بر ترکیب تصاویر چندزمانه، بهرهگیری از دادههای کمکی و مقایسه سه الگوریتم یادگیری ماشین در یک حوزه آبخیز وسیع و ناهمگن همچون کارون ۱، با هدف بهبود دقت طبقهبندی و تقویت قابلیت پایش تغییرات بلندمدت پوشش زمین انجام شده است.
مواد و روشها
بهمنظور ارزیابی تغییرات کاربری و پوشش زمین در حوزه آبخیز کارون ۱، تصاویر سنجندههای ETM+ لندست ۷ (سال ۲۰۰۲) وOLI لندست ۸ (سال ۲۰۲۴) با پوشش ابری کمتر از ۱۰ درصد و با لحاظ میانگین بارندگی بلندمدت، از طریق GEE و در قالب دادههای بازتاب سطحی تصحیحشده مورد استفاده قرار گرفت. تصاویر ترکیبی حاصل از نُه صحنه تصویری لندست طی دوره اوج رشد پوشش گیاهی (اردیبهشت تا تیر ماه) با فیلتر میانه تهیه و سپس مطابق مرز حوضه برش داده شدند. در ادامه، تعداد ۱۹۲۰ نقطه آموزشی در قالب هفت کلاس کاربری/پوشش زمین مطابق طبقهبندی آندرسون و بر پایه دادههای میدانی، تصاویر هوایی و گوگل ارث برداشت شد. این دادهها بهصورت تصادفی به دو مجموعه آموزش (۶۰ درصد) و ارزیابی (۴۰ درصد) تقسیم شدند. متغیرهای کمکی (مانند NDVI، NDBI، NDWI و DSM) استخراج و در کنار باندهای طیفی اصلی گنجانده شدند. آزمایشهای طبقهبندی در GEE با استفاده از سه الگوریتم نظارت شده CART، RF و SVM اجرا شدند. پارامترهای مدل و رویههای آموزشی برای اطمینان از تکرارپذیری و سازگاری در بین روشها پیکربندی شدند.
نتایج و بحث
نتایج نشان داد که الگوریتمهای CART،RF و SVM نقشههای طبقهبندی را با دقت عالی تولید کردند و بهرهگیری از شاخصهای پوشش گیاهی و دادههای کمکی، دقت کلی و ضریب کاپای طبقهبندی را در هر دو سال افزایش داد. بیشینه دقت کلی و کاپا مربوط به الگوریتم SVM بود که در سال ۲۰۰۲ بهترتیب ۹۳ و 91.5 درصد و در سال ۲۰۲۴ برابر ۹۳ و ۹۲ درصد بهدست آمد. همچنین بر اساس نتایج هر سه الگوریتم، بخش عمدهای از مساحت حوضه (بهطور متوسط ۴۰ درصد) از مراتع و حدود ۲۷ درصد از جنگل تشکیل شده است. روند زمانی نتایج نیز نشاندهنده کاهش مساحت مراتع و جنگلها و بهویژه کاهش پهنههای آبی بر اساس الگوریتم SVM است.
نتیجهگیری
نتایج این پژوهش نشان داد که بهکارگیری الگوریتمهای یادگیری ماشین در بستر گوگل ارث انجین امکان تولید نقشههای دقیق کاربری/پوشش زمین و پایش مؤثر تغییرات محیطی را در یک حوزه آبخیز وسیع و ناهمگن فراهم میسازد. نتایج حاصل میتواند بهعنوان ابزاری کارآمد در برنامهریزی کاربری اراضی، مدیریت منابع طبیعی، پایش تخریب پوشش گیاهی و کنترل تغییرات کاربری در منطقه مورد استفاده قرار گیرد. با این حال، محدودیتهای ناشی از وضوح مکانی تصاویر لندست و خطاهای اختلاط پیکسلی بهویژه در مرز بین طبقات کاربری/پوشش زمین ازجمله چالشهای این مطالعه محسوب میشوند. بر این اساس، پیشنهاد میشود در پژوهشهای آتی از دادههای با قدرت تفکیک مکانی بالاتر مانند تصاویر سنتینل برای بهبود دقت طبقهبندی بهویژه در پوششهای گیاهی بهره گرفته شود.
