| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,188 |
| تعداد مقالات | 35,336 |
| تعداد مشاهده مقاله | 51,466,524 |
| تعداد دریافت فایل اصل مقاله | 91,333,733 |
ارزیابی اثرات شاخصهای پیوند از دور بر غلظت PM2.5 با استفاده از مدلهای یادگیری ماشین در استان سیستان و بلوچستان | ||
| پژوهش های آبخیزداری | ||
| مقاله 2، دوره 39، شماره 1 - شماره پیاپی 150، فروردین 1405، صفحه 1-25 اصل مقاله (2.71 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.369570.1624 | ||
| نویسندگان | ||
| ابوالفضل داوری1؛ رسول مهدوی نجف آبادی* 2؛ مرضیه رضایی2؛ ام البنین بذرافشان3؛ علیرضا شهریاری4 | ||
| 1دانشجوی دکتری گروه مهندسی منابعطبیعی، دانشکدة کشاورزی و منابعطبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
| 2دانشیار گروه مهندسی منابعطبیعی، دانشکدة کشاورزی و منابعطبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
| 3استاد گروه مهندسی منابعطبیعی، دانشکدة کشاورزی و منابعطبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
| 4دانشیار گروه فضای سبز، دانشکدة جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران | ||
| چکیده | ||
| مقدمه و هدف در سالهای گذشته، آلودگی هوا، بهویژه افزایش غلظت ذرات معلق PM2.5، بهعنوان یکی از چالشهای مهم زیستمحیطی مطرحشده است. استان سیستان و بلوچستان بهدلیل موقعیت جغرافیایی ویژه و قرارگیری در مسیر بادهای ۱۲۰ روزه سیستان، همراه با کاهش بارندگیهای سالانه، شرایط مساعدی برای شکلگیری و تشدید پدیده گرد و غبار دارد. در این راستا، پدیدههای پیوند از دور s) بر تغییرات اقلیمی و به تبع آن بر کیفیت هوا نقش مهمی دارند. هدف اصلی این پژوهش، ارزیابی اثرات شاخصهای پیوند از دور بر تغییرات غلظت PM2.5 در استان سیستان و بلوچستان با استفاده از مدلهای پیشرفته یادگیری ماشین بود. ازاینرو، دادههای هواشناسی و غلظت PM2.5 در دو دهه از ایستگاههای زاهدان و خاش جمعآوری و با شاخصهای پیوند از دور تلفیق شدند. سپس، با بهکارگیری روشهای تحلیل همبستگی و انتخاب ویژگی، پنج مدل یادگیری ماشین ارزیابی شدند و بهترین مدل برای برآورد غلظت ذرات معلق PM2.5 شناسایی شدند. نتایج این پژوهش، هم به درک بهتر روابط پیچیده میان نوسانات اقلیمی و کیفیت هوا منجر شد و هم با ارائه یک چارچوب تحلیلی دقیق، ابزار کاربردی برای سیاستگذاران در مدیریت آلودگی هوا فراهم آورد. مواد و روشها در این پژوهش از یک چارچوب تحلیلی چندمرحلهای جامع بهرهگرفته شد و دادههای هواشناسی و غلظت ذرات PM2.5 از ایستگاههای زاهدان و خاش در دوره ۲۰۰۰ تا ۲۰۲۱ جمعآوری شد و با دادههای شاخص پیوند از دور مرکز پیشبینی اقلیم NOAA تکمیل شد. پس از پیشپردازش دقیق دادهها که شامل بررسی کیفیت دادهها (بررسی اندازههای غیرممکن یا ناهنجار PM2.5 و اصلاح یا حذف اندازههای مشکوک)، همزمانسازی زمانی دادهها (تطبیق دادههای PM2.5 و شاخصهای پیوند از دور بر اساس تاریخ برای اطمینان از همزمانی اندازههای مستقل و وابسته) و جایگزینی دادههای مفقود (با استفاده از نزدیکترین اندازة معتبر، میانگینگیری زمانی و درونیابیهای آماری برای حفظ توزیع اصلی دادهها) بود، یک رویکرد تحلیلی دوگانه اجرا شد. ابتدا از تحلیل همبستگی پیرسون برای سنجش روابط خطی میان شاخصهای پیوند از دور و سطوح PM2.5 استفاده شد. سپس، با کاربرد الگوریتم Boruta موثرترین ویژگیها با تأخیرهای زمانی صفر تا ۶ ماهه شناسایی شد. پنج مدل پیشرفته یادگیری ماشین شامل Bagged CART، LightGBM، Gradient Boosting، Random Forest و XGBoost ارزیابی شدند که ۷۰% دادهها برای آموزش و 30% برای اعتبارسنجی مدل استفاده شد. ارزیابی عملکرد با سه معیار ریشه میانگین مربعات خطا (RMSE)، میانگین درصد خطای مطلق (MAPE) و ضریب تبیین (R²) انجام شد و برای تفسیرپذیری مدلها، چهار روش پیشرفته شامل اهمیت ویژگیهای جایگشتی (PFI)، اندازههای SHAP مبتنی بر تئوری بازیها، تحلیل حساسیت Sobol و نمودارهای وابستگی جزئی (PDP) بهکار گرفته شد. کلیه تحلیلها در محیط نرمافزار R (نسخه ۴.۲.۰) انجام شد. نتایج و بحث نتایج نشان داد که اثر شاخصهای پیوند از دور بر غلظت ذرات PM2.5 در ایستگاههای زاهدان و خاش معنادار بود. در ایستگاه زاهدان، بیشترین همبستگی مثبت مربوط به شاخص PDO (0/158 با تأخیر 5 ماهه) و شاخص AMO (0/212 با تأخیر صفر ماهه) بود. از سوی دیگر، بیشترین همبستگی منفی مربوط به شاخص AMM (0/336- با تأخیر 2 ماهه) و شاخص WHWP (0/420- با تأخیر 4 ماهه) بود. در ایستگاه خاش، بیشترین همبستگی مثبت مربوط به شاخص PDO (0/159 با تأخیر 2 ماهه) و بیشترین همبستگی منفی مربوط به WHWP (0/385- با تأخیر 4 ماهه) بود. تحلیل اهمیت ویژگیها با روش Boruta نشان داد بیشترین نقش پیشبینیکننده PM2.5 مربوط به شاخص WHWP با میانگین اهمیت 13/63 با تأخیر 6 ماهه در زاهدان و با میانگین اهمیت 10/51 با تأخیر 5 ماهه در خاش بود. در ارزیابی مدلها، XGBoost بهعنوان برترین مدل با دقت استثنایی (0/989=R² در زاهدان و 0/994-0/993=R² در خاش) و حداقل خطا (3/07-2/36MAPE= در زاهدان و 1/8-1/5MAPE= در خاش) شناخته شد. نتایج تحلیلهای حساسیت نشان داد بیشترین اثر مربوط به شاخص AMM (با امتیاز اهمیت 685 در زاهدان و 561 در خاش) بود. از سوی دیگر، با زمانهای تأخیر خاص، رفتار شاخصهای WHWP و AMO غیرخطی و پیچیده بود. بهطور کلی نتایج بیانگر اثرات قابل توجه نوسانات اقیانوسی-جوی (با ضریبهای همبستگی میان 0/15 تا 0/42 و امتیازهای اهمیت متغیر میان 5/6 تا 13/6) بر کیفیت هوای منطقه بود. دقت عملکرد مدل XGBoost در پیشبینی بلندمدت PM2.5 در منطقه مطالعهشده بسیار زیاد بود. نتیجهگیری و پیشنهادها نتایج این پژوهش نشان داد که بیشترین همبستگی مثبت با غلظت PM2.5 در ایستگاه زاهدان مربوط به شاخصهای PDO و AMO بود و بیشترین همبستگی منفی مربوط به شاخصهای AMM و WHWP بود. مدل XGBoost بهعنوان بهترین مدل پیشبینی با بیشترین دقت و کمترین خطا شناخته شد. همچنین، نتایج تحلیلهای SHAP و PDP نشان داد که اثرات شاخصهای AMM و WHWP بر غلظت PM2.5 پیچیده و غیرخطی است و تأخیر زمانی نیز بسیار مهم است. در ایستگاه خاش نیز مهمترین نقش در پیشبینی PM2.5 مربوط به شاخصهای AMM، AMO، PDO و WHWP بود که بیانگر اثرات قابل توجه نوسانات اقلیمی بر کیفیت هوا است. این یافتهها بیانگر اهمیت روابط غیرخطی و آستانههای بحرانی در مدلسازی کیفیت هوا بود. بر پایة نتایج این پژوهش، بهمنظور تصمیمها و اقدامات پیشگیرانه پیشنهاد میشود شاخصهای پیوند از دور در پیشبینی دورههای با غلظت زیاد ذرات معلق، پیوسته پایش شوند. همچنین، پیشنهاد میشود بر اساس تفاوتهای مشاهدهشده میان دو ایستگاه (زاهدان و خاش)، به ویژگیهای محلی و منطقهای در مدلسازی کیفیت هوا بیشتر توجه شود. | ||
| کلیدواژهها | ||
| ارزش SHAP؛ پیوند از دور؛ تحلیل حساسیت Sobol؛ PM2.5؛ همبستگی پیرسون | ||
| عنوان مقاله [English] | ||
| Assessment of the Teleconnection Effects on PM2.5 Concentration using Machine Learning Models in the Sistan and Baluchestan Province | ||
| نویسندگان [English] | ||
| Abolfazl Davari1؛ Rasool Mahdavi Najaf abadi2؛ Marzieh Rezai2؛ Ommolbanin Bazrafshan3؛ Ali Reza Shahriary4 | ||
| 1Ph.D. Student, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran | ||
| 2Associate Professor, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran | ||
| 3Professor, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran | ||
| 4Associate Professor, Department of Green Space, Faculty of Geography and Environmental Planning, University of Sistan and Baluchestan, Zahedan, Iran | ||
| چکیده [English] | ||
| Introduction and Goal In recent years, air pollution, especially the increase in the concentration of PM2.5 particles matter, has been raised as one of the significant environmental challenges. Due to its specific geographical location, which is located in the path of the 120-day Sistan winds, along with the decrease in annual rainfall, Sistan and Baluchestan province provides favorable conditions for the formation and intensification of dust phenomena. In this regard, teleconnections play an important role in climate change and, consequently, in air quality. The main objective of this research is to evaluate the impact of teleconnection indices on PM2.5 concentrations in Sistan and Baluchestan Province using advanced machine learning models. Therefore, meteorological data and PM2.5 concentrations were collected from Zahedan and Khash stations over two decades and combined with teleconnection indices. Then, using correlation analysis and feature selection methods, five machine learning models were evaluated to identify the best model for long-term estimating PM2.5 particulate matter concentrations was identified. The results of this research both led to a better understanding of the complex relationships between climate variability and air quality, by provided a detailed analytical framework, provided a practical tool for policymakers in air pollution management. Materials and Methods This study used a comprehensive multi-stage analytical framework, and meteorological data and PM2.5 particle concentration were collected from Zahedan and Khash stations during the period 2000 to 2021 and supplemented with teleconnection index data from the NOAA Climate Prediction Center. After careful data preprocessing, which included quality control (checking for impossible or anomalous PM2.5 measurements and correcting or removing suspicious measurements), data temporal synchronization (matching PM2.5 data and remote linkage indices based on history to ensure the synchronization of independent and dependent measurements), and missing data replacement (using the nearest valid measurement, temporal averaging, and statistical interpolations to preserve the original data distribution), a dual analytical approach was implemented. First, Pearson correlation analysis was used to measure linear relationships between teleconnection index and PM2.5 levels. Then the Boruta algorithm identified the most effective features at time lags of 0 to 6 months. Five advanced machine learning models including Bagged CART, LightGBM, Gradient Boosting, Random Forest, and XGBoost were evaluated, with 70% of the data used for model training and the rest for validation. Performance evaluation was performed using three criteria: root mean square error (RMSE), mean absolute percentage error (MAPE), and coefficient of determination (R²), and for interpretability of the models, four advanced techniques were used, including permutation feature importance (PFI), SHAP values based on game theory, Sobol sensitivity analysis, and partial dependency diagrams (PDP). All analyses were performed in the R software environment (4.2.0). Results and Discussion The results showed that the effect of teleconnection indices on PM2.5 particles concentrations at Zahedan and Khash stationswas significant. At Zahedan station, the highest positive correlation was related to the PDO index (0.158 with a 5-month lag) and the AMO index (0.212 with a 0-month lag). On the other hand, the highest negative correlation was related to the AMM index 0.336 with a 2-month lag) and the WHWP index effect (-0.420 with a 4-month lag). At Khash station, the highest positive correlation was related to the PDO index (0.159 with a 2-month lag) and the highest negative correlation was related to WHWP (-0.385 with a 4-month lag). Analysis of the importance of features using the Boruta method showed that the greatest predictive role of PM2.5 was related to the WHWP index with an average importance of 13.63 with a 6-month lag in Zahedan and with an average importance of 10.51 at 5-month lag in Khash. In the evaluation of the models, XGBoost was identified as the best model with exceptional accuracy (R²=0.989 in Zahedan and R²=0.993-0.994 in Khash) and minimal error (MAPE=2.36-3.07 in Zahedan and MAPE=1.5-1.8 in Khash). The results of sensitivity analyses showed that the greatest effect was related to the AMM index (with a significance score of 685 in Zahedan and 561 in Khash). On the other hand, with certain lag times, the behavior of the WHWP and AMO indices were nonlinear and complex. Overall, the results indicate significant effects of ocean-atmosphere oscillations (with correlation coefficients ranging from 0.15 to 0.42 and significance scores ranging from 5.6 to 13.6) on regional air quality. The performance of the XGBoost model in long-term PM2.5 forecasting in the study region was very accurate. Conclusion and Suggestions The results of this study showed that the highest positive correlation with PM2.5 concentrations at Zahedan station was related to PDO and AMO indices, and the highest negative correlation was related to AMM and WHWP indices. The XGBoost model was identified as the best prediction model, which had high accuracy with the lowest error. Also, the results of SHAP and PDP analyses showed that the effects of the AMM and WHWP indices on PM2.5 concentrations were complex and nonlinear, and the time lag in these effects was very important. At Khash station, the AMM, AMO, PDO and WHWP indices also played an important role in predicting PM2.5 and indicated the significant effects of climate fluctuations on air quality. These findings indicate the importance of nonlinear relationships and critical thresholds in air quality modeling. Based on the results of this study, it is suggested that remote sensing indices be continuously monitored to predict periods of high particulate matter concentrations for the purpose of preventive decisions and actions. Also, it is suggested that, based on the differences observed between the two stations (Zahedan and Khash), more attention be paid to local and regional characteristics in air quality modeling. | ||
| کلیدواژهها [English] | ||
| Pearson correlation, PM2.5, Shapley value, Sobol sensitivity analysis, teleconnections | ||
| مراجع | ||
|
Ahsani N. 2019. Investigation and presentation of innovative strategies regarding the relationship between the role of shopping tourism and attracting tourists (domestic and international) for the development and advancement of the tourism industry of Chabahar Port, Iran. Journal of Tourism and Sustainable Development Research. 2(1): 27–39. (In Persian). https://www.magiran.com/p1978191 Akbari M, Saligheh M, Fili A. 2016. Investigation of ENSO Phases Impact on Dust Storms in Khuzestan Province. 5th National Conference on Air and Noise Pollution Management. Tehran, Iran, 1–2 February 2017. (In Persian). Alisofi M, Asghari Lafmejani S, Heidary Mokarrar H, Pirani M .2024. Analysis of the effects of 120-day winds and dust storms on the livability of rural settlements (Case study: Hirmand County). Journal of Geographical Research on Desert Areas. 11(2): 133–148. https://www.magiran.com/p2745858 Alizadeh-Choobari O, Zawar-Reza P, Sturman A. 2014. The wind of 120 days and dust storm activity over the Sistan Basin. Atmospheric Research. 143: 328-341. https://doi.org/10.1016/j.atmosres.2014.02.001 Alshammari RK, Alrwais O, Aksoy MS. 2022. Machine learning applications to dust storms: A meta-analysis. Aerosol and Air Quality Research. 22(12): 220183. 1–12. https://doi.org/10.4209/aaqr.220183 Creamean JM, Suski KJ, Rosenfeld D, Cazorla A, DeMott PJ, Sullivan RC, Prather KA. 2013. Dust and biological aerosols from the Sahara and Asia influence precipitation in the western US. Science. 339(6127): 1572-1578. https://doi.org/10.1126/science.1227279 Hao N, Sun P, He W, Yang L, Qiu Y, Chen Y, Zhao W. 2022. Water resources allocation in the Tingjiang River Basin: construction of an interval-fuzzy two-stage chance-constraints model and its assessment through Pearson correlation. Water. 14(18): 2928. https://doi.org/10.3390/w14182928 Liu J, Wu D, Liu G, Mao R, Chen S, Ji M, Wang X. 2020. Impact of Arctic amplification on declining spring dust events in East Asia. Climate Dynamics. 54: 1913-1935. https://doi.org/10.1007/s00382-019-05094-4 Mao R, Ho CH, Shao Y, Gong DY, Kim J. 2011. Influence of Arctic Oscillation on dust activity over northeast Asia. Atmospheric Environment. 45(2): 326-337. https://doi.org/10.1016/j.atmosenv.2010.10.020 Pan B. 2018. Application of XGBoost algorithm in hourly PM2.5 concentration prediction. IOP Conference Series: Earth and Environmental Science. 113: 012127. https://doi.org/10.1088/1755-1315/113/1/012127 Payus C, Anuar SI, Nurashilah F, Sentian J. 2022. Induced impact of El Niño-Southern oscillation and haze events on aerosol optical depth (AOD) in the tropical climate of Borneo Island. Mediterranean Geosciences Union. pp. 171-173. https://doi.org/10.1007/978-3-031-13810-2_41 Pereira AG, Palácios R, Santos PC, Pereira RV S, Cirino G, Imbiriba B. 2024. Relationship between El Niño-Southern oscillation and atmospheric aerosols in the Legal Amazon. Climate. 12(2): 13. https://doi.org/10.3390/cli12020013 Prospero JM, Ginoux P, Torres O, Nicholson S E, Gill TE. 2002. Environmental characterization of global sources of atmospheric soil dust identified with the Nimbus 7 Total Ozone Mapping Spectrometer (TOMS) absorbing aerosol product. Reviews of Geophysics. 40(1): 2-1. https://doi.org/10.1029/2000RG000095 Rizzolo JA, Barbosa CG, Borillo GC, Godoi A F, Souza RA, Andreoli RV, Godoi RH. 2017. Soluble iron nutrients in Saharan dust over the central Amazon rainforest. Atmospheric Chemistry and Physics. 17(4): 2673-2687. https://doi.org/10.5194/acp-17-2673-2017 Shao Y, Klose M, Wyrwoll KH. 2013. Recent global dust trend and connections to climate forcing. Journal of Geophysical Research: Atmospheres. 118(19): 11-107. https://doi.org/10.1002/jgrd.50836 Sharma DK, Chatterjee M, Kaur G, Vavilala S. 2022. Deep learning applications for disease diagnosis. Deep Learning for Medical Applications with Unique Data. pp. 31-51. https://doi.org/10.1016/B978-0-323-96172-9.00002-3 Washington R, Todd M, Middleton NJ, Goudie AS. 2003. Dust-storm source areas determined by the total ozone monitoring spectrometer and surface observations. Annals of the Association of American Geographers. 93(2): 297-313. https://doi.org/10.1111/1467-8306.9302003 Alshammari RK, Alrwais O, Aksoy MS .2024. Machine learning forecast of dust storm frequency in Saudi Arabia using multiple features. Atmosphere 15(5):520, 1-27. https://doi.org/10.3390/atmos15050520 Ansari Ghojghar M, Pourgholam-Amiji M, Araghinejad S, Babaeian I, Liaghat A, Salajegheh A. 2021. The Effect of warm phase of ENSO phenomenon on the formation of dust storms in Khuzestan and Sistan and Baluchestan Provinces. Journal of Range and Watershed Management. 74(2): 257-271. https://doi.org/10.22059/jrwm.2020.310647.1533. (In Persian). Arami SA, Ownegh M, Mohammadian Behbahani A, Akbari M, Zarasvandi A .2018. Statistical analysis of spatio-temporal pattern of dust storms in West and Southwest of Iran. Water and Soil Conservation. 25(1): 61–83. https://www.magiran.com/p1834445 Gholamy A, Kreinovich V, Kosheleva O. 2018. Why 70/30 or 80/20 Relation Between Training and Testing Sets: A Pedagogical Explanation. Departmental Technical Reports (Computer Science), UTEP-CS-18-09, The University of Texas at El Paso. Departmental Technical Reports (CS) 1209. 18 pages. Homma T, Saltelli A. 1996. Importance measures in global sensitivity analysis of nonlinear models. Reliability Engineering and System Safety. 52(1):1-17. https://doi.org/10.1016/0951-8320(96)00002-6 Jahantigh M, Jahantigh M, Iranmanesh F .2023. Identification of storms and centers of dust production in southeast of Iran (Case study: Sistan Region). Environmental Erosion Researches 13(3): 67–92. https://www.magiran.com/p2631887 Jahantigh M, Jahantigh M, Iranmanesh F. Identification of Storms and Centers of Dust Production in Southeast of Iran (Case Study: Sistan Region). 2023. Journal of Environmental Erosion Research. 13 (3):67-92. https://dor.isc.ac/dor/20.1001.1.22517812.1402.13.3.4.0. (In Persian). Khosravi M .2004. A survey on the relations of the Northern Hemisphere large scale circulation patterns with Sistan and Baluchestan annual droughts. Geography and Development Iranian Journal. 2(3): 167-188. https://www.magiran.com/p266992 Kursa MB, Jankowski A, Rudnicki WR .2010. Boruta–a system for feature selection. Fundamenta Informaticae. 101(4): 271–285. https://doi.org/10.3233/FI-2010-288 Kursa MB, Rudnicki WR .2010. Feature selection with the Boruta package. Journal of Statistical Software. 36(1): 1–13. https://doi.org/10.18637/jss.v036.i11 Lundberg SM, Lee SI. 2017. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems. 4765–4774.30. https://doi.org/10.48550/arXiv.1705.07874 Middleton N .2019. Variability and trends in dust storm frequency on decadal timescales: Climatic drivers and human impacts. Geosciences. 9(6):261, 1-12. https://doi.org/10.3390/geosciences9060261 Omidvar K, Javidnia M, Mohammadi Ravari F. 2024. Examining of relationship between dust storms and teleconnection indicators in different seasons during the statistical period of 1988-2017 in Kerman Province. Nivar. 48(126): 1–17. https://www.magiran.com/p2801868 Razmjooei F, Halabian AH .2011. Recognition and Analysis of Zahedan Weather Types. Geographic Space. 11(34): 210_231. https://www.magiran.com/p882159 Schober P, Boer C, Schwarte LA .2018. Correlation coefficients: Appropriate use and interpretation. Anesthesia and Analgesia 126(5): 1763-1768. https://doi.org/10.1213/ANE.0000000000002864 Shamsipour A, Safarrad T. 2012. Satellite and synoptic analysis of dust storm in western half of Iran (Case Study: July 2009). Physical Geography Research. 44(1): 111–126. https://doi.org/10.22059/jphgr.2012.24737 Vatanparast Galeh Juq F, Salahi B, Zeinali B, 2024. Simultaneous analysis of ENSO, IOD, and QBO cycles on dust storm oscillations in western Iran. Journal of Natural Environmental Hazards. 13(39): 109-126. (In Persian). https://doi.org/10.22111/jneh.2023.45793.1966. Vatanparast Galeh Juq F, Salahi B, Zeinali B. 2024. Simultaneous analysis of ENSO, IOD, and QBO cycles on dust storm oscillations in western Iran. Journal of Natural Environmental Hazards. 13(39): 109–126. https://www.magiran.com/p2706950 Zeinali B, Asghari S. 2018. Evaluation of some indicators to identify and monitor dust storm (Case study: dust storms 10 August 2008 East the Iran). Journal of Geography and Planning. 22(65): 73–91. https://www.magiran.com/p1907936 Zhang C, GAO R, Wu J, Yang Z .2019. Combating climate change, desertification and sandstorms: A collaborative approach. In Annual report on China's response to climate change (2017): Implementing the Paris Agreement. Springer Nature Singapore. pp. 145–153). https://doi.org/10.1007/978-981-13-9660-1_13. | ||
|
آمار تعداد مشاهده مقاله: 88 تعداد دریافت فایل اصل مقاله: 55 |
||