| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,263 |
| تعداد مقالات | 36,061 |
| تعداد مشاهده مقاله | 55,210,808 |
| تعداد دریافت فایل اصل مقاله | 94,201,092 |
شناسایی کانون‌های فرسایش بادی با استفاده از تصاویر ماهواره‌ای مطالعه موردی: ناحیه شرق دریاچه ارومیه | ||
| تحقیقات مرتع و بیابان ایران | ||
| مقاله 7، دوره 33، شماره 1، فروردین 1405، صفحه 51-60 اصل مقاله (1.22 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijrdr.2026.135505 | ||
| نویسندگان | ||
| علی تیموری* 1؛ علی محمدیان بهبهانی2؛ محسن حسینعلی‌زاده2؛ خلیل ولیزاده کامران3 | ||
| 1دانشجوی دکتری مدیریت و کنترل بیابان، گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران | ||
| 2دانشیار، گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران | ||
| 3استاد، گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| چکیده سابقه و هدف پسروی آب دریاچه ارومیه و خشک شدن تدریجی آن باعث تشکیل کانون‌های متعددی از گردوغبار در این مناطق شده است. بنابراین نیاز به شناسایی کانون‌های بحرانی فرسایش بادی به عنوان اولین گام برای کنترل آن می‌باشد. این مطالعه با هدف شناسایی دقیق منابع داخلی تولید گردوخاک در بخشی از ناحیه شرقی دریاچه ارومیه با استفاده از روش ترکیبی گوگل ارث انجین (GEE) و سیستم اطلاعات جغرافیایی (GIS) انجام شد. مواد و روش‌ها در این پژوهش به منظور شناسایی کانون‌های بحرانی فرسایش بادی از داده‌های سرعت باد، شیب، رطوبت خاک، میزان بارش، شاخص پوشش گیاهی و شوری خاک به عنوان لایه‌های اصلی استفاده شد. لایه‌های اصلی با انجام فرایند محاسباتی لازم بر روی تصویر ماهواره لندست 8 در بازه‌های زمانی 2013 تا 2021 استخراج شد. در مرحله بعد، لایه‌های اصلی بعد از آماده‌سازی داده‌ها و بعد با استفاده از عملگرFuzzy Membership بر روی هریک از لایه‌ها نرمال‌سازی انجام شد. سپس لایه‌ها با عملگر Fuzzy Overlay و با روش گاما و برای هر فصل (تر-خشک) در هر سال روی‌هم‌گذاری گردید و نهایتاً 18 نقشه کانون‌های فرسایش بادی در هر فصل و در هر سال استخراج شد و در نهایت نقشه کانون‌های پایدار فرسایش بادی در منطقه مورد مطالعه تهیه گردید. نتایج پس از تعیین عضویت برای هریک از لایه‌های وابسته به پارامترهای مؤثر بـر روی پدیده فرسایش بادی در منطقـه مـورد مطالعه و اجرای مدل، نقشه نهایی کانون های پایدار فرسایش بادی بر اسـاس عملگرFuzzy Overlay و روش And (اشتراک) بدسـت آمد. نتایج تحقیق نشان داد مناطقی که موقعیت آنها دور از دریاچه ارومیه بوده و یا در ارتفاع بالاتری قرار دارند کمتر در معرض خطر فرسایش بادی قرار دارند و هر چه به سواحل حاشیه دریاچه نزدیکتر می شویم بعلت شرایط توپوگرافی، اکولوژیکی، اقلیمی، کاربری اراضی و ادافیکی، منطقه بیشتر در معرض خطر فرسایش بادی قرار می گیرد و اگر کانون این مناطق شناسایی نشوند در آینده نزدیک گردوغبار و طوفان های نمکی حاصل از آنها تهدید بزرگی برای مناطق شهری، کشاورزی، باغ‌ها و سلامتی انسانها خواهد بود و نهایتاً مشکلات زیست محیطی و اقتصادی- اجتماعی زیان باری درپی خواهد داشت. نتایج این پژوهش همچنین نشان داد که نواحی واقع در نزدیکی روستاهای شنگل آباد، کوشک، قلعه حسن آباد، قم تپه، قزل دیزج، مهدینلو، قشلاق، بهرام آباد، تیمورلو و خورخور به عنوان کانون فرسایش بادی در طول سالهای 2013 تا 2021 را تشکیل می دهند. براساس ایـن نقـشه سـطوح بـا خطر بسیار زیاد به فرسایش بادی در بخش نزدیک به حاشیه دریاچه واقع شده است و در این مناطق بعلت شوری بالای خاک، دمای زیاد، پوشش گیاهی کم و سرعت باد بیشتر در این نواحی که بیشتر دشتی و مسطح بوده و دارای شیب کمی بوده خطر فرسایش خاک زیاد می باشد. نتیجه‌گیری بررسی عوامل مرتبط (خاک، پوشش گیاهی، اقلیم) با تأثیر بر فرسایش بادی در مقیاس متوسط با هدف شناسایی کانون های پایدار فرسایش بادی و بیان روش منشأیابی آن با استفاده از سنجش از دور، گوگل ارث انجین (GEE) و سیستم اطلاعات جغرافیایی(GIS) نشان داد که بیشترین خطر فرسایش بادی در بخش‌های شرقی منطقه مورد مطالعه به دلیل وجود مناطق بدون پوشش گیاهی یا با پوشش بسیار کم، شوری بالای خاک و تخریب ساختمان خاک، وجود خاک های شور-قلیایی، دمای زیاد و بادهای مکرر و شدید اتفاق می افتد و این موضوع نشان‌دهنده این واقعیت است که خطر فرسایش بادی کل منطقه را تهدید می کند. این مدل به ما اجازه می دهد تا آسیب پذیرترین مناطق در برابر فرسایش بادی را شناسایی کنیم. نتایج حاصل از این پژوهش نشان داد مناطقی در شهرستان شبستر و اسکو به مساحت حدود 77000 هکتار از کل 690000 هکتار منطقه مورد مطالعه بیشتر درمعرض خطر فرسایش بادی قرار دارند و به عنوان کانون های فرسایش بادی تشخیص داده شد. بنابراین نیاز به برنامه ریزی برای مقابله با این پدیده به منظور جلوگیری از توسعه آن ضروری به نظر می رسد و محافظت مؤثر در برابر فرسایش بادی (بیولوژیکی-مدیریتی و بیومکانیکی) بایستی به منظور دستیابی به درک جامع تر از مناطق حساس به فرسایش بادی انجام شود. | ||
| کلیدواژه‌ها | ||
| کانون گردوغبار؛ ماهواره لندست؛ سیستم اطلاعات جغرافیایی؛ گوگل ارث انجین؛ سنجش از دور | ||
| عنوان مقاله [English] | ||
| Identification of wind erosion sources using satellite images Case study: Eastern area of Lake Urmia | ||
| نویسندگان [English] | ||
| Ali Teymouri1؛ Ali Mohammadian Behbahani2؛ Mohsen Hosseinali Zadeh2؛ Khalil Valizadeh Kamran3 | ||
| 1PhD student in Desert management and control, Department of Desert area management, Faculty of Rangeland and Watershed, University of Agricultural Sciences and Natural Resources, Gorgon, Iran | ||
| 3Professor, Department of Remote Sensing and Geographic Information System, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| Abstract Background and objectives The receding water of Lake Urmia and its gradual drying have caused the formation of numerous dust centers in these areas. Therefore, there is a need to identify critical centers of wind erosion as the first step to control it. This study aimed to accurately identify the internal sources of dust production in a part of the eastern area of Lake Urmia using a combined method of Google Earth Engine (GEE) and Geographic Information System (GIS). Methodology In this study, in order to identify critical wind erosion hotspots, data on wind speed, slope, soil moisture, precipitation, vegetation index, and soil salinity were used as the main layers. The main layers were extracted by performing the necessary computational process on the Landsat 8 satellite image in the time periods of 2013 to 2021. In the next step, the main layers were normalized after data preparation and then using the Fuzzy Membership operator on each of the layers. Then, the layers were superimposed with the Fuzzy Overlay operator and the gamma method for each season (wet-dry) in each year, and finally, 18 maps of wind erosion hotspots were extracted in each season and each year, and finally, a map of stable wind erosion hotspots in the study area was prepared. Results After determining the membership for each of the layers related to the effective parameters on the wind erosion phenomenon in the study area and implementing the model, the final map of stable wind erosion centers was obtained based on the Fuzzy Overlay operator and the And method. The results of the study showed that areas that are located far from Lake Urmia or are at a higher altitude are less at risk of wind erosion, and the closer we get to the shores of the lake, due to topographic, ecological, climatic, land use and edaphic conditions, the area is more at risk of wind erosion. If the centers of these areas are not identified, in the near future, dust and salt storms resulting from them will be a major threat to urban areas, agriculture, gardens and human health, and will ultimately cause harmful environmental and socio-economic problems. The results of this study also showed that the areas near the villages of Shangal Abad, Koshk, Qale Hassan Abad, Qom Tepe, Qezel Dizaj, Mahdinlu, Qeshlaq, Bahram Abad, Timorlu, and Khurkhor constitute the focus of wind erosion during the years 2013 to 2021. According to this map, the areas with a very high risk of wind erosion are located in the area close to the lake's edge, and in these areas, due to high soil salinity, high temperature, low vegetation cover, and higher wind speed, the risk of soil erosion is high in these areas, which are mostly plains and flat and have a small slope. Conclusion The study of related factors (soil, vegetation, climate) affecting wind erosion at a medium scale with the aim of identifying stable wind erosion hotspots and expressing the method of its origination using remote sensing, Google Earth Engine (GEE) and Geographic Information System (GIS) showed that the highest risk of wind erosion occurs in the eastern parts of the study area due to the presence of areas without vegetation or with very low vegetation cover, high soil salinity and soil structure destruction, the presence of saline-alkaline soils, high temperatures and frequent and strong winds, and this indicates the fact that the risk of wind erosion threatens the entire region. This model allows us to identify the most vulnerable areas to wind erosion. The results of this study showed that areas in Shabestar and Osku counties with an area of about 77,000 hectares out of the total 690,000 hectares of the study area are most at risk of wind erosion and were identified as wind erosion hotspots. Therefore, the need for planning to deal with this phenomenon in order to prevent its development seems essential, and effective protection against wind erosion (biological-management and biomechanical) should be implemented in order to achieve a more comprehensive understanding of areas susceptible to wind erosion. | ||
| کلیدواژه‌ها [English] | ||
| Dust source, Geographic Information System, Google Earth Engine, Landsat satellite, Remote Sensing | ||
| مراجع | ||
|
Abdoli, M. A., Alaei, E., Amiri, M. J., Ashrafi, K., & Bahrami, B., 2015. Journal of Environmental Studies. Journal of Environmental Studies, 41(2).
-Abdolkhani, A., 2010. Characterization and zoning of dust masses in southwestern Iran using remote sensing and GIS. Master's thesis, Faculty of Geography, Shahid Chamran University of Ahvaz. (In Persian)
-AghaKouchak, A., Norouzi, H., Madani, K., Mirchi, A., Azarderakhsh, M., Nazemi, A., Nasrollahi, N., Farahmand, A., Mehran, A., Hasanzadeh, E., 2015. Aral Sea syndrome desiccates Lake Urmia: call for action. J. Great Lakes Res. 41, 307–311.
-Baumgertel, A., Lukić, S., Simić, S. B., & Kadović, R., 2019. Identifying areas sensitive to Wind Erosion-A case study of the AP Vojvodina (Serbia). Applied Sciences (Switzerland), 9(23), 5106. https://doi.org/10.3390/app9235106
-Cherian, R., & Quaas, J. (2020). Trends in AOD, Clouds, and Cloud Radiative Effects in Satellite Data and CMIP5 and CMIP6 Model Simulations Over Aerosol Source Regions. Geophysical Research Letters, 47(9), e2020GL087132. https://doi.org/10.1029/2020GL087132
-Eimanifar, A., Mohebbi, F., 2007. Urmia Lake (northwest Iran): a brief review. Saline Syst. 3, 5
-Esmaeili, A., 2006. Primary zoning of the country's main dust production centers using remote sensing technology (Doctoral dissertation, MSc. Thesis, Faculty of Civil Engineering, Sharif University of Technology, Tehran, Iran. (In Persian).
-Feizizadeh, B., Lakes, T., Omarzadeh, D., & Pourmoradian, S. (2023). Health effects of shrinking hyper-saline lakes: spatiotemporal modeling of the Lake Urmia drought on the local population, case study of the Shabestar County. Scientific Reports, 13(1), 1622. https://doi.org/10.1038/s41598-023-28332-6
-Ghale, A.G.Y., Baykara, M., Unal, A., 2017. Analysis of decadal land cover changes and salinization in Urmia Lake Basin using remote sensing techniques. Nat. Hazards Earth Syst. Sci. Discuss. https://doi.org/10.5194/nhess-2017-212.
-Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031
-Guo, J.P., Zhang, X.Y., Che, H.Z., Gong, S.L., An, X., Cao, C.X., Guang, J., Zhang, H., Wang, Y.Q., Zhang, C.X., Xue, M., Li, X.W., 2009. Correlation between PM concentrations and aerosol optical depth in eastern China, Atmospheric Environment, Vol: 43, PP 5876–5886
-Hamidi, M. (2020). The key role of water resources management in the Middle East dust events. Catena, 187, 104337. https://doi.org/10.1016/j.catena.2019.104337
-Heidarian, P., Azhdari, A., Joudaki, M., Khatooni, J. D., & Firoozjaei, S. F., 2018. Integrating Remote Sensing, GIS, and Sedimentology Techniques for Identifying Dust Storm Sources: A Case Study in Khuzestan, Iran. Journal of the Indian Society of Remote Sensing, 46(7), 1113–1124. https://doi.org/10.1007/s12524-018-0774-2
-Kazemi, M., Naferzadegan, A., Mohammadi, F., Rezaei Latifi, A., 2019. Identifying the Origins of Atmospheric Aerosols Using Remote Sensing Data Mining, Case Study: Yazd Province, Journal of Remote Sensing and Geographic Information Systems in Natural Resources, Volume 12, Issue 1, pp. 961-972. ( (In Persian)
-Kok, J. F., Adebiyi, A. A., Albani, S., Balkanski, Y., Checa-Garcia, R., Chin, M., Colarco, P. R., Hamilton, D. S., Huang, Y., Ito, A., Klose, M., Li, L., Mahowald, N. M., Miller, R. L., Obiso, V., Pérez García-Pando, C., Rocha-Lima, A., & Wan, J. S. (2021). Contribution of the world’s main dust source regions to the global cycle of desert dust. Atmospheric Chemistry and Physics, 21(10), 8169–8193. https://doi.org/10.5194/acp-21-8169-2021
-Kok, J. F., Ward, D. S., Mahowald, N. M., & Evan, A. T. (2018). Global and regional importance of the direct dust-climate feedback. Nature Communications, 9(1), 241.
-Mohammedi, G H., 2015. Analysis of atmospheric mechanisms of dust transport to the west of the country, Ph.D. thesis, Faculty of Geography and Planning, University of Tabriz. (In Persian)
-Momeni, M., 1999. New Topics in Operations Research. Second Edition. Tehran: Faculty of Management, University of Tehran. (In Persian)
-Pengra, B., 2012. The Drying of Iran's Lake Urmia and its Environmental Consequences. UNEP-GRID, Sioux Falls, UNEP Global Environmental Alert Service (GEAS).
-Saadoud, D., Hassani, M., Martin Peinado, F. J., & Guettouche, M. S., 2018. Application of fuzzy logic approach for wind erosion hazard mapping in Laghouat region (Algeria) using remote sensing and GIS. Aeolian Research, 32(May 2017), 24–34. https://doi.org/10.1016/j.aeolia.2018.01.002
-Salami, M., 2010. Analysis of water quality parameters of Anzali Wetland using fuzzy mathematical method. Senior Bachelor's thesis. Faculty of Science, Tarbiat Muallem University. (In Persian)
-Tourian, M., Elmi, O., Chen, Q., Devaraju, B., Roohi, S., Sneeuw, N., 2015. A spaceborne multisensor approach to monitor the desiccation of Lake Urmia in Iran. Remote Sens. Environ. 156, 349–360.
-Vali, A A., Khamoshi, S., Mousavi, H., Panahi, F. and Temaski, E., 2014. Climate analysis and tracking of widespread dust storms in southern and central Iran, Journal of Environmental Studies, Volume 40, No. 4, pp. 961-972.
-Zeinali, B., & Asghari, S., 2016. Mapping and monitoring of dust storms in Iran by fuzzy clustering and remote sensing techniques. Arabian Journal of Geosciences, 9, 1-10.
-Zou alfaghari, H., & Abedzadeh, M., 2006. A synoptic analysis of dust systems at the west part of Iran. Geography and development, 3(6), 173-188. SID. https://sid.ir/paper/76993/en (In Persian)
| ||
|
آمار تعداد مشاهده مقاله: 408 تعداد دریافت فایل اصل مقاله: 181 |
||