نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

شناسایی پهنه‌های مستعد تولید گردوغبار با استفاده از منطق فازی و تحلیل سلسله‌مراتبی در جنوب شرقی دریاچه ارومیه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا گروه محیط زیست، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.

2 گروه محیط زیست، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران – مرکز تحقیقات مدیریت توسعه پایدار حوضه آبریز دریاچه ارومیه و رودخانه ارس

3 استاد گروه سنجش از دورو GIS دانشگاه تبریز

4 گروه علوم و مهندسی خاک، واحد تبریز، دانشگاه آزاد اسلامی، - مرکز تحقیقات مدیریت توسعه پایدار حوضه آبریز دریاچه ارومیه و رودخانه ارس

5 دانش آموخته دکتری اقلیم شناسی، کارشناس هواشناسی سازمان هواشناسی کشور، اداره کل هواشناسی آذربایجان‌شرقی، تبریز، ایران.

10.22034/rsgi.2024.61299.1071

چکیده

در کنار حوادث طبیعی همچون سیل که آسیب‌های بسیار زیادی به محیط‌زیست و مجامع انسانی وارد می‌کند، پدیده گردوغبار نیز به‌نوبة خود آسیب‌های جبران‌ناپذیری به محیط‌های شهری، سیستم‌های حمل‌ونقلی، سیستم تنفسی و... تحمیل می‌نماید. شناسایی کانون مستعد، اولین گام جهت کنترل و جلوگیری از رخداد چنین پدیده‌ای محسوب می‌گردد. تحقیقات مختلفی جهت شناسایی کانون‌های گردوغبار شده است، ولی در اغلب مطالعات از تصاویر کوچک‌مقیاس استفاده شده است. هدف از این تحقیق، استفاده از تصاویر متوسط مقیاس ماهواره‌ای جهت شناسایی کانون‌های محلی مستعد تولید گردوغبار است. جهت تهیه هر یک از عناصر مؤثر در تولید گردوغبار که شامل: شیب، مدل رقومی ارتفاع، کاربری اراضی، شاخص پوشش گیاهی، رطوبت خاک، شوری خاک، سرعت باد، بارش و دمای سطح زمین هستند، از سامانه گوگل ارث انجین استفاده شده است. برای وزن‌دهی عناصر از روش تحلیل سلسله‌مراتبی بهره گرفته شد. نتایج وزن‌های به‌دست‌آمده برای هر یک از عناصر عبارت‌اند از: رطوبت خاک (۲۶۴/۰)، پوشش گیاهی (۲۰۸/۰)، سرعت باد (۱۵۳/۰)، بارش (۱۰۷/۰)، کاربری اراضی و شوری خاک (۰۸۱/۰)، دمای سطح زمین (۰۶۴/۰)، ارتفاع و شیب به ترتیب برابر ۰۲۴/۰ و ۰۲۰/۰ و شاخص ناسازگاری برابر ۰۱۵/۰ محاسبه شد که بیانگر میزان تناقض بین وزن‌های ارائه شده عناصر نسبت به یکدیگر است که کمتر از آستانه مجاز (۱) است. به دلیل عدم وجود ایستگاه سنجش کیفیت هوا در محدوده، برای صحت‌سنجی نقشه‌های استنتاجی از محصول عمق اپتیکی هواویزها استفاده شد. نقشه نهایی نشان داد که هرچه به ارتفاعات سهند نزدیک‌تر، از وسعت کانون‌ها کاسته شده و هرچه به دریاچه نزدیک‌تر، بر وسعت کانون‌ها افزوده شده است.

تازه های تحقیق

در این پژوهش به‌منظور شناسایی کانون­های مستعد گردوغبار از مهم‌ترین عناصر مؤثر در تولید گردوغبار از جمله سرعت باد، بارش، دمای سطح زمین، رطوبت خاک، شوری خاک، کاربری اراضی، ارتفاع از سطح دریاهای آزاد، شیب زمین و شاخص پوشش گیاهی استفاده شد. بر اساس نقشه کاربری اراضی، کاربری­هایی از جمله پهنه آبی، زمین­های بایر، شوره­زارها، مراتع، باغات و مناطق ساخته­شده در روند تحلیل مورد تجزیه‌وتحلیل قرار

گرفتند. هرکدام از کاربری­ها نیز دارای ارزش خاص خود در تولید گردوغبار هستند که متفاوت از دیگر کاربری­ها است. بر اساس نقشه کاربری اراضی، مناطق بایر و شوره‌زارها از قابلیت بالایی و در مقابل مناطق دارای پوشش گیاهی و پهنه آبی فاقد قابلیت تولید گردوغبار بوده­اند. بر اساس مطالعات صورت‌گرفته (Tyba et al) به این نتیجه رسیده­اند که مکان­های با زبری کمتر، رطوبت کمتر خاک و حداقل پوشش گیاهی با ریسک بسیار بالایی در تولید گردوغبار مواجه هستند. در مطالعه­ای که Engelstadler (2001) انجام داد، نشان داد که تولید گردوغبار به‌نوعی واکنش به تغییر پوشش گیاهی زمین است و نتایج به دست آمده در پژوهش نیز به نوعی موید و مشابه این موضوع است. به طوریکه مناطق شناسایی شده فاقد پوشش گیاهی بوده و زمین­های بایر و لختی می­باشند که در اثر پسروی آب دریاچه به وجود آمده­اند. همچنین مطابق نتایج به دست آمده از مطالعات رایگانی و همکاران (1396) و فلاح زوزولی و همکاران (1398)، عنصر سرعت باد نیز در تشدید وضعیت ایجاد گردوغبار مؤثر بوده است. با عنایت به این موضوع که ایران در کمربند خشک و نیمه‌خشک جهان قرار دارد و از طرفی در سال­های اخیر به دلیل خشکسالی­های متوالی و دست‌اندازی انسان و مدیریت غلط منابع آبی، دریاچه ارومیه دستخوش تغییرات قرار گرفته است و یکی از نتایج حاصل از خشک‌شدن بستر دریاچه ارومیه، تبدیل بستر آن به کانون گردوغبار است. نتایج حاصل از این پژوهش نشان داد که عناصر رطوبت خاک، پوشش گیاهی، سرعت باد و بارندگی از اهمیت بسیار بالایی در تولید گردوغبار برخوردارند ولی مجموعه­ای از عوامل نیز در تشکیل کانون­های مستعد تولید گردوغبار نقش ایفا نموده­اند که از آن جمله می­توان به نقش کاربری اراضی نیز اشاره نمود (بروغانی و پورهاشمی، 1398). بر اساس مدیریت ناصحیح منابع آبی و پس‌روی آب دریاچه ارومیه، چرای بیش از حد دام، دست اندازی انسان در محیط همچون بهره­برداری از معادن، بیابان­زایی به واسطه رهاسازی زمین­های کشاورزی، خشکسالی­های متمادی و سایر عوامل، مناطق حاشیه دریاچه ارومیه تبدیل به کانون­های بالقوه تولید گرد و غبار شده­اند که در صورت ادامه چنین روندی، به کانون­های بالفعل گرد و غبار تبدیل خواهند شد. همانطور که در اشکال ۶ و ۷ نیز قابل رویت است، شهرهای عجب­شیر، بناب، گوگان از استان آذربایجان شرقی و شهر چهاربرج از استان آذربایجان غربی، بیشترین خسارت­ها و صدمات را به دلیل نزدیکی به کانون­ها مستعد تولید گردوغبار را تجربه می­نمایند. باتوجه‌به وجود روستاهای متعدد در نزدیکی مناطق مستعد شناسایی شده، بیشترین صدمات تحمیل این مناطق خواهد شد. برای مشخص‌شدن تأثیرات ناشی از گردوغبار محلی در این مناطق، نیاز است مطالعات وسیع­تری در آینده با بازه زمانی مناسب مدنظر قرار گیرد. باتوجه‌به اثرات متعدد جانی، مالی و زیست­محیطی گردوغبار، پیشنهاد می­گردد به‌منظور مقابله با طوفان­های گردوغبار نسبت به تثبیت بستر دریاچه ارومیه، ایجاد پوشش گیاهی بالاخص گیاهان شورپسند، جلوگیری از گسترش فعالیت­های کشاورزی در حوضه آبریز دریاچه ارومیه، مدیریت یکپارچه و صحیح منابع آبی، جلوگیری از تخریب مراتع و تبدیل آن به مراتع فقیر، سیاست‌گذاری در اصول مصرف منابع آبی، آموزش کشاورزان در نحوه استفاده از منابع آبی، پهنه‌بندی استفاده از منابع آبی و مدیریت صحیح آن با الویت حساسیت به تبدیل‌شدن کانون مستعد تولید گردوغبار اقدامات عاجل مدنظر تصمیم­گیران حوضه آبریز دریاچه ارومیه قرار گیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identifying Potential Areas to Dust generation using fuzzy logic and AHP in the Southeast of Urmia Lake

نویسندگان [English]

  • Saeid Hoseinzadeh Khachak 1
  • Omid Rafieyan 2
  • Khalil Valizadeh_Kamran 3
  • mohammad reza dalalian 4
  • Gholam hasan Mohammadi 5

1 Department of Environmental science and engineering, Tabriz Branch, Islamic Azad University Tabriz, Iran.

2 Department of Environmental Sciences, Tabriz Branch, Islamic Azad University Tabriz, Iran,-Sustainable Development Management Research Center of Urmia lake Basin and Aras River, Tabriz Branch, Islamic Azad University, Tabriz, Iran.

3 Department of Remote Sensing and GIS. Faculty of Planning and Environmental Sciences. University of Tabriz

4 Department of Soil Science and Engineering, Tabriz Branch, Islamic Azad University Tabriz, Iran,-Sustainable Development Management Research Center of Urmia lake Basin and Aras River, Tabriz Branch, Islamic Azad University, Tabriz, Iran.

5 Ph.D Graduated in Climatology, I.R. of Iran Meteorological Organization, East Azerbaijan Central Bureau, Tabriz. Iran.

چکیده [English]

In addition to natural disasters such as floods, which cause great damage to the environment and human societies, the phenomenon of dust also causes irreparable damage to urban environments, transportation systems, respiratory systems, etc. Identifying Potential Dust Source Areas is considered the first step to control and prevent this phenomenon. Various researches have been conducted to identify dust sources, but most studies have relied on small-scale images. This research aims to use medium-scale satellite images to identify local areas prone to dust production. Google Earth Engine was used to analyze factors influencing dust generation, including slope, Digital Elevation Model (DEM), land use, soil salinity, Normalized Difference Vegetation Index (NDVI), soil moisture, wind speed, precipitation, and Land Surface Temperature (LST). Analytical Hierarchy Process (AHP) was used to assign weights to these elements. The resulting weights were: soil moisture (0.264), NDVI (0.208), wind speed (0.153), precipitation (0.107), land use/soil salinity (0.081), LST (0.064), DEM (0.024), and slope (0.020). The inconsistency index (0.015) indicated a high degree of consistency between the assigned weights, which is below the acceptable threshold (1). Due to the lack of ground-based air quality measurements, the Aerosol Optical Depth product (a satellite-derived measurement of airborne particles) was used to validate the resulting dust source maps. The final map showed that the potential for dust generation decreased closer to the heights of Sahand and increased closer to the lake.

کلیدواژه‌ها [English]

  • Dust
  • Urmia Lake
  • Geographical Information System
  • Google Earth Engine
  • AHP
  • Fuzzy Logic

در کنار حوادث طبیعی همچون سیل، که آسیب‌های بسیار زیادی به محیط‌زیست و مجامع انسانی وارد می‌کند، پدیده گردوغبار نیز به‌نوبة خود آسیب‌های جبران‌ناپذیری به محیط‌های شهری، سیستم‌های حمل‌ونقلی، سیستم تنفسی و... تحمیل می‌نماید. شناسایی کانون مستعد، اولین گام جهت کنترل و جلوگیری از رخداد چنین پدیده‌ای محسوب می‌گردد. تحقیقات مختلفی جهت شناسایی کانون‌های گردوغبار شده است، ولی در اغلب مطالعات از تصاویر کوچک‌مقیاس استفاده شده است. هدف از این تحقیق، استفاده از تصاویر متوسط مقیاس ماهواره‌ای جهت شناسایی کانون‌های محلی مستعد تولید گردوغبار است. جهت تهیه هر یک از عناصر مؤثر در تولید گردوغبار که شامل: شیب، مدل رقومی ارتفاع، کاربری اراضی، شاخص پوشش گیاهی، رطوبت خاک، شوری خاک، سرعت باد، بارش و دمای سطح زمین هستند، از سامانه گوگل ارث انجین استفاده شده است. برای وزن‌دهی عناصر از روش تحلیل سلسله‌مراتبی بهره گرفته شد. نتایج وزن­های به‌دست‌آمده برای هر یک از عناصر عبارت‌اند از: رطوبت خاک (۲۶۴/۰)، پوشش گیاهی (۲۰۸/۰)، سرعت باد (۱۵۳/۰)، بارش (۱۰۷/۰)، کاربری اراضی و شوری خاک (۰۸۱/۰)، دمای سطح زمین (۰۶۴/۰)، ارتفاع و شیب به ترتیب برابر ۰۲۴/۰ و ۰۲۰/۰ و شاخص ناسازگاری برابر ۰۱۵/۰ محاسبه شد که بیانگر میزان تناقض بین وزن­های ارائه شده عناصر نسبت به یکدیگر است که کمتر از آستانه مجاز (۱) است. به دلیل عدم وجود ایستگاه سنجش کیفیت هوا در محدوده، برای صحت‌سنجی نقشه‌های استنتاجی از محصول عمق اپتیکی هواویزها استفاده شد. نقشه نهایی نشان داد که هرچه به ارتفاعات سهند نزدیک‌تر، از وسعت کانون‌ها کاسته شده و هرچه به دریاچه نزدیک‌تر، بر وسعت کانون‌ها افزوده شده است.

Alizadeh Govarchin Ghale, Y., Tayanc, M., And Unal, A. (2021). Dried bottom of Urmia Lake as a new source of dust in the northwestern Iran: Understanding the impacts on local and regional air quality. Atmospheric Environment, 262, 118635.‏ DOI: https://doi.org/10.1016/j.atmosenv.2021.118635
Ansari ghojghar, M., Pourgholam-Amiji, M., Bazrafshan, J., Liaghat, A., And Araghinejad, S. (2020). Performance Comparison of Statistical, Fuzzy and Perceptron Neural Network Models in Forecasting Dust Storms in Critical Regions in Iran. Iran J Soil Water Res., 51(8), 2051-2063. (In Persian)
Arami, S. A., Ownegh, M., Mohammadian Behbahani, A., Akbari, M., And Zarasvandi, A. (2018). The analysis of dust hazard studies in southwest region of Iran in 22 years (1996-2017). Journal of Spatial Analysis Environmental Hazarts, 5(1), 39-66.‏ (In Persian)
Avdan, U., And Jovanovska, G. (2016). Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data. Journal of Sensors, 34, 1–8. DOI: https://doi.org/10.1155/2016/1480307
Baharvand, S., Soori, S., And Rahnama Rad, J. (2017). Environmental hazards zonation landslide, earthquake, flood and erosion using AHP Fuzzy method (Case study: Vark Basin). Journal of RS and GIS for Natural Resources, 8(3), 89-103.‏ (In Persian)
Barhagh, S. E., Zarghami, M., Ghale, Y. A. G., And Shahbazbegian, M. R. (2021). System dynamics to assess the effectiveness of restoration scenarios for the Urmia Lake: A prey-predator approach for the human-environment uncertain interactions. Journal of Hydrology, 593, 125891.‏
Boroughani, M., And Pourhashemi, S. (2019). Susceptibility Zoning of Dust Source Areas by Data Mining Methods over Khorasan Razavi Province. Environmental Erosion Research Journal, 9(3), 1-22.‏ (In Persian)
Drisya, J., And Roshni, T. (2018). Spatiotemporal variability of soil moisture and drought estimation using a distributed hydrological model. In Integrating disaster science and management (pp. 451-460). Elsevier.‏ DOI: https://doi.org/10.1016/B978-0-12-812056-9.00027-0.
Engelstädter, S. (2001). Dust storm frequencies and their relationship to land surface conditions (Doctoral dissertation, Friedrich-Schiller-Universität Jena).‏
Fallah Zazuli, M., Vafaeinezhad, A., Kheirkhah Zarkesh, M.M., Ahmadi Dehka, F. (2019). Monitoring and Synoptic Analysis of Dust Haze Phenomenon using Remote Sensing and GIS (Case study: June 18, 2012 Dust haze). Iran J Soil Water Res, 6(91), 69-80. DOI: https://doi.org/10.22131/sepehr.2014.12863 (In Persian)
Feizizadeh, B.; Lakes, T.; Omarzadeh, D.; Sharifi, A.; Blaschke, T.; Karmizadeh, S.M. 2022. Scenario-based analysis of the impacts of lake drying on sustainable food production. Nat. Sci. Rep. DOI: https://doi.org/10.21203/rs.3.rs-934137/v1
Fensholt, R., And Sandholt, I. (2003). Derivation of a shortwave infrared water stress index from MODIS near-and shortwave infrared data in a semiarid environment. Remote Sensing of Environment, 87(1), 111-121.‏ DOI: https://doi.org/10.1016/j.rse.2003.07.002.
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S.,... And Michaelsen, J. (2015). The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific data, 2(1), 1-21.‏ DOI: https://doi.org/10.1038/sdata.2015.66.
Garajeh, M. K., Malakyar, F., Weng, Q., Feizizadeh, B., Blaschke, T., And Lakes, T. (2021). An automated deep learning convolutional neural network algorithm applied for soil salinity distribution mapping in Lake Urmia, Iran. Science of The Total Environment, 778, 146-253.‏ DOI: https://doi.org/10.1016/j.scitotenv.2021.146253
 
Heidari, H., Yarahmadi, D., And Karampour, M. (2020). Identification of potential sources of dust in Lorestan province. Journal of Spatial Analysis Environmental Hazards, 7(3), 95-106. (In Persian)
http://Idas.gsfc.nasa.gov
http://vertex.daac.asf.alaska.edu
http://www.chc.ucsb.edu
 
Jamalpour Bergaini, S., Ahmadi, H., Moeini, A., And faraji, M. (2021). Detection of dust sources by land use type, using remote sensing techniques and fuzzy logic, case study: south-east Ahwaz. Journal Of Watershed Engineering and Management, 13(2), 255-268. (In Persian)
Jiang, J., And Tian, G. (2010). Analysis of the impact of land use/land cover change on land surface temperature with remote sensing. Procedia environmental sciences, 2, 571-575.‏ DOI: https://doi.org/10.1016/j.proenv.2010.10.062
Katushabe, C., Kumaran, S., And Masabo, E. (2021). Fuzzy Based Prediction Model for Air Quality Monitoring for Kampala City in East Africa. Applied System Innovation, 4(3), 44. ‏ DOI:  https://doi.org/10.3390/asi4030044
Killeen, P. G., Mwenifumbo, C. J., And Ford, K. L. (2015). Tools and techniques: radiometric methods. Treatise on geophysics, 447-524.‏ DOI: https://doi.org/10.1016/B978-0-444-53802-4.00209-8
Mohammadian, K., and Ganjaeian, H. (2023). Evaluation and determination of land use according to the morphological condition of the river (Case study: Saimareh River). Application of remote sensing and GIS in environmental sciences, 3(9), 63-80. (In Persian)
Prospero, J. M., Ginoux, P., Torres, O., Nicholson, S. E., And Gill, T. E. (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.‏ DOI: https://doi.org/10.1029/2000RG000095
Raygani, B., Kheyrandish, Z., Kermani, F., Mohammadi Miyab, M., And Torabiniya, A. (2017). Identification of active dust sources using remote sensing data and air flow simulation (Case study: Alborz province). Desert Management, 4(8), 15-26. (In Persian)
Shayesteh, K., Gharibi, S., Safikhani, M., And Arabi, S.A. (2020). Identifying Dust generation potential sources using fuzzy logic in Hamadan province. Quarterly Journal of Environmental Erosion Research, 10(2), 59-74. (In Persian)
Tyba, A., Qaragozlu, A., Almodaresi, S.A., And Abdollahi, H. 2014. Detection and Monitoring of Dust. 21th National Geometrics Conference. 21.
 
 
 
 
 
 
Wu, W., 2014. The generalized difference vegetation index (GDVI) for dryland characterization. Remote Sensing. 6, pp. 1211–1233. DOI: https://doi.org/10.3390/rs6021211
Yassin, M. F., Almutairi, S. K., And Al-Hemoud, A. (2018). Dust storms backward Trajectories' and source identification over Kuwait. Atmospheric research, 212, 158-171.‏ DOI: https://doi.org/10.1016/j.atmosres.2018.05.020
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 4، شماره 10
فروردین 1403
صفحه 77-48
  • تاریخ دریافت: 01 اردیبهشت 1403
  • تاریخ پذیرش: 12 تیر 1403