نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری آبوهواشناسی، گروه جغرافیای طبیعی، دانشکدۀ علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران
2 استاد آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران
3 استاد آبوهواشناسی، گروه جغرافیای طبیعی، دانشکدۀ علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Abstract
Dust is a significant global challenge. This study aimed to monitor the temporal and spatial changes of suspended atmospheric dust in the western half of Iran, specifically in the provinces of Ilam, Khuzestan, Kermanshah, Kurdistan, and Lorestan. We utilized MODIS sensor products from 2012 to 2021 and Sentinel-5 imagery from 2018 to 2021 within the Google Earth Engine framework. These sensor products are invaluable for managing and addressing dust-related issues. Using Aerosol Optical Depth (AOD) and Absorbing Aerosol Index (AAI) data, we tracked the trends in aerosol concentration over time and across the selected regions. Additionally, we calculated the Enhanced Vegetation Index (EVI) and Bare Soil Index (BSI) from MOD13Q1 images for the same period to assess their average changes. The analysis revealed a downward trend in AOD during January and an upward trend in July. The AAI indicated that January 2021 recorded the lowest aerosol levels, while July and September 2021 experienced the highest concentrations. Classifying aerosol concentrations into three categories highlighted that regions with high aerosol levels, as indicated by MODIS data, were consistently found in Khuzestan and Ilam provinces, while Sentinel data showed sporadic occurrences. Furthermore, the correlation between dust concentration from MODIS imagery and EVI and BSI indices revealed that the highest aerosol concentrations were located in areas with little vegetation and bare soils.
Keywords: Western Half of Iran, Dust, Aerosol Optical Depth (AOD), Absorbing Aerosol Index (AAI), Enhanced Vegetation Index (EVI), Bare Soil Index (BSI).
Introduction
Dust has emerged as a significant contributor to air and environmental pollution worldwide. It can reduce horizontal visibility to less than 1,000 meters. With the increasing frequency of dust storms in recent years, monitoring these events has become crucial for identifying their sources. Given that dust can travel long distances from its origin, traditional measurement methods face time and spatial limitations. Therefore, satellite imagery and derived indices, such as Aerosol Optical Depth (AOD) and Absorbing Aerosol Index (AAI), are essential for effectively monitoring dust across extensive areas.
Materials & Methods
This study examined the temporal and spatial changes of dust in the provinces of Ilam, Khuzestan, Kermanshah, Kurdistan, and Lorestan. We utilized AOD from Terra and Aqua satellite images (MODIS sensor) for the years 2012-2021, along with AAI from Sentinel-5 (TROPOMI sensor) for the years 2018-2021. To analyze the trends and severity of dust changes, we employed the Enhanced Vegetation Index (EVI) and Bare Soil Index (BSI) derived from MOD13Q1 MODIS Terra images. Subsequently, we assessed the annual trends in AOD and AAI, generating spatial distribution maps of these changes. These maps were classified for the study period to facilitate a comprehensive understanding of dust dynamics in the region.
Research Findings
Analysis of the monthly time series for the AOD index revealed that the highest concentration of air pollutants in the studied provinces occurred in July 2012, while January consistently exhibited cleaner air throughout the period. Monthly variations in aerosol concentrations, as indicated by AAI satellite data, showed an upward trend in July and September due to elevated temperatures and reduced cloud cover and precipitation. Conversely, January saw a decrease in aerosol concentrations attributed to increased precipitation and lower temperatures. Yearly assessments of suspended dust concentrations using the AOD index indicated that 2012 and 2020 had the highest levels of aerosols. In Khuzestan and parts of Ilam Province, aerosol concentrations were notably high, identifying these areas as significant sources of dust. In contrast, Kurdistan and Lorestan provinces exhibited lower levels of suspended dust in the atmosphere. Based on the spatial distribution of dust density derived from MODIS and Sentinel-5 images, Khuzestan Province was classified as a high-risk area and served as an active center for dust generation. The spatial distribution of vegetation, as indicated by the EVI, revealed significant changes in vegetation in the northwest region of Khuzestan. In contrast, the southern parts of Khuzestan and the western areas of Ilam Province exhibited minimal vegetation changes alongside the highest dust concentrations during the study period.
Discussion of Results & Conclusion
The classification of aerosol concentrations into three categories revealed that areas with high aerosol levels, as indicated by MODIS images, were consistently found in Khuzestan and Ilam provinces, while Sentinel images showed these concentrations sporadically. The analysis of dust concentration in MODIS images, alongside the EVI and BSI, demonstrated that the highest aerosol concentrations occurred in regions characterized by minimal vegetation and bare soils. The findings of this study provide valuable insights for decision-makers aiming to manage areas with potential dust generation. Without effective management and planning, regions classified as medium-risk could gradually transition into high-risk areas, exacerbating the dust problem. The western regions of Kermanshah and Kurdistan provinces fell into a moderate category regarding vegetation. According to the BSI, most of the studied provinces featured bare soils, with only the western parts of Kermanshah, Kurdistan, and eastern Lorestan, along with central Khuzestan, displaying vegetation, water, and snow.
کلیدواژه‌ها [English]
مقدمه
امروزه گرد و غبار یکی از مهم‌ترین مشکلات آلودگی هوا و محیط زیست در جهان به‌خصوص کشورهای درحال توسعه است (تقوی و همکاران، ۱۳۹۲). این رخداد سبب کاهش دید افقی به کمتر از ۱۰۰۰ متر می‌شود و در شدیدترین حالت ممکن میزان غلظت ذرات معلق در هوا ممکن است به بیش از mg/m3 ۶۰۰ برسد (خوشحال دستجردی و همکاران، ۱۳۹۱). با‌توجه به افزایش فراوانی وقوع طوفان‌های گرد و غبار در طی سال‌های اخیر بررسی و پایش مداوم آن برای آگاهی و مدیریت مناطق سرچشمه و اثرگذار اهمیت فراوانی دارد (Taghavi et al., 2017). پدیدۀ گرد و غبار به‌علت آنکه مسافت طولانی را از منشأ تولید خود طی می‌کند، محدودیت‌های زمانی و مکانی برای اندازه‌گیری میدانی دارد. به همین جهت، تنها با مشاهده‌های ماهواره‌ای امکان پایش دقیق گرد و غبار فراهم است (Kanniah & Yaso, 2010). شاخص‌هایAOD و AAI به‌لحاظ دقت در تشخیص و گسترۀ زمانی و مکانی امکان پایش زمانی و مکانی گرد و غبار را در پهنۀ وسیع فراهم می‌کنند (ارجمند و همکاران، ۱۳۹۷).
یکی از روش‌های مؤثر در پایش هواویزها استفاده از شاخص عمق نوری آئروسل (AOD) (Aerosol Optical Depth) سنجندۀ مودیس (MODIS) است که بر‌روی ماهوارۀ ترا (-Teraa) در سال 1999 و آکوا (Aqua) در سال 2002 نصب شده است (احمدی و همکاران، ۱۳۹۸؛ Raygani et al., 2020; Ramanathan & Crutzen, 2003). شاخص AAI یا شاخص جذب هواویز یک شاخص کیفی از ذرات هواویز جاذب فرابنفش نزدیک است که به دود و گرد و غبار حساس است (ارجمند و همکاران، ۱۳۹۷). سنجندۀ TROPOMI حاصل از ماهوارۀ سنتینل– ۵ از ابزارهای دیگری است که فقط برای پایش و کنترل آلاینده‌های هوا به کار می‌رود. این سنجنده در سال 2017 به فضا پرتاب شده است که به‌صورت روزانه نقشه‌های آلودگی هوا را فراهم می‌کند. تأثیر این سنجنده در شناسایی و پایش هواویزها نیز پذیرفتنی است (شایسته و غریبی، ۱۴۰۱).
سامانۀ گوگل ارث انجین (Google Earth Engine) برای بررسی موضوع‌های مختلف در‌زمینۀ اقلیم‌شناسی و پژوهش‌های سنجش از دور و مدیریت بلایای طبیعی به کار می‌رود. داده‌های این سامانه برای بررسی تغییرات مکانی و زمانی عناصر اقلیم‌شناسی و نیز تهیۀ نقشه‌های سری زمانی در‌سطح زمین بسیار سودمند است. در سال‌های اخیر به‌سبب فراوانی رخداد طوفان‌های گرد و غبار و فراوانی خسارت‌های ناشی از آن مطالعات گسترده‌ای در‌سطح جهان و ایران دربارۀ آن صورت گرفته است. دی و همکاران با استفاده از دادۀ ماهوارۀ INSAT و شاخص AOD به مطالعه و ردیابی گرد و غبار در سین کیانگ پرداختند (Di et al., 2016). هالوس و همکاران تأثیر گرد و غبار را بر خصوصیات نوری آئروسل در عراق با شاخص‌های AAOD، AOD و AI بررسی کردند (Halos et al., 2017). نتایج نشان داد که هر سه شاخص از یک الگو تبعیت می‌کنند. هی و همکاران تغییرات زمانی و مکانی AOD را با استفاده از سنجندۀ مودیس برای ۱۴ سال در کشور چین بررسی کردند (He et al., 2019). نتایج نشان داد که میزان AOD در شمال غرب چین درحال افزایش بوده است. لی و همکاران با پایش تغییرات زمانی و مکانی گرد و غبار با شاخص AOD سنجندۀ مودیس در صحرای تاکلامکان چین در‌طول سال‌های 2000، 2005، 2010 و 2015 روند افزایشی گرد و غبار را در سال‌های 2010 و 2015 نشان دادند (Li et al., 2021). شاهین و همکاران با استفاده از داده‌های مودیس روند تغییرات AOD را در منطقۀ خاورمیانه و مدیترانۀ شرقی بررسی و سپس یک روند صعودی را در‌طول سال‌های 2000 تا 2010 نشان دادند (Shaheen et al., 2021).
میری و همکاران (۱۳۹۶) از شاخص‌های AI و AOD برای بررسی ذرات معلق جوّ در منطقۀ شرق خراسان استفاده کردند. نتایج پژوهش روند صعودی این شاخص‌ها را در سال‌های 2014- 1978 نشان داد. کاظمی و همکاران (۱۳۹۹) با بررسی ارتباط بین بیشینۀ گرد و غبار با متغیرهای اقلیمی از‌طریق شاخص AOD سنجندۀ مودیس در استان هرمزگان طی بازۀ زمانی 2000-2017 نشان دادند که متغیرهای پوشش‌گیاهی، رطوبت خاک و میزان بارش بیشترین تأثیر را بر میزان گرد و غبار داشته است. میراکبری و ابراهیمی (۱۳۹۹) با پایش تغییرات زمانی و مکانی AOD در جنوب شرق ایران طی دورۀ آماری ۱۳۸۰ تا ۱۳۹۷ با استفاده از آزمون روند من – کندال به وجود ارتباط قوی و معنا‌دار بین شاخص AOD و غلظت ذرات معلق (PM10) در‌سطح اطمینان ۹۵ درصد آماری پی بردند. جعفری و علیدادی (۱۴۰۰) به پهنه‌بندی گرد و خاک با استفاده از تصاویر ماهواره‌ای مودیس و شاخص‌های AOD و AI در جنوب غربی ایران پرداختند. نتایج کفایت این شاخص‌ها را در پایش طوفان‌های گرد و خاک تأیید کرد. غریبی و شایسته (۱۴۰۰) با استفاده از تصاویر ماهواره‌ای سنتینل-۵ به شناسایی کانون‌های آلایندۀ هوا در ایران در بازۀ زمانی سال 2019 پرداختند. نتایج پژوهش نشان داد که آلاینده‌های جوّی در پاییز روند افزایشی و در بهار روند کاهشی دارد. منصور مقدم و همکاران (۱۴۰۱) با پایش زمانی و مکانی گرد و غبار معلق جوّ در استان قزوین در‌طول دورۀ آماری (۱۳۹۹-۱۳۹۴) و پیش‌بینی روند آن تا سال ۱۴۰۹ افزایش گرد و غبار و افزایش طبقۀ پرخطر را برای این استان پیش‌بینی کردند. شایسته و غریبی (۱۴۰۱) با شناسایی کانون‌های بالفعل گرد و غبار با استفاده از تصاویر مودیس و سنتینل-۵ نشان دادند که تصاویر سنتینل -۵ در پایش کانون‌های گرد و غبار به‌صورت پیوسته و مفید است. پژوهشگران دیگری در مناطق مختلفی چون استرالیا (Li et al., 2010)، عربستان سعودی (Butt & Mashat, 2018)، ایلام (Zandi et al, 2023) جنوب و جنوب غرب ایران (امیری و همکاران، ۱۳۹۹) و شهرستان زابل (حسین آبادی و همکاران، ۱۳۹۹) با استفاده از تصاویر ماهواره‌ای مودیس به پایش گرد و غبار پرداخته‌اند.
نیمۀ غرب ایران به‌علت موقعیت جغرافیایی و قرار‌گرفتن در نزدیکی بیابان‌های مجاور غربی و کانون‌های مهم گرد و غبار، وجود نواحی بیابانی و آمادۀ فرسایش، کاهش پوشش‌گیاهی و تبدیل اراضی جنگلی و مرتعی به کشاورزی همه‌‌ساله بیشترین فراوانی وقوع طوفان گرد و غبار را دارد. رخداد پدیدۀ گرد و غبار در این گستره در طولانی‌مدت مشکلات فراوانی را برای ساکنان آن ایجاد می‌کند. نتایج بیشتر مطالعات نشان می‌دهد که سنجندۀ مودیس توانایی لازم را در پایش مقدار‌های ریزگردها دارد؛ اما داده‌های تصاویر ماهواره‌ای سنتینل-۵ جدیدتر و نتایج دقیق‌تری نسبت به مودیس دارد؛ بنابراین پژوهش حاضر با هدف پایش تغییرات مکانی و زمانی گرد و غبار معلق جوّ در نیمۀ غرب ایران و با در نظر گرفتن قابلیت‌ها و توانایی‌های تصاویر مودیس و سنتینل-۵ انجام شده است.
منطقۀ پژوهش
در این پژوهش استان‌های واقع در حوضه‌های آبریز غرب و جنوب غرب ایران که شامل ۵ استان ایلام، خوزستان، کرمانشاه، کردستان و لرستان است، بررسی شده است. موقعیت پهنۀ مطالعه‌شده در شکل ۱ آورده شده است.
شکل ۱: جایگاه جغرافیایی محدودۀ مطالعه‌شده (منبع: نویسندگان، ۱۴۰۳)
Figure 1: Geographical location of the study area
داده‌ها و روش‌شناسی پژوهش
هدف از پژوهش حاضر پایش تغییرات زمانی و مکانی گرد و غبار با استفاده از سامانۀ گوگل ارث انجین است. برای این منظور شاخص‌های AOD و AI بر‌روی تصاویر ماهواره‌های ترا و آکوا (سنجنده مودیس) در دورۀ زمانی (2012-2021) و سنتینل-۵ (سنجنده Tropomi) برای دورۀ زمانی 2018-2021 پردازش و سپس محدودۀ اثرگذار برای پایش گرد و غبار در قالب نقشه‌های فضایی تراکم آئروسل ارزیابی شد. در این مطالعه برای تحلیل روند و شدت تغییرات آئروسل از شاخص پوشش‌گیاهی بهبودیافته (EVI) (Enhanced Vegetation Index) و شاخص خاک لخت (BSI) (Bare Soil Index) حاصل از تصاویر MOD13Q1 مودیس / ترا با قدرت تفکیک زمانی ۱۶ روزه استفاده شد. این شاخص‌ها نقش مؤثرتری در تعیین کانون‌های بالفعل گرد و غبار دارند که مقدار آنها با اعمال عامل مقیاس (Scale Factor) ۰۰۰۱/۰ بر‌روی هر تصویر به دست آمد و سپس میانگین سالانه به‌صورت خروجی محاسبه شد. شاخص EVI ضمن آشکارسازی پذیرفتنی تغییرات زمانی و فضایی پوشش‌گیاهی منطقه تأثیر خاک و گرد و غبار را روی پوشش گیاهی نیز کاهش می‌دهد (Pettorelli et al., 2005). این شاخص بین ۱+ و ۱- است که هرچه به ۱+ نزدیک شود، نشان‌دهندۀ پوشش‌گیاهی غنی منطقه است. شاخص BSI نیز برای شناسایی مناطق لخت و تغییرات خاک از ترکیب داده‌های باندهای آبی (B)، قرمز (R)، مادون قرمز نزدیک (NIR) و مادون قرمز با طول موج کوتاه (SWIR) استفاده می‌کند که بین ۰ تا ۲۰۰ متغیر است. این شاخص هرچه به صفر نزدیک شود، نشان‌دهندۀ پوشش گیاهی بیشتر خاک است. این دو شاخص با استفاده از رابطه‌های ۱ و ۲ مشخص می‌شود (نرماشیری و همکاران، ۱۴۰۱).
|
رابطة (۱) |
|
|
رابطة (۲) |
|
در رابطة (۱) بازتاب در باند مادون قرمز نزدیک با NIR، در باند قرمز با R و در باند آبی با B بیان می‌شود و L، عامل تنظیم خاک است که برابر با ۱ در‌نظر گرفته می‌شود و دو میزان C1 برابر با ۶ و C2 برابر با ۵/۷ برای آن لحاظ می‌شود (باقری و همکاران، ۱۴۰۰). در جدول (۱) ویژگی‌های محصولات استفاده‌شده در این پژوهش نشان داده شده است.
جدول ۱: مشخصات محصولات ترا و آکوا و سنتینل-۵ برای شاخص‌های AOD، AI، EVI و BSI
Table 1: Specifications of Terra, Aqua and Sentinel-5 products for AOD, AI, EVI and BSI indices
|
شاخص |
سنجنده - ماهواره |
قدرت تفکیک مکانی |
قدرت تفکیک زمانی |
مجموعه تصاویر |
باند |
|
AOD |
مودیس – ترا/ آکوا |
m۲۵۰ |
۸ روزه |
MCD19A2_GRANULES |
Optical_Depth_055 |
|
AI |
سنتینل-۵ |
km ۱ |
۱ تا ۲ روزه |
COPERNICUS/S5P/NRTI/L3_AER_AI |
Absorbing_ Aerosol_ Index |
|
EVI |
مودیس - ترا |
m۲۵۰ |
۱۶ روزه |
MOD13Q1 |
- |
|
BSI |
مودیس - ترا |
m۲۵۰ |
۱۶ روزه |
MOD13Q1 |
- |
منبع: نویسندگان، ۱۴۰۳
در‌ادامۀ پژوهش، روند تغییرات شاخص‌های AOD و AI به تفکیک هر سال مشخص و سپس نقشۀ پراکنش مکانی برای کل دورۀ مطالعه‌شده استخراج شد. همچنین، بیشینه و کمینۀ مقدار به‌دست‌آمده از غلظت هواویز طبقه‌بندی و درنهایت، نقشه‌های آن برای ارزیابی تغییرات گرد و غبار در محیط Arc Map تجزیهوتحلیل شد.
یافته‌های پژوهش و تجزیهوتحلیل
نتایج پایش غلظت آئروسل با استفاده از سنجندۀ مودیس و سنتینل-۵
تغییرات سری زمانی ماهانۀ شاخص AOD در بازۀ زمانی 2012-2021 با استفاده از تصاویر سنجندۀ مودیس در شکل (۲) نشان داده شده است. با‌توجه به اینکه مقدار‌های بالای ۱ در شاخص AOD نشان‌دهندۀ غلظت زیاد هواویزهای موجود در جوّ است و هرچه این مقدار به صفر نزدیک شود هوای صاف را در‌پی دارد مطابق شکل (۲) می‌توان نتیجه گرفت که کمترین میانگین ماهانه غلظت آئروسل در ایلام مربوط به ژانویۀ سال‌های 2013، 2014، 2015، 2017 و 2018 بوده که مقدار آن برابر با ۲/۰ است. در خوزستان نیز کمترین مقدار غلظت برابر با ۲۵/۰ مربوط به ژانویۀ 2014 است. در کرمانشاه نیز سال‌های 2013، 2015 و 2017 در ماه ژانویه کمترین غلظت آئروسل را با مقدار ۱۶/۰ داشته است. ژانویۀ سال‌های 2013 و 2014 با مقدار آئروسل ۱۵/۰ در لرستان و ماه ژانویۀ 2013 با میزان آئروسل ۱۶/۰ در کردستان کمترین برآورد را در مقدار آئروسل داشته است؛ درحالی که بیشترین مقدار غلظت هواویزهای موجود در اتمسفر در تمامی مساحت بررسی‌شده مربوط به ماه جولای سال 2012 است که مقدار آن در خوزستان، ایلام، کرمانشاه، کردستان و لرستان به‌ترتیب ۹۳/۰، ۶۹/۰، ۵۰/۰، ۵۰/۰ و ۴۶/۰ است. به‌طور کلی، در تمامی پهنۀ بررسی‌شده در‌طول دورۀ مورد مطالعه ماه ژانویه با هوای پاک و ماه جولای با هوای غبارآلود همراه بوده است.
شکل ۲: روند تغییرات میانگین AODماهانه در محدودۀ مطالعه‌شده طی دوره آماری (2012-2018) با سنجندۀ مودیس
(منبع: نویسندگان، ۱۴۰۳)
Figure 2: Changes in the average monthly AOD in the study area during the statistical period (2012-2018) with the MODIS Sensors
تغییرات ماهانۀ آئروسل بر‌اساس نتایج تصاویر ماهواره‌ای پروداکت AI حاصل از سنتینل-۵ در شکل (۳) نشان داده شده است. مطابق این شکل در ماه‌های گرم سال نظیر می، جولای و سپتامبر که دمای هوا زیاد بوده و از میزان ابرناکی و بارش کاسته شده، تغییرات آئروسل سیر صعودی داشته است؛ درحالی که در ماه‌های سرد سال که دمای هوا پایین و بر میزان بارندگی افزوده شده است (ماه‌های نوامبر، ژانویه و مارس) از میزان غلظت آئروسل در جوّ هم کاسته می‌شود. به‌صورت کلی در مساحت بررسی‌شده، ماه ژانویۀ سال 2021 کمترین میزان آئروسل و ماه‌های جولای و سپتامبر سال 2021 بیشترین میزان آئروسل را دارد.
Figure 3: The trend of monthly average aerosol changes in the investigated area during the statistical period (2018-2021) with the Sentinel-5 Satellite
توزیع مکانی گرد و غبار معلق در جوّ با استفاده از شاخص AOD
آمار و لایۀ اطلاعاتی تغییرات غلظت گرد و غبار معلق در جوّ با استفاده از شاخص AOD برای محدودۀ بررسی‌شده به تفکیک از سال 2012 تا 2021 به دست آمد که در شکل (۴) نشان شده است. مطابق با نتایج به‌دست آمده روند تغییرات غلظت آئروسل در یک طیف به‌صورت کمترین تا بیشترین بررسی شده است که در آن مناطق با رنگ قرمز بیشترین مقدار غلظت هواویز و مناطق زردرنگ نیز کمترین مقدار غلظت را دارند. همان‌طور که مشخص است سال‌های 2012 و 2020 نسبت به سال‌های دیگر به‌ترتیب بیشترین مقدار آئروسل را دارند و به نظر می‌رسد تنها در سال 2016 روند آن سیر نزولی پیدا کرده است. در سال 2016 مقدار آئروسل برابر با ۰۵/۱ بوده که این میزان در سال 2020 به مقدار ۰۷/۲ رسیده است. در قسمت جنوب و جنوب غرب محدودۀ بررسی‌شده (خوزستان و قسمت‌هایی از ایلام) هواویزها بیشترین غلظت را دارند که این نشان می‌دهد نواحی فوق جزء کانون‌های مهم و محدوده‌های اثرگذار در رخداد گرد و غبار منطقه هستند؛ درحالی که قسمت‌های شمالی و شرق محدودۀ بررسی‌شده که دربرگیرندۀ استان‌های کردستان و لرستان است، غلظت پایین‌تری از گرد و غبار معلق در جوّ را نشان می‌دهند.
شکل ۴: میانگین غلظت سالانۀ آئروسل در محدودۀ بررسی‌شده از سال 2012 تا 2021 (منبع: نویسندگان، ۱۴۰۳)
Figure 4: Average annual Aerosol Optical Depth in the studied area from 2012 to 2021
نقشۀ توزیع فضایی میانگین غلظت هواویز موجود در جوّ حاصل از تصاویر سنجندۀ مودیس در بازۀ زمانی 2012-2021 در شکل (۵) نمایش داده شده است. بر‌اساس نتایج به‌دست‌آمده از طبقه‌بندی غلظت آئروسل‌ها در سه گروه غلظت زیاد، متوسط و کم قسمت وسیعی از مساحت بررسی‌شده در نیمۀ غرب ایران در گروه طبقۀ کم‌خطر از‌نظر غلظت گرد و غبار معلق در جوّ قرار گرفته که با رنگ سبز مشخص شده است و تنها پهنۀ وسیعی از خوزستان و قسمت‌های جنوب و جنوب غربی ایلام در طبقۀ پرخطر غلظت گرد و غباری با رنگ قرمز واقع شده است.
شکل ۵: میانگین ماهانۀ غلظت آئروسل (سمت چپ) و طبقه‌بندی آن (سمت راست) در سال 2012-2021 با استفاده از سنجندۀ مودیس (منبع: نویسندگان، ۱۴۰۳)
Figure 5: Monthly average Aerosol Optical Depth (left) and its classification (right) in 2012-2021 using MODIS Satellite
نقشۀ توزیع مکانی تراکم گرد و غبار با استفاده از تصاویر سنتینل-۵ در بازۀ زمانی 2018-2021 در شکل ۶ نشان‌دهندۀ هماهنگی و استمرار کمتر آن نسبت به تصاویر حاصلشده از سنجندۀ مودیس بوده که مطابق با آن قسمت‌های مرکزی، جنوب و جنوب غرب مساحت بررسی‌شده در گروه طبقه‌بندی پرخطر قرار گرفته است. قرار‌گرفتن خوزستان در طبقۀ پرخطر به‌عنوان پهنۀ مشترک در هر دو تصویر حاصلشده از مودیس و سنتینل-۵ نشان می‌دهد که این منطقه جزء کانون فعّال و مهم گرد و غبار است.
شکل ۶: میانگین ماهانۀ غلظت آئروسل (سمت چپ) و طبقه‌بندی آن (سمت راست) در سال 2018-2021 با استفاده از سنجندۀ سنتینل-۵ (منبع: نویسندگان، ۱۴۰۳)
Figure 6: Average monthly aerosol (left) and its classification (right) in 2018-2021 using Sentinel-5
پایش تغییرات شاخص EVI و BSI
پراکنش مکانی پوشش‌گیاهی حاصلشده از شاخص EVI برای محدودۀ بررسی‌شده در دو بازۀ زمانی 2012 تا 2016 و 2017 تا 2021 (شکل ۷) بیانگر آن است که در بازۀ زمانی اول میانگین آن در شمال غرب خوزستان با مقدار ۵۰/۰ بیشتر از بقیۀ استان‌ها بوده و در بازۀ زمانی دوم مقدار‌های این شاخص به مقدار ۵۴/۰ رسیده و افزایش پیدا کرده که نشان‌دهندۀ تغییرات زیاد پوشش‌گیاهی در این نواحی است. مقدار‌های کمتر این شاخص در قسمت‌های جنوبی خوزستان و غرب ایلام نشان‌دهندۀ پوشش‌گیاهی فقیر در این نواحی است. این مقدار بر جاهایی منطبق است که بیشترین غلظت گرد و غبار را در‌طول دورۀ مطالعه‌شده داشته است؛ درحالی که قسمت‌های غربی کرمانشاه و کردستان از‌لحاظ پوشش‌گیاهی در طبقۀ متوسط قرار گرفته‌اند.
نتایج پراکنش مکانی شاخص BSI در دو بازۀ زمانی مطالعه‌شده برای شناسایی خاک لخت از پوشش‌گیاهی فقیر و خشک بر‌اساس آستانۀ ۲۰۰ در شکل (۸) آمده است. مطابق این شکل پهنۀ وسیعی از مساحت مطالعه‌شده نشان‌دهندۀ خاک‌های برهنه است و تنها قسمت‌های غربی کرمانشاه، کردستان و شرق لرستان به‌همراه قسمت‌های مرکزی خوزستان پوشش‌گیاهی، آب و برف را دارند.
شکل ۷: پراکنش مکانی شاخص (EVI) در طول دورۀ آماری (2012-2016) و (2017-2021) (منبع: نویسندگان، ۱۴۰۳)
Figure 7: Spatial distribution of index (EVI) during the statistical period (2012-2016) and (2017-2021)
شکل ۸: پراکنش مکانی شاخص (EVI) در طول دورۀ آماری (2012-2016) و (2017-2021) (منبع: نویسندگان، ۱۴۰۳)
Figure 8: Spatial distribution of index (BSI) during the statistical period (2012-2016) and (2017-2021)
نتیجه‌گیری
روند صعودی و نزولی غلظت گرد و غبار معلق استان‌های منتخب نیمۀ غرب ایران در سال‌های مختلف تحت‌تأثیر عوامل مختلفی بوده است. مساحت‌هایی که گرد و غبار غلظت زیادی دارد در سال‌های مختلف تکرار شده است که همسو و هماهنگ با پژوهش شایسته و غریبی (۱۴۰۱) در استان همدان است. غلظت گرد و غبار معلق در جوّ حاصلشده از تصاویر مودیس برای مساحت بررسی‌شده در بازۀ زمانی مورد مطالعه حاکی از روند نزولی در ماه ژانویه و روند صعودی در ماه جولای است. طبقه‌بندی غلظت هواویزها در سه گروه بالا، متوسط و پایین بر‌اساس تصاویر مودیس نشان داد که خوزستان جزء طبقه‌ای با تراکم غلظت زیاد، ایلام در طبقۀ متوسط از تراکم غلظت گرد و غبار و کردستان، کرمانشاه و ایلام نیز جزء گروهی هستند که در آن غلظت گرد و غبار پایین است. نتایج به‌دست‌آمده از سنجندۀ سنتینل-۵ نیز تا حدودی مشابه و هماهنگ با نتایج تصاویر مودیس است. با این تفاوت که به‌جزء قسمت‌های شمالی ایلام و خوزستان باقی قسمت‌های این دو استان در طبقۀ پرخطر قرار گرفته و سایر مناطق در گروه طبقه‌بندی کم‌خطر واقع شده است؛ بنابراین طبقه‌بندی‌ها در مودیس به‌صورت مداوم و در سنتینل به‌صورت پراکنده است که با نتایج پژوهش به‌دست‌آمده برای ایران ناهمساز است (شایسته و غریبی، ۱۴۰۱). این نتایج بیانگر وضعیت هشداردهنده برای خوزستان و ایلام است که با پژوهش منصورمقدم و همکاران (۱۴۰۱) برای استان قزوین همساز است. از آنجایی که مناطق فاقد پوشش‌گیاهی و مناطق لخت نقش مؤثرتری در رخداد پدیدۀ گرد و غبار دارند، شناسایی مناطق لخت از دیگر نواحی اهمیت بسیاری دارد. بررسی رفتار دو شاخص AOD و AI در پایش گرد و غبار عملکرد بهتر شاخص AOD حاصلشده از سنجندۀ مودیس را نشان داد. نتایج شاخص EVI و BSI نشان داد که در مساحت‌هایی از کرمانشاه، کردستان، لرستان وجود پوشش‌گیاهی و آب کافی دردسترس سبب شده است تا این نواحی کمتر دستخوش تغییر و تخریب قرار گیرند که به‌تبع آن غلظت گرد و غبار نیز در این نواحی نسبت به سایر پهنه‌ها کمتر است که با نتایج حاصلشده برای حوضۀ گاوخونی تطابق دارد (باقری و همکاران، ۱۴۰۰).
نتایج پژوهش حاضر به تصمیم‌گیران و برنامه‌ریزان برای کنترل مناطقی کمک می‌کند که پتانسیل ایجاد گرد و غبار را دارند؛ بنابراین باید دقت شود که اگر برای مناطقی که در گروه‌بندی متوسط قرار گرفته است، مدیریت و برنامه‌ریزی صحیح برای کنترل صورت نگیرد این مناطق نیز رفته‌رفته جزء مناطق پرخطر می‌شوند و مناطق کم‌خطر نیز به شکل مناطق با غلظت گرد و غباری متوسط درمی‌آیند. درنهایت، مدیریت میزان پوشش‌گیاهی و برنامه‌ریزی اصولی و صحیح در راستای کاهش میزان خاک بدون پوشش به کاهش آلودگی ناشی از گرد و غبار کمک می‌کند.
)