علی درویشی بلورانی

سنجش از دور عرصه ی نوینی را در پایش و مدلسازی متغیرها و پارامترهای محیطی، در سطوحی متفاوت گشوده است به طوری که می تواند به عنوان یک زمینه تحقیقاتی و عملیاتی مناسب برای پیش بینی و مقابله با اثرات مخرب بحران های زیست محیطی، قلمداد گردد. در این میان، قابلیت های سنجنده ی MODIS به لحاظ ارائه محصولات متنوع جهت تخمین پارامترهای محیطی، بیشتر از هر ابزار دورکاوی دیگر، نمود یافته است. در تحقیق حاضر از محصولات سنجنده MODIS برای معرفی شاخص نرمال شده سلامت زیست محیطی، NHEI ، همراه با روندیابی تغییرات زمانی و بررسی ارتباط آن با کانون های گردوغبار غرب آسیا در دهه ی اخیر، استفاده شده است. این شاخص، به صورت توأمان رفتارهای دمای سطحی و پوشش گیاهی را مدلسازی می کند. به علت همبستگی بالای نتایج حاصل از شاخص توسعه داده شده با کانون های گردوغبار، از آن می توان به عنوان مبنایی برای مدلسازی و روندیابی رفتار کانون های گرد و غبار بهره برد. NHEI برای سال های 2002 تا 2013 توسعه یافت، سپس روند تغییرات آن به کمک فرآیند روندیابی خطی آشکارسازی شد و ارتباط آن با کانون های گردوغبار ارزیابی گردید. از آنجایی که NHEI روند تغییرات عناصرکلیدی دما، پوشش گیاهی و رطوبت را به صورت توأم نشان می دهد، نتایج روندیابی سلامت زیست محیطی حکایت از کاهش کلی شدت و گستره آن در محدوده ی مورد مطالعه دارد. در حالی که توزیع نواحی بحرانی به سوی پراکندگی بیشتر میل نموده است. این مطالعه بر قابلیت های NHEI در پایش و مدلسازی متغیرهای محیطی در ارتباط با طوفان های گردوغبار، تأکید می ورزد به طوری که متوسط NHEI کانون های گردوغبار به طور معنی داری کمتر از متوسط NHEI محدوده مطالعاتی بود، بنابراین نتایج این مطالعه می تواند افق جدیدی در حوزه ی برآورد پارامترهای محیطی به کمک طراحی شاخص های سنجش از دوری نوین را بگشاید.

گرد و غبارها، تحت عنوان عمده ترین نوع از آئروسلها نقشی بنیادی مستقیم و غیرمستقیمی بر روی هوا و اقلیم دارند. بدین منظور در پژوهش حاضر به بررسی قابلیت و توانمندی مدل MACC با استفاده از صحت سنجی MODIS برای بارزسازی پدیده های حدی گرد و غبار در استان کردستان طی دوره 2003-2012 پرداخته شد. جهت تحلیل داده های ماهواره ای و مدل شده از آزمون های آماری و روند یابی من-کندال استفاده شده است. یافته های حاصل از توزیع سالانه نشان داد که میانگین بیشترین عمق نوری آئروسل (AOD) مربوط به سال 2008 با 36/0 و کمترین مقدار با 294/0 مربوط به سال 2004 می باشد. همچنین، میانگین بیشترین AOD این سال مربوط به شهرستانهای سنندج، سقز، قروه، کامیاران و مریوان به ترتیب با 356/0، 353/0، 358/0، 371/0 و 368/0 می باشد. توزیع مکانی میانگین AOD در فصول مختلف نیز نشان داد، زمستان و پاییز دارای کمترین مقدار و فصل بهار و تابستان دارای بیشترین مقدار AOD بوده است. توزیع زمانی-مکانی ماهانه AOD نشان داد که گردو غبار در طی آوریل تا آگوست سرتاسر پهنه منطقه مورد بررسی را می پوشاند. نتایج آزمون روند من-کندال نشان داد که فصل بهار در سرتاسر استان و فصل تابستان در شرق استان دارای روند مثبت معنی دار است؛ بر همین اساس، فصل بهار در منطقه مورد مطالعه به غنوان فصل فرین گردوغبار شناخته شد؛ و در بین پنج روز حدی گرد و غبار در فصل مربوطه، روز 19 ژوئن 2009 با میانگین مقدار AOD روزانه 16/1 و دید افقی کمتر از 2000 متر دارای بیشترین و گسترده ترین گردوغبار تحت عنوان روز فرینِ حدی است. در مجموع، نتایج حاصل از رویکرد چند بعدی MACC در بارزسازی گرد و غبار نشان داد، عمق نوری (AOD،DOD ) معیاری مناسبتر از دید افقی در تعیین روزهای فرین گردوغبار می باشد.

طوفان های گردوغبار به دلیل قابلیت انتقال طولانی مدت رسوبات بادی به مناطق دور از منشأ آن ها، خطرات متعددی را برای جوامع انسانی به همراه دارند و با اثرات منفی زیادی بر سلامت انسان، محیط زیست و اقتصاد جوامع همراه هستند. با توجه به ماهیت پخش و پراکنش سریع ذرات گردوغبار و جابه جایی به وسیله باد، بسیاری از رخدادهای گردوغباری به راحتی قابل تشخیص و پایش نیستند و به همین جهت نیاز به شناسایی و توصیف رفتار مکانی کانون های آن ها وجود دارد. محدوده خلیج قره بغاز علاوه بر صحرای قره قوم یکی از کانون های بحران برداشت گردوغبار ورودی به استان گلستان در سال های اخیر بوده است، این پژوهش به ارزیابی کارایی الگوریتم های پیشرفته یادگیری ماشین در شناسایی کانون های تولید گردوغبار در حوضه خلیج قره بغاز می پردازد. در این پژوهش، از یک چارچوب تحلیلی جامع مبتنی بر تلفیق داده های سنجش از دور و روش های یادگیری ماشین استفاده شده است. مجموعه داده های محیطی شامل 9 پارامتر روزهای گردوغباری، رطوبت خاک، بافت خاک، بارش، سرعت باد، شاخص نرمال شده تفاوت پوشش گیاهی، توپوگرافی، دمای هوا و پوشش زمین با استفاده از پلتفرم گوگل ارث انجین برای بازه زمانی (۲۰03-۲۰23) استخراج و پردازش شدند. تعداد 340 کانون مولد گردوغبار از طریق رویکرد تفسیر چشمی تصاویر ماهواره ای مادیس شناسایی شده، به عنوان نقاط آموزشی الگوریتم های یادگیری ماشین مورداستفاده و ارزیابی قرار گرفتند. نتایج نشان داد مدل جنگل تصادفی با 8/91 درصد، شبکه عصبی مصنوعی با 9/70 درصد، تقویت گرادیانی پیشرفته با 9/89 درصد، تقویت گرادیانی با 9/87 درصد، الگوریتم درختان طبقه بندی و رگرسیون Bagged CART با 9/89 درصد و ماشین تقویت گرادیانی LightGBMبا 8/91 درصد مناطق با پتانسیل بالای گردوغبار را تشخیص داده اند که مدل های جنگل تصادفی و ماشین تقویت گرادیانی LightGBM با بهترین عملکرد را در شناسایی کانون های گردوغبار داشته اند. بررسی روش های توضیح پذیری نشان داد که سه متغیر شاخص نرمال شده تفاوت پوشش گیاهی با سهم (27%)، رطوبت خاک (%23) و ارتفاع از سطح دریا (%19) بیشترین تأثیر را در پیش بینی مناطق مستعد گردوغبار دارند.