درخت حوزه‌های تخصصی

پیش بینی دقیق دبی رودخانه ها یکی از چالش های اساسی در مدیریت منابع آب و طراحی سامانه هایِ هشدار سیلاب است. در پژوهش حاضر با هدف ارزیابی کارایی مدل های نوین یادگیریِ عمیق در پیش بینی دبی بیشینه روزانه، چهار مدل شامل LSTM GRU -LSTM، ConvLSTM و S-LSTM در پنج ایستگاه هیدرومتری حوزه آبخیز طالقان مقایسه شدند. پس از پیش پردازش داده ها و استخراج سناریوهای تأخیر زمانی، مدل ها بر اساس شاخص هایRMSE ، MAE، NSE و ضریب همبستگی در مجموعه های آموزش و آزمون ارزیابی شدند. نتایج نشان داد که مدل های مبتنی بر حافظه زمانی LSTM و GRU-LSTM عملکرد به مراتب دقیق تری نسبت به مدل های مکانی زمانی و نسخه های توسعه داده شده ارائه دادند. مدلGRU-LSTM بهترین دقت را با NSE بالاتر از 95/0 و خطای بسیار پایین ثبت کرد اما نتایج آزمون آماری t-student نشان داد که اختلاف آن با مدل LSTM معنادار نیست؛ به گونه ای که الگوریتم LSTM تقریباً همان سطح دقت را با هزینه محاسباتی کمتر ارائه می دهد. در مقابل، ConvLSTM و S-LSTM عملکرد ضعیف تری داشتند و پراکندگی بیشتر نقاط در نمودارهای همبستگی بیان گر محدودیت آن ها در مدل سازی سری های زمانی تک متغیره بود. تحلیل بصری نمودارهای همبستگی نیز نشان داد که LSTM و GRU-LSTM بیشترین انطباق را با خط همبستگی داشته و قادر به بازسازی الگوهای زمانی جریان به ویژه پیک ها و افت ها بودند. با توجه به تعادل میان دقت، پایداری و هزینه محاسباتی، مدل LSTM به عنوان گزینه نهایی و بهینه برای پیش بینی دبی بیشینه روزانه در حوضه آبخیز طالقان پیشنهاد می شود

پوشش گیاهی به عنوان شاخصی حساس از سلامت اکوسیستم های کوهستانی، مستلزم پایش دقیق با رویکردهای چندبعدی است و به همین دلیل، بررسی پوشش گیاهی استان آذرب ایجان شرقی به دلیل قرارگیری در گره گاه کوهستانی شمال غرب کشور از اهمیت بسزایی برخودار است. لذا در پژوهش حاضر، روند زمانی- مکانی پوشش گیاهی استان آذربایجان شرقی در بازه زمانی 24 ساله از 2000 تا 2024 میلادی با استفاده از یک چارچوب ترکیبی مبتنی بر داده های ماهواره ای MODIS و چهار روش آماری-فضایی تحلیل شد که عبارتند از: (1) شاخص NDVI به عنوان معیار کمّی پوشش گیاهی، (2) رگرسیون وزنی جغرافیایی (GWR) برای مدل سازی رابطه غیریکنواخت ارتفاع و پوشش گیاهی، (3) تحلیل مؤلفه های اصلی (PCA) برای شناسایی الگوهای زمانی ماهانه و (4) آزمون کولموگروف-اسمیرنف (K-S) برای ارزیابی نرمال بودن توزیع NDVI. یافته ها نشان داد که بیشترین تراکم پوشش گیاهی در مناطق شمالی استان در منطقه ارسباران، ارس، ورزقان، کوه های قازان داغی و قندرات باشی واقع شده است و کمترین تراکم آن نیز در بخش های غربی و مرکزی استان متمرکز شده است. همچنین مدل رگرسیون وزن دار جغرافیایی با ضریب تعیین 76 درصد، کفایت و دقت بالای مدل در پیش بینی پوشش گیاهی استان را تایید و ناهمگونی رابطه ارتفاع-پوشش گیاهی را در سطح استان آشکار ساخت. نتایج تحلیل مولفه اصلی نشان داد که مدل های برآوردی با 49/93 درصد از واریانس کل، 3 گروه اکولوژیک از پوشش گیاهی در طی سال بازشناسایی کردند که عبارتند از: ماه های ژوئن، جولای، آگوست و سپتامبر(تراکم بالای پوشش گیاهی)؛ ماه های ژانویه، فوریه، مارس و می(تراکم متوسط) و ماه های اکتبر، نوامبر و دسامبر(تراکم اندک و ضعیف). در این میان، ماه ژوئن بیش ترین تراکم پوشش گیاهی را به دلیل اوج گستره پوشش گیاهی در باغات و مزارع استان و افزایش کشت بهاره به خود اختصاص داده است. همچنین نتایج آزمون کولموگروف- اسمیرنف حاکی از این است که در ماه های ژوئن، جولای و آگوست پوشش گیاهی استان آذربایجان شرقی دارای توزیع نرمال و در ماه سپتامبر، پوشش گیاهی دارای توزیع غیرنرمال می باشد.

خشکسالی یکی از مهم ترین مخاطرات اقلیمی با اثرات گسترده بر منابع آب، کشاورزی و معیشت جوامع است. درک الگوی زمانی و فصلی آن در مناطق حساس، به ویژه در اقلیم های ناپایدار، از اهمیت زیادی برخوردار است. هدف این پژوهش، بررسی و مقایسه روند ماهانه، فصلی و سالانه شاخص های خشکسالی SPI و SPEI در استان گلستان طی بازه بلندمدت ۱۹۵۰ تا ۲۰۲۴ و تحلیل تفاوت های ساختاری آن ها در بازتاب شرایط رطوبتی منطقه می باشد. در این مطالعه، داده های بارش و تبخیر و تعرق پتانسیل با تفکیک مکانی 0.1×0.1 درجه از پایگاه ERA5 اخذ و سپس روند و نوسانات ماهانه، فصلی و سالاته این شاخص ها با روش درون یابی IDW و Hotspot با Arcmap برآورد، ترسیم و مورد تحلیل قرار گرفت. نتایج نشان داد که شاخص SPI در فصل بهار و اوایل تابستان با کاهش چشمگیری مواجه شده و مقادیر آن در برخی ماه ها به کمتر از ۳- رسیده است. در مقابل، شاخص SPEI نوسانات متعادل تری حول مقدار صفر نشان داده است. این تفاوت حاکی از آن است که شاخص SPEI با در نظر گرفتن مؤلفه های حرارتی، تحلیل دقیق تری از وضعیت رطوبتی منطقه ارائه می دهد. یافته ها بیانگر آن است که استفاده توأم از شاخص های SPI و SPEI می تواند در پایش و تحلیل جامع تر خشکسالی مؤثر واقع شود. همچنین پیشنهاد می گردد بررسی این شاخص ها در مقیاس های محلی و با در نظر گرفتن سایر عوامل محیطی پیگیری شود.

این پژوهش با هدف تحلیل تغییرات شاخص های حدی بارش در تهران تحت تأثیر سناریوهای مختلف تغییر اقلیم انجام شد. برای این منظور داده های روزانه بارش و دما از سه ایستگاه سینوپتیک آبعلی، دوشان تپه و مهرآباد طی دوره ی ۱۹۸۵ تا ۲۰۱۵ و خروجی پنج مدل منتخب از مجموعه مدل های اقلیمی CMIP6 شامل CAN-ESM2-0، FGOALS-G3، IPSL-CM6A-LR، MIROC6 و MRI-ESM2-0 در سه سناریوی SSP1-2.6، SSP2-4.5 و SSP5-8.5 مورد استفاده قرار گرفت. داده ها پس از ریزمقیاس نمایی و تصحیح بایاس با روش Linear Scaling، برای محاسبه شش شاخص حدی بارش (CDD، CWD، PRCPTOT، R20mm، R99p و SDII) در نرم افزار RClimDex و تحلیل روند با آزمون های Mann–Kendall و شیب سن به کار گرفته شدند. نتایج نشان داد که عملکرد مدل ها در شبیه سازی دما مطلوب اما در بازسازی بارش محدود است و در میان آن ها، مدل های FGOALS-G3 و IPSL-CM6A-LR دقت بالاتری دارند. تحلیل روندها نشان داد که در ایستگاه آبعلی، بارش سالانه و شاخص های شدید بارش در سناریوی خوش بینانه SSP1-2.6 کاهش و در سناریوی بدبینانه SSP5-8.5 افزایش می یابند؛ در حالی که دو ایستگاه دوشان تپه و مهرآباد عمدتاً روندهای پایدار یا افزایشی خفیف را در سناریوهای با انتشار بالا تجربه می کنند. این یافته ها بیانگر تفاوت مکانی و وابستگی شدید تغییرات بارش های حدی به نوع سناریو است. به طور کلی، نتایج حاکی از آن است که افزایش شدت و فراوانی بارش های سنگین در سناریوهای پرانتشار می تواند خطر وقوع سیلاب های شهری را افزایش دهد، در حالی که کاهش بارش در سناریوهای کم انتشار، ریسک خشکسالی در مناطق کوهستانی را تقویت می کند. این نتایج اهمیت بررسی تفصیلی تغییرات حدی اقلیمی را در مدیریت منابع آب و برنامه ریزی سازگاری شهری تهران برجسته می سازد.

در سال های اخیر، به دنبال بروز پدیده ی گرمایش جهانی و تغییر در الگوهای اقلیمی و پارامترهای هواشناسی، فراوانی وقوع خشکسالی در بسیاری از مناطق جهان افزایش یافته است. در این مطالعه به پایش خشکسالی با استفاده از شاخص SPEI و بررسی خصوصیات این پدیده (شدت، بزرگی، مدت) در شرایط تغییر اقلیم در ایستگاه سینوپتیک قزوین در دوره تاریخی 2014-1986 و دوره های آینده 2050-2026، 2075-2051 و 2100-2076 تحت سناریوهای SSP2-4.5 و SSP5-8.5 در مقیاس های زمانی 3، 6، 9 و 12 ماهه پرداخته شده است. به منظور کاهش عدم قطعیت مدل های منفرد و افزایش قابلیت اعتماد برآوردها، از یک رویکرد ترکیب چندمدلی مبتنی بر یادگیری ماشین (Multi-Model Ensemble) با استفاده از الگوریتم XGBoost جهت ترکیب غیرخطی و بهینه خروجی سه مدل اقلیمی CMIP6شامل MIROC6،ACCESS-CM2 و CNRM-CM6-1 استفاده شد. ویژگی های خشکسالی بر اساس داده های مدل ترکیبی (Ensemble) حاصل از سه مدل اقلیمی محاسبه شدند. در سناریویSSP2-4.5، تغییرات خشکسالی نسبت به گذشته روندی افزایشی ملایم نشان داد. در دوره ی 2026–2050، میانگین شدت بین 03/2 تا 02/3 و بزرگی بین 91/0 تا 25/1 مشاهده شد. در سناریوی بدبینانه SSP5-8.5، روند افزایش شدت و بزرگی خشکسالی ها واضح تر بود. در نیمه ی اول قرن (2026–2050)، شدت بین 91/1 تا 70/3 و بزرگی بین 1/1تا 14/1 متغیر بود. به طور کلی، نتایج نشان داد که هر دو شاخص شدت و بزرگی خشکسالی از گذشته به آینده روندی افزایشی دارند، اما افزایش شدت چشمگیرتر است. بدین ترتیب می توان نتیجه گرفت که در آینده، منطقه ی مورد مطالعه با افزایش فراوانی، شدت و پایداری خشکسالی ها مواجه خواهد شد و این امر ضرورت برنامه ریزی سازگاری، مدیریت منابع آب و توسعه ی راهبردهای کاهش اثرات خشکسالی را بیش از پیش آشکار می سازد.

گردوغبار از مهم ترین چالش های زیست محیطی استان کردستان است و تأثیر گسترده ای بر کیفیت هوا و سلامت دارد. این پژوهش با استفاده از داده های ماهواره ای MODIS و Sentinel-5P و شاخص های AOD، AAI، AOD-Sum و DECM در دوره ۲۰۱۸ تا ۲۰۲۴ انجام شد. داده ها در GEE پردازش و مسیرهای انتقال گردوغبار با مدل HYSPLIT شبیه سازی گردید. از داده های سرعت باد مدل ECMWF برای بررسی نقش باد در پراکنش گردوغبار استفاده شد. میانگین AOD بین 25/0 تا 31/0 متغیر بوده و بیشینه آن در سال های ۲۰۱۸ و ۲۰۲۲ به ترتیب 31/0 و 29/0 ثبت شد. شاخص AAI از 01/0 در ۲۰۲۰ به 67/0 در ۲۰۲۲ افزایش و در ۲۰۲۴ به 41/0 کاهش یافت. شاخص AOD-Sum بیش از ۷۰ روز گردوغبار را در ۲۰۱۸ و 128 روز را در ۲۰۲۲ نشان داد. شاخص DECM نیز از کمتر از ۵۰ روز در ۲۰۱۸ به بیش از ۱۵۰ روز در ۲۰۲۲ رسید و در ۲۰۲۴ به ۶۵ روز کاهش یافت. تحلیل مدل HYSPLIT نشان داد که منشأ اصلی گردوغبار ورودی از بیابان های الانبار عراق، نفوذ عربستان و بیابان سوخنه سوریه است و ذرات گردوغبار در ارتفاع ۱۰۰۰ تا ۲۵۰۰ متر شکل گرفته و با کاهش ارتفاع تا زیر ۵۰۰ متر وارد کردستان شدند. بیش از ۹۰ درصد مسیرها از مرز ایران و عراق عبور کرده و مرزهای کردستان و ایلام به عنوان مسیرهای اصلی ورود شناسایی شدند. بررسی سرعت باد نشان داد که باد در شرق استان 2/3 تا 4/3 متر بر ثانیه و در غرب کمتر از 1/1 متر بر ثانیه است و اوج گردوغبار سال ۲۰۲۲ با باد 4/3 متر بر ثانیه همزمان شد که نقش مستقیم باد قوی در تشدید گردوغبار را تأیید می کند. همچنین فرسایش خاک، کاهش پوشش گیاهی و توپوگرافی شرق استان در تشدید گردوغبار مؤثر بوده اند و نشان می دهد که علاوه برمنابع خارجی، منابع محلی نیز نقش مهمی در گردوغبار دارند.

پیش بینی تغییرات بارش در مناطق پربارش ایران، نظیر استان گیلان، برای مدیریت منابع آبی و کاهش مخاطرات طبیعی نظیر سیل بسیار حائز اهمیت است. هدف اصلی این مطالعه، ارزیابی عملکرد هفت مدل مختلف CMIP6 در پیش بینی تغییرات بارش در سه ایستگاه آستارا، بندر انزلی و رشت طی دوره زمانی 1987 تا 2014 (دوره پایه) و پیش بینی آن از سال 2024 تا سال 2050 است. در این پژوهش از روش اصلاح بایاس خطی برای بهبود دقت پیش بینی ها و از سه سناریویSSP1-2.6 ، SSP2-4.5 و SSP5-8.5 برای شبیه سازی تغییرات اقلیمی استفاده شده است. شاخص های آماری نظیر RMSE، PBIAS و R² برای ارزیابی دقت مدل ها به کار گرفته شده اند. علاوه بر این، تحلیل پایداری مدل به روش Sobol و شاخص حساسیت Monte Carlo برای بررسی پایداری و حساسیت مدل ها به تغییرات پارامتریک مورد استفاده قرار گرفتند. نتایج حاصل از اصلاح بایاس خطی نشان داد که مدل ACCESS-ESM1-5 با ضریب تعیین (R²) بالای 99/0، میانگین خطای مطلق (MAE) کمتر از 2 میلی متر و درصد اریبی (PBIAS) نزدیک به صفر، بهترین عملکرد را در هر سه ایستگاه آستارا، بندر انزلی و رشت دارد. این مدل توانست تغییرات ماهانه و فصلی بارش را با دقت بالاتری نسبت به سایر مدل ها شبیه سازی کند. پیش بینی بارش نشان داد که بر اساس سناریوی SSP5-8.5، از سال 2024 تا سال 2050، بارش در ماه های دسامبر و ژانویه در بندر انزلی و رشت به ترتیب به میزان 22% و 25% افزایش و در ماه های ژوئیه و اوت در هر سه ایستگاه مورد مطالعه بین 12% تا 20% کاهش خواهد یافت. در مجموع، استفاده از روش اصلاح بایاس خطی همراه با مدل ACCESS-ESM1-5 می تواند دقت پیش بینی تغییرات اقلیمی را در ایستگاه های پربارش مورد مطالعه و ایستگاه های مشابه آنها بهبود بخشد.

به منظور دستیابی به اهداف پژوهش، از دو پایگاه داده متفاوت با یک دوره زمانی مشترک 23 ساله (2000-2022) استفاده شد: اول، محصولات ترکیبی 16 روزه MODIS NDVI (MOD13A3) ماهواره Terra و دوم، پایگاه داده ای شاخص بارش-تبخیر و تعرق استاندارد شده ( SPEI ) در مقیاس زمانی 12 ماهه. ابتدا جهت دستیابی به نوع خشکسالی، شاخص SPEI در 7 آستانه طبقه بندی شد. سپس طبق آستانه ها، نقشه هر 6 حوضه آبریز اصلی ایران استخراج شد و برای طبقه بندی نوع پوشش گیاهی 10 آستانه جهت شاخص   NDVI استخراج گردید و نقشه های مربوطه حوضه های آبریز در قالب یک نقشه برای هر سال در 5 نوع پوشش گیاهی دسته بندی شد. سپس برای بررسی ارتباط بین دو شاخص SPEI و NDVI ، در ابتدا تفیک مکانی دو پایگاه داده به کمک روش نزدیکترین همسایه یکسان سازی شد. آنوقت به کمک آزمون همبستگی پیرسون ارتباط بین دو شاخص در میانگین داده های شبکه بندی شده به صورت پیکسلی مورد ارزیابی قرار گرفت. جهت برآورد نرخ تغییرات از تخمینگر شیب سن بهره گرفته شد. نتایج نشان داد شیب روند منفی شاخص SPEI ، ۲۶۴ ماهه، در گستره ی اکثر حوضه های آبریز افزایشی است به طوری که روند منفی این شاخص بر روی مناطق جنوب غرب (حوضه خلیج فارس و دریای عمان) و بر روی مناطق شمالی کشور (شمال حوضه مرکزی و مرکز حوضه دریای خزر) شدیدتر است و به لحاظ آماری در سطح اطمینان 90 درصد معنادار است. نرخ کاهش شاخص آن به میزان 9/0- به ازای هر دهه رسید. برای شاخص NDVI  هم روند مثبت (در مناطق جنوبی و جنوب غرب) و هم روند منفی (مناطق شمالی) در گستره ی ایران حاکم است. برای حوضه های با روند معنادار، شیب روند تغییرات (01/0 به ازای هر دهه) است.

بارش یکی از فراسنج های جوی بسیار تغییرپذیر جوی است که چگونگی و زمان رخداد تغییرات آن توجه پژوهشگران را به خود جلب کرده است. در پژوهش حاضر به منظور شناسایی تغییرات رخ داده در بارش شمال غرب کشور بین سال های 1348-1397 (1970 تا 2019) و با درنظر گرفتن اثر دریای مدیترانه بر مقدار بارش ایران، به ویژه شمال غرب کشور، ارتباط نمایه ی پیوند از دور مدیترانه MOIac که در الجزایر و قاهره واقع است را با استفاده از روش همبستگی و رگرسیون حداقل مربعات خطا واکاوی شد. تمامی واکاوی ها بر روی فازهای مثبت و منفی نمایه نیز انجام گرفت. نتایج حاکی از آن است که به صورت کلی ارتباط ضعیف بین نمایه ی مورد مطالعه و بارش وجود داشت. این شرایط برای فازها نیز صادق است. با این وصف بیش ترین نواحی متأثر از نمایه ی مورد بررسی در شمال، شمال غربی و شمال شرقی ناحیه مورد مطالعه قرار دارند. از سوی دیگر در فاز مثبت نمایه بین 65/0 تا 1 درصد از پهنه مورد مطالعه عدم معنی داری آماری را نشان داد. در حالی که در فاز منفی بین 40 تا 56 درصد از پهنه با عدم معنی داری آماری مشخص شد. همچنین نتایج تحلیل موجک بیانگر وجود نوسانات غالب 9 تا 15 ماهه در شرایط خنثی، 5 تا 8 ماهه در فاز مثبت و 5 تا 9 ماهه در فاز منفی است.

بعد از 152 سال تلاش های سازمان یافته بین المللی غیردولتی و دولتی و نیز اقدامات چند جانبه دولت ها تا کنون با بیش از 1000 معاهده ب ین الملل ی، منطق ه ای، دوجانب ه و چن د جانب ه مح یط زیستی؛ چشم انداز روشنی از افق 2030 میلادی پیش روی جامعه بین المللی برای حفظ محیط زیست و کاهش گازهای گلخانه ای نیست و اگر دولت ها در ایفای تعهدات بین المللی خود مسئولانه و هماهنگ اقدام ننمایند؛ در این صورت هدف ۵/۱ درجه سانتی گراد توافق پاریس در عرض چند سال از بین خواهد رفت و جهان را در مسیر افزایش دما در طول این قرن قرار خواهد داد که اثرات منفی بر امنیت جهانی خواهد داشت. مسئله اصلی این پژوهش، چگونگی بهره گیری از سیستم های هوش مصنوعی برای مقابله جهانی هدفمند با تغییرات آب و هوایی در چارچوب حقوق بین الملل تا سال 2030 میلادی است. سوالات اصلی عبارتند از اینکه چگونه این سیستم ها می توانند نقش های متنوع خود را برای مقابله مؤثر با تغییرات آب و هوایی ایفا کنند؟ و چه چالش هایی در این نقش آفرینی ها و بطور خاص در ادغام با حقوق بین الملل تا سال 2030 میلادی متصور است؟ روش این پژوهش، توصیفی- تحلیلی است و بر تحلیل تقاطع حقوق بین الملل، هوش مصنوعی و تغییرات آب و هوایی تمرکز دارد. یافته های این پژوهش نشان می دهد که علی رغم نقش آفرینی متنوع هوش مصنوعی در مقابله با تغییرات آب و هوایی، دچار چالش های فنی و زیست محیطی است و نیز دیدگاه ها و سیاست های مختلف قدرت های جهانی منجر به  افزایش اختلافات گردیده است که می بایست برای آن یک راهکار سیاسی و حقوقی یافت.

تغییر اقلیم به عنوان یکی از چالش های اساسی جهان، به دگرگونی های پایدار در الگوهای آب وهوایی اشاره دارد که تأثیرات عمیقی بر محیط زیست، اقتصاد و جوامع انسانی برجای می گذارد. هدف از مطالعه حاضر، تحلیل و مقایسه میانگین دمای ایران در دو دوره زمانی متمایز، یعنی گذشته دور (1965 تا 1994) و گذشته نزدیک (1995 تا 2024) و همچنین تحلیل روند این تغییرات به صورت ماه به ماه و سالانه در سراسر ایران می باشد. در این تحقیق از داده های شبکه بندی بازکاوی ERA5-Land استفاده گردید. نتایج نشان داد، در گذشته نزدیک نسبت به گذشته دور، میانگین دما در ایران افزایش یافته و این افزایش در ماه های مختلف بین 5/0 تا ۱ درجه سلسیوس متغیر بوده است. در گذشته دور (1965-1994)، دمای برخی ماه ها مانند فوریه، مارس، مه و اکتبر روندی ثابت یا کاهشی داشته، اما در گذشته نزدیک، تمام ماه های سال، عمدتاً افزایش دما را نشان می دهند. یافته ها نشان داد که تقریبا از سال ۲۰۰۰ به بعد، ناهنجاری دمایی ماهانه و سالانه به طور پیوسته روندی مثبت و افزایشی داشته است که ماه های گرم سال به ویژه جولای و آگوست، بیشترین مقدار ناهنجاری مثبت را نشان می دهند اما در سال های پیش از آن، ناهنجاری ها نوسانی و شامل مقادیر مثبت و منفی بوده است. روند تغییرات سالانه دما نیز از حدود صفر درجه سلسیوس در دوره گذشته دور، به 35/0 درجه سلسیوس در هر دهه در دوره اخیر رسیده است که نشان دهنده گرمایش چشمگیر و پایدار است. این روند رو به رشد، اهمیت اتخاذ سیاست های موثر برای کاهش اثرات منفی گرمایش جهانی و برنامه ریزی های دقیق در بخش های زیست محیطی و اقتصادی کشور را دوچندان می کند.

هدف اصلی این پژوهش بررسی تغییرپذیری بارش و پیش بینی بارش های سالانه مرکز و جنوب شرق ایران با استفاده از مدل سری های زمانی تصادفی است. لذا جهت رسیدن به این هدف اصلی از داده های بارش سالانه 15 ایستگاه همدید مرکز و جنوب شرق ایران که از سازمان هواشناسی کشور دریافت شد، استفاده گردید. سپس مدل های مختلفی از خانواده میانگین متحرک خودهمبسته یکپارچه (ARIMA) بر سری های زمانی بارش ایستگاه های مورد مطالعه برازش داده شدند. نتایج نشان دادند که بهترین مدل برازش داده شده بر سری های زمانی بارش سالانه ایستگاه های مورد مطالعه ARMA (2, 1) می باشد. بر اساس این مدل مشاهده شد که روند مقادیر پیش بینی شده بارش های سالانه تا افق 2027 میلای به استثنای دو ایستگاه فردوس و ایرانشهر که روند بارشی آنها افزایشی بوده است، بقیه ایستگاه دارای روند کاهشی بوده اند. برای اندازه گیری دقت پیش بینی بارش های سالانه تا افق 2027 نیز از چهار معیار اعتبارسنجی MAD، MSE، RMSE و MAE استفاده شد. نتایج این چهار معیار نشان دادند که پیش بینی های انجام شده دارای خطاهای بسیار زیاد و در نتیجه از دقت پایینی برخوردار هستند. مهمترین دلیلی که در ایجاد خطاهای بسیار زیاد در پیش بینی بارش های سالانه مرکز و جنوب شرق ایران می توان مطرح نمود طول دوره آماری کوتاه بسیاری از ایستگاه های مرکز و جنوب شرق ایران است. لذا برای این نوع از مدلسازی ها در مرکز و جنوب شرق ایران پیشنهاد می گردد از پایگاه داده های مختلف بارشی شبکه بندی شده  که دارای طول دوره های آماری طولانی تری دارند استفاده شود.

آتش سوزی مزارع یکی از عوامل اصلی آلودگی هوا در مناطق کشاورزی محسوب می شود که اثرات زیست محیطی و بهداشتی جدی به دنبال دارد. این پژوهش با بهره گیری از تصاویر ماهواره ای لندست، مودیس و سنتینل 5 به بررسی آلودگی ناشی از این پدیده در استان مازندران پرداخته است. ابتدا شاخص NDVI برای شناسایی پوشش گیاهی استفاده شد و با حذف جنگل ها، مناطق کشاورزی مشخص گردید. سپس، مناطق سوخته شده طی سال های 2022 تا 2024 با استفاده از شاخص آتش سوزی مودیس شناسایی شدند. صحت نتایج با تصاویر واقعی مودیس تأیید شد و داده های AOD،AAI  و کربن مونوکسید از ماهواره های مودیس و سنتینل 5 استخراج گردید. همچنین، با داده های ایستگاه فتح تهران و اطلاعات ماهواره ای، مدلی رگرسیونی برای برآورد آلودگی در مزارع شهرهای بابل، آمل و فریدون کنار طراحی و نمودارهای روزانه و ماهانه AQI این شهرها برای سال 2022 رسم گردید. نتایج نشان داد که نواحی شرقی استان، شامل بابل، آمل، قائمشهر و ساری، بیشترین میزان آتش سوزی مزارع را داشته است، که با تصاویر ماهواره ای تأیید شد. نقشه آلودگی نشان داد که مناطق ساحلی و جاده های اصلی بیشترین آلودگی را تجربه کردند. تحلیل داده ها رابطه ای معنادار با ضریب تعیین 75/0 بین داده های واقعی و ماهواره ای را نشان داد. شاخص AQI پس از برداشت برنج، به بیش از 120 رسید. بر اساس این یافته ها، پیشنهاد می شود به جای سوزاندن، از روش های جایگزین مدیریت بقایای کشاورزی مانند تبدیل کاه و کلش به بیوچار استفاده شود.

لس ها از مهمترین شاخص های تغییرات آب و هوایی کواترنری به شمار می روند و  استان گلستان به عنوان یکی از گسترده ترین پهنه های لسی ایران، حلقه ارتباطی بین لس های آسیای مرکزی و اوراسیا محسوب و در شمال شرق ایران گسترده شده است. در این مطالعه ترکیب ژئوشمیایی لس های استان گلستان (عناصر اصلی) و میزان هوازدگی این لس ها به صورت مقایسه ای در 16  ایستگاه پراکنده در 3 ناحیه اصلی مختلف مورد تجزیه و تحلیل قرار می گیرد. ارزیابی ژئوشیمیایی لس های گلستان نشان می دهد در ترکیب شیمیایی لس های استان گلستان اکسیدهای,SiO2,Al2O3,Fe2O3 CaO، MgO، Na2O و K2O با درصدهای متفاوتی وجود دارد که SiO2 فراوان ترین اکسید است. مقدار SiO2 با افزایش Al2O3 افزایش می یابد که حاکی از حضور فراوان کانی های آلومینوسیلیکاته مانند فلدسپارها و میکاهاست. محاسبه شاخص های هوازدگی لس های گلستان با 5 شاخص مختلف اندازه گیری شده و  نشان می دهد از منطقه  3(شرق و شمال شرقی) به منطقه 1 (غرب) میزان هوازدگی رسوبات بیشتر می شود که می توان آن را به آب وهوای مرطوب تر ناحیه 1 نسبت داد. همچنین این شاخص ها نشان دهنده دگرسانی شیمیایی متوسط در لس های استان گلستان است. ارزیابی تغییرات اکسیدهای اصلی و میزان همبستگی آنها با شاخص های هوازدگی، به صورت مستقیم نشان دهنده رصد تغییرات اقلیمی دیرینه در منطقه است. بررسی های مقایسه ای و تطبیقی در بین شاخص های پنجگانه نشان می دهد در لس های گلستان استفاده از شاخص CPA به عنوان مناسب ترین شاخص پیشنهادی با کمترین خطا قابل توصیه می باشد.

تغییر نمایه های اقلیمی به خصوص بارش، شناخت مفیدی از روند تغییر شرایط اقلیمی به دست می دهد. منطقه زاگرس جنوبی، با ویژگی های کوهستانی_دشتی و وابستگی بالای فعالیت های کشاورزی و منابع آبی آن به بارش، به طور ویژه نیازمند درک رژیم بارشی و روند تغییرات آن است. این پژوهش با هدف درک روند تغییر بارش با استفاده از هشت نمایه بارش سالانه در 61 ایستگاه با دوره آماری 1978 تا 2020 انجام شد. روند تغییرات با بهره گیری از آزمون ناپارامتری من–کندال استخراج و جهت ارزیابی تغییرات بارش مورد بررسی و تحلیل قرار گرفت. نتایج نشان داد، که در منطقه زاگرس جنوبی، روند تغییرات بارش به ویژه در نمایه تعداد روز بارشی و بدون بارش، اغلب به سمت کاهش بارش و افزایش خشکی است. چنانکه 89 درصد از ایستگاه ها، افزایش در تعداد روز بدون بارش، را نشان داده اند که از این میان 37 درصد از آن ها از نظر آماری معنادار بوده است. همچنین، در بیش از 90 درصد از ایستگاه ها، روند کاهشی در تعداد روزهای بارشی بیش از 0.1 میلی متر مشاهده شد که این روند نیز در 42 درصد از ایستگاه ها معناداری بوده است. بارش های سبک (0.1 تا 10 میلی متر) و متوسط (10 تا 20 میلی متر) در بیشتر نقاط روندی کاهشی دارند. در تعدادی از ایستگاه ها روند افزایشی غیر معنی دار بارش های سنگین و فوق سنگین مشاهده شد، که می تواند بیانگر افزایش رویداد بارشی کوتاه مدت و شدید باشد. درکل می توان گفت ، روند کلی بارش سالانه در بیشتر ایستگاه ها کاهشی بوده و کاهش در بیشینه بارش 24 ساعته نیز در 80 درصد ایستگاه ها مشاهده شد. این نتایج حاکی از تغییرات جدی در الگوی بارش منطقه و افزایش احتمال بروز خشکسالی و سیلاب ناگهانی است که مدیریت مؤثر منابع آبی به هدف کاهش خسارات محتمل در این منطقه را ضروری می سازد.

این پژوهش به بررسی تغییرات پوشش گیاهی و دمای سطح زمین در شهرستان رشت طی سال های 2010، 2015، 2020 و 2024 پرداخته است. برای این منظور، از تصاویر ماهواره ای لندست و شاخص های متنوع گیاهی و آبی شامل NDVI، MNLI، MSR، SAVI، OSAVI، VARI، MNDWI، IPVI و EVI استفاده شده است. این داده ها در سامانهGoogle Earth Engine (GEE) پردازش شدند و نتایج با دقت بالا تحلیل گردیدند. تحلیل داده های پوشش گیاهی نشان داد که در مناطق تحت توسعه شهری و صنعتی، کاهش قابل توجهی در سلامت و تراکم پوشش گیاهی رخ داده است. به طور خاص، در نواحی شمالی و شرقی رشت، شاخص های NDVI و SAVI  نشان دهنده تخریب شدید پوشش گیاهی و تبدیل زمین های کشاورزی و جنگلی به مناطق مسکونی و صنعتی هستند. این تغییرات همچنین به کاهش کیفیت زیست محیطی منجر شده است. در تحلیل دمای سطح زمین، نتایج نشان داد که دما در مناطق شهری به دلیل کاهش پوشش گیاهی و افزایش زیرساخت های سخت مانند آسفالت و بتن، به طور قابل توجهی افزایش یافته است. پدیده جزیره حرارتی شهری به وضوح قابل مشاهده بود. میانگین دما از 6/17 تا 3/65 درجه سلسیوس در سال های مورد مطالعه متغیر بوده است. مناطق دارای پوشش گیاهی انبوه به دلیل تبخیر و تعرق بیشتر، دمای پایین تری را تجربه کرده اند، در حالی که مناطق فاقد پوشش گیاهی و دارای زیرساخت های سخت، دماهای بالاتری نشان دادند. این پژوهش بر اهمیت استفاده از شاخص های گیاهی و آبی برای پایش تغییرات محیط زیستی تأکید دارد. یافته ها می توانند مبنای بهبود برنامه ریزی های مدیریتی برای حفاظت از منابع طبیعی، کاهش اثرات منفی توسعه شهری و صنعتی و بهبود کیفیت زندگی ساکنان منطقه باشند. علاوه بر این، نتایج بر اهمیت پایش مستمر پوشش گیاهی و دمای سطح زمین برای شناسایی مناطق بحرانی و تدوین راهکارهای مناسب تأکید می کنند.

در این پژوهش به بررسی تغییرات فضایی- زمانی ضریب خشکی اقلیم ایران در دوره مشاهده شده (2020-1976) و پیش نمایی آن در دوره آتی (2050-2031) پرداخته شد. جهت بررسی ضریب خشکی از داده های بارش و دما 44 ایستگاه هواشناسی در سرتاسر کشور طی دوره پایه 2014-1976، برونداد سناریوهای SSP (SSP146، SSP246 و SSP585) از مدل های گردش عمومی جو (فاز ششم CMIP) و روش ضریب دمارتن استفاده گردید. برای پیش نمایی داده های بارش و دما و به تبع آن محاسبه ضریب خشکی در دوره آتی از مدل ریزگردانیLARS- WG8  بهره گرفته شد. در راستای ارزیابی تغییرات زمانی و مکانی ضریب خشکی از روش ناپارامتریک من کندال و شیب سن بهره برده شد. نتایج بخش اول مطالعه یعنی بررسی تغییرات در دوره مشاهده شده نشان داد ضریب خشکی در بین سال های 2020-1976 دارای روندی کاهشی بوده و این روند کاهشی در نواحی با اقلیم مدیترانه ای (187/0 – ) و مناطق مرطوب ( 102/0 -) بیشتر است. براساس برونداد داده های ریزگردانی شده و سناریوهای مورد استفاده در دوره آتی روند خشکی متفاوت بوده و عمدتاً در هر سه سناریو خوشبینانه، بدبینانه و متوسط از رفتار کاهشی برخوردار است. که این مهم، به قاره ای تر شدن اقلیم یعنی کاهش رطوبت و افزایش دما همراه است.

در ایران خشکسالی یکی از پرهزینه ترین رویدادهای طبیعی است. خشکسالی کشاورزی یک رویداد اقلیمی است که پیامدهای مخربی برای منابع غذایی و اقتصادی دارد. بارزترین ویژگی این خشکسالی، کاهش رطوبت خاک به دلیل کاهش بارندگی یا افزایش دما است که باعث کاهش عملکرد مزرعه می شود. اما عدم وجود داده های اقلیمی پایش خشکسالی ها دچار مشکل می کند. در این مطالعه جهت پایش خشکسالی کشاورزی از شاخص گیاهی تعدیل شده تاثیر خاک (SAVI) در اراضی کشاورزی پایاب سد سرخاب، واقع در استان اردبیل استفاده شد. نتایج نشان داد که مابین شاخص SAVI حاصل از اراضی کشاورزی و شاخص SPI12 همبستگی معادل 61/0وجود دارد که به سبب این همبستگی، انتظار می رود با افزایش بارش، میزان مساحت اراضی پرآب (با شاخص SAVI از 5/0 تا 7/0) افزایش و در مقابل میزان اراضی کم آب (با شاخص SAVI از 2/0 تا 5/0) کاهش پیدا کند. با تقسیم داده های در دسترس به دو دوره بلندمدت (1986-2024) شامل 39 سال و کوتاه مدت (2010-2024) شامل 15 سال، مشخص گردید که تغییرات مساحت اراضی کم آب با شاخص SAVI پایین، در دوره بلند مدت با شیب 08/0- هکتار تقریبا ثابت و در دوره کوتاه مدت با شیب 1/13+ افزایشی بودند و این در حالی بود که روند بارش مشاهداتی در هر دو دوره افزایشی بود. این مقایسه نشان داد در دوره های آماری منتخب، تاثیر مثبت روند افزایشی بارش های مشاهداتی، به دلیل افزایش دما تعدیل شده و میزان تغییرات رطوبت خاک و در نتیجه پوشش گیاهی براساس تغییرات شاخص SAVI ، تقریبا ثابت یا کاهشی بوده است. در نتیجه استفاده از داده های سنجش از دور، در بررسی و پایش خشکسالی کشاورزی، می تواند در بسیاری از مناطق، به ویژه در مناطق مشخص و فاقد آمار و یا مناطقی با داده های محدود مشاهداتی، بسیار موثر و کاربردی باشد.

هدف پژوهش حاضر تجزیه و تحلیل تغییرپذیری شاخص فصلی (SI) و الگوهای رژیم بارندگی ایستگاه سینوپتیک خرم آباد است. در این راستا، داده های بارندگی ماهانه 70 سال، طی (2020-1951) از ایستگاه هواشناسی خرم آباد انتخاب شده است. به منظور شناسایی تغییرپذیری الگوهای فصلی بارش، دوره آماری مورد مطالعه به دو نیمه و نیز به 7 دهه تقسیم شد. نخست، مشخصات عمومی بارش ماهانه، فصلی و سالانه با استفاده از شگردهای ترسیمی واکاوی شد. سپس شاخص تراکم بارندگی (PCI) و شاخص فصلی مجزا (SIi) برای هر سال برآورد شد و وجود روند این شاخص ها بررسی شده است. طول دوره ماه های با بیشینه بارندگی و نیز دامنه تغییرپذیری شاخص فصلی مجزا (SIi)، با استفاده از نسبت بین میانگین شاخص فصلی (S̅I̅) با میانگین شاخص فصلی مجزا (S̅I̅i) برای هر دهه بررسی شد. نتایج نشان داد رژیم بارندگی خرم آباد زمستانی (نیمه سرد سال) است و میانگین شاخص فصلی (S̅I̅) گویای حاکمیت رژیم فصلی بارندگی (یک دوره خشک و یک دوره بارانی) در محل است. تجزیه و تحلیل رگرسیون شاخص فصلی مجزا (SIi) با مجموع بارش سالانه بیانگر یک همبستگی خطی معکوس آماری است. روند سری زمانی (SIi) نشان داد که هیچ تغییر چشمگیری در رژیم فصلی بارندگی رخ نداده است. به هر روی، تغییرات بین سالانه شاخص فصلی مجزا (SIi)، موجب بروز چهار الگوی فصلی متفاوت در رژیم بارشی خرم آباد شده است و در مجموع الگوهای رژیم فصلی خرم آباد دارای رفتار نوسانی است که به تناوب موجب کاهش یا افزایش دوره بارانی می شود.

خشک سالی از جمله بلایای طبیعی، علی الخصوص در مناطق خشک و نیمه خشک به شمار می آید. استان خوزستان به سبب دارا بودن موقعیت جغرافیایی استراتژیک و وابستگی شدید به منابع آب، در مقابل خشک سالی به شدت آسیب پذیر است. از این رو در پژوهش حاضر، تجزیه و تحلیل و پیش بینی خشک سالی هواشناسی در استان خوزستان به ترتیب با مدل های هوشمند یادگیری ماشین و باکس جنکینز CEEMD-GPR و CEEMD-SARIMA در طول دوره آماری 30 ساله (2020-1989) مورد بررسی قرار گرفت. جهت ارزیابی شرایط خشک سالی، از شاخص استاندارد بارندگی (SPI) حاصل از داده های هشت ایستگاه سینوپتیک استان خوزستان استفاده شد. در گام بعدی نتایج مدل سازی توسط روش های ذکر شده و با استفاده از شاخص های نیکویی برازش با یکدیگر مقایسه شدند. نتایج حاصله بیانگر این بود که مدل CEEMD-GPR به منظور برآورد شاخص SPI در استان خوزستان از کارایی بسیار بالایی برخوردار است. هم چنین پنجره های زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجره های زمانی کوتاه مدت برخوردار بودند. به عنوان مثال در ایستگاه امیدیه، استفاده از SPI 12 ماهه به جای SPI 1 ماهه موجب کاهش مقادیر RMSE و MAE به ترتیب از 178/0 و 097/0 به 167/0 و 087/0 گردید. علاوه بر این، مقادیر R و NS نیز از 954/0 و 969/0 به 963/0 و 974/0 افزایش یافت. به طور کلی می توان عنوان نمود که مدل CEEMD-GPR قادر است با استفاده از مؤلفه های استخراج شده از تجزیه CEEMD، ساختار دینامیکی پیچیده تری از داده ها را فرا گیرد. بر همین اساس، نتایج این پژوهش نشان می دهد که مدل های ترکیبی مبتنی بر تجزیه CEEMD در کنار یادگیری ماشین، ابزارهایی قدرتمند و با کارایی بالا جهت تحلیل و پیش بینی خشک سالی هواشناسی در اقلیم های خشک و نیمه خشک هستند.