کاربرد سامانه GEE در شناسایی کانون‌های بالفعل گردوغبار با استفاده از تصاویر مادیس و سنتینل-5

شایسته, کامران; غریبی, شیوا

doi:10.22111/jneh.2022.38729.1813

کاربرد سامانه GEE در شناسایی کانون‌های بالفعل گردوغبار با استفاده از تصاویر مادیس و سنتینل-5

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار گروه محیط‌زیست، دانشکده منابع طبیعی، دانشگاه ملایر، ملایر، ایران

² دانشجوی دکتری، ارزیابی و آمایش سرزمین، گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه ملایر، ملایر

10.22111/jneh.2022.38729.1813

چکیده

طوفانهای گردوغبار در مناطق خشک از جهان رخ می‌دهند و اثرات منفی مختلفی بر جنبه‌های مختلف اکولوژیکی، اقتصادی و بهداشتی جامعه دارند. شناسایی کانون‌های مولد گردوغبار یکی از مهم‌ترین راهکارهای مدیریت این پدیده ویرانگر است که به‌روزترین و کارآمدترین روش و ابزار در شناسایی این کانون‌ها استفاده از تصاویر ماهواره‌ای است. هدف از این مطالعه شناسایی کانون‌های بالفعل تولید گردوغبار در محدوده استان همدان و محدوده تأثیرگذار است. از تصاویر ماهواره‌ای مادیس و سنتینل-5 به ترتیب در محدوده زمانی 12 ساله و 2 دوساله در سامانه GEE استفاده شد. جهت شناسایی و نظارت بر کانون‌های گردوغبار پارامترهای وضعیت کاربری اراضی، شاخص خاک لخت، شاخص توده آب مورد استفاده قرار گرفتند. طبقه‌بندی غلظت آئروسل‌ها در سه گروه تراکمی در محدوده مطالعاتی نشان داد که به ترتیب مساحت پهنه‌های دارای غلظت بالا در تصاویر مادیس و سنتینل به ترتیب 1/9875 و 5/7100 کیلومترمربع است که در تصاویر سنتینل به‌صورت پیوسته و در تصاویر مادیس به‌صورت پراکنده هستند. مطابقت کانون‌های بالفعل تولید گردوغبار در تصاویر سنتینل-5 با نقشه کاربری اراضی سال 2018 نشان داد که بیشترین تمرکز آئروسل‌ها در تصاویر سنتینل در مراتع فقیر و خاک اراضی غیرقابل کشت و در تصاویر مادیس در مراتع فقیر و کشاورزی دیم قرار دارد. دو تصویر دارای همبستگی 81 درصد هستند. درنهایت، تصاویر ماهواره‌ای سنتینل- 5 می‌تواند در پایش کانون‌های گردوغبار مفید واقع گردد. جهت مدیریت کانون‌ها کاهش خاک لخت، افزایش پوشش گیاهی، کاهش استفاده از سفره‌های آب زیرزمینی در دشت قهاوند پیشنهاد می‌شود.

کلیدواژه‌ها

موضوعات

آلودگی محیط طبیعی

عنوان مقاله [English]

Application of GEE in Dust Actual Sources Detection using Sentinel- 5 and Modis

نویسندگان [English]

Kamran Shayesteh ¹
Shiva Gharibi ²

¹ Assistant professor, Department of Environmental Sciences, Faculty of Natural Resources and Environment, Malayer University, Malayer, Iran

² PhD Student of Environmental Science, Faculty of Natural Resources and Environment, Malayer University, Malayer, Iran

چکیده [English]

Dust storms originate in many of the world’s drylands and may impact a wide range of negative effects on ecological, public health, and socio-economic issues. The phenomenon of dust is one of the most important environmental challenges nowadays. Therefore, Identifying the sources of dust storms is the first step to combating these devastating phenomena. Using satellite images is the most up-to-date method to identify dust sources. The present study aims to identify areas of dust generation potential in Hamadan province and the effective range. Modis and Sentinel-5 satellite imagery were used for the 2008-2019 and 2018-2020 study periods using GEE, respectively. Land-use maps, BSI, and MNDVI were considered useful indices to detect and monitor the dust generation centers. Classification of aerosol concentrations in three classes showed that the area of the first class (the highest concentration class) in Modis and Sentinel-5 images are 9875.1 and 7100.5 km2, respectively, which are Continuous polygons in Sentinel-5 and Scattered polygons in Modis images. By focusing on quantifying and overlapping land-use 2018 and actual dust centers, the results showed that most aerosols are concentrated in poor pastures and uncultivated lands in Sentinel-5 images and are concentrated in poor pastures and rainfed-agriculture in Madis images. The correlation coefficient between the two images is 81%. Finally, Sentinel-5 satellite imagery can be used for dust detecting and monitoring. To manage these actual dust sources, reducing bare soils, increasing vegetation covers, improving water-use efficiency in agriculture, and reducing the use of groundwater in Qahvand plain are recommended.

کلیدواژه‌ها [English]

MNDVI
Dust centers
BSI
remote sensing
Hamadan

مراجع

ارجمند، مریم؛ راشکی، علیرضا؛ سرگزی، حسین. (۱۳۹۷). پایش زمانی و مکانی پدیده گردوغبار با استفاده از داده‌های ماهواره‌ای در جنوب شرق ایران،با تأکید بر منطقه جازموریان، فصلنامه اطلاعات جغرافیایی (سپهر)، ۲۷(۱۰۶): ۱۵۳-۱۶۸. 10.22131/SEPEHR.2018.32339.

احمدی، محمود؛ داداشی رودباری، عباسعلی. (1398). توزیع زمانی- مکانی ذرات معلق (pm2.5) با رویکرد محیط‌زیست در غرب و جنوب ایران بر مبنای سنجنده‌های MODIS، WIFS،MISR. محیط‌شناسی، 45(3): 394-379. 10.22059/jes.2019.282101.1007867.

ززولی، فلاح؛ وفایی نژاد، علیرضا؛ خیرخواه زرکش، میرمسعود؛ احمدی دهکا، فریبرز. (1393). منشاءیابی گرد و غبار غرب و جنوب غرب ایران و تحلیل سینوپتیکی آن با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی. سنجش از دور و سامانه اطلاعات جغرافیایی، دوره 5، شماره 4، 78-61. https://girs.bushehr.iau.ir/article_516681.html

شمشیری، سیروس؛ جعفری، رضا؛ سلطانی، سعید؛ رمضانی، نفیسه. (1394). آشکارسازی و پهنه‌بندی ریزگردهای استان کرمانشاه با استفاده از تصاویر ماهواره‌ای MODIS. بوم‌شناسی کاربردی، 3(8): 41-30. http://ijae.iut.ac.ir/article-۱-۵۱۶-fa.html

شهرسیوند، محسن؛ آخوندزاده، مهدی؛ سوری، امیرحسین. (1393). شناسایی گردوغبار در تصاویر ماهواره‌ای MODIS با استفاده از روش‌های ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیم‌گیری. نشریه علمی پژوهشی علوم و فنون نقشه‌برداری، 4(3): 144-131. http://jgst.issge.ir/article-۱-۲۸۴-fa.html

محمدی، فهیمه؛ کمالی، سمیه؛ اسکندری، مریم. (1394). ردیابی منابع گردوغبار در سطوح مختلف جو با استفاده از مدل HYSPLIT. جغرافیا و مخاطرات محیطی، 16: 54-39. doi: 10.22067/geo.v4i4.41109

میراکبری، مریم؛ ابراهیمی، زهره. (1399). بررسی روند تغییرات زمانی و مکانی ذرات معلق جو با استفاده از شاخص عمق اپتیکی آئروسل‌ها در جنوب شرق ایران. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 11(3). 105-87. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=531286

واکاوی بحران ریزگردها در دفتر ایسنا. (یک شنبه 25 تیر 1396). خبرگزاری دانشجویان ایران. شماره hamedan-49443.

Ahn, C., Torres, O., Loyola, D.G., Tiruchirapalli, R., & Jethva, H.T. (2018). Aerosol Index Products from Sentinel-5P/TROPOMI and Suomi-NPP/OMPS Measurements. AGUFM, 33-3292. 2018AGUFM.A33J3292A.

Al-Hurban, A.E., & Al-Ostad, A.N. (2010). Textural characteristics of dust fallout and the potential effect on public health in Kuwait City and suburbs. Environ Earth Sci, 60, 169–181. 10.1007/s12665-009-0177-3

Baghbanan, P., Ghavidel, Y., & Farajzadeh, M. (2020). Temporal long-term variations in the occurrence of dust storm days in Iran. Meteorol Atmos Phys, 132, 885–898. 10.1007/s00703-020-00728-3

Cao, H., Liu, J., Wang, G., Yang, G., & Luo, L. (2015). Identification of sand and dust storm source areas in Iran. Journal of Arid Land, 7(5), 567-578. 10.1007/s40333-015-0127-8

Grousset F.E. & Biscaye, P.E. (2005). Tracing dust sources and transport patterns using Sr, Nd, and Pb isotopes. Chemical Geology, 222(3-4):149–67. 10.1016/j.chemgeo.2005.05.006.

Guo, J.P., Zhang, X.Y., Che, H.Z., Gong, S.L., An, X., Cao, C.X., et al. (2009). Correlation between PM concentrations and aerosol optical depth in eastern China. Atmospheric Environment, 43(37):5876-86. 10.1016/j.atmosenv.2009.08.026.

Ji, L., Zhang, L., Wylie, B. (2009). Analysis of dynamic thresholds for the normalized difference water index. Photogrammetric Engineering & Remote Sensing, 75(11):1307–1317. 10.14358/PERS.75.11.1307.

Kasturi, D.K, Yaso, N. (2010). Preliminary analysis of the spatial and temporal patterns of aerosols and their impact on climate in Malaysia using MODIS satellite data. International Archives of the Photogrammetry, Remote Sensing and Spatial. Information Science, Volume XXXVIII(8), Kyoto Japan.

Kaufman, Y.J., Koren, I., Remer, L., Tanré, D., Ginoux, P., & Fan, S. (2005). Dust transport and deposition observed from the Terra‐Moderate Resolution Imaging Spectroradiometer (MODIS) spacecraft over the Atlantic Ocean. Journal of Geophysical Research: Atmospheres; 110(D10). 10.1029/2003jd004436.

Klüser, L., Schepanski, K. (2009), Remote sensing of mineral dust over land with MSG inferred channels: A new Bitemporal Mineral Dust Index, Remote Sens. Environ., 113, 9. doi.org/10.1016/j.rse.2009.04.012

Kumar, A. (2020). Spatio-temporal variations in satellite-based aerosol optical depths & aerosol index over Indian subcontinent: Impact of urbanization and climate change. Urban Climate, 32:100598. 10.1016/j.uclim.2020.100598.

Liu, J., Ding, J., Li, L., Li, X., Zhang, Z., Ran, S. et al. (2020). Characteristics of aerosol optical depth over land types in central Asia. Science of the Total Environment, 727, 138676. 10.1016/j.scitotenv.2020.138676.

Loi, D., Chou, T.Y., & Fang, Y.M. (2017). Integration of GIS and Remote Sensing for Evaluating Forest Canopy Density Index in Thai Nguyen Province, Vietnam. International Journal of Environmental Science and Development, 8:539-42. 10.18178/ijesd.2017.8.8.1012.

McFeeters, S.K. (2013). Using the normalized difference water index (NDWI) within a geographic information system to detect swimming pools for mosquito abatement: A practical approach. Remote Sensing, 5(7):3544–61. doi.org/10.3390/rs5073544.

Munkhtsetseg, E., Shinoda, M., Gillies, J.A., Kimura, R., King, J., Nikolich, G. (2016). Relationships between soil moisture and dust emissions in a bare sandy soil of Mongolia. Particuology, 28, 131-137. 10.1016/j.partic.2016.03.001.

Ogren, J.A. (1995). A systematic approach to in situ observations of aerosol properties, in Aerosol Forcing of Climate, edited by: Charlson, R. J., and Heintzenberg, J., John Wiley & Sons, Ltd., 215–226.

Powell, J.T., Chatziefthimiou, A.D., Banack, S.A., Cox, P.A., Metcalf, J.S. (2015). Desert crust microorganisms, their environment, and human health. Journal of Arid Environments, 112:127-33. 10.1016/j.jaridenv.2013.11.004

Raygani, B., Barati, S., Goshtasb, H., Gachpaz, S., Ramezani, J. & Sarkheil, H. (2020). Sand and dust storm sources identification: A remote sensing approach. Ecological Indicators, 112:106099. 10.1016/j.ecolind.2020.106099.

Taghavi, F., Owlad, E. & Ackerman, S.A. (2017). Enhancement and identification of dust events in the southwest region of Iran using satellite observations. Journal of Earth System Science, 126(2), 28. 10.1007/s12040-017-0808-0

Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 27(14):3025–33. 10.1080/01431160600589179.

Zhang, Y., Liu, Y., Kucera, P.A., Alharbi, B.H., Pan, L., Ghulam, A. (2015). Dust modeling over Saudi Arabia using WRF-Chem: March 2009 severe dust case. Atmospheric Environment, 119,118–30. 10.1016/j.atmosenv.2015.08.032

Zhang, P., Lu, N.m., Hu, X.q. & Dong, C.h. (2009). Identification and physical retrieval of dust storms using three MODIS thermal IR channels. Global and Planetary Change, 52(1-4):197–206. 10.1016/j.gloplacha.2006.02.014.