پاسخ رخداد گردوخاک به گرمایش جهانی در پهنه شمال شرق ایران با بهره‌گیری مشاهدات ماهواره‌ای MAIAC و شبیه‌سازی CMIP6-HighResMIP

نوع مقاله : مقاله پژوهشی

نویسنده

گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

هدف: شمال‌شرق ایران به‌واسطه خشکسالی‌های متوالی و تغییر کاربری اراضی، آسیب‌پذیری شدیدی در برابر مخاطرات محیطی دارد. علیرغم این حساسیت بوم‌شناختی، فقدان شبیه‌سازی‌های آینده گردوخاک، تدوین راهبردهای کاهش مخاطره و مدیریت ریسک را با چالش‌های جدی مواجه ساخته است. در پاسخ به این ضرورت، پژوهش حاضر با هدف تبیین پاسخ رخدادهای گردوخاک به پدیده گرمایش جهانی در این پهنه انجام شده تا این انتشار رخداد گردوخاک تحت شرایط تغییر اقلیم به‌طور دقیق ارزیابی شود.
روش پژوهش: این پژوهش بر پایه هم‌افزایی داده‌های سنجش از دور و بروندادهای چارچوب پروژه CMIP6-HighResMIP استوار است. جهت پایش و استخراج عمق نوری هواویزها (AOD)، محصول ماهواره‌ای MAIAC با تفکیک افقی 1000 متر طی بازه زمانی 2001 تا 2025 مورد پردازش قرار گرفت. شدت‌ فعالیت چشمه‌های گردوخاک و طبقه‌بندی غلظت ذرات، از طریق محاسبه شاخص فراوانی رخداد تحت سه آستانه AOD≥0.25، AOD≥0.50 و AOD≥1.0 پیاده‌سازی شد. به‌منظور شبیه‌سازی شرایط آینده (2026-2050) رخدادهای هواویز گردوخاک از خروجی مدل CNRM-CM6-1 تحت پروژه CMIP6-HighResMIP با تفکیک افقی 50 کیلومتر استخراج شد. سپس، یک همادی چند عضوی متکی بر سه گونه اجرای مستقل این مدل تولید شد.
نتایج: ناهمگنی ساختاری هواویزها در شمال‌شرق ایران مستقیماً از گرادیان‌های توپوگرافیک و مجاورت با کانون‌های برون‌مرزی قره‌قوم تبعیت می‌کند. میانگین بلندمدت مشاهداتی شاخص AOD بین 0/05 تا 0/43 نوسان دارد. هسته‌های بیشینه شرقی با ثبت مقادیر 0/23 تا 0/43، روندهای مثبت افزایشی تا سقف 0/12 در دهه را تجربه می‌کنند؛ در حالی ‌که سپر آیرودینامیک کوهستان این مقادیر را به 0/05 تا 0/14 کاهش داده است. فراوانی رخدادهای پس‌زمینه در کانون‌های شرقی بین 22/7 تا 38/7 درصد است. آستانه طوفان‌های فرین، تولید هواویز در مناطق مرکزی را متوقف کرده و به کانون‌های مرزی شرق با بیشینه 14 درصد محدود می‌سازد. برونداد تاریخی همادی چند عضوی میانگین شاخص AOD را بین 0/13 تا 0/21 برآورد کرده که ناشی از هموارسازی زیرشبکه‌ای است. پیش‌نگری آتی افزایش بار هواویزها در نوار شمال‌شرقی را با نرخ 27/7 تا 30/64 درصد نشان می‌دهد در حالی ‌که این افزایش در بخش‌های غربی به 1/33 تا 4/27 درصد محدود می‌ماند.
نتیجه‌گیری: براساس نتایج این تحقیق، روند افزایش شاخص AOD ریشه در تغییرات ترمودینامیکی ناشی از افت رطوبت خاک و کاهش آستانه سرعت اصطکاکی باد دارد. بارگذاری حرارتی ناشی از تراکم هواویزها، تراز تابشی سطح- جو را با القای سرمایش سطحی و گرمایش لایه‌های فوقانی تغییر می‌دهد. پایداری استاتیک حاصل از این وارونگی، بارش‌های همرفتی را سرکوب می‌کند. بر این اساس، تدوین راهبردهای سازگاری اقلیمی در مدیریت یکپارچه منابع آب ‌و خاک و اتخاذ دیپلماسی فعال محیط‌زیستی جهت تثبیت کانون‌های برون‌مرزی، به‌منظور حفظ تاب‌آوری امنیت غذایی منطقه پیشنهاد می‌شود.

کلیدواژه‌ها

موضوعات

مراجع

احمدی، رامین؛ علیزاده، امید و ثابت قدم، سمانه (1403). چشمه‌های موثر بر وقوع گردوخاک در منطقه تهران با کاربست داده‌های MERRA-2. مجله ژئوفیزیک ایران، 18(4)، 21-37. https://doi.org/10.30499/ijg.2024.425042.1552
خان‌سالاری، سکینه؛ مجیدی داشلی برون، عثمان؛ نیکزادفر، مریم، و ملاعرازی، عبدالجبار (1402). تغییرات زمانی و مکانی گردوخاک در استان گلستان با استفاده از عمق نوری هواویزها و تأثیرپذیری این استان از بیابان‌های ترکمنستان. فیزیک زمین و فضا، 49(2)، 517-540. https://doi.org/10.22059/jesphys.2023.349946.1007462
خدایار، فاطمه؛ انصاری، محمد رضا؛ حجتی، سعید، و خدایار، الهام (1404). مقایسه الگوریتم‌های یادگیری ماشین به‌منظور تخمین غلظت ذرات PM10 با استفاده از شاخص AOD و برخی پارامترهای هواشناسی. تحقیقات آب و خاک ایران، 56(1)، 127-150. https://doi.org/10.22059/ijswr.2024.381356.669783
درگاهیان، فاطمه؛ موسیوند، یوسف، و چراغی، کتایون (1404). تغییرات مساحت تالاب‌های هامون و نقش آن در رخداد طوفان‌های گرد و غبار در دشت سیستان. محیط شناسی، 51(4)، 453-472. https://doi.org/10.22059/jes.2026.406010.1008652
رضائی، محمد، و فرج‌زاده، منوچهر (1404). تحلیل تأثیر دالان‌های جوی گردوخاک خاورمیانه و شمال افریقا بر آب‌وهوای ایران. فیزیک زمین و فضا، 51(1)، 267-287. https://doi.org/10.22059/jesphys.2025.385133.1007643
فرهادی‌پور، سعید؛ آزادی، مجید؛ علی اکبری بیدختی، عباسعلی؛ علیزاده چوبری، امید، و سیاری، حبیب الله (1396). توفان‌های‌ خاک در منطقه غرب و جنوب غرب ایران و تأثیر آنها بر شار‌های تابشی: مطالعه موردی. مجله ژئوفیزیک ایران، 11(3)، 75-89. https://dor.isc.ac/dor/20.1001.1.20080336.1396.11.3.6.2
   Ahmadi, R., Alizadeh, O., & Sabetghadam, S. (2024). Identification of sources of dust that influence Tehran using the MERRA-2 data. Iranian Journal of Geophysics, 18(4), 21-37. https://doi.org/10.30499/ijg.2024.425042.1552 [in Persian]
Aryal, Y. N., & Evans, S. (2021). Global Dust Variability Explained by Drought Sensitivity in CMIP6 Models. Journal of Geophysical Research: Earth Surface, 126(9), e2021JF006073. https://doi.org/10.1029/2021JF006073
Boucher, O., Randall, D., Artaxo, P., Bretherton, C., Feingold, G., Forster, P., Kerminen, V.M., Kondo, Y., Liao, H., Lohmann, U. and Rasch, P. (2013). Clouds and aerosols. In Climate change 2013: The physical science basis. Contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change (pp. 571-657). Cambridge University Press. https://doi.org/10.1017/CBO9781107415324.016
Burney, J., & Ramanathan, V. (2014). Recent climate and air pollution impacts on Indian agriculture. Proceedings of the National Academy of Sciences, 111(46), 16319–16324. https://doi.org/10.1073/pnas.1317275111
Csavina, J., Field, J., Félix, O., Corral-Avitia, A. Y., Sáez, A. E., & Betterton, E. A. (2014). Effect of wind speed and relative humidity on atmospheric dust concentrations in semi-arid climates. Science of the Total Environment, 487, 82–90. https://doi.org/10.1016/j.scitotenv.2014.03.138
Dargahian, F., Mousivand, Y., & Cheraghi, K. (2026). Changes in the Area of the Hamoun Wetlands and Their Role in Dust Storm Occurrences in the Sistan Plain. Journal of Environmental Studies, 51(4), 453-472. https://doi.org/10.22059/jes.2026.406010.1008652 [in Persian]
Farhadipour, S., Azadi, M., Aliakbari Bidokhti, A., Alizadeh Choobari, O., & Sayari, H. A. (2017). Dust storms in west and southwest Iran and their impact on radiation fluxes: A case study. Iranian Journal of Geophysics, 11(3), 75-89. https://dor.isc.ac/dor/20.1001.1.20080336.1396.11.3.6.2 [in Persian]
Fiedler, S., Van Noije, T., Smith, C. J., Boucher, O., Dufresne, J.-L., Kirkevåg, A., … & Schulz, M. (2023). Historical changes and reasons for model differences in anthropogenic aerosol forcing in CMIP6. Geophysical Research Letters, 50, e2023GL104848. https://doi.org/10.1029/2023GL104848
Gan, Y., Zhang, Z., Chu, W., Ding, J., & Ren, Y. (2026). Assessment and prediction of dust emissions, deposition and radiation forcing in Central Asia. Atmospheric Chemistry and Physics, 26, 3881–3900. https://doi.org/10.5194/acp-26-3881-2026
Ginoux, P., Prospero, J. M., Gill, T. E., Hsu, N. C., & Zhao, M. (2012). Global‐scale attribution of anthropogenic and natural dust sources and their emission rates based on MODIS Deep Blue aerosol products. Reviews of Geophysics, 50(3).
Goudie, A. S. (2014). Desert dust and human health disorders. Environment International, 63, 101–113. https://doi.org/10.1016/j.envint.2013.10.011
Haarsma, R. J., Roberts, M. J., Vidale, P. L., Senior, C. A., Bellucci, A., Bao, Q., Chang, P., Corti, S., Fučkar, N. S., Guemas, V., Von Hardenberg, J., Hazeleger, W., Kodama, C., Koenigk, T., Leung, L. R., Lu, J., Luo, J.-J., Mao, J., Mizielinski, M. S., … & Von Storch, J.-S. (2016). High Resolution Model Intercomparison Project (HighResMIP v1.0) for CMIP6. Geoscientific Model Development, 9, 4185–4208. https://doi.org/10.5194/gmd-9-4185-2016
Jones, M. W., Abatzoglou, J. T., Veraverbeke, S., Andela, N., Lasslop, G., Forkel, M., Smith, A., J., P., Burton, C., Betts, R., A., Van Der Werf, G. R., Stich, S., Canadell, J. G., Santín, C., Kolden, C., Doerr, S. H., & Le Quéré, C. (2022). Global and regional trends and drivers of fire under climate change. Reviews of Geophysics, 60(3), e2020RG000726. https://doi.org/10.1029/2020RG000726
Khansalari, S., Majidi Dashli Brun, O., Nikzadfar, M., & Mollaarazi, A. (2023). Temporal and spatial changes of dust in Golestan province using AOD (Aerosol Optical Depth) and the affectability of this province from the deserts of Turkmenistan. Journal of the Earth and Space Physics, 49(2), 517-540. https://doi.org/10.22059/jesphys.2023.349946.1007462 [in Persian]
Khodayar, F., Ansari, M., Hojati, S. & Khodayar, E. (2025). Comparing machine learning algorithms for estimating PM10 particle concentration using AOD and selected meteorological parameters. Iranian Journal of Soil and Water Research, 56(1), 127-150. https://doi.org/10.22059/ijswr.2024.381356.669783 [in Persian]
Liu, J., Wang, X., Wu, D., Wei, H., Li, Y., & Ji, M. (2024). Historical footprints and future projections of global dust burden from bias-corrected CMIP6 models. npj Climate and Atmospheric Science, 7, Article 1. https://doi.org/10.1038/s41612-023-00550-9
Lyapustin, A. I., Wang, Y., Laszlo, I., Hilker, T., Hall, F. G., Sellers, P. J., Tucker, C. J., & Korkin, S. V. (2012). Multi-angle implementation of atmospheric correction for MODIS (MAIAC): 3. Atmospheric correction. Remote Sensing of Environment, 127, 385–393. https://doi.org/10.1016/j.rse.2012.09.002
Lyapustin, A., Wang, Y., Korkin, S., & Huang, D. (2018). MODIS Collection 6 MAIAC algorithm. Atmospheric Measurement Techniques, 11, 5741–5765. https://doi.org/10.5194/amt-11-5741-2018
Lyapustin, A., Wang, Y., Laszlo, I., Kahn, R., Korkin, S., Remer, L., Levy, R., & Reid, J. S. (2011). Multiangle implementation of atmospheric correction (MAIAC): 2. Aerosol algorithm. Journal of Geophysical Research, 116, Article D03211. https://doi.org/10.1029/2010JD014986
Mahowald, N. M., Kloster, S., Engelstaedter, S., Moore, J. K., Mukhopadhyay, S., McConnell, J. R., … & Zender, C. S. (2010). Observed 20th century desert dust variability: impact on climate and biogeochemistry. Atmospheric Chemistry and Physics, 10(22), 10875–10893. https://doi.org/10.5194/acp-10-10875-2010
Mhawish, A., Banerjee, T., Sorek-Hamer, M., Lyapustin, A., Broday, D. M., & Chatfield, R. (2019). Comparison and evaluation of MODIS Multi-angle Implementation of Atmospheric Correction (MAIAC) aerosol product over South Asia. Remote Sensing of Environment, 224, 12–28. https://doi.org/10.1016/j.rse.2019.01.033
Middleton, N. J. (2017). Desert dust hazards: A global review. Aeolian Research, 24, 53–63. https://doi.org/10.1016/j.aeolia.2016.12.001
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. https://doi.org/10.1016/j.partic.2016.03.001
Rezaei, M., & Farajzadeh, M. (2025). Analysis of the effect of atmospheric dust corridors in the Middle East and North Africa on Iran's climate. Journal of the Earth and Space Physics, 51(1), 267-287. https://doi.org/10.22059/jesphys.2025.385133.1007643 [in Persian]
Rodríguez, S., Riera, R., Fonteneau, A., Alonso-Pérez, S., & López-Darias, J. (2023). African desert dust influences migrations and fisheries of the Atlantic skipjack-tuna. Atmospheric Environment, 312, 120022.
Samset, B. H. (2022). How cleaner air changes the climate. Science, 376(6593), 573-574. (Referenced conceptually in text via Samset et al., 2018/2022 mechanism).
Sen, P.K. (1968), Estimates of the regression coefficient based on Kendall's tau, Journal of the American Statistical Association 63, 1379–1389.
Stevens, B., Fiedler, S., Kinne, S., Peters, K., Rast, S., Müsse, J., ... & Mauritsen, T. (2017). MACv2-SP: A parameterization of anthropogenic aerosol optical properties and an associated Twomey effect for use in CMIP6. Geoscientific Model Development, 10(1), 433-452. https://doi.org/10.5194/gmd-10-433-2017
Superczynski, S. D., Kondragunta, S., & Lyapustin, A. I. (2017). Evaluation of the multi-angle implementation of atmospheric correction (MAIAC) aerosol algorithm through intercomparison with VIIRS aerosol products and AERONET. Journal of Geophysical Research: Atmospheres, 122, 3005–3022. https://doi.org/10.1002/2016JD025720
Tanaka, T. Y., & Chiba, M. (2006). A numerical study of the contributions of dust source regions to the global dust budget. Global and Planetary Change, 52(1-4), 88–104. https://doi.org/10.1016/j.gloplacha.2006.02.002
Taylor, K. E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of geophysical research: atmospheres, 106(D7), 7183-7192. https:// doi.org/10.1029/2000JD900719
Toolan, C. A., Amooli, J. A., Wilcox, L. J., Samset, B. H., Turner, A. G., & Westervelt, D. M. (2025). Strong intermodel differences and biases in CMIP6 simulations of PM2.5, aerosol optical depth, and precipitation over Africa. Atmospheric Chemistry and Physics, 25, 10523–10557. https://doi.org/10.5194/acp-25-10523-2025
Zhao, A., Ryder, C. L., & Wilcox, L. J. (2022). How well do the CMIP6 models simulate dust aerosols?. Atmospheric Chemistry and Physics, 22(3), 2095–2119. https://doi.org/10.5194/acp-22-2095-2022
Zhao, Y., Yue, X., Cao, Y., Zhu, J., Tian, C., Zhou, H., Chen, Y., Hu, Y., Fu, W., & Zhao, X. (2023). Multi-model ensemble projection of the global dust cycle by the end of 21st century using the Coupled Model Intercomparison Project version 6 data. Atmospheric Chemistry and Physics, 23, 7823–7838. https://doi.org/10.5194/acp-23-7823-2023
 
محیط شناسی
دوره 52، شماره 1
خرداد 1405
صفحه 127-147

فایل ها

هم رسانی

ارجاع به این مقاله

آمار