درک اثرات تغییرات جهانی و فعالیت های انسانی بر منابع آب تا حد زیادی به دینامیک آب های سطحی بستگی دارد. بررسی جامع تغییرات آب و هوایی در سطح فرامرزی برای توسعه هر گونه برنامه سازگاری یا کاهش برای مقابله با اثرات منفی تغییرات آب و هوا ضروری است. این مقاله تحقیقاتی با استفاده از داده‌های ماهواره‌ای چندحسگر از پلت‌فرم Google Earth Engine (GEE) به بررسی عوامل هیدروکلیماتیکی می‌پردازد که در خشک شدن حوضه سد دوستی در منطقه فرامرزی نقش دارند. آزمون برآوردگر شیب Mann-Kendall و Sens به مجموعه داده های ماهواره ای برای تجزیه و تحلیل تغییرات مکانی و زمانی متغیرهای آب و هوا و روند آنها در منطقه فرامرزی به مدت 18 سال از سال 2004 تا 2021 (در حالی که سد در سال 2005 شروع به کار کرد) استفاده شد. نتایج تجزیه و تحلیل آماری روند کاهش دما و افزایش بارندگی را با توجه به داده های موجود در ایستگاه نشان داد. تبخیر و تعرق و توسعه مناطق آبی از الگوی افزایشی و کاهش جزئی پوشش برف پیروی کرد. نتایج حاکی از گسترش زیاد سطح آبی به ویژه در طول فصل رشد زمستانی بود. افزایش سطح زیر کشت آبی در هر دو فصل زمستان و تابستان احتمالاً دلیل اصلی انحراف آب برای تامین نیازهای آبیاری مناطق توسعه یافته کشاورزی است. رویکرد دنبال‌شده در این مطالعه می‌تواند در هر مکانی در سراسر جهان برای ارزیابی شرایط هیدرولوژیکی و تغییرات مکانی-زمانی در پاسخ به تغییرات آب و هوا، تحلیل روند و فعالیت‌های انسانی اعمال شود. تبخیر و تعرق و توسعه مناطق آبی از الگوی افزایشی و کاهش جزئی پوشش برف پیروی کرد. نتایج حاکی از گسترش زیاد سطح آبی به ویژه در طول فصل رشد زمستانی بود. افزایش سطح زیر کشت آبی در هر دو فصل زمستان و تابستان احتمالاً دلیل اصلی انحراف آب برای تامین نیازهای آبیاری مناطق توسعه یافته کشاورزی است. رویکرد دنبال‌شده در این مطالعه می‌تواند در هر مکانی در سراسر جهان برای ارزیابی شرایط هیدرولوژیکی و تغییرات مکانی-زمانی در پاسخ به تغییرات آب و هوا، تحلیل روند و فعالیت‌های انسانی اعمال شود. تبخیر و تعرق و توسعه مناطق آبی از الگوی افزایشی و کاهش جزئی پوشش برف پیروی کرد. نتایج حاکی از گسترش زیاد سطح آبی به ویژه در طول فصل رشد زمستانی بود. افزایش سطح زیر کشت آبی در هر دو فصل زمستان و تابستان احتمالاً دلیل اصلی انحراف آب برای تامین نیازهای آبیاری مناطق توسعه یافته کشاورزی است. رویکرد دنبال‌شده در این مطالعه می‌تواند در هر مکانی در سراسر جهان برای ارزیابی شرایط هیدرولوژیکی و تغییرات مکانی-زمانی در پاسخ به تغییرات آب و هوا، تحلیل روند و فعالیت‌های انسانی اعمال شود. به ویژه در فصل رشد زمستان. افزایش سطح زیر کشت آبی در هر دو فصل زمستان و تابستان احتمالاً دلیل اصلی انحراف آب برای تامین نیازهای آبیاری مناطق توسعه یافته کشاورزی است. رویکرد دنبال‌شده در این مطالعه می‌تواند در هر مکانی در سراسر جهان برای ارزیابی شرایط هیدرولوژیکی و تغییرات مکانی-زمانی در پاسخ به تغییرات آب و هوا، تحلیل روند و فعالیت‌های انسانی اعمال شود. به ویژه در فصل رشد زمستان. افزایش سطح زیر کشت آبی در هر دو فصل زمستان و تابستان احتمالاً دلیل اصلی انحراف آب برای تامین نیازهای آبیاری مناطق توسعه یافته کشاورزی است. رویکرد دنبال‌شده در این مطالعه می‌تواند در هر مکانی در سراسر جهان برای ارزیابی شرایط هیدرولوژیکی و تغییرات مکانی-زمانی در پاسخ به تغییرات آب و هوا، تحلیل روند و فعالیت‌های انسانی اعمال شود.

کلید واژه ها:

موتور گوگل ارث ؛ تحلیل فضایی و زمانی پلت فرم محاسبات ابری ؛ سد دوستی ; حوضه اندازه گیری نشده یا پراکنده ; لندست ; MODIS

1. مقدمه

با افزایش فعالیت های انسانی، شرایط اجتماعی-اقتصادی و محیطی بر حوضه های رودخانه های فرامرزی تأثیر گذاشته است [ 1 ]. برای کشورهای ساحلی، این افزایش فعالیت ها باعث ایجاد ترس در مورد تغییرات احتمالی رژیم جریان به دلیل عملیات سد و برداشت آب در مقیاس بزرگ می شود [ 2 ]. کمبود داده و فقدان پروتکل‌های اشتراک‌گذاری داده، مدیریت اشتراک‌گذاری آب فرامرزی را دشوارتر می‌کند [ 3 ]. توزیع جغرافیایی کمیاب یا نامتعادل سنجش نیز مشکلی برای درک الگوهای آب‌اقلیمی و کشف ناهمگنی و توزیع مکانی-زمانی آنها است [ 4 ]. وضعیت در حوضه های اندازه گیری نشده وخیم است، همانطور که در این مقاله مورد بررسی قرار گرفته است.
سنجش از دور و داده های ماهواره ای مشکل کمبود داده را حل کرده است. این مطالعه استفاده از ابزارهای منبع باز چند حسگر مانند پلتفرم Google Earth را برای به دست آوردن داده های نظارت بر آب و هوا و محیط زیست برای مطالعه علمی مورد بررسی قرار می دهد [ 5 ]. این پلتفرم پوشش همدیدی را برای مناطقی که قبلاً به دلیل دورافتادگی جغرافیایی به سختی به دست می‌آمد، فراهم می‌کند [ 6 ، 7 ، 8 ]، و امکان نظارت بر روند را در زمان واقعی فراهم می‌کند. پردازش داده های سنجش از دور گاهی اوقات دشوار است و اغلب کسب نتایج ارزشمند، تجزیه و تحلیل مجموعه داده های بزرگ را ضروری می کند [ 9 ]. این مشکلات با کمک نرم افزار متن باز QGIS (Quantum GIS) حل شده است [ 10 ]، 11 ]. QGIS تجزیه و تحلیل داده های سنجش از دور را برای به دست آوردن سطح آب در یک منطقه غیرقابل دسترس قابل توجه در فواصل زمانی منظم برای مطالعات منطقه ای ممکن کرد [ 12 ]. با این حال، چالش‌های زیادی در استفاده از این داده‌ها وجود دارد، مانند مسائل آلودگی ابر و در دسترس بودن تصاویر قابل اعتماد [ 13 ].
برای تجزیه و تحلیل بهتر، موتور Google Earth (GEE) [ 14 ] از طریق یک رابط برنامه نویسی کاربردی مبتنی بر اینترنت (API) و یک محیط توسعه تعاملی مبتنی بر وب [ 15 ] امکان تجزیه و تحلیل پدیده های محیطی جهانی، تغییرات و روندها را با استفاده از تصاویر ماهواره ای فراهم می کند. و با مجموعه های تاریخی [ 5 ، 16 ] کار می کند. علاوه بر این، کدهای آن برای دانلود رایگان هستند [ 14 ]. این به عنوان قدرتمندترین پلتفرم پردازش مکانی مبتنی بر ابر در جهان معرفی می‌شود، که قادر به غلبه بر مشکلات پردازش تجربه شده توسط روش‌های سنتی پردازش تصویر ماهواره‌ای است [ 14 ].
مشکلات فزاینده کمبود آب در شمال شرق ایران و به ویژه شهر مشهد که دومین شهر پرجمعیت ایران است، دولت ایران را وادار کرد تا دیپلماسی آب را با دولت های همسایه ترکمنستان آغاز کند. نتیجه این مذاکرات توافقی بین ایران و ترکمنستان برای ساخت مشترک سدی بر روی حوضه رودخانه به نام سد دوستی ایران و ترکمنستان (یا سد دوستی) در سال 2004 بود [ 17 ، 18 ]. اگرچه ساخت سد به مسئولان آب کمک کرد تا بخشی از نیاز آب آشامیدنی را تامین کنند، اما در سال های اخیر به دلیل عوامل متعددی مانند تغییرات آب و هوایی و مهار بیش از حد، آب ورودی به سد به میزان قابل توجهی کاهش یافته است [ 19 ].
آب شرب شهر مشهد به طور جدی تحت تأثیر کمبود آب قرار گرفته است که مسئولان آب را مجبور به بررسی دلایل کاهش جریان آب از دریاچه دوستی با توجه به جنبه های اقلیمی و هیدرولوژیکی و گسترش کشاورزی کرده است [ 20 ]. با این حال، در اغلب موارد، داده های اقلیمی واقعی به آسانی در دسترس نیست، به ویژه در بخش غیرقابل دسترس از حوضه های آبریز. در نتیجه، GEE راه حل های بهتری برای تجزیه و تحلیل تغییرات آب اقلیمی در حوضه آبریز دریاچه دوستی ارائه می دهد.
این مطالعه نشان داد که تعدادی داده سنجش از راه دور چند منبعی با وضوح مکانی و زمانی متفاوت در دسترس است. طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS) [ 21 ، 22 ]، نقشه‌بردار موضوعی Landsat (TM) [ 23 ، 24 ، 25 ]، رادار دیافراگم مصنوعی [ 13 ، 26 ] و سایر سنسورهای غیرفعال و فعال از راه دور با باندهای مرئی و مایکروویو همگی بوده‌اند. برای تخمین مناطق غرقابی و ترسیم مرزهای آبی استفاده می شود. Deltares Aqua Monitor [ 27 ] و GEE [ 28] برای بررسی تغییرات آب های سطحی زمین در 30 سال گذشته مورد استفاده قرار گرفتند. با این حال، سیستم های خودکار برای مقیاس منطقه ای مناسب نیستند. تنوع ویژگی های جغرافیایی باعث عدم انسجام در صحت نتایج مطالعات می شود. نویسندگان [ 12 ] تاکید کردند که تجزیه و تحلیل مکانیسم های محرک در پشت دینامیک آب های سطحی منطقه ای و مطالعات مرتبط نادر است.
از آنجایی که نگرانی‌ها در مورد کوچک شدن سد دوستی افزایش می‌یابد [ 29 ]، بنابراین ضروری است که مقامات علت یا عوامل انقباض را شناسایی کنند، خواه اقلیمی یا انسانی باشند [ 20 ]. داده‌های اندازه‌گیری موجود منطقه تحقیقاتی در ایران و ترکمنستان از پوشش جغرافیایی یا زمانی مناسبی برخوردار نیستند [ 28 ، 29 ، 30 ، 31 ] و این مطالعه اطلاعات مفیدی را ارائه می‌دهد.
این مطالعه تأیید می‌کند که شکاف‌های دانشی وجود دارد که می‌توان با استفاده از سیستم‌های سنجش از دور مبتنی بر ماهواره [ 20 ، 32 ] که منابع ارزشمندی از داده‌ها و مشاهدات را ارائه می‌دهند که قادر به جایگزینی جزئی یا کامل اطلاعات میدانی و داده‌های سنجش‌شده هستند، پر شود. هدف این مطالعه تعیین مناسب بودن استفاده از GEE همراه با پلت فرم QGIS برای درک رفتار هیدروکلیماتیک و تعیین الگوهای جریان جریان، به ویژه برای مناطق غیرقابل دسترس [ 33 ، 34 ، 35 ] و فرامرزی است. اهداف خاص این مطالعه عبارتند از:
(1)
پیشنهاد یک رویکرد جدید برای محاسبه آسان سالانه آب سطحی برای کمک به بررسی تغییرات طولانی مدت آب سطحی. این تجزیه و تحلیل ناپارامتریک و کاربرد پلت فرم GEE را به کار می گیرد [ 14 ، 15 ].
(2)
بررسی علل تغییرات آبهای سطحی در مخزن سد دوستی و شناسایی روند.
(3)
ارزیابی و نقشه‌برداری توزیع فضایی و زمانی و روندهای کلی شرایط آبی-اقلیمی با استفاده از چندین مجموعه داده شبکه‌بندی ماهواره‌ای برای 20 سال گذشته و شناسایی عوامل احتمالی باعث این روند.
برای کمک به تصمیم گیری در مورد رشد آبیاری، تکنیک هایی که دقت سطح آبیاری را افزایش می دهند ضروری هستند. ما محصولات چند ماهواره ای را در پلت فرم GEE پیاده سازی کردیم که پردازش سریع تعداد زیادی از تصاویر را امکان پذیر می کند و از روشی فضایی استفاده می کند که به تصمیم گیرندگان کمک می کند روند عوامل آب و هوا و توسعه مناطق آبی را ارزیابی کنند. تحقیقات قبلی در مورد تجزیه و تحلیل روند و تغییرپذیری متغیرهای آب‌اقلیمی محدود به بررسی تعداد کمی از مشاهدات بود زیرا ایران فاقد رکورد جامعی از داده‌های با کیفیت مطلوب است [ 36 ]]. علاوه بر این، به دلیل کمبود داده‌ها، مطالعات تغییرات مکانی و زمانی متغیرهای مختلف آب‌اقلیمی مانند تبخیر، مدت پوشش برف، کاربری اراضی و ظرفیت مخزن دریاچه در ادبیات به‌ویژه در ایران محدود شده است [ 37 ].
ما تغییرپذیری مکانی-زمانی و روند متغیرهای آبی اقلیمی کلیدی را در سراسر حوضه سد دوستی از سال 2004 تا 2021 بررسی کردیم. جنبه‌های جدید این تحقیق انتخاب متغیرهای ماهواره‌ای چند آب‌اقلیمی شبکه‌بندی شده برتر با آزمون‌های ناپارامتریک و ترکیبی از چند پیش پردازش متغیرهای ماهواره ای شبکه ای هیدروکلیمی با پلت فرم GEE و QGIS. استفاده از داده‌های تفکیک مکانی دقیق‌تر برای تحلیل روند و تغییرپذیری به دلیل تنوع قابل‌توجه متغیرهای آب‌اقلیمی، به‌ویژه در مکان، زمان و مناطق اقلیمی ضروری است [ 37 ].]. بنابراین، ما مجموعه داده‌های آب‌اقلیمی با وضوح مکانی دقیق‌تر را در GEE پیاده‌سازی کردیم و یک رابطه بین روند متغیرهای چند آب‌اقلیمی و سطوح دریاچه‌ای را کشف کردیم که قبلاً بررسی نشده بود. پیش‌بینی می‌شود که این یافته‌ها با کمک به سیاست‌گذاران و مقامات آب در درک بهتر نحوه واکنش حوضه دریاچه دوستی به تغییرات اقلیمی، به توسعه سیاست‌ها و اقدامات سازگاری و کاهش، حفاظت در آینده کمک کند.

2. مواد و روشها

2.1. منطقه مطالعه

حوضه سد دوستی ( شکل 1 ) بزرگترین حوضه فرامرزی بین دو کشور ایران و ترکمنستان است و بین عرض جغرافیایی 33 درجه شمالی تا 36 درجه شمالی و طول جغرافیایی 59 درجه شرقی تا 67 درجه شرقی قرار دارد. این حوضه تقریباً مساحتی را در بر می گیرد. 55141 کیلومتر مربع و آب و هوای این منطقه نیمه خشک و مخزن سد دریاچه ای شفاف و نسبتا عمیق با حداکثر و میانگین عمق به ترتیب 35 متر و 15 متر است [ 17 ، 18 ].]. سد دوستی برای ایران مهم است زیرا این کشور بر نقش آن در تامین آب شیرین مشهد، دومین شهر پرجمعیت ایران با جمعیتی حدود 3 میلیون نفر متکی است. این سد آب آشامیدنی 76 درصد از جمعیت مشهد و سرشاخه های اصلی آن را بیشتر به منظور ذخیره آب در مخازن، آبیاری برای کشاورزی و تولید برق تامین می کند.
مشهد نمونه ای عالی از شهری است که به شدت به واردات آب و برق از خارج وابسته است. به دلیل رشد سریع شهر، تغییر اقلیم و خشکسالی های شدید و افزایش هشت برابری جمعیت، منابع آب محلی مشهد تحت فشار زیادی قرار دارند. در نتیجه شهر اکنون به طور قابل توجهی بیشتر به آب از منابع دور وابسته است [ 29 ].
رویکرد ایران به مدیریت آب واکنشی است تا فعالانه، و تاکید بیشتری بر راه‌حل‌های سریع مانند گسترش تعداد چاه‌ها و سدها و انتقال آب از منابع دور به جای جستجوی فرصت‌های تازه و راه‌حل‌های بلندمدت برای مقابله با هرگونه تهدید دارد. یا مسائلی قبل از بروز آنها

2.2. مجموعه داده ها

2.2.1. اندازه گیری های زمینی

پارامترهای هیدروکلیماتولوژیک روزانه شامل بارش و دمای جمع آوری شده از سه ایستگاه محلی در جدول 1 ارائه شده است. به دلیل کمبود داده های میدانی، داده های سنجش از دور می تواند جایگزین خوبی در این مطالعه باشد. ایستگاه های گیج معیوب می توانند شکاف هایی را در مجموعه داده های سری زمانی هیدرولوژیکی ایجاد کنند. اغلب، تبادل داده های بالادست و پایین دست بین دو کشور رودخانه موثر نبوده است. جمع‌آوری داده‌ها در سراسر مرزها باید بین کشورها مستقل باشد تا به سرعت میزان آبگرفتگی برای فعالیت‌های واکنش اضطراری مشخص شود [ 38 ]. سنسورهای راه دور نصب شده بر روی ماهواره ها و هواپیماها قابلیت ارائه داده را دارند [ 39 ].
2.2.2. داده های ماهواره ای
در طی هر سال، آب‌های سطحی به طور منظم تغییر می‌کردند و در سنجش از دور، استفاده از داده‌های ماهواره‌ای چندطیفی با توجه به همبستگی طیفی بالای آن با سطوح آب‌های آزاد و دقت نقشه‌برداری، برای تحلیل روند مناسب است [ 40 ] .
ما از یک سری زمانی غنی از داده های سنجش از دور برای جمع آوری جزئیات بیشتر در مورد دامنه این مطالعه استفاده کردیم. داده‌های سنجش از راه دور مورد استفاده در این مطالعه شامل مجموعه داده‌های بارش مادون قرمز گروه مخاطرات آب و هوا با ایستگاه (CHIRPS) (با تفکیک مکانی 500 متر)، تبخیر و تعرق MODIS Terra (MOD16A2) (500 متر وضوح فضایی)، پوشش برف MODIS Terra MOD10A1 (500 متر فضایی) بود. وضوح)، MODIS LST MOD11A1 (رزولوشن فضایی 1 کیلومتر)، MODIS NDVI MOD09GQ (250 متر)، Landsat TM/ETM+/OLI (رزولیشن فضایی 30 متر)، SRTM (ناسا SRTM ارتفاع دیجیتال 30 متر) از مجموعه داده آنلاین ارائه شده به دست آمد. توسط GEE. چارچوبی از این مطالعه در شکل 2 ارائه شده است .
به منظور ارزیابی اثربخشی داده‌های بارندگی مبتنی بر ماهواره، داده‌های مختلف بارش مبتنی بر ماهواره مورد بررسی قرار گرفت. جدول 2 نتایج آمار توصیفی را نشان می دهد که تطابق مکانی منطقی را با داده های اندازه گیری و شبکه بندی شده نشان می دهد. همه مجموعه داده‌های ماهواره‌ای بارش، میزان بارش ایستگاه‌ها را با R2 بیش از حد برآورد کردندو همبستگی پیرسون در ایستگاه های سرخس و تربت جام به ترتیب از 71/0 و 85/0 برای CHIRPS تا 56/0 و 75/0 برای ERA5 و از 77/0 و 88/0 برای CHIRPS تا 71/0 و 84/0 برای GPM متغیر است. حداقل RMSE با CHIRPS (5.6 میلی متر) برای سرخس و CHIRPS (48.57 میلی متر) برای تربت، در حالی که ERA5 حداکثر RMSE (35.59 میلی متر) و (66.16 میلی متر) را نشان داد. CHIRPS برای تجزیه و تحلیل روند انتخاب شد زیرا عملکرد بهتری را برای همه ایستگاه‌های گیج نشان می‌دهد ( جدول 2 ). و دارای وضوح مکانی 5 کیلومتر است که در مقایسه با سایر داده های بارندگی شبکه بندی شده دقیق تر است و بایاس سیستماتیک پایینی دارد. به طور مشابه، دمای سطح زمین (LST) دمای ایستگاه ها را با R2 بیش از حد تخمین زد .در ایستگاه های تربت جام و سرخس به ترتیب 0.66 و 0.61 و RMSE 9.25 درجه سانتی گراد و 4.56 درجه سانتی گراد است.
شکل 3 a-f همبستگی پیرسون را برای داده‌های مشاهداتی و شبکه‌ای نشان می‌دهد، که توافق فضایی قوی با CHIRPS را نشان می‌دهد. هر سه مجموعه داده شبکه‌بندی شده به خوبی مطابقت داشتند، اگرچه CHIRPS با ایستگاه سرخس (r = 0.85) و ایستگاه تربت (0.88) تطابق بیشتری نسبت به GPM (0.86) و ERA5 (0.75) داشت. شکل 3 g-h رابطه مشابه با مجموعه داده های LST را نشان می دهد. بر اساس نتایج، LST دما را برای داده های دو ایستگاه سرخس و تربت در منطقه بیش از حد تخمین زد.

داده های MODIS

LST یک پارامتر بسیار مهم است که تبادل تابش امواج بلند و شار حرارت محسوس بین سطح زمین و جو را کنترل می کند. بنابراین، تجزیه و تحلیل روند LST برای مطالعه رفتار هیدروکلیماتولوژی حوضه ها ضروری است. به طور کلی، محصولات LST از حسگرهای مادون قرمز حرارتی (TIR) ​​(به عنوان مثال، AVHRR، MODIS یا METEOSAT) مشتق شده اند [ 41 ].
در میان سنسورهای TIR، محصولات LST MODIS روی داده‌های پلتفرم Terra و Aqua دارای کیفیت بالا، پوشش جهانی و موقعیت جغرافیایی دقیق هستند [ 42 ]. محصولات روزانه MODIS LST [ 43 ] در 1 کیلومتر پیکسل توسط الگوریتم تقسیم پنجره تعمیم یافته بازیابی می شوند. میانگین روزانه دمای سطح زمین از MODIS [ 44 ] استخراج شد.
به دلیل تأثیر برف بر اقلیم زمین و نقش آن در تأمین منابع آب، در بسیاری از مناطق کوهستانی مانند بالادست سد دوستی، نظارت بر وسعت پوشش برف (SCE) و ویژگی های برف در هر دو وضوح زمانی و مکانی بالا ضروری است. برای بیش از سه دهه، سنسورهای ماهواره‌ای نوری، مادون قرمز (AVHRR، MODIS) و مایکروویو غیرفعال (SSMI/S، AMSR-E) برای نظارت مؤثر بر وسعت مناطق برفی مورد استفاده قرار گرفته‌اند [ 45 ]. اگرچه پوشش ابر اغلب برف را از حسگرهای فضایی مرئی/مادون قرمز پنهان می کند، به دلیل وضوح مکانی و زمانی بالا، محصولات برفی MODIS (MOD10A1) [ 46 ] با وضوح 500 متر در مقیاس روزانه برای نظارت بر پوشش برف ترجیح داده می شوند. .
برای تعیین کمیت پویایی پوشش گیاهی در مکان و زمان و استخراج اراضی زیر کشت آبیاری، بازتاب سطحی MODIS (MODIS/Terra MOD09GQ) [ 47 ]] با تفکیک مکانی 250 متر و تفکیک زمانی روزانه از سال 2001 تا 2021 اجرا شد. حداکثر نقشه های NDVI در دوره های فروردین تا ژوئن و تیر تا شهریور به ترتیب برای استخراج سطح زیر کشت در فصل کشاورزی زمستان و تابستان استفاده شد. مقدار آستانه 0.5 برای NDVI به عنوان شاخص سطح زیرکشت کشاورزی در نظر گرفته شد. با توجه به شیوع آبیاری سطحی در منطقه، اراضی زیر کشت آبی با اعمال محدوده ارتفاعی تعریف شده از خط پایه رودخانه در نقشه DEM استخراج شد. اطلاعات توپوگرافی، از جمله ارتفاع حوضه، با استفاده از ماموریت توپوگرافی رادار شاتل (SRTM) و مدل های ارتفاعی دیجیتال (DEMs) 90 متر از GEE جمع آوری شد. برای تبخیر و تعرق، تبخیر تعرق MODIS/Terra Net MOD 16A2 (نسخه 6،48 ].

تصاویر لندست

مناطق سطح آب به طور منظم از تصاویر ماهواره ای نوری مانند محصولات MODIS و Landsat تعیین می شوند [ 49 ، 50 ]. تغییرات در توزیع دریاچه با استفاده از مجموعه داده های MODIS و Landsat [ 51 ] پایش شده است. لندست وضوح بالایی دارد (30 متر) که مزیت اصلی آن است، اما فرکانس تکرار پایینی نیز دارد [ 4 ]. برای تولید ماسک آب مخزن دوستی، نقشه های NDWI برگرفته از تصاویر لندست از سال 2001 تا 2020 پیاده سازی شد. تصاویر Landsat متشکل از داده های ETM+ [ 52 ] و OLI از GEE به دست آمدند. نقشه های NDWI [ 53 ، 54 ] بر اساس گرین [ 55 ] تولید شد] و باندهای NIR، و پیکسل‌های دارای ارزش مثبت به عنوان کلاس آب اختصاص داده شدند. مشخصات کلیه داده های ماهواره ای مورد استفاده در این تحقیق در جدول 3 آمده است. کدی در محیط GEE برای محاسبه سری زمانی آمار مساحت دریاچه (حداکثر، حداقل، میانگین و انحراف استاندارد) از سال 2004 تا 2021 ایجاد شد.

2.3. مواد و روش ها

پلت فرم GEE حاوی مقدار قابل توجهی از داده های ماهواره ای است که توسط ماموریت های دیگر به دست آمده است و همچنین میزبان داده های جانبی دیگر مانند مدل های رقومی ارتفاع، مجموعه داده های مبتنی بر برداری، پوشش زمین و داده های هواشناسی است [ 56 ]. از آنجایی که داده های میزبانی شده توسط GEE آماده تجزیه و تحلیل هستند، نیاز به پیش پردازش دور زده می شود زیرا این داده ها در طول زمان ثابت هستند و برای تجزیه و تحلیل سری های زمانی و تخمین روندهای بلندمدت مناسب هستند [ 14 ]]. با اعمال تابع فیلتر تاریخ در مجموعه های تصویر، دوره های زمانی مورد نظر (2004-2021) از کل مجموعه داده ها جدا شد. از تابع فیلتر فضایی برای محدود کردن مرزها به حوضه آبخیز سد دوستی استفاده شد. سپس، با استفاده از توابع روند (مان-کندال، شیب سن) در GEE، ارزیابی روند مکانی-زمانی بلندمدت مبتنی بر پیکسل برای مجموعه داده‌های شبکه‌بندی شده برای تحلیل روند و شدت آن انجام شد. عبارت Mann-Kendall (آمار آلفا 0.05 و Z = 1.96، تولید شده از جدول نرمال استاندارد) برای ارزیابی شیب سن [ 57 ] استفاده شد.

2.3.1. روند Mann–Kendall و آزمون شیب سن

برآوردگر شیب Mann-Kendall (MK) و Sen’s با استفاده از برنامه نویسی در GEE برای محاسبه بزرگی بلندمدت تغییر در مجموعه داده های آب و هوا و اهمیت آماری آنها استفاده شد. آزمون آماری MK [ 58 ، 59 ، 60 ] برای تعیین کمیت اهمیت روندها در سری های زمانی هواشناسی [ 57 ، 61 ] استفاده شد. فرضیه صفر آزمون MK (H0) می گوید که هیچ روند یکنواختی در سطح معناداری مشخص شده وجود ندارد. این ممکن است برای تشخیص روند یکنواخت در یک سری زمانی استفاده شود. در این آزمون، فرضیه جایگزین (Ha) نشان می‌دهد که داده‌ها روند یکنواختی را در طول زمان نشان می‌دهند که با معادله (1) توضیح داده شده است:

اس( k , l   )=∑n – 1i = 1∑nj = i + 1s gn (ایکسj ( k , l   )–ایکسمن ( k , l   ))S�,  �=∑�=1�−1∑�=�+1�������,  �−���,  �

که در آن n تعداد نقاط داده است، ایکسمن ( k , l  )���, �و ایکسj ( k , l  )���, �مقادیر داده در سری های زمانی i و j هستند ( j > i�>�، به ترتیب، k و l مکان نقطه را در ماتریس داده نشان می دهند و s gn (ایکسj ( k , l  )–ایکسمن ( k , l  ))������, �−���, �تابع علامت است، همانطور که در رابطه (2) نشان داده شده است.

s gn (ایکسj ( k , l   )–ایکسمن ( k , l   )) =⎧⎩⎨⎪⎪⎪⎪+ 1 i f            ایکسمن ( k , l   )–ایکسj ( k , l   )> 00 i f             ایکسمن ( k , l   )–ایکسj ( k , l   )= 0− 1 i f          ایکسمن ( k , l   )–ایکسj ( k , l   )= 0 ������,  �−���,  �=+1        ��    ���,  �−���,  �>00        ��     ���,  �−���,  �=0−1     ��     ���,  �−���,  �=0 

در مواردی که حجم نمونه n > 30�>30، آماره آزمون نرمال استاندارد Z S ( l , k ) با استفاده از رابطه (3) محاسبه می شود:

زس( k , l   )=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪اس( k , l   )– 1Vیک آر (اس( k , l   ))√                من f     اس( k , l   )> 0      0 i f                              اس( k , l   )= 0اس( k , l   )+ 1Vیک آر (اس( k , l   ))√               من f     اس( k , l   )< 0 زسک،  ل=اسک،  ل-1�آ�اسک،  ل                من�     اسک،  ل>0      0                        من�      اسک،  ل=0اسک،  ل+1�آ�اسک،  ل               من�     اسک،  ل<0 
مقادیر مثبت Z S ( l , k ) نشان دهنده روند افزایشی است در حالی که مقادیر منفی Z S ( l , k ) روند کاهشی را نشان می دهد. یک آزمون دو دنباله با استفاده از تکنیک آزمون فرضیه در سطح معنی‌داری 50% آلفا انجام شد، با فرض صفر که روند یکنواخت در سری‌های زمانی در سطح معنی‌داری 95% وجود نداشت. اچ0: τ = 0اچ0: �=0و فرضیه جایگزین یک روند یکنواخت قابل توجه در سری های زمانی در سطح معنی داری 95 درصد ( اچآ: τ = 0اچآ: �=0) [ 62 ].

روش ناپارامتریک سن [ 63 ] برای تخمین بزرگی روندها در سری های زمانی استفاده شد:

تیمن ( ل ، ک ) =ایکسj ( l , k ) –ایکسمن ( ل ، ک ) j − m تیمنل،ک =ایکس�ل،ک -ایکسمنل،ک �-متر 

در این معادله، ایکسjایکس�و ایکسکایکسکمقادیر داده را در زمان j و m به ترتیب نشان می دهد، در نظر بگیرید

سمن ( ل ، ک ) =⎧⎩⎨⎪⎪⎪⎪⎪⎪تی( ن+ 1 ) /2                                  ن من s o d د                                                              12(تین/ 2+تی( ن+ 2 ) / 2) N             i s e v e n .  .سمنل،ک =تین+1/2                                  ن منس �دد                                                              12تین/2+تی(ن+2)/2            ن منس ه�ه�. .
آ مثبت سمن ( ل ، ک ) سمنل،ک ارزش نشان دهنده روند افزایشی و منفی است سمن ( ل ، ک ) سمنل،ک ارزش نشان دهنده روند کاهشی در طول زمان است.
2.3.2. آمار توصیفی

برای اطمینان از داده‌های بارندگی ماهواره‌ای با کیفیت بالا با توجه به داده‌های مشاهده‌شده ایستگاه، چندین شاخص آماری برای بررسی اثربخشی و عملکرد مجموعه داده‌های ماهواره‌ای استفاده شد [ 57 ]. اندازه‌گیری‌های آماری [ 6 ] شامل ضریب همبستگی (R2 ) ، سوگیری، ریشه سوگیری ضربی (MBias)، میانگین خطای مطلق (MAE) و ریشه میانگین مربع خطا (RMSE)، برای ارزیابی توزیع داده‌ها و عملکرد نسبی انجام شد. مجموعه داده های ماهواره ای، بنابراین داده های ماهواره ای با کیفیت بالا (باران، آب دریاچه) را با توجه به اندازه گیری های گیج به شرح زیر تضمین می کند (معادلات (6) – (9)):

آر2=⎛⎝⎜⎜⎜1∑n1(ایکسo b s–ایکسo b s) (ایکسیک تی است–ایکسیک تی است)nایکسo b s×ایکسیک تی است⎞⎠⎟⎟⎟2 آر2=1∑1�ایکس�بس-ایکس�بسایکسسآتی-ایکسسآتی�ایکس�بس×ایکسسآتی2 
RMSE =∑n1(ایکسنشست–ایکسobs)2n —————–√ RMSE=∑1nایکسنشست-ایکسobs2n  
تعصب =∑n1(ایکسنشست–ایکسobs)n جانبداری=∑1nایکسنشست-ایکسobsn 
MBias =∑n1(ایکسنشست)∑n1(ایکسobs) MBias=∑1nایکسنشست∑1nایکسobs 
که در آن، X obs و X sat به ترتیب سری زمانی سنج و ماهواره را نشان می دهند. n تعداد کل مشاهدات است. و ایکس¯¯¯o b sایکس¯�بسمیانگین مقادیر ایستگاه

3. نتایج

3.1. الگوی زمانی عوامل مختلف آب و هوایی

ساختار زیربنایی تصاویر حوضه سد دوستی، که از سال 2004 تا 2021 نظارت شده است، مورد بررسی قرار گرفت ( شکل 4 ). تصاویر ماهواره ای روند نزولی را تا سال 2018 نشان می دهد . شکل 4 وسعت مخزن سد دوستی را در اوایل بهار سال های بین سال های 2004 تا 2021 نشان می دهد. همانطور که در شکل 4 نشان داده شده است، آب ذخیره شده در مخزن سد به مرور زمان کاهش یافته است. 2013 تا 2018 که نشانه کاهش ورودی آب است. در طول این 18 سال، این مخزن کمترین مساحت را در سال 2018 و بیشترین مساحت را در اوایل بهار 10-2009 داشته است.

3.2. توزیع فضایی و زمانی بارندگی در حوضه سد دوستی (2004-2021)

برای شناسایی روند بارش و ارائه بینش بهتر در مورد نحوه توزیع بارندگی در حوضه، تغییرات مکانی-زمانی بارش سالانه CHIRPS [ 64 ] برای دوره 2004-2021 در شکل 5 نشان داده شده است.. در این شکل مناطقی که بیشترین میزان بارش را دارند با رنگ قرمز و مناطقی که کمترین بارش را دارند به رنگ نارنجی روشن نشان داده شده اند. بیشترین میزان بارندگی در منطقه کوهستانی جنوب شرقی حوضه آبریز است که عمدتاً در مرزهای ترکمنستان، بالادست (500 میلی متر) به ویژه در سال های 2009، 2011، 2015، 2019 و 2020 واقع شده است. با این حال، در مناطق کم ارتفاع، حوضه پایین دست کمترین بارندگی را تجربه کرده است. (100 میلی متر). میزان بارندگی سالانه از 100 میلی متر تا تقریباً 600 میلی متر متغیر است. اثرات تغییر اقلیم در سطح محلی باید ارزیابی شود زیرا این یک موضوع جهانی است و تجزیه و تحلیل روند بارندگی اولین گام ضروری در تعیین اینکه چگونه تغییر اقلیم ممکن است بر دسترسی آب و امنیت غذایی تأثیر بگذارد است. سال‌های 2018، 2019 و 2009 بیشترین افزایش (600 میلی‌متر) را در کل حوضه تجربه کردند. به ویژه مناطق کوهستانی در غرب و شرق. سال های 2005، 2008 و 2021 حداقل بارندگی (100 میلی متر) را تجربه کردند. نتایج همچنین تأیید می کند که مناطق کوهستانی حوضه مرطوب ترین مناطق هستند.
شکل 6 توزیع فضایی روند بارش سالانه را بر اساس برآوردهای CHIRPS برای دوره 2004 تا 2021 نشان می دهد . از نظر آماری، این روند در سطح اطمینان 95 درصد برای بارندگی سالانه معنادار است. شکل 6 ب، روند افزایشی در بارندگی در مناطق میانی و غربی حوضه را با محاسبه شیب سن نشان می دهد که از 0.00043 (حد بالایی) تا -0.00012 (حد پایین) متغیر است ( p .مقدار < 0.05) برای روندهای صعودی و نزولی برای گرایش های معنی دار به ترتیب در سطح اطمینان 95٪. علاوه بر این، یک روند افزایشی معنی‌دار آماری در مرکز و پایین دست منطقه قابل تشخیص بود (00043/0+). p – value کمتر از آلفا = 0.05 است که نشان می دهد روندی در سری زمانی وجود داشته است. بنابراین، نتایج به وضوح نشان می دهد که در اکثر نقاط حوضه، به ویژه مرکز به پایین دست ( p -value = 0.5)، روند صعودی با سطح اطمینان 95 درصد مشاهده می شود. با این حال، روند قابل توجهی در بالادست وجود نداشت، همانطور که در شکل 6 ج نشان داده شده است. در شکل 6 ب، آزمون شیب سن و MK نشان می دهد که روند بارندگی نشان می دهد که تغییرات آب و هوایی در حوضه رخ داده است.

3.3. توزیع مکانی-زمانی دما (LST) در حوضه سد دوستی (2004-2021)

دمای شدید برای کشاورزی، بهداشت و زیرساخت‌ها مانند سازه‌های هیدرولیکی و فعالیت‌های اقتصادی مضر است. این مطالعه توزیع دمای سالانه و روند LST را از MODIS Terra (MOD11A1) برای دوره 2004-2020 بررسی می‌کند. همانطور که پیش بینی شد، دما به شدت تحت تأثیر ارتفاع قرار دارد. شکل 7نشان می دهد که بیشترین LST سالانه (به طور متوسط ​​30.85 درجه سانتیگراد) در پایین ترین سطح ارتفاعی (حوضه آبریز سد دوستی در بالادست) رخ داده است. همانطور که در این شکل نشان داده شده است، LST از توپوگرافی زمین پیروی می کند و مناطق مرتفع دارای دمای پایین تری هستند (حوضه سد دوستی در بالادست). بیشتر زمین های کشاورزی در کنار رودخانه سد دوستی در پایین دست قرار دارند که دمای بالاتری در آن مشاهده شد. دما از 26.85 درجه سانتیگراد تا 36.85 درجه سانتیگراد متغیر است. تنوع فضایی سالانه بیشتر در منطقه ارتفاع پایین تر وجود دارد که بین 31.85 درجه سانتیگراد تا 41.85 درجه سانتیگراد متغیر است. نتایج همچنین نشان می دهد که ناحیه مرکزی جنوبی حوضه بالاترین دما را برای دوره 2004 تا 2021 تجربه کرده است.
شکل 8 a توزیع مکانی روندها در دمای سالانه را بر اساس برآوردهای MODIS (MOD11A1) برای دوره بین سال های 2004 و 2021 نشان می دهد. الگوی فضایی آزمون من-کندال نشان داد که دما در مرکز به شرق دوستی کاهش یافته است. حوضه سد ( شکل 8 الف) با سطح اطمینان 95 درصد، همانطور که در شکل 8 ج نشان داده شده است ( p -value < 0.05). افزایش شیب دما که با شیب سن مشخص می شود در شکل 8 ب نشان داده شده است. LST تغییراتی از 29 درجه سانتیگراد تا 31.85 درجه سانتیگراد را نشان می دهد، با بارش کم سالانه که از 100 میلی متر تا 400 میلی متر متغیر است، که نشان می دهد کشاورزی در این مناطق بدون آبیاری امکان پذیر نیست.

3.4. تبخیر و تعرق سالانه توزیع مکانی-زمانی از MODIS در حوضه سد دوستی (2004-2021)

تجزیه و تحلیل توزیع سالانه و روند تبخیر و تعرق، تصویر دقیق تری از افزایش تقاضای آب ارائه می دهد که باعث انحراف بیشتر آب از رودخانه می شود. شکل 9اهمیت تلفات تبخیر و تعرق را نشان می دهد که از 100 تا 200 میلی متر در حوضه متغیر است. از این رقم می توان دریافت که دوره های 2004 تا 2008 دارای مناطق کم تبخیر بوده، در حالی که دوره 2009 تا 2020 تقاضای آب بالایی داشته است. همچنین نشان می دهد که نواحی مرتفع در مقایسه با نواحی پایین دست (سمت ایرانی) تحت تبخیر و تعرق بالاتر (نزدیک به 200 میلی متر) قرار گرفته اند. خط رودخانه در مرکز تبخیر و تعرق خفیف و ثابت و تقاضای آب در حال گسترش از غرب به شرق را نشان می دهد. میانگین تبخیر و تعرق سالانه (2005-2020) در رودخانه سد دوستی 200 میلی متر در سراسر حوضه مشاهده شد. جالب اینجاست که هم بارش و هم تبخیر و تعرق روند تقریباً یکسانی دارند. بارش و تبخیر و تعرق بیشترین افزایش را در سال 2009 (~500 میلی متر) و (~170 میلی متر) نشان دادند. و برای سال 2019 (~550 میلی متر) و (~200 میلی متر) به ترتیب. این نیز تأیید می کند که کل حوضه نشان دهنده روند افزایشی است، به ویژه مناطق کوهستانی در شرق و در کنار رودخانه.
شکل 10 توزیع فضایی روند تبخیر و تعرق سالانه را بر اساس برآورد محصول MODIS (MOD16A2) برای دوره 2004 تا 2021 نشان می دهد. الگوی فضایی آزمون MK نشان می دهد که تبخیر و تعرق در کل منطقه حوضه سد دوستی در حال افزایش است. ( شکل 10 الف)، و از نظر آماری، این روند افزایشی با روند مثبت در سطح اطمینان 95 درصد برای تبخیر و تعرق سالانه معنادار است. در شکل 10 ب، تبخیر و تعرق در کل منطقه مورد مطالعه روند افزایشی (00043/0+) مشاهده می شود.
این رقم یک روند افزایشی در تبخیر و تعرق را در مناطق حوضه با محاسبه شیب سن نشان می دهد که از 0.00043+ (حد بالایی) تا 0.0012- (حد پایین) برای روندهای صعودی و نزولی برای گرایش های قابل توجه در سطح اطمینان 95 درصد متغیر است. ، به ترتیب. علاوه بر این، یک روند افزایشی معنی‌دار آماری در سراسر منطقه قابل تشخیص است (0.00043+). شکل 10c نشان می دهد که تبخیر و تعرق در کل حوضه افزایش یافت زیرا مقدار p کمتر از 0.05 = آلفا و با سطح اطمینان 95 درصد است که معنی دار است. این رقم همچنین افزایش قابل توجهی در روند را تأیید می کند ( ص<0.05) مقادیر تبخیر و تعرق از سال 2004 تا 2021. روند افزایشی در تبخیر و تعرق طی سال های 2004-2021 تقریباً مشابه روند بارندگی است.

3.5. مدت زمان پوشش برف سالانه توزیع مکانی-زمانی از MODIS در حوضه سد دوستی (2004-2021)

در مناطقی که ارتفاعات بالاتری دارند، حسگر MODIS/Terra قابلیت تشخیص SCD را دارد. محصول پوشش برف 8 روزه MODIS/Terra (MOD10A1) برای پایش نقشه های SCD در حوضه رودخانه سد دوستی استفاده شد ( شکل 11 ). اثرات ارتفاع بر SCD سالانه برای دوره 2004-2021 در این رقم مشاهده شد زیرا مناطق با ارتفاع پایین تر پوشش برف کمتری را در طول دوره تجربه کردند.
SCD از صفر تا نزدیک به 100 درصد متغیر بود و توپوگرافی را دنبال می کرد. شکل 10 تغییرات اعداد پیکسل برف (SPN) را به عنوان شاخص SCE و در منطقه و وسعت مخزن سد دوستی برای دوره 2004 تا 2021 نشان می دهد. حداکثر SCD در مناطق مرتفع (50%) رخ داده است. اگرچه از نظر آماری ناچیز است، اما نشان می دهد که پوشش برف سالانه به طور کلی در ارتفاعات بالاتر تا حدودی کاهش می یابد و در ارتفاعات پایین تر ثابت می ماند (تقریباً 20٪). کل حوضه (به ویژه مناطق کوهستانی) SCD (50٪) در سال 2008 دریافت کردند.
شکل 12 توزیع مکانی روندها را در تبخیر و تعرق سالانه بر اساس برآوردهای MOD10A1 برای دوره 2004 تا 2021 نشان می دهد. الگوی فضایی آزمون MK نشان می دهد که طول مدت پوشش برف روند قابل توجهی در منطقه وسیعی از حوضه نداشته است ( شکل 12). الف) و در شکل 12 ج هیچ روندی برای بیشتر حوضه سد دوستی شناسایی نشد. با این حال، روند قابل توجهی در بالادست شناسایی شد.
شکل 12 ب روند کاهشی را برای SCD در قسمت غربی حوضه با محاسبه شیب Sen 0.0012- (حد پایین) نشان می دهد که نشان دهنده روند نزولی برای گرایش های قابل توجه در سطح اطمینان 95٪ است.

3.6. توزیع مکانی-زمانی برای مناطق زیر کشت آبیاری تابستانی در حوضه سد دوستی (2001-2021)

نقشه ارائه شده در شکل 13 ، مناطق زیر کشت آبی را برای فصل رشد تابستان نشان می دهد. شکل 13 الف نشان می دهد که زمین های آبی در منطقه مدیریت آب در امتداد رودخانه سد دوستی غالب است. تسلط بر منطقه آبی از این واقعیت حمایت می کند که آبیاری بیشتر منابع آب شیرین موجود را دریافت می کند. مناطق زیر کشت آبی در هر دو فصل رشد زمستان و تابستان با استخراج حداکثر نقشه‌های NDVI در فصول رشد زمستان (APR–JUN) و تابستان (JUL–SEP) و اعمال مقادیر آستانه برای نقشه‌های NDVI و ارتفاع از سد دوستی استخراج شد. خط پایه حوضه رودخانه همچنین نشان می دهد که خط پایین دست و رودخانه در مرکز مناطق آبی را مشخص می کند.
شکل 13 ب همبستگی قوی بین مناطق آبی در تابستان و بارش را نشان می دهد. سطح زیر کشت از 451 کیلومتر مربع به 1029 کیلومتر مربع در نتیجه افزایش بارندگی از 272 میلی متر به 375 میلی متر طی سال های 2004 تا 2020 افزایش یافته است. این فقط نشان می دهد که برخی از مناطق کشاورزی که قبل از سال 2017 آبیاری نشده بودند، در سال 2018 آبیاری شدند. وضعیت کشاورزی به عنوان یک صنعت حیاتی در حوضه، که به آن اجازه می دهد در طول دوره قرنطینه بیماری همه گیر کووید-19 به کار خود ادامه دهد، عامل اصلی کمک کننده در افزایش است. در منطقه آبی در سال 2020. از آنجایی که بسیاری از افراد سایر ابزارهای درآمد خود را در طول قرنطینه از دست دادند، کشاورزی به عنوان جایگزین ظاهر شد.
شایان ذکر است که سطح زیر کشت در بازه زمانی 2001 تا 2020 شامل سه ماه داده تابستان و زمستان به ترتیب از ژانویه تا ژانویه می باشد. از شکل 13 ب مشاهده می شود که در دوره های 2001 تا 2005، سطح زیر کشت از 200 کیلومتر مربع به 600 کیلومتر مربع سه برابر شده و بین سال های 2006 تا 2018، سطح زیرکشت در نوسان بوده است. بین سال‌های 2006 و 2018، میزان بارندگی بالا در سال‌های 2009 (343 میلی‌متر) و 2012 (384 میلی‌متر) افزایش سطح زیرکشت حوضه و زیرحوضه را از 320 کیلومتر مربع به 530 کیلومتر مربع در سال 2009 و 463 کیلومتر مربع به 463 کیلومتر مربع نشان داد.به ترتیب در سال 2012. علاوه بر این، مناطق آبی شاهد افزایش شدید حوضه و زیرحوضه بود که به ترتیب از 350 کیلومتر مربع ( 2018) به 1029 کیلومتر مربع ( 2020) و از 250 کیلومتر مربع ( 2018) به 800 کیلومتر مربع ( 2020) تغییر کرد.
شکل 13 ج روند صعودی قابل توجهی را در مناطق آبی در فصل تابستان نشان می دهد که نشان دهنده افزایش یا تراکم پوشش گیاهی در این منطقه است. جالب اینجاست که هم مناطق آبی و هم دریاچه سد دوستی بیشترین افزایش را برای سال 2006 (320 کیلومتر مربع ) و (56 کیلومتر مربع ) و سال 2020 (800 کیلومتر مربع ) و (45 کیلومتر مربع ) نشان دادند. به ترتیب. این همچنین تأیید می کند که کل حوضه شاهد افزایش مناطق آبی در کنار دریاچه دوستی بوده است.

3.7. توزیع مکانی-زمانی مناطق زیر کشت آبیاری زمستانه در حوضه سد دوستی (2001–2020)

نقشه ارائه شده در شکل 14 ، مناطق زیر کشت آبی را برای فصل رشد زمستان نشان می دهد. شکل 14 الف نشان می دهد که اراضی آبی در منطقه مدیریت آب غالب است. در طول فصل زمستان، سطح زیر کشت از 632 کیلومتر مربع به 1563 کیلومتر مربع در نتیجه افزایش بارندگی از 273 میلی متر به 400 میلی متر در دوره 2004 تا 2020 افزایش یافت ( شکل 14 ب). شکل 14 ج نشان دهنده یک روند صعودی شدید در مناطق آبی در فصل زمستان است که نشان دهنده افزایش سطح زیر کشت در امتداد دریاچه سد دوستی است. مناطق آبی و دریاچه سد دوستی با بیشترین افزایش در سال 2020 (985 کیلومتر مربع) روند مشابهی را نشان دادند .) و (45 کیلومتر مربع ) طی 20 سال به ترتیب.
اگرچه مناطق آبی در فصل رشد زمستانه به طور قابل توجهی بیشتر از فصل تابستان بود، اما روند تغییرات در سطح زیر کشت از سال 2011 تا 2018 معنی دار نبود ( شکل 13 ب و 14 ب).

4. بحث

این مطالعه با استفاده از اندازه‌گیری‌های سه گیج و مجموعه داده‌های شبکه‌ای چند آب‌اقلیمی در محدوده‌های ارتفاعی مختلف (از 278 متر تا 4163 متر)، روندها و تغییرات مکانی-زمانی در متغیرهای چند آب‌اقلیمی را در دو دهه گذشته تحلیل می‌کند. روند افزایش قابل توجهی در بارندگی در مناطق شرقی ایران مشهود است که منجر به روند مثبت سالانه بر روی پیکسل ها می شود [ 30 ]. برخلاف یافته های مطالعات قبلی [ 37 ، 65]، دما کاهش جزئی را نشان داد، که ممکن است در نتیجه دوره‌های تحقیقاتی مختلف و انواع مختلف داده‌های بارش (مبتنی بر نقطه و پیکسل) برای تجزیه و تحلیل روند باشد. در واقع، در حالی که یک محصول ماهواره ای متغیرهای بارش را در سراسر یک منطقه محاسبه می کند، یک باران سنج متغیرها را در یک مکان خاص اندازه گیری می کند [ 30 ]. بررسی روند تبخیر و تعرق حاکی از روند مثبت افزایشی در مناطق ایران بود که نتایج مطالعه قبلی در ایران را تایید می‌کند [ 66 ].
پوشش برف به طور کلی در دوره 2004-2021 اندکی کاهش یافت، مناطق مرتفع تر، افزایش SCA را در کنار روند کاهشی دما تجربه کردند [ 67 ، 68 ]. تغییرات کاربری زمین و ساخت سدها، مخازن و کانال های آبیاری به عنوان فعالیت های اولیه انسانی که باعث تغییرات رواناب می شوند، شناسایی شده اند [ 69 ]. مناطق آبی در هر دو فصل رشد زمستان (APR-JUN) و تابستان (JUL-SEP) از طریق آزمایش‌های ناپارامتریک در سراسر حوضه افزایش یافت. فعالیت های انسانی باعث افزایش مناطق آبی شده و از این رو مهمترین عامل ممکن برای انحراف رواناب در حوضه در نظر گرفته می شود [ 69 ]]. نتایج همچنین تأیید کرد که همبستگی قوی بین بارندگی و مناطق آبی و هر دو نواحی آبی و دریاچه دوستی روند یکسانی را نشان می‌دهند.
پلت فرم GEE دو مزیت دارد: (1) به دلیل محدودیت داده ها در حوضه غیرقابل دسترس و با اندازه گیری پراکنده، جمع آوری داده ها را در برخی از مناطق که ایستگاه های آب و هوایی کمی دارند تسهیل می کند و (2) ما را قادر می سازد تا متغیرهای هیدروکلیماتیک متعددی را پردازش و تجزیه و تحلیل کنیم. استفاده از زمین، پوشش برف، مخزن دریاچه، تبخیر و تعرق، ادغام داده های بزرگ جغرافیایی در دسترس عموم.
با در نظر گرفتن تنوع مکانی-زمانی متغیرهای آب‌اقلیمی متعدد در مناطق پراکنده داده، این تحقیق بینش‌هایی را برای سیاست‌گذاران به دنبال راهبردهای کاهش ارائه می‌کند. از سوی دیگر، عدم دسترسی به داده‌های بلندمدت با کیفیت بالا، داده‌های از دست رفته و داده‌های با پوشش مکانی و زمانی ناکافی می‌تواند تأثیر مخربی داشته باشد و منجر به تصمیم‌گیری ضعیف شود. عدم وجود اندازه‌گیری در محل برای سایر متغیرهای آب‌اقلیمی، علاوه بر دما و بارندگی، از دیگر محدودیت‌های این مطالعه است.
از آنجایی که ما فقط روندها را با شیب MK و Sen پوشش دادیم، بررسی مدل‌های مناسب فصل-روند مانند آنالیز طیفی حداقل مربعات ضد نشت [ 70 ، 71 ، 72 ] یا عملگر حداقل انقباض و انتخاب مطلق (LASSO) [ 73 ] توصیه می‌شود. شرط اساسی آزمون Mann-Kendall این است که داده ها باید مستقل باشند و عمدتاً در یک سری زمانی در مقیاس سالانه اعمال شوند [ 30 ، 37 ، 61 ]. بنابراین، قبل از اعمال آزمون من-کندال، هر گونه همبستگی مثبت یا منفی داده ها باید حذف شود [ 74 ]]. علاوه بر این، در این تحقیق، Mann-Kendall برای سری‌های زمانی مقیاس سالانه استفاده شد، بنابراین فصلی در سری‌های زمانی مقیاس سالانه وجود ندارد. با این حال، قبل از تجزیه و تحلیل روند سالانه، آزمون خودهمبستگی برای اطمینان از عدم وجود فصلی و حذف هر گونه تأثیر خودهمبستگی بر روی داده ها استفاده شد [ 75 ]. علاوه بر این، تغییرات احتمالی در آینده به طور کلی توسط مدل‌های گردش عمومی (GCMs) [ 76 ، 77 ، 78 ] و سناریوها [ 79 ، 80 ] مطالعه می‌شوند. با این حال، پیش‌بینی‌های اقلیمی برای تشخیص افراط‌ها نامشخص هستند [ 81]. تغییرات احتمالی در انتشار جریان محیطی را می توان با استفاده از خروجی های کوچک شده چند GCM که در مدل های هیدرولوژیکی [ 82 ] تحت یک فرض غیر ثابت [ 83 ]، که می تواند در آینده بیشتر مورد مطالعه قرار گیرد، ارزیابی شود. از این رو مطالعه با مفروضات غیر ثابت برای کاهش آسیب های ناشی از تغییرات اقلیمی و فعالیت های انسانی پیشنهاد می شود.

5. نتیجه گیری ها

با توجه به تغییرات مکانی و زمانی زیاد در متغیرهای آب‌اقلیمی در مناطق فرامرزی، برای تصمیم‌گیرندگان منابع آب لازم است رفتارهای آب‌اقلیمی را از طریق تحلیل ناهمگنی متغیرها درک کنند. این مطالعه جنبه‌های مکانی-زمانی متغیرهای آب‌اقلیمی متعدد بر اساس GEE را در سطح فرامرزی بررسی کرد. آزمون‌های آماری ناپارامتریک (MK و شیب Sen) همراه با یک پلت‌فرم پیشرفته رایانش ابری مبتنی بر وب (GEE) برای ترسیم روند یکنواخت داده‌ها اعمال شدند. این مطالعه درک جامعی از روند بلندمدت متغیرهای آب‌اقلیمی ارائه می‌کند. تغییرات مکانی و زمانی دمای هواشناسی (MODIS-Terra)، تبخیر و تعرق (MODIS-Terra)، توزیع پوشش برف (MODIS-Terra)،
(1)
این مطالعه نشان داد که چگونه می‌توان از داده‌های ماهواره‌ای چندحسی برای پیش‌بینی روندهای مکانی-زمانی آب‌وهواشناسی، به‌ویژه در مناطق فرامرزی مرتفع استفاده کرد، زمانی که دسترسی به داده‌های مشاهده شده از ایستگاه یک چالش بزرگ است. این نشان داد که برای اکثر متغیرها، این روندها تا حد زیادی بر ارتفاع متکی است. این روند از نظر آماری افزایشی در بارندگی، تبخیر و تعرق و دمای پایین‌تر طی سال‌های 2004 تا 2021 مشاهده شد، اما تأثیر قابل‌توجهی بر طول مدت پوشش برف نداشت.
(2)
این مطالعه بر درک چگونگی واکنش اراضی زیر کشت آبی به متغیرهای مختلف آب‌اقلیمی متمرکز بود. به دلیل اینکه منطقه ای فرامرزی است، دارای توپوگرافی متنوع و شرایط تغییرات آب و هوایی است، نظارت بر اراضی آبی با مشکل مواجه شد. ارتفاع تأثیر قابل توجهی بر اقلیم داشت و سد دوستی که در ارتفاع پایین‌تری قرار دارد، برای درک تغییرات طولانی‌مدت مکانی و زمانی مناطق آبی و علل اقلیمی و هیدرولوژیکی مرتبط به کار گرفته شد. NDVI مشتق شده از MODIS نشان دهنده همبستگی قوی بین NDVI و بارش در زمستان است.
(3)
علاوه بر این، یافته‌ها نشان می‌دهند که GEE یک روش مؤثر برای جمع‌آوری و ایجاد نوسانات مکانی-زمانی در متغیرهای مختلف است و محصولات داده‌های سنجش از راه دور به طور مداوم مشاهدات زمینی در مناطق فرامرزی دوردست را نشان می‌دهند. پیش بینی می شود که سیستم اجتماعی-اکولوژیکی در این منطقه فرامرزی به دلیل مدیریت ناپایدار آب که تأثیر منفی بر شرایط ساکنان خواهد داشت، کاهش یابد. توجه به حق زیست محیطی دریاچه ها برای بهبود شرایط حوضه رودخانه های فرامرزی حائز اهمیت است. پتانسیل GEE هنوز به طور کامل محقق نشده است، علیرغم این واقعیت که به تدریج به یک پلت فرم برای تحقیقات سنجش از دور تبدیل شده است. با کمک GEE، این مطالعه یک روش سریع و امکان پذیر برای تعیین روندهای اقلیمی مکانی-زمانی ارائه می دهد. هنگامی که با ابزارهای موجود توسط GEE ترکیب شود، این روش می‌تواند به راحتی در سایر زمینه‌ها با مسائل مشابه اعمال شود. نتایج این مطالعه می تواند به مدیریت منابع آب و حفظ محیط زیست در حوضه سد دوستی و سایر مناطق فرامرزی کمک کند.
(4)
در منطقه ای که با مجموعه پیچیده ای از تعاملات بین بارش، تبخیر و تعرق، دما، NDVI، پوشش برف، ناحیه دریاچه و دبی مشخص می شود، یافته های کلی این مطالعه می تواند راهبردهای مدیریت منابع آب را راهنمایی کند. تحقیقات آینده باید این عناصر را در نظر بگیرد تا پیش‌بینی کاملی از پویایی اقلیمی مکانی-زمانی مناطق فرامرزی، به‌ویژه با توجه به دوره کنونی تغییرات سریع آب و هوا (چه طبیعی و چه انسانی) ارائه شود.

منابع

  1. میان آبادی، ح. علیقلی، س. Morid, S. ارزیابی کمی قانون “بدون آسیب” در قوانین بین المللی آب فرامرزی در حوضه رودخانه هیرمند. جی هیدرول. 2021 ، 599 ، 126368. [ Google Scholar ] [ CrossRef ]
  2. الفرج، FA; Scholz، M. ارزیابی ناهنجاری های هیدرولوژیکی زمانی همراه با تأثیر خشکسالی برای رژیم جریان رودخانه فرامرزی: مطالعه موردی حوضه آبخیز دیالی. جی هیدرول. 2014 ، 517 ، 64-73. [ Google Scholar ] [ CrossRef ]
  3. وو، جی. لیو، ز. یائو، اچ. چن، ایکس. چن، ایکس. ژنگ، ی. او، Y. اثرات عملیات مخزن بر همبستگی چند مقیاسی بین خشکسالی هیدرولوژیکی و خشکسالی هواشناسی. جی هیدرول. 2018 ، 563 ، 726-736. [ Google Scholar ] [ CrossRef ]
  4. گائو، اچ. بیرکت، سی. Lettenmaier، DP نظارت جهانی ذخیره‌سازی مخزن بزرگ از سنجش از راه دور ماهواره‌ای. منبع آب Res. 2012 ، 48 ، 1-12. [ Google Scholar ] [ CrossRef ]
  5. مورنو، ام. برتولین، سی. اورتیز، پی. Ortiz، R. محصول ماهواره ای برای ترسیم روند خشکسالی و بارش شدید در اندلس، اسپانیا: یک روش جدید برای ارزیابی مناظر میراث در معرض خطر. بین المللی J. Appl. زمین Obs. Geoinf. 2022 ، 110 ، 102810. [ Google Scholar ] [ CrossRef ]
  6. پاکدل خصماخی، ح. وظیفه دوست، م. معروفی، س. تیزرو، AT شبیه سازی دبی رودخانه در حوضه های آبریز اندازه گیری نشده با اجبار محصولات GLDAS به یک مدل هیدرولوژیکی (مطالعه موردی: حوضه پلرود، ایران). تامین آب 2020 ، 20 ، 277-286. [ Google Scholar ] [ CrossRef ]
  7. صادقی لویه، ن. مساح باوانی، ع. تجزیه و تحلیل فرکانس حداکثر رواناب روزانه در شرایط غیر ساکن ناشی از تغییرات اقلیمی در دوره آینده: مطالعه موردی حوضه قره سو. جی. آب و هوا. چانگ. 2021 ، 12 ، 1910-1929. [ Google Scholar ] [ CrossRef ]
  8. ارازو، بی. بورل، ال. فراپارت، اف. چیمبورازو، او. لباط، د. دومینگز-گراندا، ال. ماتاموروس، دی. Mejia, R. اعتبارسنجی تخمین های ماهواره ای (ماموریت اندازه گیری باران گرمسیری، TRMM) برای تغییرپذیری بارندگی در شیب اقیانوس آرام و ساحل اکوادور. Water 2018 , 10 , 213. [ Google Scholar ] [ CrossRef ]
  9. ما، ال. لیو، ی. ژانگ، ایکس. بله، ی. یین، جی. جانسون، کارشناسی یادگیری عمیق در کاربردهای سنجش از دور: یک متاآنالیز و بررسی. ISPRS J. Photogramm. Remote Sens. 2019 , 152 , 166–177. [ Google Scholar ] [ CrossRef ]
  10. السسر، اف. رول، آ. استیگلر، سی. Hölscher, D. معرفی QWaterModel، یک پلاگین QGIS برای پیش بینی تبخیر و تعرق از دمای سطح زمین. محیط زیست مدل. نرم افزار 2020 , 130 , 104739. [ Google Scholar ] [ CrossRef ]
  11. زکی، ع. بوچوری، آی. سجاتی، AW; لیو، ی. تجزیه و تحلیل تصویر مبتنی بر شی در QGIS برای طبقه بندی تصویر و ارزیابی برنامه ریزی فضایی ساحلی. مصر. J. Remote Sens. Space Sci. 2022 ، 25 ، 349-359. [ Google Scholar ] [ CrossRef ]
  12. وانگ، سی. جیا، م. چن، ن. وانگ، دبلیو. تجزیه و تحلیل دینامیک آبهای سطحی بلند مدت بر اساس تصاویر Landsat و پلت فرم Google Earth Engine: مطالعه موردی در حوضه رودخانه یانگ تسه میانی. Remote Sens. 2018 ، 10 ، 1635. [ Google Scholar ] [ CrossRef ]
  13. دستور، ح. قادرپور، ا. حسن، QK یک رویکرد ترکیبی برای نظارت بر دینامیک ماهانه آب سطحی / یخ دریاچه Slave کوچک از طریق داده‌های مشاهده زمین. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2022 , 15 , 6402–6417. [ Google Scholar ] [ CrossRef ]
  14. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  15. تمیمینیا، اچ. صالحی، ب. مهدیان پری، م. کواکنبوش، ال. عادلی، س. Brisco، B. Google Earth Engine برای برنامه های کاربردی داده های جغرافیایی بزرگ: یک متاآنالیز و بررسی سیستماتیک. ISPRS J. Photogramm. Remote Sens. 2020 , 164 , 152–170. [ Google Scholar ] [ CrossRef ]
  16. Google Developers: با Earth Engine شروع کنید. در دسترس آنلاین: https://developers.google.com/earth-engine/getstarted (در 21 سپتامبر 2022 قابل دسترسی است).
  17. مظفری، م. رئیسی، ا. زارع، م. مسیرهای نشت آب در سد دوستی، ترکمنستان و ایران. محیط زیست علوم زمین 2012 ، 65 ، 103-117. [ Google Scholar ] [ CrossRef ]
  18. مجیدی، م. علیزاده، ع. فرید، ع. وظیفه دوست، م. برآورد تبخیر از دریاچه ها و مخازن تحت شرایط داده های محدود در یک منطقه نیمه خشک. منبع آب مدیریت 2015 ، 29 ، 3711-3733. [ Google Scholar ] [ CrossRef ]
  19. رضایی سکروانی، د. چناری، س. فرجی، م. دشتی، sF بررسی چالش های هیدروپلیتیک ایران در حوضه های زهکشی مشترک با کشورهای همسایه. IOSR J. Humanit. Soc. علمی IOSR-JHSS 2018 ، 23 ، 67-78. [ Google Scholar ] [ CrossRef ]
  20. اکبری، م. میرچی، ع. روزبهانی، ع. گفوروف، آ. کلوو، بی. حقیقی، AT خشک شدن دریاچه های فرامرزی هامون بین ایران و افغانستان در پاسخ به خشکسالی های آبی-اقلیمی و فعالیت های انسانی. J. Great Lakes Res. 2022 ، 48 ، 876-889. [ Google Scholar ] [ CrossRef ]
  21. سالومون، جی. Hodges, JC; فریدل، ام. شاف، سی. Strahler، A. گائو، اف. اشنایدر، آ. ژانگ، ایکس. ال سالئوس، ن. ماسک جهانی آب-زمین Wolfe، RE برگرفته از بازتاب‌های تنظیم‌شده توسط MODIS Nadir BRDF (NBAR) و الگوریتم پوشش زمین MODIS. در مجموعه مقالات IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium, Anchorage, AK, USA, 20-24 سپتامبر 2004. [ Google Scholar ]
  22. لی، ال. Vrieling، A. اسکیدمور، ا. وانگ، تی. توراک، ای. پایش دینامیک کسر آب سطحی از سری زمانی MODIS در یک محیط مدیترانه. بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 66 ، 135-145. [ Google Scholar ] [ CrossRef ]
  23. کارول، ام. ووتن، م. دی میسلی، سی. سولبرگ، آر. کلی، M. کمی سازی دینامیک آب های سطحی در تفکیک مکانی 30 متر در عرض های جغرافیایی شمال آمریکای شمالی 1991-2011. Remote Sens. 2016 , 8 , 622. [ Google Scholar ] [ CrossRef ]
  24. پکل، J.-F. کوتام، ا. گولیک، ن. Belward، AS نقشه برداری با وضوح بالا از آب های سطحی جهانی و تغییرات طولانی مدت آن. طبیعت 2016 ، 540 ، 418-422. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. Tulbure، MG; برویچ، م. Stehman، SV; Kommareddy، A. دینامیک وسعت آب سطحی از سه دهه سری زمانی پیوسته فصلی Landsat در مقیاس شبه قاره در یک منطقه نیمه خشک. سنسور از راه دور محیط. 2016 ، 178 ، 142-157. [ Google Scholar ] [ CrossRef ]
  26. شن، جی. فو، دبلیو. گوا، اچ. Liao, J. نقشه برداری بدنه آب با استفاده از داده های SAR سری طولانی مدت Sentinel-1 در دریاچه پویانگ. Water 2022 , 14 , 1902. [ Google Scholar ] [ CrossRef ]
  27. تغییرات آب سطحی (1985–2016). در دسترس آنلاین: https://aqua-monitor.deltares.nl (در 21 سپتامبر 2022 قابل دسترسی است).
  28. دانچیتس، جی. باارت، اف. وینسمیوس، اچ. گولیک، ن. کوادیک، جی. Van De Giesen، شمال تغییر آبهای سطحی زمین در 30 سال گذشته. نات. صعود چانگ. 2016 ، 6 ، 810-813. [ Google Scholar ] [ CrossRef ]
  29. قلی زاده سرابی، س. رهنما، محمدرضا از تامین خودکفایی آب و انرژی تا توسعه شهری احیاکننده و پایداری: بررسی پتانسیل‌های موجود در شهر مشهد، ایران. جی. محیط زیست. طرح. مدیریت 2021 ، 64 ، 2459-2480. [ Google Scholar ] [ CrossRef ]
  30. مصفا، ح. صادقی، م. حیاتبینی، ن. افضلی گوروح، و. اکبری اسنجان، ع. نگوین، پی. سروشیان، س. تغییرات فضایی و زمانی بارش بر فراز ایران با استفاده از مجموعه داده‌های ماهواره‌ای PERSIANN-CDR با وضوح بالا و نزدیک به چهار دهه. Remote Sens. 2020 , 12 , 1584. [ Google Scholar ] [ CrossRef ]
  31. رضیعی، ت. دریاباری، ج. بوردی، آی. مدرس، ر. الگوهای مکانی پریرا، LS و روندهای زمانی شاخص‌های بارش روزانه در ایران. صعود چانگ. 2014 ، 124 ، 239-253. [ Google Scholar ] [ CrossRef ]
  32. لو، آر. یوان، Q. یو، ال. Shi، X. نظارت بر تغییرات اخیر دریاچه تحت تغییرات آب و هوا در اطراف کوه‌های آلتای با استفاده از داده‌های ماهواره‌ای چند مأموریتی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2020 , 14 , 1374–1388. [ Google Scholar ] [ CrossRef ]
  33. وه، جی. کوروپ، او. روسنر، اس. Walz، A. تشخیص طغیان سیل دریاچه های یخچالی هیمالیا از سری زمانی Landsat. سنسور از راه دور محیط. 2018 ، 207 ، 84-97. [ Google Scholar ] [ CrossRef ]
  34. ممکن است.؛ خو، ن. سان، ج. وانگ، XH; یانگ، اف. لی، اس. تخمین سطح آب و حجم دریاچه ها با استفاده از تصاویر Landsat و مجموعه داده های لیدار شمارش فوتون به دهه 1980 برمی گردد. سنسور از راه دور محیط. 2019 ، 232 ، 111287. [ Google Scholar ] [ CrossRef ]
  35. لو، اس. اویانگ، ن. وو، بی. وی، ی. Tesemma، Z. محاسبه حجم آب دریاچه با تصاویر سنجش از دور سری زمانی. بین المللی J. Remote Sens. 2013 ، 34 ، 7962-7973. [ Google Scholar ] [ CrossRef ]
  36. مقیم، س. تأثیر تغییرات اقلیمی بر آب‌وهواشناسی ایران. گلوب. سیاره. چانگ. 2018 ، 170 ، 93-105. [ Google Scholar ] [ CrossRef ]
  37. ملائکه، س. صفایی، ع. شیوا، ال. طبری، ح. تغییرات مکانی- زمانی متغیرهای آبی-اقلیمی و شاخص‌های شدید در ایران بر اساس داده‌های تحلیل مجدد. استوک. محیط زیست Res. ارزیابی ریسک 2022 ، 1-28. [ Google Scholar ] [ CrossRef ]
  38. آرنل، شمال غربی؛ گاسلینگ، SN اثرات تغییر آب و هوا بر رژیم‌های جریان رودخانه در مقیاس جهانی. جی هیدرول. 2013 ، 486 ، 351-364. [ Google Scholar ] [ CrossRef ]
  39. بلوم، جی آر. Eichhorn، A. اسمیت، اس. استرل-کونتالا، م. Cooperstock, JR پاسخ اضطراری بلادرنگ: مدیریت بهبود یافته اطلاعات بلادرنگ در شرایط بحران. J. Multimodal User Interfaces 2014 ، 8 ، 161-173. [ Google Scholar ] [ CrossRef ]
  40. ایروین، ک. بیولن، دی. براون، آ. Fotopoulos، G. Fusion SAR، تصاویر نوری و LiDAR هوابرد برای تشخیص آب های سطحی. Remote Sens. 2017 , 9 , 890. [ Google Scholar ] [ CrossRef ]
  41. Li، Z.-L. تانگ، B.-H. وو، اچ. رن، اچ. یان، جی. وان، ز. Trigo، IF; Sobrino، JA دمای سطح زمین برگرفته از ماهواره: وضعیت فعلی و چشم اندازها. سنسور از راه دور محیط. 2013 ، 131 ، 14-37. [ Google Scholar ] [ CrossRef ]
  42. لی، اس. یو، ی. سان، دی. تارپلی، دی. ژان، ایکس. Chiu, L. ارزیابی دمای 10 ساله سطح زمین AQUA/MODIS با مشاهدات SURFRAD. بین المللی J. Remote Sens. 2014 ، 35 ، 830-856. [ Google Scholar ] [ CrossRef ]
  43. Wan, Z. Collection-5 راهنمای کاربران محصولات دمای سطح زمین MODIS. ICESS، دانشگاه کالیفرنیا، سانتا باربارا. 2007. در دسترس آنلاین: https://www.cen.uni-hamburg.de/en/icdc/data/land/docs-land/modis-lst-products-user-guide-c5.pdf (دسترسی در 21 سپتامبر 2022 ).
  44. MOD11A1. در دسترس آنلاین: https://developers.google.com/earth-engine/datasets/catalog/MODIS_061_MOD11A1 (در 21 سپتامبر 2022 قابل دسترسی است).
  45. دیتز، ای جی. کوئنزر، سی. گسنر، یو. Dech, S. سنجش از دور برف – مروری بر روش های موجود. بین المللی J. Remote Sens. 2012 ، 33 ، 4094-4134. [ Google Scholar ] [ CrossRef ]
  46. MOD10A1. در دسترس آنلاین: https://developers.google.com/earth-engine/datasets/catalog/MODIS_006_MOD10A1 (در 21 سپتامبر 2022 قابل دسترسی است).
  47. MOD09GQ. در دسترس آنلاین: https://developers.google.com/earth-engine/datasets/catalog/MODIS_061_MOD09GQ (در 21 سپتامبر 2022 قابل دسترسی است).
  48. دویدن، اس. مو، کیو. Zhao، M. MOD16A2 MODIS/Terra Net تبخیر و تعرق 8 روزه L4 جهانی 500 متر SIN Grid V006 [مجموعه داده]. NASA EOSDIS Land Processes DAAC; 2017. در دسترس آنلاین: https://ladsweb.modaps.eosdis.nasa.gov/missions-and-measurements/products/MOD16A2 (در 21 سپتامبر 2022 قابل دسترسی است).
  49. تیان، اچ. لی، دبلیو. وو، ام. هوانگ، ن. لی، جی. لی، ایکس. Niu، Z. پایش دینامیکی بزرگترین دریاچه آب شیرین در چین با استفاده از یک شاخص آب جدید که از داده‌های Sentinel-1A با وضوح مکانی-زمانی بالا به دست آمده است. Remote Sens. 2017 , 9 , 521. [ Google Scholar ] [ CrossRef ]
  50. دوشاخه، LJ; دیوارها، سی. دریاچه اسکات، بی. توندرا از سال 1978 تا 2001 در شبه جزیره توکتواکتوک، شمالگان غربی کانادا تغییر می کند. ژئوفیز. Res. Lett. 2008 , 35 . [ Google Scholar ] [ CrossRef ]
  51. تائو، اس. نیش، جی. ژائو، ایکس. ژائو، اس. شن، اچ. متعجب.؛ تانگ، ز. وانگ، ز. Guo, Q. از بین رفتن سریع دریاچه ها در فلات مغولستان. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2015 ، 112 ، 2281-2286. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  52. دو، ز. بین، ال. لینگ، اف. لی، دبلیو. تیان، دبلیو. وانگ، اچ. گی، ی. سان، بی. Zhang، X. برآورد تغییرات سطح آب با استفاده از داده های سری زمانی Landsat در حوضه رودخانه Qingjiang، چین. J. Appl. Remote Sens. 2012 , 6 , 063609. [ Google Scholar ] [ CrossRef ]
  53. Xu، H. اصلاح شاخص آب تفاوت نرمال شده (NDWI) برای افزایش ویژگی های آب باز در تصاویر سنجش از راه دور. بین المللی J. سنجش از دور. 2006 ، 27 ، 3025-3033. [ Google Scholar ] [ CrossRef ]
  54. فام دوک، بی. پریجنت، سی. آیرس، F. نظارت بر آب سطحی در کامبوج و دلتای مکونگ ویتنامی در طول یک سال، با مشاهدات Sentinel-1 SAR. Water 2017 , 9 , 366. [ Google Scholar ] [ CrossRef ]
  55. لی، دبلیو. دو، ز. لینگ، اف. ژو، دی. وانگ، اچ. گی، ی. سان، بی. ژانگ، X. مقایسه نقشه برداری آب سطح زمین با استفاده از شاخص تفاوت نرمال شده آب از TM، ETM+ و ALI. Remote Sens. 2013 , 5 , 5530–5549. [ Google Scholar ] [ CrossRef ]
  56. گولیک، ن. کلینتون، ن. طبقه بندی نظارت شده چند زمانی با استفاده از موتور Google Earth. در مجموعه مقالات نشست پاییز AGU، واشنگتن دی سی، ایالات متحده آمریکا، 10 تا 14 دسامبر 2018. [ Google Scholar ]
  57. بانرجی، ا. چن، آر. میدوز، من. سینگ، آر. مال، اس. Sengupta، D. تجزیه و تحلیل روندهای بلندمدت بارندگی و تنوع در هیمالیا اوتاراکند با استفاده از موتور Google Earth. Remote Sens. 2020 , 12 , 709. [ Google Scholar ] [ CrossRef ]
  58. آزمون‌های ناپارامتری Mann، HB در برابر روند. اقتصاد. جی اکونوم. Soc. 1945 ، 13 ، 245-259. [ Google Scholar ] [ CrossRef ]
  59. کندال، M. Rank Correlation Methods ، ویرایش چهارم. چارلز گریفین: لندن، بریتانیا، 1975. [ Google Scholar ]
  60. ذوالقدراصلی، بی. بزرگ حداد، ا. سرزعیم، پ. چو، ایکس. بررسی تغییرپذیری شبیه‌سازی‌های GCM با استفاده از تحلیل سری‌های زمانی. جی. آب و هوا. تغییر 2019 ، 10 ، 449-463. [ Google Scholar ] [ CrossRef ]
  61. طبری، ح. معروفی، س. عینی، ع. طلایی، PH; محمدی، ک. تحلیل روند تبخیر و تعرق مرجع در نیمه غربی ایران. کشاورزی برای. هواشناسی 2011 ، 151 ، 128-136. [ Google Scholar ] [ CrossRef ]
  62. غلامی، ح. مرادی، ی. لطفیراد، م. گندمی، م.اس. بازگیر، ن. شکریان حاجیبه‌زاد، م. تشخیص جابجایی ناگهانی و تحلیل‌های ناپارامتریک روند سری‌های زمانی رواناب در حوضه رودخانه دز. تامین آب 2022 ، 22 ، 1216-1230. [ Google Scholar ] [ CrossRef ]
  63. Sen, PK برآورد ضریب رگرسیون بر اساس تاو کندال. مربا. آمار دانشیار 1968 ، 63 ، 1379-1389. [ Google Scholar ] [ CrossRef ]
  64. بانرجی، ا. چن، آر. میدوز، من. سنگوپتا، دی. پاتاک، س. شیا، ز. مال، اس. ردیابی دینامیک اقلیمی قرن 21 قطب سوم: تجزیه و تحلیل تأثیرات آب و هوای بالا بر پوشش برف در هیمالیا مرکزی با استفاده از موتور Google Earth. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2021 ، 103 ، 102490. [ Google Scholar ] [ CrossRef ]
  65. طبری، ح. Somee، BS; زاده، آزمون MR برای روندهای بلندمدت متغیرهای اقلیمی در ایران. اتمس. Res. 2011 ، 100 ، 132-140. [ Google Scholar ] [ CrossRef ]
  66. علیزاده چوبری، ا. نجفی، م. رویدادهای شدید آب و هوایی در ایران تحت شرایط آب و هوایی متغیر. صعود دین 2018 ، 50 ، 249-260. [ Google Scholar ] [ CrossRef ]
  67. بلال، ح. چمهوری، س. مختار، MB; Kanniah، KD تغییرات اخیر پوشش برف در حوضه سند بالایی گیلگیت بالتستان، هندوکش کاراکورام هیمالیا. J. Mt. Sci. 2019 ، 16 ، 296-308. [ Google Scholar ] [ CrossRef ]
  68. عظمت، م. لیاقت، UW; قمر، MU; Awan، UK تأثیرات تغییر اقلیم و پوشش برف بر رژیم جریان رودخانه Jhelum، هیمالیا غربی. Reg. محیط زیست تغییر 2017 ، 17 ، 813-825. [ Google Scholar ] [ CrossRef ]
  69. یانگ، ی. تیان، اف. تغییر ناگهانی رواناب و عوامل محرک اصلی آن در حوضه آبریز رودخانه هایه، چین. جی هیدرول. 2009 ، 374 ، 373-383. [ Google Scholar ] [ CrossRef ]
  70. هوی، ی. پاگیاتاکیس، اس. تحلیل طیفی حداقل مربعات و کاربرد آن در تجزیه و تحلیل داده های گرانش سنج ابررسانا. ژئو اسپات. Inf. علمی 2004 ، 7 ، 279-283. [ Google Scholar ] [ CrossRef ]
  71. ماتیاس، ا. گروند، اف. نگهبانان، ر. See، D.; کانلا، م. الگوریتم های دیبنر، HH برای تجزیه و تحلیل طیفی سری های زمانی نمونه برداری نامنظم. J. Stat. نرم افزار 2004 ، 11 ، 1-27. [ Google Scholar ] [ CrossRef ]
  72. قادرپور، ای. تحلیل طیفی حداقل مربعات ضد نشت چند کانالی برای تنظیم داده های لرزه ای فراتر از همخوانی. Acta Geophys. 2019 ، 67 ، 1349–1363. [ Google Scholar ] [ CrossRef ]
  73. قادرپور، ا. ووجادینوویچ، تی. حسن، QK کاربرد نرم افزار موجک حداقل مربعات در هیدرولوژی: حوضه رودخانه آتاباسکا. جی هیدرول. Reg. گل میخ. 2021 ، 36 ، 100847. [ Google Scholar ] [ CrossRef ]
  74. سعدی، ز. شهید، س. اسماعیل، ت. چانگ، ای.-اس. وانگ، X.-J. تحلیل روند بارندگی و بارندگی شدید در ساراواک، مالزی با استفاده از آزمون من-کندال اصلاح شده. هواشناسی اتمس. فیزیک 2019 ، 131 ، 263-277. [ Google Scholar ] [ CrossRef ]
  75. لاکومب، جی. مک کارتنی، ام. Forkuor، G. آب و هوای خشک در غنا طی دوره 1960-2005: شواهدی از آزمون من-کندال مبتنی بر نمونه برداری مجدد در سطوح محلی و منطقه ای. هیدرول. علمی J. 2012 ، 57 ، 1594-1609. [ Google Scholar ] [ CrossRef ]
  76. توفیق، ف. Güven, A. تغییرات بالقوه در طراحی جریان ورودی سیل تحت پیش بینی های اقلیمی آینده برای سد دربندیخان. جی هیدرول. 2015 ، 528 ، 45-51. [ Google Scholar ] [ CrossRef ]
  77. الفیری، ال. بیسلینک، بی. دوتوری، اف. نائومان، جی. د رو، ا. سالامون، پ. وایزر، ک. Feyen, L. پیش بینی های جهانی خطر سیل رودخانه ها در جهان گرمتر. آینده زمین 2017 ، 5 ، 171–182. [ Google Scholar ] [ CrossRef ]
  78. ذوالقدراصلی، بی. بزرگ حداد، ا. عنایتی، م. گوهریان، ای. توسعه یک چارچوب تصمیم گیری چند ویژگی قوی برای ارزیابی عملکرد طراحی و برنامه ریزی سیستم آب تحت تغییرات آب و هوا. منبع آب مدیریت 2021 ، 35 ، 279-298. [ Google Scholar ] [ CrossRef ]
  79. یین، جی. گوا، اس. یانگ، ی. چن، جی. گو، ال. وانگ، جی. او هست.؛ وو، بی. Xiong، J. پیش‌بینی خشکسالی‌ها و مواجهه‌های اجتماعی-اقتصادی آنها بر اساس ناهنجاری ذخیره‌سازی آب زمینی در چین. علمی علوم زمین چین 2022 ، 65 ، 1772-1787. [ Google Scholar ] [ CrossRef ]
  80. ذوالقدراصلی، بی. بزرگ حداد، ا. چو، X. اثرات عدم قطعیت تغییرات آب و هوا بر عملکرد سیستم های برق آبی. جی. آب و هوا. چانگ. 2019 ، 10 ، 591-609. [ Google Scholar ] [ CrossRef ]
  81. سالاس، جی. Obeysekera، J. تکنیک‌های ارزیابی زیرساخت‌های آب برای رویدادهای شدید غیر ثابت: مروری ووگل، آر. هیدرول. علمی J. 2018 , 63 , 325-352. [ Google Scholar ] [ CrossRef ]
  82. یین، جی. گوا، اس. گو، ال. زنگ، ز. لیو، دی. چن، جی. شن، ی. Xu، C.-Y. ترکیب چند ماهواره ای، تحلیل مجدد جوی و محصولات بارش سنج برای تسهیل مدل سازی هیدرولوژیکی. جی هیدرول. 2021 ، 593 ، 125878. [ Google Scholar ] [ CrossRef ]
  83. چنگ، ال. آقاکوچک، الف. منحنی‌های شدت-مدت-فرکانس بارش غیر ثابت برای طراحی زیرساخت در یک اقلیم در حال تغییر. علمی Rep. 2014 , 4 , 1. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 11 00535 g001 550
شکل 1. موقعیت سیستم زهکشی حوضه رودخانه سد دوستی. ( الف ) ایران (سمت چپ) و ترکمنستان (راست)، ( ب ) مخزن دوستی را از مجموعه داده های NDWI Landsat نشان می دهد، ( ج ) حوضه رودخانه سد دوستی را نشان می دهد.
Ijgi 11 00535 g002 550
شکل 2. نمودار جریان روش ها.
Ijgi 11 00535 g003 550
شکل 3. رابطه بین مجموعه داده های گیج و بارندگی شبکه ای ( a – f ) و رابطه بین مجموعه داده های گیج و LST ( g – h ) برای دوره 2001 تا 2020.
Ijgi 11 00535 g004a 550 Ijgi 11 00535 g004b 550
شکل 4. مساحت مخزن سد دوستی از سال 2004 تا 2021 با استفاده از GEE.
Ijgi 11 00535 g005a 550 Ijgi 11 00535 g005b 550
شکل 5. توزیع مکانی-زمانی بارندگی سالانه (میلی متر) از محصول CHIRPS مشتق شده از GEE در دوره 2004-2021.
Ijgi 11 00535 g006a 550 Ijgi 11 00535 g006b 550
شکل 6. ( الف ) نقشه توزیع مکانی وضعیت روند بارش بر اساس CHIRPS با استفاده از برآوردگر کندال، ( ب ) توزیع فضایی شدت روند بارش (mm) با استفاده از برآوردگر شیب سن (Z = 1.96 در سطح اطمینان 95٪)، ( ج ) توزیع مکانی اهمیت روند با استفاده از ضریب p، در دوره 18 ساله (2004-2021) در حوضه سد دوستی.
Ijgi 11 00535 g007a 550 Ijgi 11 00535 g007b 550 Ijgi 11 00535 g007c 550
شکل 7. توزیع مکانی-زمانی دمای سالانه سطح زمین (°C) از محصول MODIS (MOD11A1) مشتق شده از GEE در دوره 2004-2021.
Ijgi 11 00535 g008 550
شکل 8. ( الف ) نقشه توزیع فضایی وضعیت روند دمای سطح زمین (درجه سانتی گراد) در حوضه سد دوستی بر اساس مجموعه داده های MODIS LST (MOD11) با استفاده از تخمینگر کندال، ( ب ) توزیع فضایی شدت روند LST (درجه سانتی گراد) ) با استفاده از برآوردگر شیب سن (Z = 1.96 در سطح اطمینان 95٪)، ( ج ) توزیع فضایی روندهای قابل توجه با استفاده از عامل p، در دوره 18 ساله (2004-2021) در حوضه سد دوستی.
Ijgi 11 00535 g009a 550 Ijgi 11 00535 g009b 550
شکل 9. توزیع مکانی-زمانی تبخیر و تعرق سالانه (mm) از محصول MODIS (MOD16A2) مشتق شده از GEE در دوره 2004-2021.
Ijgi 11 00535 g010a 550 Ijgi 11 00535 g010b 550
شکل 10. ( الف ) نقشه توزیع فضایی روند تبخیر و تعرق سالانه (mm) بر روی حوضه سد دوستی بر اساس داده های تبخیر و تعرق MODIS (MOD16A2) با استفاده از تخمینگر کندال، ( ب ) توزیع فضایی شدت روند تبخیر و تعرق (mm) با استفاده از Sen’s. برآوردگر (Z = 1.96 در سطح اطمینان 95٪)، ( ج ) توزیع فضایی اهمیت روند با استفاده از عامل p، در دوره 18 ساله (2004-2021) برای حوضه سد دوستی.
Ijgi 11 00535 g011a 550 Ijgi 11 00535 g011b 550 Ijgi 11 00535 g011c 550
شکل 11. توزیع مکانی-زمانی مدت زمان پوشش برف سالانه (%) از محصول MODIS (MOD10A1) مشتق شده از GEE در دوره 2004-2021.
Ijgi 11 00535 g012 550
شکل 12. ( الف ) نقشه توزیع فضایی وضعیت روند مدت زمان پوشش برف (%) بر روی حوضه سد دوستی بر اساس محصول MODIS (MOD10A1) مشتق شده از GEE با استفاده از تخمینگر کندال، ( ب ) توزیع فضایی شدت روند SCD ( ب) ٪ با استفاده از برآوردگر شیب سن (Z = 1.96 در سطح اطمینان 95٪)، ( ج ) توزیع فضایی اهمیت روند با استفاده از عامل p، در دوره 18 ساله (2004-2021) برای حوضه سد دوستی.
Ijgi 11 00535 g013a 550 Ijgi 11 00535 g013b 550
شکل 13. ( الف ) توزیع فضایی اراضی زیر کشت آبی در حوضه سد دوستی و همچنین تغییراتی که بین سال‌های 1380 تا 2020 رخ داده است، ( ب ) همبستگی بین بارندگی (CHIRPS)، مناطق زیر کشت آبی حوضه (کیلومتر مربع ) در فصل رشد تابستان. بر اساس محصول MODIS NDVI (MOD09Q) مشتق شده از GEE طی سال های 2001-2020 ( c ) همبستگی بین سری های زمانی بارندگی (CHIRPS)، مناطق زیر کشت آبی (km2) زیرحوضه در فصل رشد تابستان و دریاچه دوستی بر اساس لندست، شاخص NDWI محصول در طول 2001-2020.
Ijgi 11 00535 g014a 550 Ijgi 11 00535 g014b 550
شکل 14. ( الف ) توزیع فضایی اراضی زیر کشت آبی در حوضه سد دوستی و همچنین تغییراتی که بین سال‌های 1380 تا 2020 رخ داده است، ( ب ) همبستگی بین بارندگی (CHIRPS)، مناطق زیر کشت آبی حوضه (کیلومتر مربع ) در فصل رشد زمستانه. بر اساس محصول MODIS NDVI (MOD09Q) مشتق شده از GEE طی سال‌های 2001-2020، ( ج ) همبستگی بین سری‌های زمانی بارندگی (CHIRPS)، مناطق زیر کشت آبی (km2) زیرحوضه در فصل رشد زمستان و دریاچه دوستی بر اساس Landsat، NDWI. محصول شاخص طی 2001-2020.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید