جغرافیا (نشریۀ انجمن جغرافیایی ایران)

جغرافیا (نشریۀ انجمن جغرافیایی ایران)

تحلیل الگوهای زمانی و مکانی پراکنش آئروسل‌های جوی در استان خوزستان با استفاده از داده‌های AOD سنجنده MODIS در سامانه Google Earth Engine (۲۰۱۸–۲۰۲۳)

نوع مقاله : علمی - پژوهشی

نویسندگان
عاطفه بساک 1
زهرابیگم حجازی زاده 2
مصطفی کابلی زاده 3
1 دانشجوی دکتری آب وهواشناسی، گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران، تهران، ایران.
2 استادگروه اقلیم شناسی دانشکده علوم جغرافیایی دانشگاه خوارزمی، تهران، ایران.
3 دانشیار گروه سنجش ازدور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران.
10.22034/jiga.2025.2062892.1431
چکیده
آلودگی هوا یکی از مهم‌ترین چالش‌های زیست‌محیطی در دهه‌های اخیر است که تهدیدی جدی برای سلامت انسان، تغییرات اقلیمی و تخریب اکوسیستم‌ها محسوب می‌شود. آئروسل‌ها و ذرات معلق، به عنوان مؤلفه‌های اصلی این آلودگی، می‌توانند از منابع طبیعی یا انسانی ناشی شوند و تأثیر چشمگیری بر کیفیت هوا داشته باشند. این پژوهش با هدف بررسی الگوهای مکانی و زمانی پراکنش آئروسل‌ها در استان خوزستان و تحلیل تغییرات عمق اپتیکی آن‌ها طی دوره‌ی جولای ۲۰۱۸ تا جولای ۲۰۲۳ انجام شد. برای این منظور از داده‌های ماهواره‌ای سنجنده MODIS و نقشه‌های عمق اپتیکی آئروسل (AOD) که با استفاده از زبان برنامه‌نویسی جاوا در بستر Google Earth Engine استخراج شدند، بهره گرفته شد. تحلیل‌ها در مقیاس‌های ماهانه، فصلی و سالانه انجام گرفت. روند تغییرات زمانی با رگرسیون غیرخطی چندجمله‌ای درجه دوم بررسی شد که با ضریب تعیین ۰٫۸۲ و ضریب تعیین تعدیل‌شده ۰٫۷۸، الگوی U وارونه‌ای را در توزیع سالانه AOD نشان داد. بیشترین مقادیر AOD در فصول گرم، به‌ویژه ژوئن ۲۰۲۳ با مقدار ۸٫۵ و آگوست ۲۰۲۰ با مقدار ۷٫۹ در شهرهای جنوبی استان ثبت شد، در حالی که کمترین مقادیر در فصل زمستان، به‌ویژه دسامبر ۲۰۱۸ و ۲۰۲۰، با بازه ۰ تا ۰٫۱۴ مشاهده گردید. میانگین ماهانه نیز نشان داد بیشترین مقدار در می ۲۰۲۲ با ۰٫۷ و کمترین در فوریه ۲۰۲۱ با ۰٫۱۶ ثبت شده است. نتایج بیانگر آن است که اگرچه تمامی نواحی استان تحت‌تأثیر آئروسل‌ها قرار دارند، مناطق جنوبی به دلیل مجاورت با نواحی خشک، کاهش پوشش گیاهی و خشکی تالاب‌ها بیشترین تأثیرپذیری را نشان می‌دهند. این یافته‌ها ظرفیت بالای داده‌های MODIS را در پایش پدیده‌های گردوغبار و اهمیت بهره‌گیری از سنجش‌ازدور در مدیریت محیط‌زیست نمایان کرده و بر ضرورت سیاست‌های هدفمند شامل تقویت پوشش گیاهی، احیای منابع آبی و کنترل آلودگی هوا در جنوب استان تأکید دارد.
کلیدواژه‌ها
عمق اپتیکی آئروسل (AOD)
آئروسل‌های جوی
گردوغبار
داده‌های ماهواره‌ای MODIS
سامانه Google Earth Engine

موضوعات

عنوان مقاله English

Spatiotemporal Patterns of Atmospheric Aerosol Distribution in Khuzestan Province Based on MODIS AOD Data Using the Google Earth Engine Platform (2018–2023)

نویسندگان English

Atefeh Bosak 1
Zahra Bigom Hejazizadeh 2
Mostafa Kabolizadeh 3
1 PhD candidate of Climatology, Department of Natural Geography, Faculty of Geographic Sciences, Kharazmi University .of Tehran, Tehran, Iran
2 Department of Climatology, Faculty of Geographical Sciences, Kharazmi University
3 Associate Professor of Remote Sensing and GIS, Faculty of Erath Sciences, Shahid Chamran University of Ahvaz, Ahvaz Iran
چکیده English

Extended Abstract
Introduction
Air pollution has emerged as one of the most critical environmental and public health challenges in recent decades, with profound impacts on human health, climate change, and ecosystem degradation. Among the primary components of air pollution are atmospheric aerosols and suspended particulate matter, which significantly reduce air quality and contribute to various adverse phenomena such as horizontal visibility reduction, increased ambient temperature, disruption of precipitation cycles, and respiratory and cardiovascular disorders. Aerosols are classified into two categories based on their origin: natural and anthropogenic. Natural sources include desert dust storms, wildfires, and volcanic activity, while anthropogenic sources mainly consist of emissions from industries, transportation, and agricultural activities. Khuzestan Province, located in southwestern Iran, has been increasingly affected by dust storms and elevated aerosol concentrations in recent years. This is primarily due to its geographical location, proximity to vast deserts in Iraq and Saudi Arabia, reduced vegetation cover, wetland desiccation, and regional climate change. These conditions not only threaten human health but also create significant socio-economic and environmental consequences. Therefore, identifying and analyzing the temporal and spatial patterns of aerosol distribution and dust events is crucial for risk management, urban and regional planning, and the development of effective environmental policies.
 
Methodology
The primary objective of this study is to analyze the spatiotemporal variations of Aerosol Optical Depth (AOD) in Khuzestan Province over a five-year period from July 2018 to July 2023. To achieve this, MODIS satellite data were employed, and AOD maps were processed and extracted using the Java programming language within the Google Earth Engine (GEE) platform. Analyses were conducted at three temporal scales—monthly, seasonal, and annual—to provide a comprehensive understanding of both short-term and long-term variations and to identify the dominant spatial and temporal distribution patterns of aerosols. In addition, a second-degree polynomial nonlinear regression model was applied to examine the temporal trends of AOD, as it demonstrated better adaptability to the fluctuations in aerosol concentrations compared to linear models.
 
Results and Discussion
The findings of this study indicate that the temporal distribution of AOD in Khuzestan Province exhibits an inverted U-shaped pattern, with peak values occurring during the warm seasons and the lowest values recorded during the cold seasons. The maximum AOD values were observed in June 2023 (8.5) and August 2020 (7.9) in the southern parts of the province, particularly in areas adjacent to desiccated wetlands and arid desert regions. Conversely, the minimum AOD values occurred during winter, especially in December 2018 and December 2020, with values ranging between 0 and 0.14. Monthly mean analysis further revealed that the highest mean AOD was recorded in May 2022 (0.7), whereas the lowest mean occurred in February 2021 (0.16). These patterns clearly demonstrate that dust storm activity and aerosol concentration in Khuzestan Province are highly dependent on seasonal and climatic conditions. Southern regions are the most affected due to their proximity to dust hotspots, wetland desiccation, and the reduction in vegetation cover caused by both climatic factors and human activities
 
Conclusion
This study highlights the significant potential of MODIS satellite data and the GEE platform for monitoring and analyzing dust phenomena and atmospheric aerosols in arid and semi-arid regions. The results emphasize the importance of utilizing remote sensing technologies for environmental monitoring and management, particularly in areas prone to dust events. Furthermore, the spatial and temporal analyses of aerosol distribution can assist policymakers and environmental authorities in designing targeted mitigation strategies. Based on the findings of this research, recommended actions include the restoration of wetlands and water resources, the expansion of vegetation cover using drought-resistant species, the management of anthropogenic dust sources, and the establishment of early warning and prediction systems for dust storms. Implementing these measures can play a critical role in reducing the environmental and public health impacts of dust and aerosol pollution in Khuzestan Province

کلیدواژه‌ها English

Aerosol Optical Depth (AOD). Atmospheric Aerosols
Dust Storms
MODIS Satellite Data
Google Earth Engine (GEE)
1)       احمدی، محمود؛ داداشی رودباری، عباسعلی و جعفری، مهناز (1398). تأثیر ارتفاع لایه‌مرزی در توفان‌های گردوغبار جنوب غرب ایران (مطالعه موردی 21 تا 24 فوریه 2016). مخاطرات محیط طبیعی، 8(19), 151-174. 
Https://doi.org/10.22111/jneh.2018.21354.1294
2)       انتظاری، علیرضا و سروستان، رسول. (1396). بررسی گردوغبار و پیش‌بینی آن در شهرهای استان خوزستان با استفاده از مدل‌های سری زمانی. مطالعات علوم محیط‌زیست، 2(4), 535-545.
3)       بساک، عاطفه، اعرابی مقدم، حوریه، حجازی زاده، زهرا و طولابی نژاد، میثم. (1397). اثرات پروژه‌های انتقال آب سرشاخه‌های کارون در ایجاد یا تشدید کانون‌های گردوغبار خوزستان با بهره‌گیری از فناوری‌های GIS & RS. جغرافیا، 16(56)، 21-
https://sid.ir/paper/404248/fa
4)       بساک، عاطفه؛ حجازی زاده، زهرا؛ حیدری تاشه کبود، اکبر (1402). واکاوی سری زمانی آلاینده جوی PM10 در ‌شهر جهانی شوشتر با استفاده از روش‌های آماری (2023-2014). دومین کنفرانس ملی و اولین کنفرانس بین‌المللی روز آینده، شهر آینده، تهران.
5)    پناهی علی. بررسی ارتباط بین آلاینده‌های شاخص کیفیت هوا و پارامترهای هواشناسی در اینورژن‌های شدید شهر تبریز. فضای جغرافیایی. ۱۳۹۷; ۱۸ (۶۲): ۶۳-۷۶
6)       پوراحمد، مهدی؛ کرمپور، مصطفی و نصیری، بهروز. (1402). تغییرات عمق اپتیکی گردوغبار در ارتباط با تغییرات کاربری اراضی در زاگرس مرکزی. جغرافیا و برنامه‌ریزی، 27(85), 13-25.
Https://doi.org/10.22034/gp.2022.51303.2994
7)       تمسکی، احسان؛ تمسکی، عرفان و اسدی می‌آبادی، احمد. (1401). تحلیل، ره‌گیری و شبیه‌سازی مسیر گردوغبار فرین غرب ایران (مطالعه موردی: ایستگاه سینوپتیک کرمانشاه). مدیریت جامع حوزه‌های آبخیز، 2(1), 33-47.
Https://doi.org/10.22034/iwm.2022.545938.1023
8)       حجازی زاده, زهرا و پژوه, فرشاد . (1401). واکاوی رابطه الگوهای همدید با میزان ذرات معلق آلاینده فراگیر در استان تهران. جغرافیا (نشریۀ انجمن جغرافیایی ایران), 15(53), 21-36.
9)       رنجبر, محسن و ماهک, بتول . (1398). تغییرات زمانی و مکانی آلاینده های هوا با استفاده از GIS  (مورد مطالعه: نیمه شمالی شهر تهران ). جغرافیا (نشریۀ انجمن جغرافیایی ایران), 17(60), 72-85.
10)    رنگزن، کاظم؛ زراسوندی، علیرضا؛ کابلی زاده، مصطفی؛ محمدی، شاهین و میاحی، جاسم. (1401). ارزیابی مکانی و زمانی غلظتPM2.5 در استان خوزستان و بررسی عوامل مؤثر بر آن. فصلنامه علوم محیطی، 20(2), 199-222.
Https://doi.org/10.52547/envs.2022.33613
11)   صنیعی, راحله , زنگی آبادی, علی و شریفی کیا, محمد . (1396). تحلیل روند روزانه آلاینده های هوای کلانشهر تهران. جغرافیا (نشریۀ انجمن جغرافیایی ایران), 15(54), 217-228.
12)    طائی سمیرمی، مرادی، حمیدرضا؛ خداقلی، مرتضی و احمدی آخورمه، مریم (1392). شناخت و بررسی عوامل مؤثر بر پدیده گردوغبار در غرب ایران. فصلنامه انسان و محیط‌زیست، 27: زمستان 1392.
13)    فاریابی، آذر؛ متین فر، حمیدرضا؛ علوی پناه، سید کاظم و نوروزی، علی‌اکبر. (1398). شناسایی گردوغبار در نواحی غرب و جنوب غرب ایران بر مبنای الگوریتم سنجه DAI و داده‌های طیفی سنجنده مودیس. فصلنامه علوم محیطی، 17(3), 151-162.
Https://doi.org/10.29252/envs.17.3.151
14)    لشکری، حسن و محمدی، زینب (1401). مقایسه و تحلیل پراکنش زمانی و مکانی طوفان‌های گردوخاک با دید کمتر از ۲۰۰ متر در غرب و جنوب غرب ایران. تحلیل فضایی مخاطرات محیطی. ۱۴۰۱; ۹ (۱): ۱۲۹-۱۵۰. ‎
Http://dor.org/20.1001.1.24237892.1401.9.1.8.4
15)    مرکز آمار ایران. (۱۳۹۵). نتایج سرشماری عمومی نفوس و مسکن ۱۳۹۵. بازیابی‌شده در ۱۵ مهر ۱۴۰۴،
https://amar.org.ir/population-and-housing-census#21620
16)   Ahmadi, M., Dadashirodbari, A. & Jafari, M. (2019). The effect of boundary layer height height on dust storm in southwest of iran (case study: february 21-24, 2016). Journal of Natural Environmental Hazards, 8(19), 151-174. [persian]
17)   Entezari, A. & Sarvestan, R. (2018). Dust and its prediction in cities of Khuzestan province using time series models. Journal of Environmental Science Studies, 2(4), 535-545. [persian]
18)   Basak, A., Arabi Moghadam, H., Hejazizadeh, Z. & Toolabinejad, M. (2018). The effects of water transfer projects of Karun tributaries in creating or intensifying dust centers in Khuzestan using Gis & Rs technologies. Geography, 16(56), 20-35. [persian]
19)   Basak, A., Hejazizadeh, Z. & Heydari Tasheh Kabood, A. (2023). Time‑series analysis of the atmospheric pollutant PM10 in the World‑Heritage city of Shushtar using statistical methods (2014–2023). In Proceedings of the 2nd National & 1st International Conference on Future Day, Future City: Focus on Sustainable Smart Cities . Tehran, Iran. [persian] https://civilica.c  om/doc/2061324
20)   Maleki, A., Ghobadi, P., Kahforoushan, D., Sarbazan, M. H. & Mansouri, H. (2022). Analysis of the spatial distribution of air pollutants in center of the city of Tabriz (District 8) and its relation with man-made environment. Journal of Urban Sustainable Development, 3(6), 69-83. [persian] https://doi.org/10.22034/usd.2022.696894
21)   Pourahmad, M., Karampour, M. & Nasiri, B. (2023). Optical depth changes of dust in connection with land use changes in Central Zagros. Journal of Geography and Planning, 27(85), 13-25.  https://doi.org/10.22034/gp.2022.51303.2994
22)   Tamassoki, E., Tamassoki, E. & Asadi Meyabadi, A. (2022). Climatic analysis, routing and simulation of extreme dust storms in the west of Iran (Case study: Kermanshah Synoptic station). Integrated Watershed Management, 2(1), 33-47.     [persian] https://dx.doi.org/10.22034/iwm.2022.545938.1023
23)   Hejazizadeh, Z. & Pagooh,F. (2022). Analyzing the relationship between synoptic patterns and the amount of pervasive pollutant suspended particles in Tehran province. Geography, 15(53), 21-36. [persian]
24)   Ranjbar, M. & Mahak, B. (2019). Temporal and spatial changes of air pollutants using GIS (Case study: Northern half of Tehran). Geography, 17(60), 72-85. [persian]
25)   Rangzan, K., Zarasvandi, A., Kabolizadeh, M., Mohammadi, S. & Mayahi, J. (2022). Spatiotemporal evaluation of PM2. 5 concentration in Khuzestan province and examining the factors affecting it. Advanced Environmental Sciences, 20(2), 199-222. [persian] https://doi.org/10.52547/envs.2022.33613
26)   Saniee,R. , Zangiabadi, A. & Sharifikia,M. (2017). Analyzing the daily process of Tehran metropolitan air pollutants. Geography, 15(54), 217-228. [persian]
27)   Taei Samiromi, S., Moradi, H., Khadagholi, M.  & Ahmadi, M. (2013). Study of factors affecting dust phenomenon in west of Iran. Human & Environment, 11(27), 1-10. [persian]
28)   Faryabi, A., Matinfar, H. R., Alavi Panah, S. K. & Norouzi, A. A. (2019). Dust detection in western and southwestern Iran based on DAI index algorithm and Modis spectral data. Environmental Sciences, 17(3), 151-162. [persian] https://doi.org/10.29252/envs.17.3.151
29)   lashkari H, Mohammadi, Z. (2022). Comparison and analysis of the temporal and spatial distribution of dust storms with visibility of fewer than 200 meters in western and southwestern Iran. Journal of Spatial Analysis Environmental hazarts, 9(1), 129-150. [persian]
30)   https://dor.isc.ac/dor/20.1001.1.24237892.1401.9.1.8.4
31)   Andreae, M. O., Jones, C. D. & Cox, P. M. (2005). Strong present-day aerosol cooling implies a hot future. Nature, 435(7046), 1187-1190.
32)   Anitha, M., & Kumar, L. S. (2024). An analysis of atmospheric aerosol characteristics using remote sensing data in the Indian region. Pure and Applied Geophysics, 181(2), 625-654.
33)   Banks, J. R., Heinold, B. & Schepanski, K. (2022). Impacts of the desiccation of the Aral Sea on the Central Asian dust life‐cycle. Journal of Geophysical Research: Atmospheres, 127(21), e2022JD036618.
34)   Berhane, S. A., Althaf, P., Kumar, K. R., Bu, L. & Yao, M. (2024). A Comprehensive Analysis of AOD and its Species from Reanalysis Data over the Middle East and North Africa Regions: Evaluation of Model Performance Using Machine Learning Techniques. Earth Systems and Environment, 1-26.
35)   Chen Y, Li D, Karimian H, Wang S, Fang S. The relationship between air quality and MODIS aerosol optical depth in major cities of the Yangtze River Delta. Chemosphere 2022; 308: 136301.
36)   Chen, L., Liu, C., Wang, J., Chen, G., Zhao, Y., Jin, Y. & Jin, H. (2025). How is the spatiotemporal representativeness of ground-and satellite-based aerosol optical depth (AOD) measurements over Asia?. Atmospheric Research, 315, 107857.
37)   Huang, M., Peng, G., Zhang, J. & Zhang, S. (2006). Application of artificial neural networks to the prediction of dust storms in Northwest China. Global and Planetary change, 52(1-4), 216-224.
38)   Indoitu, R., Orlovsky, L. & Orlovsky, N. (2012). Dust storms in Central Asia: Spatial and temporal variations. Journal of Arid Environments, 85, 62-70.
39)   Mei, D., Xiushan, L., Lin, S. & Ping, W. A. N. G. (2008). A dust-storm process dynamic monitoring with multi-temporal MODIS data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37, 965-970.
40)   Pelucchi, P., Servera, J. V., Stier, P. & Camps-Valls, G. (2025). Invertible Neural Networks for Probabilistic Aerosol Optical Depth Retrieval. IEEE Transactions on Geoscience and Remote Sensing.
41)   Pozzer, A., De Meij, A., Yoon, J., Tost, H., Georgoulias, A. K. & Astitha, M. (2015). AOD trends during 2001–2010 from observations and model simulations. Atmospheric Chemistry and Physics, 15(10), 5521-5535.
42)   Qu, J. J., Hao, X., Kafatos, M. & Wang, L. (2006). Asian dust storm monitoring combining Terra and Aqua MODIS SRB measurements. IEEE Geoscience and remote sensing letters, 3(4), 484-486.
43)   Ramanathan, V., Crutzen, P. J., Lelieveld, J., Mitra, A. P., Althausen, D., Anderson, J., ... & Valero, F. P. J. (2001). Indian Ocean Experiment: An integrated analysis of the climate forcing and effects of the great Indo‐Asian haze. Journal of Geophysical Research: Atmospheres, 106(D22), 28371-28398.
44)   Wang, J., Zhang, B., Zhang, H., Hua, C., An, L. & Gui, H. (2022). Simulation of a severe sand and dust storm event in March 2021 in Northern China: Dust emission schemes comparison and the role of gusty wind. Atmosphere, 13(1), 108.
45)   Yang, Y. Q., Hou, Q., Zhou, C. H., Liu, H. L., Wang, Y. Q. & Niu, T. (2008). Sand/dust storm processes in Northeast Asia and associated large-scale circulations. Atmospheric Chemistry and Physics, 8(1), 25-33.
جغرافیا (نشریۀ انجمن جغرافیایی ایران)
دوره 23، شماره 86
پاییز 1404، صفحۀ 200-1.
پاییز 1404
صفحه 1-24