دوره 16، شماره 2 - ( پاییز و زمستان 1404 )
جلد 16 شماره 2 صفحات 176-162 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Yousefi Kebriya A, Nadi M, Ghanbari Parmehr E, Sun Z. (2025). The Correlation Between the Changing Shadegan Wetland Extent and Dust Emission using Remote Sensing Techniques. , J Watershed Manage Res. 16(2), 162-176. doi:10.61882/jwmr.2025.1286
URL: http://jwmr.sanru.ac.ir/article-1-1286-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1286-fa.html
یوسفی کبریا علیرضا، نادی مهدی، قنبری پرمهر عبادت، سان ژونگ چانگ.(1404). همبستگی تغییرات سطح آبی تالاب شادگان با شیوع ریزگرد با استفاده از سنجش از دور , پژوهشنامه مديريت حوزه آبخيز. 16 (2) :176-162 10.61882/jwmr.2025.1286
1- گروه مهندسی آب، هواشناسی کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- گروه سنجش از دور، دانشکده نقشه برداری، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران
3- مرکز تحقیقات بین المللی داده ها ی بزرگ برای اهداف توسعه پایدار، پکن، چین
2- گروه سنجش از دور، دانشکده نقشه برداری، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران
3- مرکز تحقیقات بین المللی داده ها ی بزرگ برای اهداف توسعه پایدار، پکن، چین
چکیده: (2882 مشاهده)
چکیده مبسوط
مقدمه و هدف: تالاب‌ها بهعنوان یکی از محیط‌های طبیعی حائز اهمیت بالا در اکوسیستم محسوب می‌شوند. این مناطق زیستی غنی از گیاهان و موجودات آبزی حاوی تنوع بیولوژیکی فراوانی هستند که از زیستگاه‌های حیاتی در اکوسیستم‌ها بهشمار می‌روند. تالاب شادگان یکی از مهم‌ترین تالابهای ایران است که اکوسیستم آبی غنی و محیط زیست حیاتی آن اهمیت بسیاری در حفاظت از تنوع زیستی و تأمین منابع آبی دارد. اما متاسفانه در چند سال اخیر با خشکی مواجه شده است. حوضه آبخیز نقش بسیار مهمی در تامین و توزیع منابع آبی تالاب‌ها دارد و به حفظ تعادل اکوسیستم‌ها و کنترل سیلاب و خشکسالی کمک می‌کند. همچنین، مدیریت صحیح حوضه آبخیز می‌تواند منجر به بهبود کیفیت آب و حفظ تنوع زیستی در تالاب‌ها شود. در سال های اخیر، مسئله شیوع ریزگرد یکی از معضلات اساسی در استان خوزستان بوده است و از طرفی، تالاب های این استان بهدلیل فشار بر منابع آب بالادست نوسانات زیادی را تجربه می‌کنند. لذا، درک ارتباط بین نوسانات سطح این تالاب و شیوع ریزگردها اهمیت زیادی در حفظ منابع طبیعی و همچنین سلامت مردم و توسعه پایدار در منطقه دارد.
مواد و روشها: در این پژوهش، ارتباط بین تغییرات سطح آبی تالاب شادگان و شیوع گردوغبار بررسی شده است. برای این منظور، از ماهواره مودیس برای رخدادهای گرد و غباری و پایش سطح آبی تالاب (2010-2023) و از ماهواره سنتینل 2 برای بررسی سطح آبی تالاب شادگان (2017-2023) با استفاده از شاخصهای NDWI و MNDWI استفاده شد. ارتباط سطح آبی تالاب با رخداد گرد و غباری (Event-Dust) بررسی شد. همچنین، با استفاده از دادههای واقعی ایستگاه شادگان، مقدار شاخص کیفیت هوا (AQI)، آلایندههای PM2.5 و PM10 تعداد روزهای با شاخص ناسالم (شاخص کیفیت هوا بیشتر از 100) مشخص شدند و ارتباط آن با سطح آبی تالاب شادگان بهصورت ماهانه بررسی شد. برای بررسی ارتباط بین وسعت تالاب و طوفان‌های گرد و غبار، از ضریب همبستگی پیرسون (r) و ارتباط بین سطح تالاب‌ها و افزایش پدیده گرد و غبار، از آزمون همبستگی رتبه‌ای کندال (Kendall's Tau rank correlation test) استفاده شد.
یافته‌ها: بررسی شاخص NDWI نشان داد که تالاب شادگان در سال های 2018، 2019، 2021 و 2022 به کمترین میزان خود رسید. همچنین، شاخص MNDWI نشان داد که کمترین سطح آبی تالاب در سالهای 2018، 2019، 2021 و 2023 رخ داد و قسمتهای غربی، جنوب غربی و جنوب تالاب کاملا از بین رفته است. نقشه رویداد گرد و غباری نشان داد که در اطراف تالاب شادگان بیش از 20 رویداد گرد و غباری در سالهای مختلف اتفاق میافتد. ضرایب همبستگی بین رویدادهای گرد و غبار و وسعت تالاب شادگان ۹۰/۰- بهدست آمد. همبستگی رتبۀ کندال تاو نیز نشان می‌دهد که با کاهش سطح آبی تالاب شادگان رخدادهای گرد و غباری افزایش معنادار می‌یابد. نتایج حاصل از تحلیل داده‌ها نشان می‌دهند که شاخص NDWI همبستگی کمتری نسبت به شاخص MNDWI با دادههای آلودگی گرد و غباری (PM2.5 و PM10) نشان می‌دهد. همبستگی تعداد روزهای ناسالم هر ماه از نظر آلاینده های PM10 و PM2.5 با شاخص NDWI نشان می‌دهد که ارتباط این دو متغیر معنی دار است (P-Value = 0.0001) و ضریب همبستگی این داده ها با تعداد روزهای آلوده در ماه از نظر PM2.5 در اکثر ماهها بیشتر از 77/0- است، که نشان دهنده همبستگی بالا بین آنها است. با کاهش سطح آبی تالاب، شاخص PM2.5 افزایش می‌یابد و با توجه به همبستگی شاخص NDWI با تعداد روزهای آلوده در ماه از نظر PM10 (71/0-(R = ، میتوان نتیجه گرفت که کاهش سطح آبی تالاب تاثیر بیشتری بر افزایش شاخص PM2.5 دارد. همچنین، نتایج شاخص MNDWI با تعداد روزهای آلوده در ماه شاخصهای PM2.5 و PM10 نشان می‌دهند که ارتباط بین شاخص MNDWI با PM2.5 بهتر از PM10 است، به طوری که ضریب تعیین (R2) نشان می‌دهد که 72% از تغییرات در تعداد روزهای آلوده به PM2.5 توسط سطح آبی تالاب توضیح داده می‌شود. به عبارت دیگر، معادله رگرسیون توانسته است حدود 72% از واریانس تعداد روزهای آلوده را توجیه کند. ضریب همبستگی پیرسون (84/0-) نیز نشان می‌دهد که ارتباط بین تعداد روزهای آلوده به PM2.5 و شاخص MNDWI بسیار قوی است و این ارتباط بهصورت معکوس است، یعنی با افزایش سطح آبی تالاب (افزایش شاخص MNDWI)، تعداد روزهای با آلودگی ذرات کمتر از 5/2 میکرون کاهش می‌یابد. بنابراین، نتایج آنالیز نشان می‌دهند که تعداد روزهای آلوده به PM2.5 تأثیر قابل توجهی بر شاخص MNDWI تالاب شادگان دارد و با کاهش سطح آبی تالاب، آلودگی گرد و غباری PM2.5 نسبت به PM10 افزایش می‌یابد.
نتیجهگیری: نتایج نشان می‌دهند که افزایش سطح آبی تالاب شادگان منجربه کاهش آلودگی گرد و غباری منطقه و تعداد روزهای آلوده به PM2.5 و PM10 می‌شود. این یافته‌ها بر اهمیت حفاظت و بازیابی تالاب‌ها بهمنظور کاهش آلودگی هوا و بهبود شرایط زیست محیطی منطقه تأکید می‌کنند. افزایش سطح آبی تالاب شادگان به کاهش تعداد روزهای آلوده و بهبود کیفیت زندگی ساکنین مناطق اطراف منجر می‌شود. لذا، هرگونه توسعه مبتنی بر کاهش سطح آبی تالاب شادگان ناپایدار است و در درازمدت سلامت مردم اطراف را با خطر جدی همراه می سازد.
مقدمه و هدف: تالاب‌ها بهعنوان یکی از محیط‌های طبیعی حائز اهمیت بالا در اکوسیستم محسوب می‌شوند. این مناطق زیستی غنی از گیاهان و موجودات آبزی حاوی تنوع بیولوژیکی فراوانی هستند که از زیستگاه‌های حیاتی در اکوسیستم‌ها بهشمار می‌روند. تالاب شادگان یکی از مهم‌ترین تالابهای ایران است که اکوسیستم آبی غنی و محیط زیست حیاتی آن اهمیت بسیاری در حفاظت از تنوع زیستی و تأمین منابع آبی دارد. اما متاسفانه در چند سال اخیر با خشکی مواجه شده است. حوضه آبخیز نقش بسیار مهمی در تامین و توزیع منابع آبی تالاب‌ها دارد و به حفظ تعادل اکوسیستم‌ها و کنترل سیلاب و خشکسالی کمک می‌کند. همچنین، مدیریت صحیح حوضه آبخیز می‌تواند منجر به بهبود کیفیت آب و حفظ تنوع زیستی در تالاب‌ها شود. در سال های اخیر، مسئله شیوع ریزگرد یکی از معضلات اساسی در استان خوزستان بوده است و از طرفی، تالاب های این استان بهدلیل فشار بر منابع آب بالادست نوسانات زیادی را تجربه می‌کنند. لذا، درک ارتباط بین نوسانات سطح این تالاب و شیوع ریزگردها اهمیت زیادی در حفظ منابع طبیعی و همچنین سلامت مردم و توسعه پایدار در منطقه دارد.
مواد و روشها: در این پژوهش، ارتباط بین تغییرات سطح آبی تالاب شادگان و شیوع گردوغبار بررسی شده است. برای این منظور، از ماهواره مودیس برای رخدادهای گرد و غباری و پایش سطح آبی تالاب (2010-2023) و از ماهواره سنتینل 2 برای بررسی سطح آبی تالاب شادگان (2017-2023) با استفاده از شاخصهای NDWI و MNDWI استفاده شد. ارتباط سطح آبی تالاب با رخداد گرد و غباری (Event-Dust) بررسی شد. همچنین، با استفاده از دادههای واقعی ایستگاه شادگان، مقدار شاخص کیفیت هوا (AQI)، آلایندههای PM2.5 و PM10 تعداد روزهای با شاخص ناسالم (شاخص کیفیت هوا بیشتر از 100) مشخص شدند و ارتباط آن با سطح آبی تالاب شادگان بهصورت ماهانه بررسی شد. برای بررسی ارتباط بین وسعت تالاب و طوفان‌های گرد و غبار، از ضریب همبستگی پیرسون (r) و ارتباط بین سطح تالاب‌ها و افزایش پدیده گرد و غبار، از آزمون همبستگی رتبه‌ای کندال (Kendall's Tau rank correlation test) استفاده شد.
یافته‌ها: بررسی شاخص NDWI نشان داد که تالاب شادگان در سال های 2018، 2019، 2021 و 2022 به کمترین میزان خود رسید. همچنین، شاخص MNDWI نشان داد که کمترین سطح آبی تالاب در سالهای 2018، 2019، 2021 و 2023 رخ داد و قسمتهای غربی، جنوب غربی و جنوب تالاب کاملا از بین رفته است. نقشه رویداد گرد و غباری نشان داد که در اطراف تالاب شادگان بیش از 20 رویداد گرد و غباری در سالهای مختلف اتفاق میافتد. ضرایب همبستگی بین رویدادهای گرد و غبار و وسعت تالاب شادگان ۹۰/۰- بهدست آمد. همبستگی رتبۀ کندال تاو نیز نشان می‌دهد که با کاهش سطح آبی تالاب شادگان رخدادهای گرد و غباری افزایش معنادار می‌یابد. نتایج حاصل از تحلیل داده‌ها نشان می‌دهند که شاخص NDWI همبستگی کمتری نسبت به شاخص MNDWI با دادههای آلودگی گرد و غباری (PM2.5 و PM10) نشان می‌دهد. همبستگی تعداد روزهای ناسالم هر ماه از نظر آلاینده های PM10 و PM2.5 با شاخص NDWI نشان می‌دهد که ارتباط این دو متغیر معنی دار است (P-Value = 0.0001) و ضریب همبستگی این داده ها با تعداد روزهای آلوده در ماه از نظر PM2.5 در اکثر ماهها بیشتر از 77/0- است، که نشان دهنده همبستگی بالا بین آنها است. با کاهش سطح آبی تالاب، شاخص PM2.5 افزایش می‌یابد و با توجه به همبستگی شاخص NDWI با تعداد روزهای آلوده در ماه از نظر PM10 (71/0-(R = ، میتوان نتیجه گرفت که کاهش سطح آبی تالاب تاثیر بیشتری بر افزایش شاخص PM2.5 دارد. همچنین، نتایج شاخص MNDWI با تعداد روزهای آلوده در ماه شاخصهای PM2.5 و PM10 نشان می‌دهند که ارتباط بین شاخص MNDWI با PM2.5 بهتر از PM10 است، به طوری که ضریب تعیین (R2) نشان می‌دهد که 72% از تغییرات در تعداد روزهای آلوده به PM2.5 توسط سطح آبی تالاب توضیح داده می‌شود. به عبارت دیگر، معادله رگرسیون توانسته است حدود 72% از واریانس تعداد روزهای آلوده را توجیه کند. ضریب همبستگی پیرسون (84/0-) نیز نشان می‌دهد که ارتباط بین تعداد روزهای آلوده به PM2.5 و شاخص MNDWI بسیار قوی است و این ارتباط بهصورت معکوس است، یعنی با افزایش سطح آبی تالاب (افزایش شاخص MNDWI)، تعداد روزهای با آلودگی ذرات کمتر از 5/2 میکرون کاهش می‌یابد. بنابراین، نتایج آنالیز نشان می‌دهند که تعداد روزهای آلوده به PM2.5 تأثیر قابل توجهی بر شاخص MNDWI تالاب شادگان دارد و با کاهش سطح آبی تالاب، آلودگی گرد و غباری PM2.5 نسبت به PM10 افزایش می‌یابد.
نتیجهگیری: نتایج نشان می‌دهند که افزایش سطح آبی تالاب شادگان منجربه کاهش آلودگی گرد و غباری منطقه و تعداد روزهای آلوده به PM2.5 و PM10 می‌شود. این یافته‌ها بر اهمیت حفاظت و بازیابی تالاب‌ها بهمنظور کاهش آلودگی هوا و بهبود شرایط زیست محیطی منطقه تأکید می‌کنند. افزایش سطح آبی تالاب شادگان به کاهش تعداد روزهای آلوده و بهبود کیفیت زندگی ساکنین مناطق اطراف منجر می‌شود. لذا، هرگونه توسعه مبتنی بر کاهش سطح آبی تالاب شادگان ناپایدار است و در درازمدت سلامت مردم اطراف را با خطر جدی همراه می سازد.
فهرست منابع
1. Achakulwisut, L., Mickley, J., & Annenberg, S.C. (2018). Drought sensitivity of fine dust in the US Southwest: Implications for air quality and public health under future climate change. Environmental Research Letters, 13(5), 1-12. [DOI:10.1088/1748-9326/aabf20]
2. Al-Dousari, A., Ramadan, A., Al-Qattan, A., Al-Ateeqi, S., Dashti, H., Ahmed, M., Al-Dousari, N., Al-Hashash, N., & Othman, A. (2020). Cost and effect of native vegetation change on aeolian sand, dust, microclimate and sustainable energy in Kuwait. Journal of Taibah University for Science. 14(1), 628-639. DOI:10.1080/16583655.2020.1761662. [DOI:10.1080/16583655.2020.1761662]
3. Ballut-Dajud, G., Sandoval Herazo, L., Fernández-Lambert, G., Marín-Muñiz, J., López Méndez, M., & Betanzo-Torres, E. (2022). Factors Affecting Wetland Loss: A Review. Land, 11(3), 434-451. DOI: 10.3390/land11030434 [DOI:10.3390/land11030434]
4. Barani Pesyan, V., Porakrami, M., Fotouhi Mehrbani, B., & Porakrami, S. (2019). The Investigation of Lake Urmia Drying Trend and Its Important Consequence on the Surrounding Settlements. Journal of Rural Research, 8(3), 438-453. http://dx.doi.org/10.22059/JRUR.2017.63473
5. 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. Jornal of Geography, 16(56), 20-35.
6. Bayat, R., Iranmanesh, F., & Kazemi, R. (2021). Investigation of dust storms effect on vegetation cover of Shadegan wetland. Environment and Water Engineering, 7(10), 1-13. DOI: 10.22034/jewe.2020.246746.1414
7. Caballero, P., Román, A., Tovar-Sánchez, A., & Navarro, G. (2022). Water quality monitoring with Sentinel-2 and Landsat-8 satellites during the 2021 volcanic eruption in La Palma (Canary Islands). Science of The Total Environment, 822: 1532-1549. Doi: 10.1016/j.scitotenv.2022.153433 [DOI:10.1016/j.scitotenv.2022.153433]
8. Dargahian, F., Heydarnejad, S., & Nateghi, S. (2022). Investigating the effective factors on water area changes in Shadegan Wetland using remote sensing technique and factor analysis. Environmental Sciences, 20(1), 237-250. DOI: 10.52547/ENVS.2021.1017 [DOI:10.52547/envs.2021.1017]
9. Dargahian, F., Khosroshahi, M., & Lotfinasabasl, S. (2021). Potential dangers of drought in Shadegan wetland and Identify areas affected by dust from it. Journal of Spatial Analysis Environmental Hazarts, 8(2), 1-14. DOI: 10.52547/jsaeh.8.2.1
10. Darvishi Boloorani, A., Papi, R., Soleimani, M., Karami, L., Amiri, F. & Neysani Samany, N. (2021). Water bodies changes in Tigris and Euphrates basin has impacted dust storms phenomena. Invited Research, 50 [DOI:10.1016/j.aeolia.2021.100698]
11. DOI: 10.1016/j.aeolia.2021.100698 Dastigerdi, M., Nadi, M., Raeini-Sarjaz, M., & Kiapasha, Kh.. (2024). Trend analysis of MODIS NDVI time series and its relationship to temperature and precipitation in Northeastern of Iran. Environmental Monitoring and Assessment, 196, 346 (2024). [DOI:10.1007/s10661-024-12463-y]
12. Ebrahimi-Khusfi, Z., Nafarzadegan, A., Ebrahimi-Khusfi, M., & Zandifar, S. (2022). Monitoring the water surface of wetlands in Iran and their relationship with air pollution in nearby cities. Environmental Monitoring and Assessment, 194(448), 251-265. DOI: 10.1007/s10661-022-10144-2. [DOI:10.1007/s10661-022-10144-2]
13. Fattahi, M., Assari, H., Sadeghi, H., & Asgharpoor, H. (2015). An Empirical Analysis of the Relationship between Air Pollution and Public Health Expenditures: A Dynamic Panel Data Approach. Journal of Economic Modeling, 31(9), 43-60.
14. Gautama, V. K., Gaurava, P.K., Murugana, P., & Annadurai, M. (2015). Assessment of surface water dynamics in Bangalore using WRI, NDWI, MNDWI, supervised classification and K-T transformation. International Conference on Water Resources, Coastal and Ocean Engineering, 4(2),739-746 . [DOI:10.1016/j.aqpro.2015.02.095]
15. Gholamzade Ledari, D., Hamidi, M., & Shao, Y. (2022). Numerical simulation of the 18 February 2017 frontal dust storm over southwest of Iran using WRF-Chem, satellite imagery, and PM10 concentrations. Journal of Arid Environments, 35(14), 104-116. [DOI:10.1016/j.jaridenv.2021.104637]
16. Hajivand paydari, S., Hajimohammadi, H., & Shojaeezadeh, K. (2022). Prediction and Identification of Dust Centers Using Numerical Models of the Khuzestan Plain Case Study. The Journal of Geographical Research on Desert Areas. 10(2), 80-89. DOI: 10.22034/GRD.2022.18111.1528.
17. Karami, S., Hossein Hamzeh, N., Sabzezari, H., & Alizadeh, M. (2021). Investigation of trend analysis of the number of dust stormy days and aerosol concentration derived from satellite in Khuzestan province by using non-parametric Mann-Kendall test. Climate Research, 44(20), 91-103.
18. Khosroshahi, M., Ebrahimi khusfi, Z., Gohardoust, Z., Lotfi nasab asl, S., Dargahian, F., & Zenouzi, L. (2020). Desert Management, 15(8), 139-160. 10.22034/JDMAL.2020.44935
19. Kim, M., Jung, Y., Jung, D., & Hur, C. (2014). Investigating the Congruence of Crowdsourced Information WithOfficial Government Data:The Case of Pediatric Clinics. Journal of Medical Internet Research, 16(2), 20-34. DOI: 10.2196/jmir.3078 [DOI:10.2196/jmir.3078]
20. Lorente, A., Borsdorff, T., Butz, A., Hasekamp, O., aan de Brugh, J., Schneider, A., Wu, L., Hase, F., Kivi, R., Wunch, D., Pollard, D., Shiomi, K., Deutscher, N., Velazco, V., Roehl, M., Wennberg, P., Warneke, T., & Landgraf, J. (2021). Methane retrieved from TROPOMI: improvement of the data product and validation of the first 2 years of measurements. Atmospheric Measurement Techniques, 14(8), 665-684.
https://doi.org/10.5194/amt-14-665-2021 [DOI:10.5194/amt-14-665-2021.]
21. Nadi M, & Shiukhy Soqanloo S. (2020). Comparison of SPI and SPImod in Drought Monitoring of Several Climatic Samples of Iran. Journal of Watershed Management Research. 11(21), 108-118. doi:10.52547/jwmr.11.21.108 [In Persian] [DOI:10.52547/jwmr.11.21.108]
22. Nadi, M., & Yousefi Kebriya, A. (2024). A Method for Correction of Tropical Rainfall Measuring Mission Satellite Temperature Network in Mazandaran Province. Iranica Journal of Energy and Environment (IJEE), 15(1), 100-110.
https://doi.org/10.5829/IJEE.2024.15.01.10 [DOI:10.5829/ijee.2024.15.01.10 [In Persian]]
23. NOAA Research. (2020). NOAA ESRL global monitoring laboratory: SURFRAD aerosol optical depth. https://gml.noaa.gov/grad/surfrad/aod/
24. Sadeghi nasirabadi, M., khosrojerdi, A., Mousavi Jahromi, M., & Sarai Tabrizi, M. (2023). Evaluation of Meteorological Drought Index and Climate Change Scenario on Flow Rate and Reservoir Volume of Karaj Dam. Journal of Irrigation and Water Engineering, 13(51), 320-339. 10.22125/IWE.2023.169896.
25. Sanikhani, H. (2022). Spatiotemporal Analysis of Precipitation and its Relationship with Teleconnection Patterns (Case study: Urmia Lake basin), Journal of Irrigation and Water Engineering, 13(49), 347-368. 10.22125/IWE.2022.158532
26. Sharifi Kaliani, F., Babaei, S., & ZafarSohrabpour, Y. (2021). Study of the effects of dusts on the morphological and physiological traits of some crops. Journal of Plant Production Research, 28(3), 205-220. 10.22069/JOPP.2021.18782.2768
27. Venugopal, K., Halder, P., Susarla, V., & Palanivelu, S. (2022). Experimental Modal Analysis of Radiator Fan Module to Predict its Influence of Structural Characteristics on Vibration and Noise Contribution. International Journal of Engineering, 35(8), 1479-1487. DOI: 10.5829/IJE.2022.35.08B.03 [DOI:10.5829/IJE.2022.35.08B.03]
28. Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Remote Sensing, 27(14), 3025-3033. [DOI:10.1080/01431160600589179]
29. Yousefi Kebria, A., Nadi, M., & Jamei, M. (2021). Investigation of Statistical and Geostatistical Methods in Preparing The Rainfall Map of Mazandaran Province. Journal of Watershed Management Research. 12(23), 212-223. doi:10.52547/jwmr.12.23.212 [In Persian] [DOI:10.52547/jwmr.12.23.212]
30. Yousefi Kebriya, A., & Nadi, M. (2024). Examining Air Pollution Continuity in Tehran Province using Markov Chain Model. Iranica Journal of Energy and Environment, 15(2), 201-210. DOI: 10.5829/IJEE.2024.15.02.10 [DOI:10.5829/IJEE.2024.15.02.10]
31. Yousefi Kebriya, A., Nadi, M., & Ghanbari Parmehr, E. (2025). Estimation of ozone and nitrogen dioxide pollutants in Mazandaran Province using sentinel 5 satellite images. Iranica Journal of Energy and Environment, 16(1), 56-66. [DOI:10.5829/ijee.2025.16.01.07]
32. Yousefi Kebriya, A., Nadi, M., &Jamei, M. (2022). Combining interpolation methods and precipitation products of TRMM satellite to increase the accuracy of rainfall maps in Mazandaran province. Water and Soil Conservation, 28(3), 49-70. doi: 10.22069/JWSC.2022.19286.3477
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
