دانشگاه گلستانپژوهشهای تغییرات آب و هوایی2717-206662220250622Evaluation of the Accuracy of CMIP6 Climate Models in Estimating and Predicting Precipitation at High- Precipitation Stations in Gilan Provinceارزیابی دقت مدلهای شبیهساز اقلیمی CMIP6 در برآورد و پیش بینی بارش در ایستگاههای پر بارش استان گیلان12222024510.30488/ccr.2025.488561.1255FAلیلاوثوقی راددانشجوی دکترای آب و هواشناسی، دانشگاه زنجان، زنجان، ایرانسیدحسینمیرموسویدانشیار گروه جغرافیا، دانشگاه زنجان، زنجان، ایران0000-0002-6262-5474حسینعساکرهاستاد گروه جغرافیا، دانشگاه زنجان، زنجان، ایرانJournal Article20241113Forecasting precipitation variability in high-rainfall regions of Iran, such as Gilan Province, is crucial for effective water resource management and reducing natural hazards like floods. The primary objective of this study is to assess the performance of seven different CMIP6 models in predicting precipitation changes at three stations Astara, Bandar Anzali, and Rasht during the baseline period (1987–2014) and to project precipitation from 2024 to 2050. In this research, the linear bias correction method was employed to enhance the accuracy of the projections. Three scenarios SSP1-2.6, SSP2-4.5, and SSP5-8.5 were used to simulate climate change impacts. Statistical metrics including RMSE, PBIAS, and R² were utilized to evaluate the models’ performance. Additionally, model stability was analyzed using the Sobol method, and parameter sensitivity was assessed through the Monte Carlo Sensitivity Index. The results of the linear bias correction indicated that the ACCESS-ESM1-5 model exhibited the best performance across all three stations Astara, Bandar Anzali, and Rasht with a coefficient of determination (R²) exceeding 0.99, a mean absolute error (MAE) below 2 mm, and a PBIAS value close to zero. This model demonstrated a superior capability to simulate monthly and seasonal precipitation variations compared to the other models. Precipitation projections revealed that under the SSP5-8.5 scenario, from 2024 to 2050, precipitation in December and January in Bandar Anzali and Rasht is expected to increase by approximately 22% and 25%, respectively, while precipitation in July and August is projected to decrease by 12% to 20% across all three stations. Overall, the application of the linear bias correction method, coupled with the ACCESS-ESM1-5 model, can significantly enhance the accuracy of climate change projections in the studied high-rainfall stations and similar regions.پیشبینی تغییرات بارش در مناطق پربارش ایران، نظیر استان گیلان، برای مدیریت منابع آبی و کاهش مخاطرات طبیعی نظیر سیل بسیار حائز اهمیت است. هدف اصلی این مطالعه، ارزیابی عملکرد هفت مدل مختلف CMIP6 در پیشبینی تغییرات بارش در سه ایستگاه آستارا، بندر انزلی و رشت طی دوره زمانی 1987 تا 2014 (دوره پایه) و پیشبینی آن از سال 2024 تا سال 2050 است. در این پژوهش از روش اصلاح بایاس خطی برای بهبود دقت پیشبینیها و از سه سناریویSSP1-2.6 ، SSP2-4.5 و SSP5-8.5 برای شبیهسازی تغییرات اقلیمی استفاده شده است. شاخصهای آماری نظیر RMSE، PBIAS و R² برای ارزیابی دقت مدلها بهکار گرفته شدهاند. علاوه بر این، تحلیل پایداری مدل به روش Sobol و شاخص حساسیت Monte Carlo برای بررسی پایداری و حساسیت مدلها به تغییرات پارامتریک مورد استفاده قرار گرفتند. نتایج حاصل از اصلاح بایاس خطی نشان داد که مدل ACCESS-ESM1-5 با ضریب تعیین (R²) بالای 99/0، میانگین خطای مطلق (MAE) کمتر از 2 میلیمتر و درصد اریبی (PBIAS) نزدیک به صفر، بهترین عملکرد را در هر سه ایستگاه آستارا، بندر انزلی و رشت دارد. این مدل توانست تغییرات ماهانه و فصلی بارش را با دقت بالاتری نسبت به سایر مدلها شبیهسازی کند. پیشبینی بارش نشان داد که بر اساس سناریوی SSP5-8.5، از سال 2024 تا سال 2050، بارش در ماههای دسامبر و ژانویه در بندر انزلی و رشت به ترتیب به میزان 22% و 25% افزایش و در ماههای ژوئیه و اوت در هر سه ایستگاه مورد مطالعه بین 12% تا 20% کاهش خواهد یافت. در مجموع، استفاده از روش اصلاح بایاس خطی همراه با مدل ACCESS-ESM1-5 میتواند دقت پیشبینی تغییرات اقلیمی را در ایستگاههای پربارش مورد مطالعه و ایستگاههای مشابه آنها بهبود بخشد.https://ccr.gu.ac.ir/article_220245_29db3e851f8a4c24f46931e5a9e2e897.pdfدانشگاه گلستانپژوهشهای تغییرات آب و هوایی2717-206662220250622Analysis of the Impact of Agricultural Fires on Air Quality in Mazandaran Province Using Satellite Dataتحلیل اثرات آتشسوزی مزارع بر کیفیت هوا در استان مازندران با استفاده از دادههای ماهوارهای254422024410.30488/ccr.2025.492951.1260FAعلیرضایوسفی کبریادکتری هواشناسی کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابعطبیعی، ساری، ایرانمهدینادیدانشیار گروه هواشناسی کشاورزی، گروه مهندسی آب، دانشکده مهندسی کشاورزی، دانشگاه علوم کشاورزی و منابعطبیعی، ساری، ایران0000-0003-0854-8380حسینیوسفی کبریادانشجوی کارشناسی کامپیوتر، گروه کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی بابل، بابل، ایرانJournal Article20241208Burning of agricultural fields is considered one of the main contributors to air pollution in agricultural regions, resulting in serious environmental and health impacts. This study utilized satellite images from Landsat, MODIS, and Sentinel 5 to investigate pollution caused by this phenomenon in Mazandaran province. Initially, the NDVI index was used to identify vegetation cover, and agricultural areas were delineated by excluding forests. Subsequently, burned areas from 2022 to 2024 were identified using the MODIS fire index. The accuracy of the results was validated with actual MODIS images, and data on AOD, AAI, and carbon monoxide were extracted from MODIS and Sentinel 5 satellites. Additionally, a regression model was developed using data from the Tehran Fath station and satellite information to estimate pollution in the agricultural areas of Babol, Amol, and Fereydunkenar, with daily and monthly AQI charts for these cities plotted for the year 2022. The results indicated that the eastern regions of the province, including Babol, Amol, Qaemshahr, and Sari, experienced the highest levels of agricultural field burning, which was corroborated by satellite images. The pollution map revealed that coastal areas and main roads experienced the most pollution. Data analysis showed a significant relationship with a coefficient of determination of 0.75 between actual and satellite data. The AQI exceeded 120 during post-harvest of rice. Based on these findings, it is recommended instead of burning, use alternative methods of agricultural residue management, such as converting straw into biochar.آتشسوزی مزارع یکی از عوامل اصلی آلودگی هوا در مناطق کشاورزی محسوب میشود که اثرات زیستمحیطی و بهداشتی جدی به دنبال دارد. این پژوهش با بهرهگیری از تصاویر ماهوارهای لندست، مودیس و سنتینل 5 به بررسی آلودگی ناشی از این پدیده در استان مازندران پرداخته است. ابتدا شاخص NDVI برای شناسایی پوشش گیاهی استفاده شد و با حذف جنگلها، مناطق کشاورزی مشخص گردید. سپس، مناطق سوخته شده طی سالهای 2022 تا 2024 با استفاده از شاخص آتشسوزی مودیس شناسایی شدند. صحت نتایج با تصاویر واقعی مودیس تأیید شد و دادههای AOD،AAI و کربن مونوکسید از ماهوارههای مودیس و سنتینل 5 استخراج گردید. همچنین، با دادههای ایستگاه فتح تهران و اطلاعات ماهوارهای، مدلی رگرسیونی برای برآورد آلودگی در مزارع شهرهای بابل، آمل و فریدونکنار طراحی و نمودارهای روزانه و ماهانه AQI این شهرها برای سال 2022 رسم گردید. نتایج نشان داد که نواحی شرقی استان، شامل بابل، آمل، قائمشهر و ساری، بیشترین میزان آتشسوزی مزارع را داشته است، که با تصاویر ماهوارهای تأیید شد. نقشه آلودگی نشان داد که مناطق ساحلی و جادههای اصلی بیشترین آلودگی را تجربه کردند. تحلیل دادهها رابطهای معنادار با ضریب تعیین 75/0 بین دادههای واقعی و ماهوارهای را نشان داد. شاخص AQI پس از برداشت برنج، به بیش از 120 رسید. بر اساس این یافتهها، پیشنهاد میشود بهجای سوزاندن، از روشهای جایگزین مدیریت بقایای کشاورزی مانند تبدیل کاه و کلش به بیوچار استفاده شود.https://ccr.gu.ac.ir/article_220244_01693a0ac767806ff81f10d9d3565397.pdfدانشگاه گلستانپژوهشهای تغییرات آب و هوایی2717-206662220250622Projecting Aridity Changes in Iran Based on SSP Scenarios:
A Climate Change Perspectiveپیشنمایی تغییرات خشکی در ایران بر اساس سناریوهای SSP: چشماندازی از تغییر اقلیم456322024310.30488/ccr.2025.499536.1264FAمحسنحمیدیان پوردانشیار دانشکده جغرافیا و برنامهریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران0000-0001-7389-172Xحلیمهشاهزائیدانشآموخته کارشناسیارشد آب و هواشناسی، دانشگاه سیستان و بلوچستان، زاهدان، ایرانJournal Article20250112This research investigated the spatio-temporal changes of Iran's climate aridity coefficient during the observed period (1976-2020) and its projection for the future period (2031-2050). To examine the aridity coefficient, precipitation and temperature data from 44 meteorological stations across the country during the base period of 1976-2014, outputs of SSP scenarios (SSP146, SSP246, and SSP585) from General Circulation Models (CMIP6 phase), and the de Martonne aridity index method were used. For the projection of precipitation and temperature data, and consequently the calculation of the aridity coefficient in the future period, the LARS-WG8 downscaling model was employed. To evaluate the temporal and spatial changes of the aridity coefficient, the non-parametric Mann-Kendall test and Sen's slope method were used. The results of the first part of the study, which examined the changes during the observed period, showed that the aridity coefficient had a decreasing trend between 1976 and 2020. This decreasing trend was more pronounced in areas with Mediterranean climates (-0.187) and humid regions (-0.102). Based on the outputs of the downscaled data and the scenarios used in the future period, the aridity trend varied and was mainly decreasing in all three scenarios (optimistic, pessimistic, and moderate). This indicates a trend towards a more continental climate, characterized by decreased humidity and increased temperatureدر این پژوهش به بررسی تغییرات فضایی- زمانی ضریب خشکی اقلیم ایران در دوره مشاهده شده (2020-1976) و پیشنمایی آن در دوره آتی (2050-2031) پرداخته شد. جهت بررسی ضریب خشکی از دادههای بارش و دما 44 ایستگاه هواشناسی در سرتاسر کشور طی دوره پایه 2014-1976، برونداد سناریوهای SSP (SSP146، SSP246 و SSP585) از مدلهای گردش عمومی جو (فاز ششم CMIP) و روش ضریب دمارتن استفاده گردید. برای پیشنمایی دادههای بارش و دما و به تبع آن محاسبه ضریب خشکی در دوره آتی از مدل ریزگردانیLARS- WG8 بهره گرفته شد. در راستای ارزیابی تغییرات زمانی و مکانی ضریب خشکی از روش ناپارامتریک من کندال و شیب سن بهره برده شد. نتایج بخش اول مطالعه یعنی بررسی تغییرات در دوره مشاهده شده نشان داد ضریب خشکی در بین سالهای 2020-1976 دارای روندی کاهشی بوده و این روند کاهشی در نواحی با اقلیم مدیترانهای (187/0 – ) و مناطق مرطوب ( 102/0 -) بیشتر است. براساس برونداد دادههای ریزگردانی شده و سناریوهای مورد استفاده در دوره آتی روند خشکی متفاوت بوده و عمدتاً در هر سه سناریو خوشبینانه، بدبینانه و متوسط از رفتار کاهشی برخوردار است. که این مهم، به قارهایتر شدن اقلیم یعنی کاهش رطوبت و افزایش دما همراه است.https://ccr.gu.ac.ir/article_220243_17e21b11721331836c4759ccf6a60429.pdfدانشگاه گلستانپژوهشهای تغییرات آب و هوایی2717-206662220250622Monitoring Agricultural Drought in Regions with Insufficient Meteorological
Data Utilizing the SAVI Index (A Case Study of the Sorkhab Dam
Downstream Land in Ardabil, Iran)پایش خشکسالی کشاورزی با استفاده از شاخص SAVI در مناطقی با دادههای محدود هواشناسی (مطالعه موردی: اراضی پایاب سد سرخاب اردبیل)638022061510.30488/ccr.2025.509195.1271FAمجیدرئوفاستاد گروه مهندسی آب دانشکده کشاورزی و منابع طبیعی و پژوهشکده مدیریت آب، دانشگاه محقق اردبیلی، اردبیل، ایران0000-0002-6065-508Xامیناکبری مجددانشجوی دکترای آبیاری و زهکشی، گروه مهندسی آب دانشگاه محقق اردبیلی، اردبیل، ایران0009-0003-4264-2204Journal Article20250227Drought is among the most expensive natural occurrences in Iran. Agricultural drought is a climatic phenomenon that results in severe repercussions for food and economic resources. The key characteristic of this drought is the decline in soil moisture resulting from decreased rainfall or elevated temperatures, leading to lower farm output. The absence of climatic data hinders drought monitoring. The Soil-Adjusted Vegetation Index (SAVI) was employed in this study to track agricultural drought in the agricultural areas below the Sorkhab Dam, Ardabil Province. Statistics revealed a correlation of 0.61 between the SAVI index derived from agricultural lands and the SPI12 index. As a result of this correlation, it is anticipated that with rising rainfall levels, areas of land that receive adequate water will expand, specifically those with a SAVI index ranging from 0.5 to 0.7, whereas areas of land that receive inadequate water will contract, corresponding to a SAVI index of 0.2 to 0.5. Data from 1986 to 2024 (39 years), was compared to data from 2010 to 2024 (15 years). The long-term trend revealed that the area of low-water lands with low SAVI indexes remained relatively stable, at a rate of -0.08 hectares per time. Conversely, the short-term trend indicated a significant increase in these areas, with a rate of +13.1 hectares per unit of time. In both periods, the observed rainfall patterns exhibited an upward trend. The selected statistical periods revealed that the positive effects of rising observed rainfall, resulting from adjusted temperature increases and alterations in soil moisture, were largely offset by corresponding changes in vegetation cover, as reflected in the SAVI index values. The application of remote sensing data in agricultural drought research and tracking can be highly effective and easily implemented in various locations, particularly in regions with inadequate statistics or limited observational data.در ایران خشکسالی یکی از پرهزینهترین رویدادهای طبیعی است. خشکسالی کشاورزی یک رویداد اقلیمی است که پیامدهای مخربی برای منابع غذایی و اقتصادی دارد. بارزترین ویژگی این خشکسالی، کاهش رطوبت خاک به دلیل کاهش بارندگی یا افزایش دما است که باعث کاهش عملکرد مزرعه میشود. اما عدم وجود دادههای اقلیمی پایش خشکسالیها دچار مشکل میکند. در این مطالعه جهت پایش خشکسالی کشاورزی از شاخص گیاهی تعدیلشده تاثیر خاک (SAVI) در اراضی کشاورزی پایاب سد سرخاب، واقع در استان اردبیل استفاده شد. نتایج نشانداد که مابین شاخص SAVI حاصل از اراضی کشاورزی و شاخص SPI12 همبستگی معادل 61/0وجود دارد که به سبب این همبستگی، انتظار میرود با افزایش بارش، میزان مساحت اراضی پرآب (با شاخص SAVI از 5/0 تا 7/0) افزایش و در مقابل میزان اراضی کمآب (با شاخص SAVI از 2/0 تا 5/0) کاهش پیدا کند. با تقسیم دادههای در دسترس به دو دوره بلندمدت (1986-2024) شامل 39 سال و کوتاهمدت (2010-2024) شامل 15 سال، مشخص گردید که تغییرات مساحت اراضی کمآب با شاخص SAVI پایین، در دوره بلند مدت با شیب 08/0- هکتار تقریبا ثابت و در دوره کوتاه مدت با شیب 1/13+ افزایشی بودند و این در حالی بود که روند بارش مشاهداتی در هر دو دوره افزایشی بود. این مقایسه نشان داد در دورههای آماری منتخب، تاثیر مثبت روند افزایشی بارشهای مشاهداتی، به دلیل افزایش دما تعدیلشده و میزان تغییرات رطوبت خاک و در نتیجه پوشش گیاهی براساس تغییرات شاخص SAVI ، تقریبا ثابت یا کاهشی بوده است. در نتیجه استفاده از دادههای سنجش از دور، در بررسی و پایش خشکسالی کشاورزی، میتواند در بسیاری از مناطق، بهویژه در مناطق مشخص و فاقد آمار و یا مناطقی با دادههای محدود مشاهداتی، بسیار موثر و کاربردی باشد.https://ccr.gu.ac.ir/article_220615_b9cba372a14b5d454f4944389612c2e5.pdfدانشگاه گلستانپژوهشهای تغییرات آب و هوایی2717-206662220250622Development of intelligent machine learning and Jenkins box models based on the full ensemble mode decomposition method for meteorological drought modeling (Case study: Khuzestan Province)توسعه مدلهای هوشمند یادگیری ماشین و باکس جنکینز مبتنی بر روش تجزیه مد گروهی کامل به منظور مدلسازی خشکسالی هواشناسی (مطالعه موردی: استان خوزستان)819622061410.30488/ccr.2025.516420.1276FAصدفپیریدانشجوی دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران0009-0006-9796-4974محمدانصاری قوجقاراستادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران0000-0003-0485-5551Journal Article20250412Drought is one of the natural hazards, especially in arid and semi-arid regions. Khuzestan Province is highly vulnerable to drought due to its strategic geographical location and strong dependence on water resources. Therefore, in the present study, the analysis and prediction of meteorological drought in Khuzestan Province was investigated with the intelligent machine and Jenkins Box GPR models CEEMD- and CEEMD-SARIMA during the 30-year statistical period (1989-2020). To assess drought conditions, the Standard Precipitation Index (SPI) obtained from data from eight synoptic stations in Khuzestan Province was used. In the next step, the modeling results were compared with each other using the aforementioned models and goodness of fit indices. The results indicated that the CEEMD-GPR model is very efficient in estimating the SPI index in Khuzestan province. Also, the long-term SPI time windows had higher accuracy than the short-term time windows. For example, at Omidiyeh station, using the 12-month SPI instead of the 1-month SPI reduced the RMSE and MAE values from 0.178 and 0.097 to 0.167 and 0.087, respectively. In addition, the R and NS values also increased from 0.954 and 0.969 to 0.963 and 0.974. In general, it can be stated that the CEEMD-GPR model is able to learn a more complex dynamic structure of the data by using the components extracted from the CEEMD decomposition. Accordingly, the results of this study show that hybrid models based on CEEMD decomposition, along with machine learning, are powerful and highly efficient tools for analyzing and predicting meteorological drought in arid and semi-arid climates.خشکسالی از جمله بلایای طبیعی، علیالخصوص در مناطق خشک و نیمهخشک بهشمار میآید. استان خوزستان به سبب دارا بودن موقعیت جغرافیایی استراتژیک و وابستگی شدید به منابع آب، در مقابل خشکسالی بهشدت آسیبپذیر است. از اینرو در پژوهش حاضر، تجزیه و تحلیل و پیشبینی خشکسالی هواشناسی در استان خوزستان به ترتیب با مدلهای هوشمند یادگیری ماشین و باکس جنکینز CEEMD-GPR و CEEMD-SARIMA در طول دوره آماری 30 ساله (2020-1989) مورد بررسی قرار گرفت. جهت ارزیابی شرایط خشکسالی، از شاخص استاندارد بارندگی (SPI) حاصل از دادههای هشت ایستگاه سینوپتیک استان خوزستان استفاده شد. در گام بعدی نتایج مدلسازی توسط روشهای ذکر شده و با استفاده از شاخصهای نیکویی برازش با یکدیگر مقایسه شدند. نتایج حاصله بیانگر این بود که مدل CEEMD-GPR بهمنظور برآورد شاخص SPI در استان خوزستان از کارایی بسیار بالایی برخوردار است. همچنین پنجرههای زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجرههای زمانی کوتاه مدت برخوردار بودند. بهعنوان مثال در ایستگاه امیدیه، استفاده از SPI 12 ماهه به جای SPI 1 ماهه موجب کاهش مقادیر RMSE و MAE بهترتیب از 178/0 و 097/0 به 167/0 و 087/0 گردید. علاوه بر این، مقادیر R و NS نیز از 954/0 و 969/0 به 963/0 و 974/0 افزایش یافت. بهطور کلی میتوان عنوان نمود که مدل CEEMD-GPR قادر است با استفاده از مؤلفههای استخراج شده از تجزیه CEEMD، ساختار دینامیکی پیچیدهتری از دادهها را فرا گیرد. بر همین اساس، نتایج این پژوهش نشان میدهد که مدلهای ترکیبی مبتنی بر تجزیه CEEMD در کنار یادگیری ماشین، ابزارهایی قدرتمند و با کارایی بالا جهت تحلیل و پیشبینی خشکسالی هواشناسی در اقلیمهای خشک و نیمهخشک هستند.https://ccr.gu.ac.ir/article_220614_1c8b8aa7ebba9a8062c064626ca1b057.pdfدانشگاه گلستانپژوهشهای تغییرات آب و هوایی2717-206662220250622Investigating the consequences of climate change on the organic carbon
content of soils in the forest areas of Middle Zagrosبررسی پیامدهای تغییر اقلیم بر محتوی کربن آلی خاکهای مناطق جنگلی زاگرس میانی (استان لرستان)9711420848210.30488/ccr.2024.475201.1243FAحمید رضامتین فراستاد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه لرستان، لرستان، ایران0000-0002-2539-6975علی اکبرشمسی پوردانشیار آب و هواشناسی گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایرانحدیثصادقیکارشناس پژهشی، پژوهشگاه هواشناسی و علوم جو، تهران، ایرانJournal Article20240825Continuous monitoring of soil organic carbon is one of the needs of monitoring environmental processes, including climate change and its effects on the ecosystem. The aim of the current research is to know the relationship between climate change and land use change and its effect on carbon sequestration of the Middle Zagros soils. After field observations, 180 areas with specific tree cover were randomly classified and soil samples were taken from each point up to a depth of 20 cm and transferred to the laboratory and the chemical and chemical properties of the soil were measured. The results show an increase in the areas without vegetation cover, or in other words, the change of forest and pasture land use to areas without cover. These results are consistent with the trend of land use changes in the region. So that the changes of greenness and vegetation in the province are weakened or aggravated by drought conditions. In general, land use changes from forests and pastures to lands without vegetation, temperature index changes resulting from satellite image calculations, which show stress in vegetation due to high temperature and dryness. On the other hand, vegetation indexes also express the reduction of the areas with vegetation, which leads to the reduction of plant biomass and the reduction of organic matter production in changed uses. In general, considering the trend of reducing carbon sequestration from 89 tons per hectare to 50 tons per hectare in a 30-year period, it can be expected that with the existing climate scenario and the current management of natural resources, the surface of vegetation and carbon sequestration values in the future decrease.پایش مستمر میزان کربن آلی خاک یکی از نیازهای نظارت بر فرایند های زیست محیطی منجمله تغییرات اقلیمی واثرات آن بر اکوسیستم است. هدف تحقیق حاضر شناخت رابطه تغییر اقلیم و تغییر کاربری اراضی و تاثیر آن بر ترسیب کربن خاکهای زاگرس میانی است. پس از بررسی چشمی تصویر رنگی و مشاهدات میدانی، به روش تصادفی طبقهبندی شده 180 محدوده دارای پوشش درخت مشخص و از هر نقطه تا عمق 20 سانتیمتری نمونههای خاک برداشت و به آزمایشگاه منتقل و برخی ویژگیهای فیزیکی و شیمیایی خاک اندازهگیری شد. نتایج نشاندهنده افزایش سطوح فاقد پوشش گیاهی یا به عبارتی تغییر کاربریهای جنگلی و مرتعی به سطوح بدون پوشش است، این نتایج با روند تغییرات کاربری اراضی در منطقه منطبق میباشد. بطوریکه تغییرات سبزینگی و پوشش گیاهی در سطح استان متأثر از شرایط خشکسالی و ترسالی تضعیف یا تشدید میشود. بطور کلی تغییر کاربری اراضی از جنگل و مرتع به اراضی فاقد پوشش گیاهی، تغییرات شاخص دمایی منتج از محاسبات تصاویر ماهوارهای که نشان دهنده تنش در پوشش گیاهی به علت دما و خشکی بالا است و از طرف دیگر شاخصهای گیاهی هم بیان کننده کاهش سطوح دارای پوشش گیاهی هستند که منجر به کاهش زیست توده گیاهی و کاهش تولید ماده آلی در کاربری های تغییر یافته میگردد. بطورکلی با توجه به روند کاهش ترسیب کربن از 89 تن در هکتار به 50 تن در هکتار در بازه زمانی 30 ساله میتوان انتظار داشت با سناریوی اقلیمی موجود و مدیریت فعلی منابع طبیعی وضعیت پوشش گیاهی منطقه فقیر و کاهش مقادیر ترسیب کربن ناشی از پوشش گیاهی در آینده قابل پیشبینی است.https://ccr.gu.ac.ir/article_208482_1c1c85a44e56056114db3f7e830519d8.pdf