دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 25 2026 04 21 Projections of Extreme Precipitation Indices under Climate Change Scenarios in Tehran پیش نگری شاخص های بارش حدی تحت سناریوهای تغییر اقلیم در تهران 1 26 236207 10.30488/ccr.2025.545724.1302 FA معصومه مقبل دانشیار،گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران 0000-0001-9393-9954 مهشید کشاورز دانشجوی دکتری، گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران فائزه شجاع محقق پسادکتری، گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران Journal Article 2025 09 07 This study aimed to analyze changes in extreme precipitation indices in Tehran under various climate change scenarios. To this end, daily precipitation and temperature data from three synoptic stations—Abali, Doshan Tappeh, and Mehrabad—during the period 1985–2015, along with outputs from five selected climate models of the CMIP6 ensemble (CAN-ESM2-0, FGOALS-G3, IPSL-CM6A-LR, MIROC6, and MRI-ESM2-0), were used under three scenarios: SSP1-2.6, SSP2-4.5, and SSP5-8.5. The data were statistically downscaled and bias-corrected using the Linear Scaling method. Six extreme precipitation indices (CDD, CWD, PRCPTOT, R20mm, R99p, and SDII) were calculated using the RClimDex software, and their trends were analyzed through the Mann–Kendall test and Sen’s slope estimator. The results indicated that while the models performed well in simulating temperature, their performance in reproducing precipitation was limited. Among them, the FGOALS-G3 and IPSL-CM6A-LR models showed the highest accuracy. Trend analyses revealed that at the Abali station, annual precipitation and heavy rainfall indices decreased under the optimistic SSP1-2.6 scenario but increased under the pessimistic SSP5-8.5 scenario. Conversely, the Doshan Tappeh and Mehrabad stations exhibited mostly stable or slightly increasing trends under high-emission scenarios. These findings highlight both the spatial variability and strong scenario dependency of extreme precipitation changes. Overall, the results suggest that the projected increase in the intensity and frequency of heavy precipitation under high-emission scenarios may heighten the risk of urban flooding, while reduced precipitation under low-emission pathways could intensify drought risk in mountainous areas. These outcomes underscore the importance of detailed assessments of climatic extremes for effective water resource management and urban adaptation planning in Tehran این پژوهش با هدف تحلیل تغییرات شاخص‌های حدی بارش در تهران تحت تأثیر سناریوهای مختلف تغییر اقلیم انجام شد. برای این منظور داده‌های روزانه بارش و دما از سه ایستگاه سینوپتیک آبعلی، دوشان‌تپه و مهرآباد طی دوره‌ی ۱۹۸۵ تا ۲۰۱۵ و خروجی پنج مدل منتخب از مجموعه مدل‌های اقلیمی CMIP6 شامل CAN-ESM2-0، FGOALS-G3، IPSL-CM6A-LR، MIROC6 و MRI-ESM2-0 در سه سناریوی SSP1-2.6، SSP2-4.5 و SSP5-8.5 مورد استفاده قرار گرفت. داده‌ها پس از ریزمقیاس‌نمایی و تصحیح بایاس با روش Linear Scaling، برای محاسبه شش شاخص حدی بارش (CDD، CWD، PRCPTOT، R20mm، R99p و SDII) در نرم‌افزار RClimDex و تحلیل روند با آزمون‌های Mann–Kendall و شیب سن به‌کار گرفته شدند. نتایج نشان داد که عملکرد مدل‌ها در شبیه‌سازی دما مطلوب اما در بازسازی بارش محدود است و در میان آن‌ها، مدل‌های FGOALS-G3 و IPSL-CM6A-LR دقت بالاتری دارند. تحلیل روندها نشان داد که در ایستگاه آبعلی، بارش سالانه و شاخص‌های شدید بارش در سناریوی خوش‌بینانه SSP1-2.6 کاهش و در سناریوی بدبینانه SSP5-8.5 افزایش می‌یابند؛ در حالی‌که دو ایستگاه دوشان‌تپه و مهرآباد عمدتاً روندهای پایدار یا افزایشی خفیف را در سناریوهای با انتشار بالا تجربه می‌کنند. این یافته‌ها بیانگر تفاوت مکانی و وابستگی شدید تغییرات بارش‌های حدی به نوع سناریو است. به‌طور کلی، نتایج حاکی از آن است که افزایش شدت و فراوانی بارش‌های سنگین در سناریوهای پرانتشار می‌تواند خطر وقوع سیلاب‌های شهری را افزایش دهد، در حالی‌که کاهش بارش در سناریوهای کم‌انتشار، ریسک خشکسالی در مناطق کوهستانی را تقویت می‌کند. این نتایج اهمیت بررسی تفصیلی تغییرات حدی اقلیمی را در مدیریت منابع آب و برنامه‌ریزی سازگاری شهری تهران برجسته می‌سازد.

https://ccr.gu.ac.ir/article_236207_b8857e62e2ff685c60c4cc836d0ba6d5.pdf

دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 25 2026 04 21 Climatic Analysis of Vegetation in Mountainous Areas of Northwestern Iran (Case: East Azerbaijan Province) تحلیل اقلیمی پوشش گیاهی در مناطق کوهستانی شمالغرب ایران (مورد: استان آذربایجانشرقی) 27 45 237428 10.30488/ccr.2025.558026.1313 FA فرحناز خرم آبادی دکتری آب و هواشناسی، دانشگاه اصفهان، اصفهان، ایران. سید محمد حسینی دانشیار اقلیم‌شناسی، گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه سیدجمال‌الدین اسدآبادی، اسدآباد، ایران 0000-0002-9851-6413 Journal Article 2025 09 07 Vegetation changes are one of the most important reasons for changing environmental ecosystems in mountainous areas and for this reason, the vegetation monitoring of East Azarbaijan province is very important due to its location in the mountainous region of the northwest of the country. Therefore, in this research, to achieve this goal, were used statistical models including normalized difference vegetation index (NDVI), geographic weighted regression (GWR), principal component analysis (PCA) and kolmogorov–smirnov test (KST). In addition, using the MODIS sensor satellite products, the vegetation cover index calculated for the 24-year period from 2000 to 2024 for this province. The results indicate that the highest density of forest trees and mountain pastures is located in the northern parts of the province in the region of Arsbaran, Aras, Varzghan, Kazandaghi and Kandratbashi mountains, and the lowest density is in the western and central parts of the province. In addition, the geographic weighted regression model with a determination coefficient of 76 percent confirms the adequacy and high accuracy of the model in predicting the vegetation cover of the province. The results of the principal component analysis showed that the estimated models recognized 3 types of cover with 93.49 percent, which include the months of June, July, August and September as the type with high density of vegetation; The months of January, February, March and May are with medium density and the months of October, November and December are with little and weak vegetation. Meanwhile, the month of June has the highest density of vegetation due to the peak of vegetation in the gardens and farms of the province and the increase in spring cultivation. In addition, the results of the Kolmogorov-Smirnov test indicate that in the months of June, July and August, the vegetation of East Azerbaijan Province has a normal distribution, and in the month of September, the vegetation has an abnormal distribution پوشش گیاهی به‌عنوان شاخصی حساس از سلامت اکوسیستم‌های کوهستانی، مستلزم پایش دقیق با رویکردهای چندبعدی است و به همین دلیل، بررسی پوشش گیاهی استان آذربــایجانشرقی به دلیل قرارگیری در گرهگاه کوهستانی شمالغرب کشور از اهمیت بسزایی برخودار است. لذا در پژوهش حاضر، روند زمانی- مکانی پوشش گیاهی استان آذربایجان شرقی در بازه زمانی 24 ساله از 2000 تا 2024 میلادی با استفاده از یک چارچوب ترکیبی مبتنی بر داده‌های ماهواره‌ای MODIS و چهار روش آماری-فضایی تحلیل شد که عبارتند از: (1) شاخص NDVI به‌عنوان معیار کمّی پوشش گیاهی، (2) رگرسیون وزنی جغرافیایی (GWR) برای مدل‌سازی رابطه غیریکنواخت ارتفاع و پوشش گیاهی، (3) تحلیل مؤلفه‌های اصلی (PCA) برای شناسایی الگوهای زمانی ماهانه و (4) آزمون کولموگروف-اسمیرنف (K-S) برای ارزیابی نرمال‌بودن توزیع NDVI. یافته‌ها نشان داد که بیشترین تراکم پوشش گیاهی در مناطق شمالی استان در منطقه ارسباران، ارس، ورزقان، کوه‌های قازان‌داغی و قندراتباشی واقع شده است و کمترین تراکم آن نیز در بخشهای غربی و مرکزی استان متمرکز شده است. همچنین مدل رگرسیون وزندار جغرافیایی با ضریب تعیین 76 درصد، کفایت و دقت بالای مدل در پیشبینی پوشش گیاهی استان را تایید و ناهمگونی رابطه ارتفاع-پوشش گیاهی را در سطح استان آشکار ساخت. نتایج تحلیل مولفه اصلی نشان داد که مدلهای برآوردی با 49/93 درصد از واریانس کل، 3 گروه اکولوژیک از پوشش گیاهی در طی سال بازشناسایی کردند که عبارتند از: ماههای ژوئن، جولای، آگوست و سپتامبر(تراکم بالای پوشش گیاهی)؛ ماههای ژانویه، فوریه، مارس و می(تراکم متوسط) و ماههای اکتبر، نوامبر و دسامبر(تراکم اندک و ضعیف). در این میان، ماه ژوئن بیشترین تراکم پوشش گیاهی را به دلیل اوج گستره پوشش گیاهی در باغات و مزارع استان و افزایش کشت بهاره به خود اختصاص داده است. همچنین نتایج آزمون کولموگروف- اسمیرنف حاکی از این است که در ماههای ژوئن، جولای و آگوست پوشش گیاهی استان آذربایجان شرقی دارای توزیع نرمال و در ماه سپتامبر، پوشش گیاهی دارای توزیع غیرنرمال میباشد.

https://ccr.gu.ac.ir/article_237428_424f11c9aae1b53bfb4a75ac6e4d5c83.pdf

دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 25 2026 04 21 Evaluation of the integration of LSTM Recurrent Neural Network with deep learning metaheuristic algorithms for flood modeling in the Taleghan watershed ارزیابیِ تلفیقِ شبکه عصبی بازگشتی LSTM با الگوریتم‌هایِ فراکاوشیِ یادگیریِ عمیق به‌منظور مدلسازی سیلاب در حوزه آبخیز طالقان 47 64 241863 10.30488/ccr.2026.562118.1317 FA رامتین طاوسی راد دانشجوی کارشناسی‌ارشد، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0009-0006-3284-2140 محمد انصاری قوجقار استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0000-0003-0485-5551 Journal Article 2025 11 25 Accurate river flow forecasting is a fundamental challenge in water resources management and flood warning system design. In this study, aiming to evaluate the efficiency of new deep learning models in predicting daily maximum flow, four models including LSTM, GRU-LSTM, ConvLSTM and S-LSTM were compared in five hydrometric stations of the Taleghan watershed. After data pre-processing and extraction of time-lag scenarios, the models were evaluated based on RMSE, MAE, NSE, and correlation coefficient indices in the training and test sets. The results showed that the time-memory-based models LSTM and GRU-LSTM provided significantly more accurate performance than the spatiotemporal models and developed versions. The GRU-LSTM model recorded the best accuracy with NSE higher than 0.95 and very low error, but statistical analysis showed that its difference with the LSTM model is not significant, so that the LSTM algorithm offers almost the same level of accuracy with less computational cost. In contrast, ConvLSTM and S-LSTM performed weaker and the greater dispersion of points in the correlation diagrams indicated their limitations in modeling univariate time series. Visual analysis of the correlation diagrams also showed that LSTM and GRU-LSTM had the most matching with the correlation line and were able to reconstruct temporal patterns of flow, especially peaks and troughs. Considering the balance between accuracy, stability and computational cost, the LSTM model is proposed as the final and optimal option for predicting daily maximum flow in the Taleghan watershed پیش‌بینی دقیق دبی رودخانه‌ها یکی از چالش‌های اساسی در مدیریت منابع آب و طراحی سامانه‌هایِ هشدار سیلاب است. در پژوهش حاضر با هدف ارزیابی کارایی مدل‌های نوین یادگیریِ عمیق در پیش‌بینی دبی بیشینه روزانه، چهار مدل شامل LSTM GRU -LSTM، ConvLSTM و S-LSTM در پنج ایستگاه هیدرومتری حوزه آبخیز طالقان مقایسه شدند. پس از پیش‌پردازش داده‌ها و استخراج سناریوهای تأخیر زمانی، مدل‌ها بر اساس شاخص‌هایRMSE ، MAE، NSE و ضریب همبستگی در مجموعه‌های آموزش و آزمون ارزیابی شدند. نتایج نشان داد که مدل‌های مبتنی بر حافظه زمانی LSTM و GRU-LSTM عملکرد به‌مراتب دقیق‌تری نسبت به مدل‌های مکانی زمانی و نسخه‌های توسعه داده‌شده ارائه دادند. مدلGRU-LSTM بهترین دقت را با NSE بالاتر از 95/0 و خطای بسیار پایین ثبت کرد اما نتایج آزمون آماری t-student نشان داد که اختلاف آن با مدل LSTM معنادار نیست؛ به‌گونه‌ای که الگوریتم LSTM تقریباً همان سطح دقت را با هزینه محاسباتی کمتر ارائه می‌دهد. در مقابل، ConvLSTM و S-LSTM عملکرد ضعیف‌تری داشتند و پراکندگی بیشتر نقاط در نمودارهای همبستگی بیان‌گر محدودیت آن‌ها در مدل‌سازی سری‌های زمانی تک‌متغیره بود. تحلیل بصری نمودارهای همبستگی نیز نشان داد که LSTM و GRU-LSTM بیشترین انطباق را با خط همبستگی داشته و قادر به بازسازی الگوهای زمانی جریان به‌ویژه پیک‌ها و افت‌ها بودند. با توجه به تعادل میان دقت، پایداری و هزینه محاسباتی، مدل LSTM به‌عنوان گزینه نهایی و بهینه برای پیش‌بینی دبی بیشینه روزانه در حوضه آبخیز طالقان پیشنهاد می‌شود

https://ccr.gu.ac.ir/article_241863_aedd0a21e664ea09024cc346b394c3a6.pdf

دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 25 2026 04 21 Drought monitoring based on the Standardized Precipitation-Evaporation Index SPEI under the influence of climate change and the XGBoost algorithm پایش خشکسالی بر مبنای شاخص بارش- تبخیروتعرق استاندارد شده SPEI تحت تأثیر تغییر اقلیم و الگوریتم XGBoost 65 84 241864 10.30488/ccr.2026.568744.1321 FA هادی رمضانی اعتدالی استاد گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بین المللی امام خمینی (ره) قزوین، قزوین، ایران مژگان احمدی دانش آموخته دکتری، گروه علوم و مهندسی آب، دانشگاه بین المللی امام خمینی (ره) قزوین، قزوین، ایران Journal Article 2025 12 26 In recent years, following the occurrence of global warming and changes in climate patterns and meteorological parameters, the frequency of droughts has increased in many regions of the world. In this study, drought monitoring using the SPEI index and examining the characteristics of this phenomenon (intensity, magnitude, duration) under climate change conditions at the Qazvin synoptic station in the historical period 2014-1986 and the future periods 2050-2026, 2051-2075 and 2100-2076 under SSP2-4.5 and SSP5-8.5 scenarios at time scales of 3, 6, 9 and 12 months have been studied. To reduce the uncertainty associated with individual models and enhance the reliability of the estimates, a machine learning–based Multi-Model Ensemble (MME) approach was employed. The XGBoost algorithm was used to perform a nonlinear and optimized combination of the outputs from three CMIP6 climate models: MIROC6, ACCESS-CM2, and CNRM-CM6-1. Drought characteristics were subsequently calculated based on the ensemble dataset derived from the combined outputs of these three climate models. In the SSP2-4.5 scenario, drought changes showed a slight increasing trend compared to the past. In the period 2026–2050, the average intensity was observed between 2.03 and 3.02, and the magnitude between 0.91 and 1.25. In the pessimistic scenario SSP5-8.5, the trend of increasing drought intensity and magnitude was more obvious. In the first half of the century (2026–2050), the intensity varied between 1.91 and 3.70, and the magnitude between 1.1 and 1.14. Overall, the results showed that both the intensity and magnitude indices of drought have an increasing trend from the past to the future, but the increase in intensity is more dramatic. Thus, it can be concluded that in the future, the study area will face an increase in the frequency, severity, and persistence of droughts, which further highlights the need for adaptation planning, water resource management, and the development of strategies to reduce the effects of drought در سال‌های اخیر، به‌دنبال بروز پدیده‌ی گرمایش جهانی و تغییر در الگوهای اقلیمی و پارامترهای هواشناسی، فراوانی وقوع خشکسالی در بسیاری از مناطق جهان افزایش یافته است. در این مطالعه به پایش خشکسالی با استفاده از شاخص SPEI و بررسی خصوصیات این پدیده (شدت، بزرگی، مدت) در شرایط تغییر اقلیم در ایستگاه سینوپتیک قزوین در دوره تاریخی 2014-1986 و دوره‌های آینده 2050-2026، 2075-2051 و 2100-2076 تحت سناریوهای SSP2-4.5 و SSP5-8.5 در مقیاس‌های زمانی 3، 6، 9 و 12 ماهه پرداخته شده است. به‌منظور کاهش عدم‌قطعیت مدل‌های منفرد و افزایش قابلیت اعتماد برآوردها، از یک رویکرد ترکیب چندمدلی مبتنی بر یادگیری ماشین (Multi-Model Ensemble) با استفاده از الگوریتم XGBoost جهت ترکیب غیرخطی و بهینه خروجی سه مدل اقلیمی CMIP6شامل MIROC6،ACCESS-CM2 و CNRM-CM6-1 استفاده شد. ویژگی‌های خشکسالی بر اساس داده‌های مدل ترکیبی (Ensemble) حاصل از سه مدل اقلیمی محاسبه شدند. در سناریویSSP2-4.5، تغییرات خشکسالی نسبت به گذشته روندی افزایشی ملایم نشان داد. در دوره‌ی 2026–2050، میانگین شدت بین 03/2 تا 02/3 و بزرگی بین 91/0 تا 25/1 مشاهده شد. در سناریوی بدبینانه SSP5-8.5، روند افزایش شدت و بزرگی خشکسالی‌ها واضح‌تر بود. در نیمه‌ی اول قرن (2026–2050)، شدت بین 91/1 تا 70/3 و بزرگی بین 1/1تا 14/1 متغیر بود. به‌طور کلی، نتایج نشان داد که هر دو شاخص شدت و بزرگی خشکسالی از گذشته به آینده روندی افزایشی دارند، اما افزایش شدت چشمگیرتر است. بدین ترتیب می‌توان نتیجه گرفت که در آینده، منطقه‌ی مورد مطالعه با افزایش فراوانی، شدت و پایداری خشکسالی‌ها مواجه خواهد شد و این امر ضرورت برنامه‌ریزی سازگاری، مدیریت منابع آب و توسعه‌ی راهبردهای کاهش اثرات خشکسالی را بیش از پیش آشکار می‌سازد.

https://ccr.gu.ac.ir/article_241864_1dfe4f0ca2309b47920b4366ea6988a3.pdf

دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 25 2026 04 21 Evaluation and spatial-temporal analysis of drought in Golestan Province ارزیابی و تحلیل زمانی- مکانی خشکسالی‌ در استان گلستان 85 103 242471 10.30488/ccr.2026.576352.1325 FA مصطفی یلقی دانشجوی کارشناسی‌ارشد اقلیم‌شناسی، گرایش اقلیم‌شناسی محیطی، دانشکده جغرافیا، دانشگاه تهران، ایران 0009-0007-0465-7551 حسین محمدی استاد جغرافیای طبیعی، اقلیم‌شناسی، دانشکده جغرافیا، دانشگاه تهران، ایران، Journal Article 2026 02 17 Drought is one of the most important climate hazards with widespread impacts on water resources, agriculture, and livelihoods of communities. Understanding its temporal and seasonal patterns in sensitive areas, especially in unstable climates, is of great importance. The aim of this study is to investigate and compare the monthly, seasonal, and annual trends of the SPI and SPEI drought indices in Golestan province over the long-term period from 1950 to 2024 and analyze their structural differences in reflecting the moisture conditions of the region. In this study, precipitation and potential evapotranspiration data were obtained from the ERA5 database with a spatial resolution of 0.1×0.1 degrees, and then the monthly, seasonal, and annual trends and fluctuations of these indices were estimated, plotted, and analyzed using the IDW and Hotspot interpolation methods with Arcmap. The results showed that the SPI index experienced a significant decrease in spring and early summer, and its values reached less than -3 in some months. In contrast, the SPEI index showed more balanced fluctuations around zero.This difference indicates that the SPEI index, by considering thermal components, provides a more accurate analysis of the moisture status of the region. The findings indicate that the combined use of SPI and SPEI indices can be effective in more comprehensive monitoring and analysis of drought. It is also suggested that the study of these indices should be pursued at local scales and by considering other environmental factors. خشکسالی یکی از مهم‌ترین مخاطرات اقلیمی با اثرات گسترده بر منابع آب، کشاورزی و معیشت جوامع است. درک الگوی زمانی و فصلی آن در مناطق حساس، به‌ویژه در اقلیم‌های ناپایدار، از اهمیت زیادی برخوردار است. هدف این پژوهش، بررسی و مقایسه روند ماهانه، فصلی و سالانه شاخص‌های خشکسالی SPI و SPEI در استان گلستان طی بازه بلندمدت ۱۹۵۰ تا ۲۰۲۴ و تحلیل تفاوت‌های ساختاری آن‌ها در بازتاب شرایط رطوبتی منطقه می‌باشد. در این مطالعه، داده‌های بارش و تبخیر و تعرق پتانسیل با تفکیک مکانی 0.1×0.1 درجه از پایگاه ERA5 اخذ و سپس روند و نوسانات ماهانه، فصلی و سالاته این شاخص‌ها با روش درون‌یابی IDW و Hotspot با Arcmap برآورد، ترسیم و مورد تحلیل قرار گرفت. نتایج نشان داد که شاخص SPI در فصل بهار و اوایل تابستان با کاهش چشمگیری مواجه شده و مقادیر آن در برخی ماه‌ها به کمتر از ۳- رسیده است. در مقابل، شاخص SPEI نوسانات متعادل‌تری حول مقدار صفر نشان داده است. این تفاوت حاکی از آن است که شاخص SPEI با در نظر گرفتن مؤلفه‌های حرارتی، تحلیل دقیق‌تری از وضعیت رطوبتی منطقه ارائه می‌دهد. یافته‌ها بیانگر آن است که استفاده توأم از شاخص‌های SPI و SPEI می‌تواند در پایش و تحلیل جامع‌تر خشکسالی مؤثر واقع شود. همچنین پیشنهاد می‌گردد بررسی این شاخص‌ها در مقیاس‌های محلی و با در نظر گرفتن سایر عوامل محیطی پیگیری شود.

https://ccr.gu.ac.ir/article_242471_4fecf09cbeef6b293bc3b8f8d47530e3.pdf

دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 25 2026 04 21 Spatio-Temporal Analysis and Source Identification of Dust Pollution in Kurdistan Province Using Satellite-Derived Indices and HYSPLIT Model (2018–2024) تحلیل مکانی‌-زمانی و شناسایی منشاء آلودگی گردوغبار در استان کردستان با استفاده از شاخص‌های ماهوارهای و مدل HYSPLIT (۲۰۱۸–۲۰۲۴) 105 140 241862 10.30488/ccr.2026.565792.1319 FA کامیاب طیبی ارشد هواشناسی کشاورزی، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران. مهدی نادی دانشیار گروه هواشناسی کشاورزی، گروه مهندسی آب، دانشکده مهندسی کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی ساری ، ساری، ایران 0000-0003-0854-8380 علیرضا یوسفی کبریا دکتری هواشناسی کشاورزی، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری ، ساری، ایران. Journal Article 2025 12 12 Dust storms are among the most significant environmental challenges in Kurdistan Province, exerting widespread impacts on air quality and public health. This study was conducted using MODIS and Sentinel-5P satellite data and the AOD, AAI, AOD-Sum, and DECM indices over the period 2018–2024. Data processing was performed in the GEE environment, and dust transport pathways were simulated using the HYSPLIT model. wind speed data from the ECMWF model were employed to assess the role of wind in dust dispersion. The mean AOD varied between 0.25 and 0.31, with maximum values recorded in 2018 and 2022 at 0.31 and 0.29, respectively. The AAI increased from 0.01 in 2020 to 0.67 in 2022 and then decreased to 0.41 in 2024. The cumulative AOD-Sum index indicated more than 70 dusty days in 2018 and 127.8 days in 2022. Similarly, the DECM index increased from fewer than 50 dust-event days in 2018 to more than 150 days in 2022, followed by a decline to 65 days in 2024. HYSPLIT model analysis revealed that the primary sources of incoming dust were the Al-Anbar deserts of Iraq, dust intrusion from Saudi Arabia, and the Sukhnah Desert in Syria. Dust particles formed at altitudes of approximately 1000–2500 m and entered Kurdistan Province after descending to below 500 m. More than 90% of the transport pathways crossed the Iran–Iraq border, with the Kurdistan and Ilam border regions identified as the main dust entry corridors. Wind speed analysis showed that winds in the eastern part of the province ranged from 3.2 to 3.4 m s⁻¹, while wind speeds in the western regions were below 1.1 m s⁻¹. The peak dust conditions in 2022 coincided with wind speeds of 3.4 m s⁻¹, confirming the direct role of strong winds in intensifying dust events. In addition, soil erosion, vegetation degradation, and the topographic characteristics of the eastern province contributed to dust intensification, indicating that dust pollution in Kurdistan Province is not solely driven by external sources and that local dust sources also play a significant role گردوغبار از مهم‌ترین چالش‌های زیست‌محیطی استان کردستان است و تأثیر گسترده‌ای بر کیفیت هوا و سلامت دارد. این پژوهش با استفاده از داده‌های ماهواره‌ای MODIS و Sentinel-5P و شاخص‌های AOD، AAI، AOD-Sum و DECM در دوره ۲۰۱۸ تا ۲۰۲۴ انجام شد. داده‌ها در GEE پردازش و مسیرهای انتقال گردوغبار با مدل HYSPLIT شبیه‌سازی گردید. از داده‌های سرعت باد مدل ECMWF برای بررسی نقش باد در پراکنش گردوغبار استفاده شد. میانگین AOD بین 25/0 تا 31/0 متغیر بوده و بیشینه آن در سال‌های ۲۰۱۸ و ۲۰۲۲ به ترتیب 31/0 و 29/0 ثبت شد. شاخص AAI از 01/0 در ۲۰۲۰ به 67/0 در ۲۰۲۲ افزایش و در ۲۰۲۴ به 41/0 کاهش یافت. شاخص AOD-Sum بیش از ۷۰ روز گردوغبار را در ۲۰۱۸ و 128 روز را در ۲۰۲۲ نشان داد. شاخص DECM نیز از کمتر از ۵۰ روز در ۲۰۱۸ به بیش از ۱۵۰ روز در ۲۰۲۲ رسید و در ۲۰۲۴ به ۶۵ روز کاهش یافت. تحلیل مدل HYSPLIT نشان داد که منشأ اصلی گردوغبار ورودی از بیابان‌های الانبار عراق، نفوذ عربستان و بیابان سوخنه سوریه است و ذرات گردوغبار در ارتفاع ۱۰۰۰ تا ۲۵۰۰ متر شکل گرفته و با کاهش ارتفاع تا زیر ۵۰۰ متر وارد کردستان شدند. بیش از ۹۰ درصد مسیرها از مرز ایران و عراق عبور کرده و مرزهای کردستان و ایلام به‌عنوان مسیرهای اصلی ورود شناسایی شدند. بررسی سرعت باد نشان داد که باد در شرق استان 2/3 تا 4/3 متر بر ثانیه و در غرب کمتر از 1/1 متر بر ثانیه است و اوج گردوغبار سال ۲۰۲۲ با باد 4/3 متر بر ثانیه همزمان شد که نقش مستقیم باد قوی در تشدید گردوغبار را تأیید می‌کند. همچنین فرسایش خاک، کاهش پوشش گیاهی و توپوگرافی شرق استان در تشدید گردوغبار مؤثر بوده‌اند و نشان می‌دهد که علاوه برمنابع خارجی، منابع محلی نیز نقش مهمی در گردوغبار دارند.

https://ccr.gu.ac.ir/article_241862_748a516769a5b4377bd4d2febd8b452e.pdf