0 تحلیل سینوپتیکی مخاطره گردو غبار (10تا12مرداد1392)در ایران Synoptic analysis of Iran dust storm hazard ( July 30 to August 2 , 2012) https://jhsci.ut.ac.ir/article_53918.html 10.22059/jhsci.2015.53918 0 توفان گردوغبار 10 تا 12 مرداد 1392 به‌سبب حرکت نامعمول خود عملیات پیش‌بینی را با مشکل مواجه کرد و در پاره‌ای از مناطق سبب لغو پروازها شد؛ از‌اینرو در این پژوهش برای شناسایی ایستگاه‌های تحت تأثیر توفان از داده‌های سینوپتیکی مربوط به کد پدیدۀ مورد نظر (06) و دید افقی استفاده شد و برای تعیین و ترسیم نقشه‌های سینوپتیکی در نرم‌افزار GrADS‌ از داده‌های میانگین روزانۀ فشار، باد مداری و نصف‌النهاری، امگا، داده‌های مربوط به رطوبت سطحی خاک تا عمق 10 سانتی‌متری و متوسط بارش جوی مرکز ملی پیش‌بینی‌های محیطزیستی بهره برده شد. در نهایت به‌منظور بازسازی مسیر طی‌شده توسط توفان با هدف پیش‌بینی و هشدار به‌موقع این مخاطره از رویکرد لاگرانژی مدل HYSPLIT و روش پسگرد ذرات و تصاویر غیرواقعی ماهوارة METEOSAT-9 استفاده شد. بررسی‌های سینوپتیکی نشان داد که حاکمیت شرایط کم‌فشار و پرفشار‌ دینامیکی و حرکات عمودی هوا از دلایل اصلی ایجاد هستة اولیة توفان گردوخاک در ایران به‌شمار می‌روند. در زمان ایجاد توفان، گسترش سلول کم‌فشار در نیمة جنوبی ایران‌، بیابان‌های عربستان و کشورهای عراق و سوریه به‌همراه قرارگیری محور کم‌ارتفاع تراز 500 در شرق دریای مدیترانه، سبب ایجاد سیکلون‌های جوّی در نواحی شرقی سوریه و عراق شد که به تقویت حرکت صعودی در جو کمک کرد و عامل اصلی ایجاد هستة اولیه توفان بود. افزایش سرعت بادها به‌سبب وجود شیب تغییرات فشار به‌همراه وجود خاک خشک، شرایط را برای حمل ذرات خاک فراهم آورد و همزمان با جابه‌جایی شرق سوی محور ناوه (تراف)، از پایداری جو کاسته و هستة اولیة توفان در روز سی‌ویکم جولای تشکیل شد. از طرفی موقعیت پشتة (ریج) حاکم بر ایران به‌سبب تقویت حرکت آنتی‌سیکلونی سبب تغییر مسیر ذرات خاک شد، به‌طوری که نیمة شمالی ایران را دور زد و از سمت شمال شرق وارد مرزهای کشور شد. 1 In this research, for determining the synoptic patterns of dust storm occurrence in northwest and northeast of Iran; four types of data were used including: Hourly data of dust phenomena and horizontal visibility for 30 meteorological stations in northwest and northeast of Iran. Six-hourly global data analysis from NCEP/NCAR reanalysis, including air temperature, geo-potential height, U-wind and V-wind components, relative humidity, soil moisture and omega from 1000hPa to 500hPa, were used for the preparation of maps and identify the synoptic patterns by using GRADS software In order to identify the source of dust generation, tracing and simulating the path of dust particles, HYSPLIT model Lagrangian approach of backward trajectory was used. And to detect dust, the unreal images of METEOSAT-9 second generation for EUMETSAT satellite were used. Synoptic studies have shown that low and high pressure, and the vertical motion of air are the main causes of dust storms in Iran. The circulation of the atmosphere during dust storm, shows that a low pressure cell has been stretched from Pakistan to the south of Iran and from there to the deserts in Iraq, Syria.This condition causes the formation of cyclonic circulation in the East of Syria and west of Iraq on 31 July. Wind speed Increasing, cyclonic circulation, dry soil and lack of coverage, provided the conditions for removing the soil particles. Due to the extended ground surface's low pressure and weakening of the stable conditions of low level of troposphere, the approaching of trough has led to the beginning of a dust storm in Iraq deserts on jul31 and this unstable condition providing enough power to carry the soil particles away from its origin. Besides that, the stable location of ridge on Iran made anticyclone circulation in the wind blowing and it cause that the dust storm cycle the northern part of Iran and enter from northeast in to the country. 5 20 ملودی فرحبخش Melody Farahbakhsh کارشناس ارشد آب‌وهواشناسی سینوپتیک – گروه آب‌و‌هواشناسی، دانشگاه خوارزمی، ایران Iran melody.farahbakhsh@yahoo.com بهلول علیجانی Bohlool Alijani عضو هیأت علمی و مدیر قطب علمی تحلیل فضایی مخاطرات محیطیدانشگاه خوارزمی‌، ایران Iran bralijani@gmail.com ابراهیم فتاحی Ebrahim Fattahi عضو هیأت علمی پژوهشکدة هواشناسی‌، تهران، ایران Iran ebfat2002@yahoo.com Dust Storm Middle East Atmospheric Circulation HYSPLIT METEOSAT 1. چیتی، مرتضی (1388). بررسی و تعیین الگوهای آب و هوایی و جوی حاکم بر توفان‌های گرد و خاک در منطقۀ یزد. پایان‌نامة کارشناسی ارشد هواشناسی، دانشگاه آزاد اسلامی واحد علوم تحقیقات.##2. ذوالفقاری، حسن ؛ عابدزاده، حیدر (1384). تحلیل سینوپتیکی سیستم‌های گردو غبار در غرب ایران. مجلة جغرافیا و توسعه، پاییز و زمستان.##3. رشنو، علیرضا (1388). پدیدة گردوغبار در استان خوزستان، فصلنامة بارش، اهواز، ادارة کل هواشناسی استان خوزستان.##4. طاووسی‌، تقی؛ خسروی‌، محمود؛ رئیس‌پور، کوهزاد (1387). تحلیل سینوپتیکی پدیدة گردوغبار در استان خوزستان‌، مجموعه مقالات سومین کنفرانس ملی مقابله با سوانح طبیعی‌، دانشکدة فنی دانشگاه تهران: 9.##5. عزیزی، قاسم؛ مرتضی، میری؛ نبوی، امید (1391). ردیابی پدیدة گردوغبار در نیمة غربی ایران، مطالعات جغرافیایی مناطق خشک. شمارة 7‌: 81-63.##6. علیجانی‌، بهلول‌ (1376‌). آب‌و‌هوای ایران‌، انتشارات پیام نور‌، تهران‌: 95.##7. علیجانی، بهلول(1381).‌ شناسایی تیپ‌های هوایی باران‌آور تهران براساس محاسبات تاوایی. فصلنامۀ تحقیقات جغرافیایی. شماره‌های 63 و 132:64- 114.##8. مفیدی،عباس؛جعفری،سجاد(1390).بررسینقشگردشمنطقه‌ایجوبررویخاورمیانهدروقوعتوفان‌هایگردوغباریتابستانه درجنوبغربایران. مطالعاتجغرافیاییمناطقخشک.شمارة 5: 40-19.##9. Engelstaedter S., (2001), Dust storm frequencies and their relationships to land surface conditions. Diploma thesis, Institute of Geoscience, Friedrich , Schiller , University, Jena, Germany.##10. Hamish, M., Andrew, C,2008 ,Identification of dust transport pathways from Lake Australia using Hysplit, Atmospheric Environment Eyre, 42 ,6915-6925.##11. Romanof B , (1961) Dust storms in Gobian Zone of Mongolia , The First PRC – Mongolia Workshope on climate change in arid and semi– arid Region over the Central Asia , pp : 21.##12. Wang,W., Z.,Fang. 2006. Numerical simulation and synoptic analysis of dust emission and transport in East Asia, Global and Planetary Change, Vol.52, pp 57–70.##13. Weihong Q and Shaoyinshi(2001)Variations of the dust storm in China and its climatic control.Journal of climate.vol 15.##14. Yarnal, B, 1993, Synoptic Climatology in Environmental Analysis, Belhaven Press, Londo##

0 واکاوی سازوکار و مخاطرات توفان حاره‌ای نیلوفر Analysis of the dynamism and Hazards of Nilofar Tropical Storm https://jhsci.ut.ac.ir/article_53919.html 10.22059/jhsci.2015.53919 0 توفان حارهای از مهم‌ترین مخاطرات جوی است که سواحل مناطق جنوبی ایران را تهدید می‌کند. شناخت این مخاطرات و آگاهی از زمان حدوث آن میتواند در مدیریت مخاطرات ناشی از آن مهم باشد. هدف این پژوهش واکاوی سازوکار و مخاطرات توفان حارهای نیلوفر است که در دریای عرب شکل گرفت. دادههای جوی شامل فشار تراز دریا، ارتفاع ژئوپتانسیل، مؤلفه‌های مداری و نصف‌النهاری باد، سرعت قائم، نم ویژه، انرژی پتانسیل در دسترس همرفت، فرارفت تاوایی و دمای سطح دریا برای روزهای فعالیت توفان حارهای نیلوفر اخذ و بررسی شد. نتایج نشان داد که عمیق شدن ناوة تراز 500 میلی‌بار با محور جنوب غربی – شمال شرقی، یک کم‌ارتفاع بریده را در روز‌های بیست‌وپنجم و بیست‌وششم اکتبر بر روی دریای عرب پدید آورد که در پی آن، ضلع شرقی کم‌ارتفاع مذکور با ایجاد واگرایی در تراز 500 میلی‌بار، یک منطقة همگرایی قوی را در ترازهای زیرین جو و بر روی سطح دریا شکل داد. حرکت شرق‌سوی ناوه در روز سوم شکل‌گیری توفان و خروج از منطقة فعالیت توفان، همچنین تغییر سازوکار حرکتی آن در پی دسترسی به انرژی دریافتی از سطح اقیانوس (تبدیل انرژی گرمایی به مکانیکی) به تقویت جریان‌های فرازهنج و فروهنجی در دیوارة چشم و چشم توفان کمک کرد. در این روز و روزهای بعدی فعالیت توفان، افزایش سرعت رودباد تراز پایینی جو نسبت به ترازهای بالایی، سبب تغییر منبع انرژی حرکتی توفان از ترازهای فوقانی به ترازهای زیرین جو شد؛ همچنین اندرکنش زبانهها و مراکز واچرخندی مستقر بر روی دریای عرب، مسیر حرکت و جابه‌جایی توفان را تا از بین رفتن آن در سی‌ویکم اکتبر شکل داد. 1 Tropical storm is a one of the major hazards that threat the southern coastal zones of Iran. Understanding of such hazards and knowledge of the time of their occurrence could be useful in the management of accidents caused by them. The aim of this study is analysis of the dynamism and hazards of recent tropical storm formed over the Arabian Sea is known as the Hurricane Nilofar. The data used include re-analyzed data of SLP (Sea Level Pressure), Geopotential Height, wind (U and V components), Omega, specific humidity, CAPE (Convective Available Potential Energy), Vorticity advection and SST (Sea Surface Temperature) for Nilofar storm activity in end days of October 2014 obtained and plotted than were analyzed. The results showed that the depth of the trough level of 500 mb with the axis southwest - northeast, creates a cut of low on 25 and 26 October on the Arabian Sea that following the practice causing a divergence in the eastern side of the cut of low on level of 500 mb and creating a strong convergence zone in the lower levels of the atmosphere and on the surface of the sea. Eastward movement of trough on third day of the formation of hurricanes and out of the activity storm, also, its change the mechanism of action following the availability of energy from the ocean surface (conversion of thermal energy into mechanical) to strengthen the updraft and downdraft currents on the wall of the eye and eye of storm has helped, as of this day and the next day the storm activity, increase speed to low level jet stream than the upper levels of atmosphere, causing the energy source the storm is chanced from upper levels to the lower levels of the atmosphere, also the interaction of tongues and anticyclonic centers located on the Arabian Sea, direction and movement of the storm has created to overturn it on 31 October. 21 34 یوسف قویدل رحیمی Yousef Ghavidel Rahimi استادیار دانشگاه تربیت مدرس Iran ghavidel@modares.ac.ir اسماعیل عباسی esmaeil abbasi دانشجوی دکتری اقلیم‌شناسی، دانشگاه تربیت مدرس. Iran abasi.esmail@gmail.com منوچهر فرج زاده اصل Manuchehr Farajzadehasl دانشیار دانشگاه تربیت مدرس Iran farajzam2000@yahoo.com Tropical Storm Nilofar Climatic Hazards Storm dynamic sea surface temperature Arabian Sea ]1[. خسروی، محمود؛ پودینه، محمدرضا (1389). تحلیلی بر تأثیرات اقلیمی سیکلون حارهای گونو (خرداد 1386) بر جنوب شرق ایران، پژوهشهای جغرافیای طبیعی، شمارة 72: 72-53.##]2[. قویدل رحیمی، یوسف (1390). نگاشت و تحلیل همگرایی جریان رطوبت جو طی بارش فوق سنگین ناشی از توفان حارهای فت در سواحل چابهار، مدرس علوم انسانی – برنامه‌ریزی و آمایش فضا، دورۀ پانزدهم، شمارة 2: 118-101.##]3[. لشکری، حسن؛ کیخسروی، قاسم (1389). تحلیل سینوپتیکی توفان گونو و اثرات آن بر جنوب شرق ایران، مجلة جغرافیا و برنامه‌ریزی محیطی، سال 21، شمارة پیاپی 39، شمارة 3: 20‌–‌1.##]4[. مقیمی، ابراهیم (1393). دانش مخاطرات برای زندگی با کیفیت بهتر و محیط پایدارتر، تهران: انتشارات دانشگاه تهران.##[5]. Bhaskaran, P. K., et al. (2013). "Performance and validation of a coupled parallel ADCIRC–SWAN model for THANE cyclone in the Bay of Bengal." Environmental Fluid Mechanics 13(6): 601-623. DOI:10.1007/s10652-013-9284-5.##[6]. Briegel, L. M. and W. M. Frank (1997). "Large-scale influences on tropical cyclogenesis in the western North Pacific." Monthly weather review 125(7): 1397-1413. DOI:http://dx.doi.org/10.1175/1520-0493.##[7]. Dunkerton, T., et al. (2009). "Tropical cyclogenesis in a tropical wave critical layer: Easterly waves." Atmos. Chem. Phys 9: 5587-5646.Doi:10.5194/acp-9-5587-.##[8]. Emanuel, K. ((2005). "Increasing destructiveness of tropical cyclones over the past 30 years." Nature 436(7051): 686-688. Doi:10.1038/nature03906.##[9].Emanuel, K. A. (1991). "The theory of hurricanes." Annual Review of Fluid Mechanics 23(1): 179-196.DOI: 10.1146/annurev.fl.23.010191.##[10].Gray, W. M. (1998). "The formation of tropical cyclones." Meteorology and atmospheric physics 67(1-4): 37-69. DOI: 10.1007/ BF01277501.##[11].Gulev, S., et al. (2001). "Extratropical cyclone variability in the Northern Hemisphere winter from the NCEP/NCAR reanalysis data." Climate Dynamics 17(10): 795-809. DOI: 10.1007/s003820000145.##[12].Jullien, S., et al.(2012) "Impact of tropical cyclones on the heat budget of the South Pacific Ocean." Journal of Physical Oceanography 42(11): 1882-1906. Doi: http://dx.doi.org/10.1175/JPO-D-11-0133.1.##[13].KING, D., DAVIDSON, J. & ANDERSON-BERRY, L. 2010. Disaster Mitigation and Societal Impacts. Global Perspectives on Tropical Cyclones: From Science to Mitigation, 4, 409. Doi: 10.1142/9789814293488_0013.## [14].Lin, C.H., et al. (2013)."The Effect of Tropical Cyclones (Typhoons) on Emergency Department Visits." The Journal emergency medicine45(3):372-379. DOI: 10.1016/j.jemermed.2013.02.002.##[15].Liou, C.-S. (2007). "Sensitivity of high-resolution tropical cyclone intensity forecasts to surface flux parameterization." Natural Hazards 41(3): 387-399. DOI: 10.1007/s11069-006-9046-5.##[16].Nie, H., et al. (2012). "Simulating a typhoon storm surge using a nested Ecomsed model." Procedia Engineering 31: 775-780. Doi:10.1016/j.proeng.2012.01.1101##[17].Rao, R. (1987). "Further analysis on the thermal response of the upper Bay of Bengal to the forcing of pre-monsoon cyclonic storm and summer monsoonal onset during MONEX-79." Mausam 38(2): 147-156Doi: 10.12691/ajmo-2-2-2.##[18].Roy, C. and R. Kovordányi (2012). "Tropical cyclone track forecasting techniques―A review." Atmospheric research 104: 40-69. Doi: http://dx.doi.org/10.1016/j.atmosres.2011.09.012.##[19].Sadhuram, Y. (2004). "Record decrease of sea surface temperature following the passage of a super cyclone over the Bay of Bengal." Current Science 86(3): 383-384p.Doi: 10.12691/ajmo-2-2-2.##[20]. Schade, L. R. (2000). "Tropical cyclone intensity and sea surface temperature." Journal of the atmospheric sciences 57(18): 3122-3130. Doi:http://dx.doi.org/10.1175/15200469(2000)0572.0.CO;2##[21].Simmonds, I. and K. Keay (2000). "Variability of Southern Hemisphere extratropical cyclone behavior, 1958-97." Journal of Climate13(3):550561.Doi:http://dx.doi.org/10.1175/15200442(2000)0132.0.CO;2.##[22]. Vincent, E. M., et al. (2012). "Processes setting the characteristics of sea surface cooling induced by tropical cyclones." Journal of Geophysical Research: Oceans (1978–2012) 117(C2). DOI: 10.1029/ 2011JC007396.##[23].Webster, P. J., et al. (2005). "Changes in tropical cyclone number, duration, and intensity in a warming environment." Science 309(5742): 1844-1846. DOI: 10.1126/science.1116448.##[24].http://www.havagerash.ir/post/346##

0 تحلیل رابطۀ آلودگی هوای تهران با ترافیک و شرایط جو برای کاهش مخاطرات Relationship Analysis of Air Pollution of Tehran with Traffic and Atmospheric Conditions for Hazards Mitigation https://jhsci.ut.ac.ir/article_53920.html 10.22059/jhsci.2015.53920 0 آلودگی هوا از مهم‌ترین مخاطرات زیست‌محیطی کلانشهرهاست که شناخت عوامل مؤثر بر آن کمک شایانی به کاهش آثار آن خواهد کرد. حل این مشکل نیازمند مطالعات دقیق در زمینۀ شناسایی متغیرهای مؤثر بر آلاینده‌هاست. هدف این پژوهش بررسی تغییرات شاخص کیفیت هوا در ارتباط با شرایط جوی و ترافیک در شهر تهران طی 60 روز (15 آبان تا 15 دی، معادل 6 نوامبر تا 5 ژانویه) برای هر یک از سال‌های 1389 تا 1391 بوده است. به‌منظور محاسبۀ همبستگی و تحلیل رگرسیون بین شاخص‌های کیفیت هوا (میانگین و بیشینه) با متغیرهای ترافیک و هواشناسی از ضریب همبستگی پیرسون و تحلیل رگرسیون استفاده شده است. نتایج این تحقیق نشان می‌دهد که شاخص ناپایداری جو (شاخص– ki ) بیشترین تأثیر را بر تغییرات آلودگی هوا داشته است. در خصوص تخمین شاخص کیفیت هوا، مدل‌های رگرسیون ساده و چندگانۀ خطی در سال 1390، دقیق‌ترین مدل در تخمین بیشینة شاخص کیفیت هوا و دارای کمترین انحراف نسبی بوده است (انحراف نسبی 05/0- در مدل اول و 1/0- در مدل دوم). دستاورد شایان توجه در این تحقیق همبستگی غیرمستقیم بین تعداد خودرو و شاخص کیفیت هواست که بر خلاف انتظار است. به‌نظر می‌رسد تولید آلاینده‌ها در دو حالت حرکت و توقف خودروها، دو مقولۀ کاملاً متفاوت است که باید با دیگر روش‌های علمی بررسی شود. 1 Air pollution is one of the most important environmental hazards in Tehran metropolitan that with understanding and cognition of factors which affecting pollution can reduce adverce effects of it. In order to reduce these effects, accurate studies on the basis of effective factors on pollutant is essential. The goal of this research is to analysis variation of air quality index(AQI) in relation to atmospheric conditions and traffic in Tehran. The Pearson correlation coefficient and regression analysis were used in order to compute the relationship between air quality indices(average and maximum) with traffic and meteorological variables. This study was done during 60 days (November,6th to January 5th) for the 2010 to 2012 years. The results revealed that atmospheric unstability index (ki-index) has the most impact on air pollution variations. Multiple linear regression models for the year 2011 was the most accurate model to estimate maximum air quality index with the least relative deviation, RD (RD of -0.05 for first model and -0.1 for second one). An important achievement of this study was indirect correlation between number of vehicle and air quality index which is not happened to the reality. It seems that pollutant production in two cases including car’s movement or stop are quite different from each other and should be investigated using other methods. 35 49 سعید بازگیر Saeed Bazgeer استادیار، گروه جغرافیای طبیعی دانشکدۀ جغرافیا دانشگاه تهران Iran sbazgeer@ut.ac.ir مجتبی قدیری معصوم Mojtaba Ghadiri Masoum استاد، گروه جغرافیای انسانی، دانشکدۀ جغرافیا، دانشگاه تهران Iran mghadiri@ut.ac.ir علی اکبر شمسی پور AliAkbar Shamsipour استادیار، گروه جغرافیای طبیعی، دانشکدۀ جغرافیا، دانشگاه تهران Iran shamsipr@ut.ac.ir شیوا سیدی سرنجیانه Shiwa Sayedi Serenjiane کارشناس ارشد، مخاطرات محیطی، دانشکدۀ جغرافیا، دانشگاه تهران Iran shiwa.sayedi@gmail.com : Air Pollution Hazards Traffic Atmospheric Conditions Tehran ]1[. احمدی آسور، اکبر؛ الله‌آبادی، احمد (1390). سنجش میزان آلاینده‌های شهر سبزوار، مجلۀ دانشگاه علوم پزشکی و خدمات بهداشتی درمانی سبزوار، دورۀ 18: 147-140.##]2[. اسدی، مسعود (1388). تبیین نقش حمل‌و‌نقل عمومی در محیط زیست پایدار شهری: مطالعۀ موردی، منطقۀ 6 تهران با رویکرد محیط زیست پایدار شهری)، پایان‌نامۀ کارشناسی ارشد، دانشکدۀ محیط زیست، دانشگاه تهران.##]3[. اشرفی، خسرو؛ هشیاری‌پور، غلامعلی؛ نجار اعرابی، بابک؛ کشاورزی شیرازی، هما (1391). پیش‌بینی روزانۀ غلظت کربن منوکسید با استفاده از مدل تلفیقی انتخاب پیشرو-عصبی فازی براساس تحلیل پایداری جو: بررسی موردی، شهر تهران)، مجلۀ فیزیک زمین و فضا، دورۀ 38، شمارۀ 2: 201-183.##]4[. امیربیگی، حسن؛ احمدی آسور، اکبر (1386). بهداشت هوا و روش‌های مبارزه با آلاینده‌ها ی محیطی و صنعتی، تهران، انتشارات اندیشۀ رفیع.##]5[. انصافی مقدم، طاهره (1372). بررسی ارتباط آلودگی هوای تهران و ارتباط آن با وارونگی دمای جو (اینورژن)، پایان‌نامۀ کارشناسی ارشد، دانشگاه تربیت مدرس.##]6[. آذر، عادل؛ مؤمنی، منصور (1388). آمار و کاربرد آن در مدیریت، جلد دوم، تحلیل آماری، تهران، انتشارات سمت.##]7[. جعفری، حمیدرضا؛ حسن پور، سیروس؛ رحیلی خراسانی، لیلا؛ پوراحمد، احمد (1393). کاربرد سامانۀ اطلاعات جغرافیایی (GIS) در مکان‌یابی و تحلیل فضایی- مکانی آلودگی و منابع آلاینده‌های هوا در کلانشهر کرمانشاه، محیط‌شناسی، دورۀ 40، شمارۀ 1: 64-51.##]8[. رضائی، عبدالمجید (1386). مفاهیم آمار و احتمالات. مشهد، نشر مشهد.##]9[. زارعی محمود‌آبادی، هادی؛ دهقانی طرزجانی، فریده (1390). آلودگی هوا، میبد، نشر دانشگاه آزاد اسلامی واحد میبد.##]10[. سازمان هواشناسی کشور (1390). سالنامه‌های هواشناسی.##]11[. شرعی‌پور، زهرا (1389). بررسی غلظت آلاینده‌های هوا و ارتباط آن با پارامترهای هواشناسی، چهاردهمین کنفرانس ژئوفیزیک ایران، تهران، مؤسسۀ ژئوفیزیک دانشگاه تهران.##]12[. شرعی‌پور، زهرا؛ بیدختی، علی‌اکبر (1388). شرایط هواشناختی جو بالا و وضعیت حاد آلودگی هوا (مطالعۀ موردی، شهر تهران)، محیط‌شناسی، شمارۀ 35: 14-1.##]13[. شرکت کنترل کیفیت هوای تهران (1391). گزارش سالانۀ کیفیت هوای تهران در سال 1390، تهران، شمارۀ گزارش QM91/02/06(U)/01.##]14[. شمسی‌پور، علی‌اکبر؛ امینی، ژوان (1392). شبیه‌سازی الگوی پراکنش CO با مدل خرداقلیمی Envi-met در مسیر آزادی- تهرانپارس، جغرافیا و مخاطرات محیطی، شمارۀ 7: 103-85.##]15[. صادقی حسینی، علیرضا؛ رضائیان، مهتاب (1385). بررسی تعدادی از شاخص‌های ناپایداری و پتانسیل بارورسازی ابرهای همرفتی منطقۀ اصفهان، مجلۀ فیزیک زمین و فضا، جلد 32، شمارۀ 2: 98-83.##]16[. صادقی دهنوی، محسن؛ شیران، غلامرضا؛ پورمعلم، ناصر (1383). تخمین آلودگی هوا ناشی از جریان‌های ترافیکی در خیابان‌های شهری، اولین کنگرۀ ملی مهندسی عمران، NCCE، تهران، دانشگاه صنعتی شریف.##]17[. علیجانی، بهلول (1384). رابطۀ بین توزیع فشار و تراکم آلاینده‌های شهر تهران، پژوهش‌های جغرافیایی، دورۀ 37، شمارۀ 2: 49-39.##]18[. عیسائی، محمدتقی (1384). سیستم‌های هوشمند حمل‌و‌نقل، تهران، انتشارات آذر.##]19[. متکان، علی‌اکبر؛ شکیبا، علی‌رضا؛ پورعلی، سید حسن؛ بهارلو، ایمان (1388). تعیین تغییرات مکانی و زمانی آلودگی‌های منواکسید کربن و ذرات معلق، با استفاده از تکنیک‌های GIS در شهر تهران، سنجش از دور و GIS ایران، سال اول، شمارۀ 1: 72-57.##]20[. مرادی، محمد (1390). مقدمه‌ای بر هواشناسی دینامیکی1، تهران، نشر سیدباقر حسینی.##[21]. Aldrin, M.; Haff, I. H. (2005). Generalised additive modelling of air pollution, traffic volume and meteorology. Atmospheric ## Environment, 39(11): 2145-2155.##[22].Bazgeer, S. (2005). Land use change analysis in the sub mountainous region of Punjab using remote sensing, GIS and agro meteorological parameters. Ph.D Dissertation, Punjab Agricultural University (PAU), Ludhiana, India.##[23]. Colvile, R. N.; Kaur, S.; Britter, R.; Robins, A.; Bell, M. C.; Shallcross, D. E.; D.A.P.P.L.E.Project Co-investigators (2005). Sustainable development of urban transport systems and human exposure to air pollution. Science of the total environment, (334-335): 481-487.##[24].Marinaki, A.; Spiliotopoulos, M.; Michalopoulou, H. (2006). Evaluation of atmospheric instability indices in Greece. Advances in Geosciences. 7(131): 131-135.##[25].Vardoulakis, S.;Gonzalez-Flesca, N.; Fisher, B. E. A. (2002). Assessment of traffic-related air pollution in two street canyons in Paris: implications for exposure studies. Atmospheric Environment, 36(6): 1025-1039.##[26].Willmott, C. J. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society. 63(11): 1309-1369.##[27].Zhu, Y.; Hinds, W. C.; Kim, S.; Shen, S.; Sioutas, C. (2002). Study of ultrafine particles near a major highway with heavy-duty diesel traffic. Atmospheric Environment. 36(27); 4323-4335.##

0 مدلسازی و پیش‌بینی سری زمانی شاخص‌های خشکسالی با روش‌های یادگیری ماشین به‌منظور مدیریت مخاطرات (مطالعۀ موردی: منطقۀ شرقی اصفهان) Modeling and Predicting the Drought Indices Time Series Using Machine Learning Methods In Order To Managing Hazards (Case Study: Eastern District of Isfahan) https://jhsci.ut.ac.ir/article_53921.html 10.22059/jhsci.2015.53921 0 خشکسالی پدیده‌ای پیچیده و مخاطره‌آمیز در کل جهان بهویژه ایران به‌شمار می‌آید. تعیین و پیشبینی شدت خشکسالی می‌تواند در مدیریت مخاطرات ناشی از آن مؤثر باشد. برای تعیین شدت خشکسالی از شاخصهایی استفاده شده که به دو دستۀ کلی شاخصهای هواشناسی و سنجش از دور تقسیم می‌شوند. مهم‌ترین شاخص هواشناسی، شاخص بارش استانداردشده (SPI) و در شاخصهای سنجش از دور نیز، شاخصهای مستخرج از پوشش گیاهی (NDVI) و شاخص دمای سطح زمین (LST) بوده است. برای مدلسازی رفتار سری زمانی این شاخص‌ها و همچنین پیشبینی مقادیر آیندۀ آنها، روشهای یادگیری ماشین توانستهاند کارایی زیادی از خود نشان دهند. این مقاله نیز قصد دارد کارایی چهار روش مهم یادگیری ماشین یعنی شبکۀ عصبی (NN)، رگرسیون بردار پشتیبان (SVR)، ماشین بردار پشتیبان کمترین مربعات (LSSVM) و همچنین یک سیستم فازی بر پایۀ شبکۀ عصبی تطبیقی (ANFIS) را برای مدلسازی شاخصهای هواشناسی و سنجش از دور منطقۀ شرقی اصفهان از سال 2000 تا 2014 و پیشبینی مقادیر آنها در 2015 و 2016 بررسی کند. دادههای بهکاررفته، سری زمانی NDVI و LST ماهوارۀ مادیس و سری زمانی دادۀ میزان بارش ماهواره TRMM منطقۀ مطالعاتی است. در ابتدا، سری زمانی شاخصهای وضعیت گیاهی (VCI) و شاخص پوشش گیاهی دمایی (TVX) از دادههای NDVI و LST و سری زمانی SPI-دوازده‌ماهه از دادههای مقدار بارش ساخته شده است. در ادامه رفتار این سه سری زمانی، توسط هر چهار روش یادشده مدلسازی شده که مطابق با نتایج، SVR بیشترین کارایی و NN کمترین کارایی را در بین این روشها داشته است. سرعت عملکرد LSSVM و سپس ANFIS نیز بیشتر از سایر روشها بوده است. در پایان، با طراحی یک سیستم استنتاج فازی (FIS)، وضعیت خشکسالی در دو فصل بهار و تابستان 2000 تا 2016 بررسی شده که نتایج نشان از نرمالبودن وضعیت بهار در همۀ سالها بهجز دو سال 2000 و 2011 و خشکسالی شدید تابستان در همۀ سالها به‌جز چهار سال 2000، 2010، 2011 و 2014 داشته است. در واقع این پژوهش قصد داشت به‌کمک روشهای یادگیری ماشین و استفاده از سری زمانی دادههای سنجش از دور و هواشناسی و تلفیق آنها در یک سیستم FIS، راهکاری را برای مدلسازی رفتار خشکسالی و پیشبینی و پایش آن در آینده ارائه دهد. 1 The drought has been known as a complex and perilous phenomenon at the whole of the world especially in Iran. Determining and predicting its severity can be effective at managing the hazards due to it. To determine the drought severity, the indices have been used that can be divided into two broad categories of meteorological (M) and remotely-sensed (RS) indices. The most important M index has been the standardized perception index (SPI), and the common RS indices have been those extracted from the vegetation index (NDVI) and land surface temperature (LST) index. For modeling time series behavior of these indices and also predicting their future values, the machine learning methods can indicate the high efficiency. This paper also aims to evaluate the performance of four important machine learning methods, i.e. neural network (NN), support vector regression (SVR), least squares support vector machine (LSSVM) and also an adaptive neuro fuzzy inference system (ANFIS) for modeling the M and RS indices of Eastern district of Isfahan during 2000 to 2014 and predicting their values at 2015 and 2016. The data used in this paper are the NDVI and LST time series of MODIS, and the rainfall time series of TRMM satellite of study area. At first, the vegetation condition index (VCI) and temperature vegetation index (TVX) have been built by NDVI and LST and 12-month SPI has been built by rainfall data. Next, the time series behavior of three these indices has been modeled by four aforementioned methods that according to the results, SVR has a highest efficiency and NN has a lowest efficiency among these methods. The speed performance of LSSVM and then ANFIS have been higher than the other methods. Finally by designing a fuzzy inference system (FIS), the drought severity at spring and summer of 2000 to 2016 has been monitored that the results have shown the normality of the spring in all years except 2000 and 2011 and severe drought in the summer in all years except for the four years 2000, 2010, 2011 and 2014. In fact, this research has aimed to present a strategy for modeling drought behavior and predicting and monitoring it at future using machine learning methods and the remotely-sensed and meteorological time series data and fusing them in a FIS system. 51 65 ایمان خسروی Imam Khosravi دانشجوی دکتری سنجش از دور، گروه مهندسی نقشه‌برداری، پردیس دانشکده‌های فنی، دانشگاه تهران، ایران Iran iman.khosravi@ut.ac.ir مهدی آخوندزاده Mehdi Akhondzadeh استادیار، گروه مهندسی نقشه‌برداری، پردیس دانشکده‌های فنی، دانشگاه تهران، ایران Iran makhonz@ut.ac.ir محمدمهدی خوشگفتار Mohammad Mehdi Khoshgoftaar دانشجوی دکتری سنجش از دور، گروه مهندسی نقشه‌برداری، پردیس دانشکده‌های فنی، دانشگاه تهران، ایران Iran mm.khoshgoftaar@ut.ac.ir Time Series Modeling Drought indices Machine learning Hazards remote sensing Isfahan منابع##[1].ابراهیمزاده، سجاد؛ بذرافشان، جواد؛ قربانی، خلیل (1392). امکانسنجی تشخیص تغییرات پوشش گیاهی مبتنی بر شاخصهای زمینی و ماهوارهای خشکسالی (مطالعۀ موردی: استان کرمانشاه)، مجلۀ هواشناسی کشاورزی، ج 1، شمارۀ 1: 48-37.##[2].ابریشمچی، احمد؛ مهدیخانی، حسین؛ تجریشی، مسعود (1385). توسعۀ مدل تلفیقی غیرخطی پیشبینی خشکسالی مبتنی بر شبکۀ عصبی مصنوعی و تبدیلات موجک، مطالعۀ موردی: زیرحوضۀ سد زایندهرود، دومین کنفرانس مدیریت منابع آب، اصفهان، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران.##[3].آخوندزاده، مهدی (1384). تهیۀ نقشه‌های حرارتی سطح زمین با استفاده از تصاویر ماهواره‌ای MODIS، پایان‌نامۀ کارشناسیارشد، دانشگاه تهران، پردیس دانشکدههای فنی، گروه مهندسی نقشه‌برداری.##[4].پویانفر، احمد؛ فلاحپور، سعید؛ عزیزی، محمدرضا (1392). رویکرد حداقل مربعات ماشین بردار پشتیبان مبتنی بر الگوریتم ژنتیک جهت تخمین رتبۀ اعتباری مشتریان بانکها، مجلۀ مهندسی مالی و مدیریت اوراق بهادار، شمارۀ 17: 158-133.##[5].جلیلی، شیدا؛ مرید، سعید؛ ضیائیان فیروزآبادی، پرویز (1387). مقایسۀ عملکرد شاخصهای ماهواره‌ای و هواشناسی در پایش خشکسالی، مجلۀ تحقیقات آب و خاک ایران. دورۀ 39، شمارۀ 1: 149-139.##[6].جویباری، یاسر (1393). تهیۀ نقشۀ ضریب گسیل و دما با استفاده از تصاویر ماهوارۀ لندست-8. پایاننامۀ کارشناسی ارشد، دانشگاه تهران، پردیس دانشکدههای فنی، گروه مهندسی نقشهبرداری.##[7].سلیمانی، علی (1389). تحلیل خطرپذیری خشکسالی، پایاننامۀ کارشناسی ارشد، دانشگاه تهران، پردیس دانشکدههای فنی، گروه مهندسی نقشهبرداری.##[8].غفوریان، ﻫادی؛ ثنائینژاد، سیدحسین؛ داوری، کامران (1392). بررسی تعیین مناطق مناسب جهت پایش خشکسالی با استفاده از دادههای ماهواره TRMM (مطالعۀ موردی: استان خراسان رضوی)، نشریۀ آب و خاک (علوم و صنایع کشاورزی)، ج 28، شمارۀ 3: 648-639.##[9].کارآموز، محمد؛ رسولی، کبیر؛ نظیف، سارا (1385). تدوین شاخص ترکیبی خشکسالی با استفاده از شبکههای عصبی، دومین کنفرانس مدیریت منابع آب، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران.##[10]. گلمحمدی، محمدحسین؛ صفوی، حمیدرضا (1389). پیشبینی سریهای زمانی تکمتغیرۀ هیدرولوژیکی با استفاده از سیستم فازی بر پایۀ شبکۀ عصبی تطبیقی، پنجمین کنگرۀ ملی مهندسی عمران، 14 تا 16 اردیبهشت 1389، دانشگاه فردوسی مشهد، مشهد، ایران.##[11]. محمدیان، آزاده؛ کوهی، منصوره؛ آدینهبیگی، آرمان؛ رسولی، جواد؛ بذرافشان، بهاره (1389). مقایسۀ پایش خشکسالی با استفاده از شاخصهای SPI، DI و PNI و پهنهبندی آنها (مطالعۀ موردی: استان خراسان شمالی)، مجلۀ پژوهشهای حفاظت آب و خاک، ج 17، شمارۀ 1: 184-177.##[12]. محمودی کهن، فرهاد (1389). مطالعۀ قابلیت شاخصهای گیاهی ماهوارهای در پیشبینی و آشکارسازی خشکسالی، پایاننامۀ کارشناسیارشد، دانشگاه تحصیلات تکمیلی صنعتی کرمان، دانشکدۀ عمران و نقشهبرداری، گروه سنجشاز‌دور.##[13]. مرادی، نسرین؛ کمالی، امیرجلال؛ مرادی، مهدی (1392). مقایسۀ دو مدل SVM و ANFIS در تخمین خشکسالی هواشناسی، اولین همایش ملی بهینهسازی مصرف آب، گرگان.##[14]. نیکبخت شهبازی، علیرضا؛ زهرایی، بنفشه؛ ناصری، محسن (1389). پیشبینی خشکسالی اقلیمی در حوضۀ سدهای تهران با استفاده از SVM، چهارمین کنفرانس منطقهای تغییر اقلیم، تهران : 406-397.##[15]. Barua, S., Perera, B.J.C., Ng, A.W.M., Tran, D., (2010). Drought Forecasting Using an Aggregated Drought Index and Artificial Neural Networks, Journal of Water and Climate Change, Vol 1, pp 193–206.##[16]. Berhan, G., Hill, S., Tadesse, T., Atnafu, S., (2011), Using Satellite Images for Drought Monitoring: A Knowledge Discovery Approach, Journal of Strategic Innovation and Sustainability, vol 7(1), pp 135–153.##[17]. Bhuiyan, C., Singh, R.P., Kogan, F.N., (2006). Monitoring Drought Dynamics in the Aravalli Region (India) Using Different Indices Based on Ground and Remote Sensing Data, International Journal of Applied Earth Observation and Geoinformation, 8 (2006), pp 289–302.##[18]. Chen, C. -C., Lin, C. -J. (2010). LIBSVM: A library for support vector machines. Available from: http://www.csie.ntu.edu.tw/~cjlin/libsvm##[19]. Dastorani, M.T., Afkhami, H., Borroni, B., (2011). Application of Artificial Neural Networks on Drought Prediction in Yazd (Central Iran), Desert, Vol 16, pp 39–48.##[20]. Dastorani, M. T., Afkhami, H., Sharifidarani, H., Dastorani, M., (2010). Application of ANN and ANFIS Models on Dryland Precipitation Prediction (Case Study: Yazd in Central Iran), Journal of Applied Sciences, 10 (20), pp 2387–2394.##[21]. Gebrehiwot, T., Van der Veen, A., Maathuis, B., (2011). Spatial and Temporal Assessment of Drought in the Northern Highlands of Ethiopia, International Journal of Applied Earth Observation and Geoinformation, Vol 13, pp. 309–321.##[22]. Jain, S.K., Keshri, R., Goswami, A., Sarkar, A., (2010). Application of Meteorological and Vegetation Indices for Evaluation of Drought Impact: A Case Study for Rajasthan, India, Natural Hazards, Vol 54, pp 643–656.##[23]. Jalili, M., Gharibshah, J., Ghavami, S.M., Beheshtifar, M.R., Farshi, R., (2014). Nationwide Prediction of Drought Conditions in Iran Based on Remote Sensing Data, IEEE Transactions on Computers, Vol 63, No 1.##[24]. Keskin, M.E., Terzi, O., Taylan, E.D., Kucukyaman, D., (2011). Meteorological Drought Analysis Using Artificial Neural Networks, Scientific Research and Essays, Vol 6, pp 4469–4477.##[25]. Khosravi, I., Mohammad-Beigi, M., (2014). Multiple Classifier Systems for Hyperspectral Remote Sensing Data Classification, Journal of the Indian Society Remote Sensing, Vol 42, Issue 2, pp 423–428.##[26]. Mishra, A.K., Desai, V.R., (2006). Drought Forecasting Using Feed-Forward Recursive Neural Network, Ecological Modelling, Vol 198, pp 127–138.##[27]. Muthumanickam, D., Kannan, P., Kumaraperumal, R., Natarajan, S., Sivasamy, R., Poongodi, C., (2011). Drought Assessment and Monitoring Through Remote Sensing and GIS in Western Tracts of Tamil Nadu, India, International Journal of Remote Sensing, 32:18, pp 5157–5176.##[28]. Nikhbakht Shahbazi, A., Heidarnejhad, M., (2012). Meteorological Drought Prediction in Karoon Watershed using Meteorological Variables, International Research Journal of Applied and Basic Sciences, Vol 3, No 9, pp 1760–1768.##[29]. Orhan, O., Ekercin, S., Dadaser-Celik, F., (2014). Use of Landsat Land Surface Temperature and Vegetation Indices for Monitoring Drought in the Salt Lake Basin Area, Turkey, The Scientific World Journal, Vol 2014.##[30]. Quiring, S. M., Ganesh, S., (2010). Evaluating the Utility of the Vegetation Condition Index (VCI) for Monitoring Meteorological Drought in Texas, Agricultural and Forest Meteorology, 150 (2010), pp 330–339.##[31]. Rahimzadeh-Bajgiran, P., Omasa, K., Shimizu, Y., (2012). Comparative Evaluation of the Vegetation Dryness Index (VDI), the Temperature Vegetation Dryness Index (TVDI) and the improved TVDI (iTVDI) for Water Stress Detection in Semi-Arid Regions of Iran, ISPRS Journal of Photogrammetry and Remote Sensing, 68 (2012), pp 1–12.##[32]. Rahmizadeh-Bajgiran, P., Shimizu, Y., Hosoi, F., Omasa, K., (2009). MODIS Vegetation and Water Indices for Drought Assessment in Semi-Arid Ecosystems of Iran, J. Agric. Meteorol. Vol 65, 4, pp 349–355.##[33]. Rulinda Coco, M., (2007). Mining Drought from Remote Sensing Images, MSc thesis, Geo-information Science and Earth Observation.##[34]. Sadri, S., Burn, D. H., (2012). Nonparametric Methods for Drought Severity Estimation at Ungauged Sites, Water Resources Research, Vol 48, pp 1–10.##[35]. Shirmohammadi, B., Moradi, H., Moosavi, V., Taei Semiromi, M., Zeinali, A., (2013). Forecasting of Meteorological Drought Using Wavelet-ANFIS Hybrid Model for Different Time Steps (Case Study: Southeastern Part of East Azerbaijan Province, Iran), Nat Hazards, Vol 2013, No 69, pp 389–402.##[36]. Song, X., Saito, G., Kodama, M., Sawada, H., (2004). Early Detection System of Drought in East Asia Using NDVI from NOAA AVHRR Data, International Journal of Remote Sensing, Vol 25, pp 3105–3111.##[37]. www.neo.sci.gsfc.nasa.gov##[38]. Zeng, L., Shan, J., Xiang, D., (2010). Monitoring Drought Using Multi-Sensor Remote Sensing Data in Cropland of Gansu Province.##[39]. Zhang, X., Zhang, T., Young, A.A., Li, X., (2014). Applications and Comparisons of Four Time Series Models in Epidemiological Surveillance Data, PLoS ONE, Vol 9, Issue 2, pp 1–16.##

0 تحلیل اثر الگوی سینوپتیکی رخداد مخاطره‌آمیز موج گرمای تابستان 1392 و فوت ناشی از آلودگی شهر تهران Synoptic survey on death rate resultant of Tehran air pollution during heat wave in summer 2013(1392) https://jhsci.ut.ac.ir/article_53922.html 10.22059/jhsci.2015.53922 0 دما از عناصر اساسی اقلیم است. بررسی تغییرات ناگهانی یا کوتاه‌مدت و درازمدت و تأثیر آن بر ساختار آب‌وهوای کشور اهمیت بسزایی دارد. از طرفی فراوانی، شدت و دوام دماهای افراطی، در پی تغییرات اقلیمی دهه‌های اخیر، می‌تواند بحران‌های مهمی را در شرایط اکوسیستمها پدید آورد. این مخاطرات مواردی مانند ذوب سریع برف، سیلاب، آتش‌سوزی، بهمن و... تا شیوع امراض و کاهش محصولات کشاورزی را در بر می‌گیرد. دماهای افراطی در اثر پایداری هوا و نزول و فرونشینی هوا در کلانشهرها اغلب به تشدید آلودگی هوا منجر می‌شود. از عواقب افزایش آلودگی هوا در درجة اول بروز بیماری‌های تنفسی، تشدید بیماری‌های قلبی و ریوی و همچنین افزایش مرگ‌و‌میر در شهرهاست. در ایران هشت کلانشهر به‌عنوان شهرهای آلوده معرفی شده‌اند که اولین و مهم‌ترین آنها شهر تهران است؛ به‌طوری که از هر سه روز در سال، یک روز توسط یک یا چند آلاینده آلوده است. شرایط توپوگرافی و محصور شدن در بین سد کوهستانی البرز نیز به تشدید این وضعیت میانجامد. تهران در تابستان 1392 (تیر و مرداد) در پی استیلای امواج گرما و رسیدن دما به بیش از 40 درجة سانتی‌گراد، براساس گزارش سازمان هواشناسی به رکورد گرم‌ترین روزهای سال در 60 سال گذشته رسید ]1[؛ به‌طوری که بنابر گزارش ادارة کل حفاظت محیط زیست تهران پایداری هوا و کاهش کیفیت هوا سبب بروز شرایط ناسالم به‌مدت سه هفتة پیاپی در تهران شد. در پژوهش پیش رو، به‌منظور شناسایی منشأ و الگوی سینوپتیکی امواج گرمای رخ‌داده، از دادههای دمای سطح زمین سازمان هواشناسی و همچنین نقشه‌های فشار، ارتفاع و دما در ترازهای سطح زمین، 700 و 500 هکتوپاسکال از پایگاه NCEP/NCAR[1] و نمودار اسکیوتی پایگاه دانشگاه وایومینگ آمریکا و همچنین آمار فوت‌شدگان بیماریهای قلبی - عروقی، بیماریهای تنفسی و سرطانی در زمان مذکور از بخش انفورماتیک سازمان بهشت زهرا استفاده شد. نتایج نشان داد که استقرار زبانههای کمفشار گنگ در سطح زمین و پرفشار آزور و لایة وارونگی در تراز میانی و بالای جو، سبب پایداری و افزایش دما و در پی آن حبس شدن آلایندهها در سطح زمین و کاهش کیفیت هوا در تهران شد که در نهایت افزایش دوبرابری مرگ‌و‌میر بیماران تنفسی را در پی داشت. 1 Air pollution is the results of industrial development increased continuously by overpopulation urbanization expanse and use more fossil fuels. One of the most important air pollution consequences is breathing disease, intensification of heart and pulmonary diseases and also increasing mortality in the cities. Tehran is one of the most polluted cities in the world, so that; it is polluted by a pollutant or some pollutant one day of each 3 days. On the other hand, topographic situations and locating in Alborz Mountains increase it. In both July and August 2013, when the temperature reached over 40c° most of the times in heat waves, the air go stable and the quality of the air decreased and unhealthy conditions overcame for several weeks in Tehran.Based on the reports of meteorology organization, Tehran had the hottest days in summer 1392 (2013) ( Tir(July) and Mordad(August)) in recent 60 years. Air stability caused decrease of air quality and unhealthy conditions development for three weeks. Recognition of air pollutions origins and their synoptic patterns is useful for forecasting unhealthy conditions and control them. paper, temperatures data were received from meteorology organization;, pressure, altitude and temperature maps in sea level, 700 and 500 HCT Pascal conditions were gotten from NCEP/NCAR and Skew-T was got from UniversityofWyoming to recognize the synoptic pattern of the conditions. The results of the study showed Gang Cyclone tongue in SLP map and Anticyclone Azore and also inversion in middle and upper atmosphere caused air stability and increase of the temperature and then trapped the polluters near the ground caused decrease of air quality in Tehran. 67 83 مریم ثنایی Maryam Sanaie دانشجوی دکتری اقلیم‌شناسی، دانشگاه شهید بهشتی Iran maryam.loneypoet@gmail.com مجید خانمحمدی majid khanmohammadi دانشجوی کارشناسی ارشد مخاطرات محیطی، دانشگاه تهران Iran khanmohammadi.majid@gmail.com حسین محمدی Hosein Mohammadi استاد اقلیم‌شناسی، دانشگاه تهران Iran hmohammadi@ut.ac.ir synoptic pattern Tehran air pollution Mortality respiratory disease heat waves summer 2013 (1392) (1) اسکانی کزازی، غلامحسین؛ لاله سیاه پیرانی، میترا (1389). تحلیل سینوپتیکی آلودگی هوای شهر تهران، فصلنامة علمی پژوهشی جغرافیا: 161-135.##(2) راسل د. تامپسون (1386). فرایندها و سیستم‌های جوی، ترجمة حسینمراد محمدی، چاپ دوم، انتشارات دانشگاه تهران: 16-15.##(3) صفوی، یحیی؛ علیجانی، بهلول (1385). بررسی عوامل جغرافیایی در آلودگی هوای تهران، پژوهش‌های جغرافیایی، شمارة 58: 112-99.##(4) عرب‌امیری، محمد؛ رفیع‌پور، مهرداد؛ علیمحمدی سراب، عباس؛ عسگری، محمدحسین (1391). تجزیه‌و‌تحلیل و تهیة نقشة ریسک آلودگی هوای شهر تهران با استفاده از منطق فازی: 10-1.##(5) عطایی، هوشمند؛ هاشمی نسب، سادات (1390). شناسایی و تجزیه‌و‌تحلیل الگوهای تراز میانی جو مؤثر در آلودگی هوای شهر اصفهان، پژوهش و برنامه‌ریزی شهری، شمارة 4، 112-97.##(6) لشکری، حسن؛ هدایت، پریسا (1385). تحلیل الگوی سینوپتیکی اینورژن های شدید شهر تهران، پژوهش های جغرافیایی، شماره 56، 82-65.##(7) لشکری، حسن (1390). اصول و مبانی تهیه و تفسیر نقشه‌ها و نمودارهای اقلیمی، چاپ اول، انتشارات دانشگاه شهید بهشتی: 89-88.##(8) محمدی، حسین (1390). مخاطرات جوی، انتشارات دانشگاه تهران.##(9) هدایت، پریسا (1381). بررسی سینوپتیکی سیستم‌های اقلیمی مؤثر بر آلودگی هوای شهر تهران و بیماریهای قلبی و ریوی، پایاننامة کارشناسی ارشد، دانشکدة علوم زمین، دانشگاه شهید بهشتی.##(10) مقیمی، ابراهیم (1394). دانش مخاطرات، انتشارات دانشگاه تهران. چاپ دوم.## (11)Ahmadnezhad, E., Holakouie, K.,Ardalan, A.,Mahmoudi, M. Younesian, M.Nddafi, K.andMesdaghinia, A., 2013. “Excess Mortality during Heat Waves,Tehran, Iran:An Ecological Time-Series Study”. Journal Punlmed, 13(1), May, pp. 24-31.##(12)Bettina M. 2003, “fifty-third session of the WHO Regional Committee for Europe”3: PP1-12.## (13 )Gerald A. Meel and Claudia Tebaldi(2004). More Intense, More Frequent, and Longer Lasting Heat Wave in the 21st Century.National Center For Atmospheric Research (NCAR).##(14)Huang W, Kan H, Kovats S.2011. “ The impact of the 2003 heat wave on mortality in Shanghai”, China. Sci TotalEnviron;408,pp.2418–2420##(15)Hunt .B.G. (2006). A Climatology of Heat Waves from a Multimillennial Simulation. American Meteorological Society 20:3801-3821##(16)Matzarakis,A,Mayer,Helmut, 1990. “The Extreme Heat Wave In ATHENS in July 1987 from The Point Of view of Human Biometerology”, Atmospheric Enviroment Vol,25B,No,2,pp 203-211.##(17) Stanly A. changnon, Kenneth E. Kunkel, and Benth C, 1996, “Reinke Midwestern Climat Center, lllinois state Water Survey”, Champaign, lllinois 77: PP1497-1505##(18) Barry, R., (1997), “Synoptic Climatology, in J.E Oliver and R.W. Fairbrdge (eds)”, The Encyclopedia of Climatology, New York: Van Nostrand Reinhold Book.##(19) Bourne, S.M., Bhatt, U.S., Zhang, J., and Thoman, R., (2009), “Surface-based Temperature Inversions in Alaska from a Climate Perspective”, Atmospheric Research, pp 353-366.##(20)Bahaattin Celik, M.; and Kavy, I., 2004. Relation Between Meteorological factors and pollutants concentrations in karabuk city. Journal of Science 20, 87- 95.##(21)Safavi, S.Y.; and Alijani, B., 2004. The review of geographical factors impacts on Tehran air pollution. Geographical researches 58: 99-114.##(22)Amiri, M., 2006. Effects of climate factors and elements in construction of air pollutions in Tehran. M.A.Thesis. geography department of Tehran University.##(23)Alijani, B., 2003. The relationships between pressure distribution and pollution density in Tehran city. Geographical Researches. 37, 29-40.##

0 ارزیابی مخاطرات آلودگی شیمیایی آب کارستی غار قوری‌قلعه Evaluation of Chemical Pollution Hazards of karstic water in Qouri-Qalae Cave https://jhsci.ut.ac.ir/article_53923.html 10.22059/jhsci.2015.53923 0 مطالعة کیفیت آب‌های زیرزمینی مناطق کارستی اهمیت زیادی دارد. در این پژوهش، آلودگی شیمیایی آب‌های کارستی غار قوری‌قلعه ارزیابی و سعی شد از طریق آزمایش و نمونه‌برداری‌های اصولی، نتایج آلودگی‌ها مشخص و تحلیل شده و از طریق بازدیدهای میدانی و مصاحبه با کارشناسان مرتبط، نقش عوامل دخیل در آلودگی آب غار شناسایی شود. نمونه‌برداری از آب مدخل غار و بخش انتهایی آن طی دورۀ شش‌ماهه صورت گرفت و غلظت فلزات سنگین و کاتیون‌های اصلی در آزمایشگاه اندازه‌گیری شد. هدایت الکتریکی (EC)، اسیدیته یا قلیایی بودن (Ph)، نرخ مصرف اکسیژن در داخل آب توسط ارگانیسم‌ها (BOD) و نیترات (No3) نیز سنجیده شد. آرسنیک و سرب به روش جذب اتمی؛ آهن، منیزیم و منگنز به روش شعلهای؛ و لیتیوم، سدیم، کلسیم و پتاسیم به روش فتومتری اندازه‌گیری شد. Ph با Ph‌متر، EC با EC‌متر،BOD با BOD‌متر و نیترات به روش یون کروماتوگرافی IC سنجیده شده و نتایج آزمایشگاهی غلظتها با معیارهای استاندارد آب آشامیدنی مقایسه شد. براساس نتایج، غلظت برخی عناصر آب غار مانند آرسنیک و سرب از حد مجاز آب آشامیدنی بیشتر است و مخاطره‌ای جدی برای سلامت انسان محسوب می‌شود. براساس ارزیابی‌ها، منشأ این نوع آلودگی‌ها عامل زمینشناسی و وجود رگههای معدنی در منطقه، سوخت ناشی از کوره‌های آهک‌پزی و فاضلابها تشخیص داده شد. دلیل غلظت زیاد عناصر آهن، منگنز و منیزیم، عبور آب از خاک‌ها و سنگ‌های سطح زمین و نفوذ آن به درون غار است. عناصر اخیر سبب تغییر رنگ، کدورت و طعم آب غار شدهاند. میزان BOD زیاد است که دلیل آن عملکرد فاضلابها و ریختن مواد زاید بازدیدکنندگان غار در داخل آب غار تشخیص داده شد. براساس داده‌های به‌دست‌آمده از نتایج آزمایشگاهی، رابطه‌ای با تأخیر یک‌ماهه بین حداکثر زمان بارندگی ماهیانه و بیشترین مقدار عناصر پتاسیم، منگنز، نیترات و سدیم وجود دارد. یک ماه پس از نزول حداکثر بارش یعنی در فروردین، عناصر مذکور به بیشترین مقدار خود می‌رسند. این زمان تأخیری برای بروز حداکثر مقدار سرب دو ماه، و برای حداکثر مقدار لیتیوم و کلسیم سه ماه نسبت به حداکثر بارش است. بر پایة حداقل بارش دوره، تنها مقدار حداقل سرب تابع رواناب حاصل از بارندگی است و رابطه‌ای بین حداقل‌های ثبت‌شدة عناصر دیگر با حداقل بارندگی دورۀ زمانی دیده نمی‌شود. با توجه به موارد بالا، نظارت مستمر و دقیق بر غار، استفاده از استانداردها و تجارب بین‌المللی در مدیریت آن، ارتقای سطح آگاهی عمومی بازدیدکنندگان و محدود کردن تعداد آنها، خارج کردن مواد زاید و تأسیسات آلوده‌کنندة محیط غار و رفع مخاطرات طبیعی و انسانی سطح بیرونی حوضۀ آبگیر غار جزو اقدامات الزامی به‌منظور رفع مخاطرات تهدیدکنندۀ آب کارستی غار قوری‌قلعه است. 1 The Study of quality groundwater in karstic areas are great important. In this research, the hazards of karstic water chemical pollution in Qouri-Qalae cave are assessed. Rigorous tests have been conducted using samples, field works and interview with professionals to identify the role of human and natural factors contributing to the pollution of water in the cave. Samples have been taken from the cave entrance and end part of the cave during the six-month period. And the density of heavy metals and major cations have been measured in the laboratory. Apart from these, electrical conductivity, acidity or alkalinity, rate of oxygen consumption by organisms in water and nitrate has also been measured. In tests, arsenic and lead have been measured by atomic absorption spectrometry, Iron, magnesium and manganese by flame and lithium, sodium, calcium and potassium by Photometry methods. PH with PH meters, EC with EC meters, BOD with BOD meters have been measured and nitrate by ion chromatography IC. Drinking water density obtained from the laboratory results were compared with standard criteria. Based on the results, the density of some elements such as lead and arsenic within the water is higher than the permissible limit of drinking water. This is a serious risk to human health. Also the results show that the origin of this type of pollution is in relation to geological factor of mineral streaks, fuel emission of lime kilns and sewages. High density of iron, magnesium and manganese is in relation to the water crossing on the soils and rocks and then penetrating into the cave. Recent elements changed the color, turbidity and flavor of water. The high BOD can be linked to the sewage and waste by visitors. Considering the above points, the following actions are required for elimination of risks threatening groundwater of Qouri-Qalae cave: continuous monitoring, use of international standards and practices in management, increasing public awareness of visitors and limiting their number, removal of waste and polluting elements inside and outside of the cave particularly across the catchment area of the cave. 85 104 سعید خضری Saeed Khezri دانشیار دانشکدۀ منابع طبیعی دانشگاه کردستان؛ سنندج، ایران Iran s.khezry@gmail.com مهوش مروتی Mahwash Mrowati دانشجوی کارشناسی ارشد مخاطرات محیطی دانشگاه Iran msh.morvati@yahoo.com chemical analysis Karst water Hazard Pollution Qouri-Qalae cave [1]. توسلی، عباس (1٣٩٠). عوامل مخرب اکوسیستم‌های کارستی، فصلنامة کوه، شمارة ٦، تابستان ١٣٩٠: 36.##[2]. خدائی، کمال؛ شهسواری، علی‌اکبر؛ اعتباری، بهروز؛ 1385. ارزیابی آسیب‌پذیری آبخوان دشت جوین به روشهای GODS و DRASTIC، فصلنامۀ زمین‌شناسی ایران، سال دوم، شمارۀ چهارم، بهار 1385: 87-73.##[3]. عبدالقادری بوکانی، نازنین؛ حجت، سیدعلی؛ آل شیخ، علی‌اصغر (1387). مدلسازی آلودگی آب‌های زیرزمینی از طریق آنالیزهای زمین آماری (مطالعة موردی: شهرستان شیراز)، همایش ژئوماتیک ایران، سازمان نقشه‌برداری ایران.##[4]. قاسمی زیارانی، الهام؛ فریادی، شهرزاد؛ شیخ‌کاظمی، شهاب (1385). پهنه‌بندی آلودگی حوضۀ آبخیز سد کرج با استفاده از نرم‌افزار GIS، اولین همایش تخصصی مهندسی محیط زیست، دانشگاه تهران، دانشکدة فنی.##[5]. کریمیان، آرزو؛ جعفرزاده حقیقی، نعمت‌الله؛ افخمی، مهران (1385). کاربرد تصاویر ماهواره ‌ی در پایش کیفیت آبهای سطحی، نهمین همایش ملی بهداشت محیط، دانشگاه علوم پزشکی اصفهان: 28- 20.##[6]. کریمی، باوندپور(1378). نقشۀ زمین‌شناسی کرمانشاه مقیاس 100000/1، سازمان زمین‌شناسی و اکتشافات معدنی ایران.##[7]. مهندسین مشاور رویان فرانگار سیستم (1386). طرح جامع منطقۀ نمونة گردشگری غار قوری‌قلعه، 220 صفحه.##[8]. موسایی، فیروز؛ نخعی، محمد؛ امیری، وهاب (1389). ضرورت حفاظت کیفی از آبخوان‌های کارستی زردکوه. همایش ملی آب با رویکرد آب پاک، دانشگاه صنعت آب و برق شهید عباس‌پور.##[9]. مینویی، ارسطو؛ کرمی، غلام‌حسین؛ امیدی، پرویز (1389). هیدرولوژی و هیدروژئوشیمی چشمه‌های کارستی قلوز و تلوکسان در کوه‌های شاهو، مجموعه مقالات نخستین کنفرانس ملی پژوهش‌های کاربردی منابع آب ایران، 21 تا 22 اردیبهشت 1389، کرمانشاه، شرکت آب منطقه‌ای کرمانشاه: 98-89.##[10]. Appelo,C.A.J.,Postma D., 2005.Geochemistry, groundwater and pollution. 2nd ed., Balkema publishers, Great Britain, p 650.##[11]. Cool, G., et al, 2010, Evaluation of the vulnerability to contamination of drinking water systems for rural regions in Que´bec, Canada, Journal of Environmental Planning and Management, 53: 615–638.##[12]. Hulsmann, A., 2005, Small systems large problems-A European inventory of small water systems and associated problems, WEKNW(Web-based European Knowledge Network on Water) / End ware Report, 1June 2005.##[13]. James CS., 1999, Analytical chemistry of foods, New York, Springer, pp., 136-40.##[14]. Joerin, F., et al, 2010, Using multi-criteria decision analysis to assess the vulnerability of drinking water utilities, Environmental Monitoring and Assessment, 166: 313–330.##[15]. Kalantari, N., Pawar, N.J., Keshavarzi, M. R., 2009, Water resource management in the intermountain Izeh plain, southwest of Iran, Journal of mountain science, Vol. 6, No. 1, 25-41.##[16]. Kathy Pond, 2005, Water Recreation and Disease plausibility of Associated Infections: Acute Effects, .Squeal and Mortality, World Health Organization (WHO), London, UK.##[17]. Pitkanen,T., P., Karinen, T., Miehinen, 2010, Microbial contamination of groundwater at small community water supplies in Finland, Royal Swedish academy of sciences, AMBIO DOI 10.1007/s13280-010-0102-8, www.kva.se/en.##[18]. Rahnama MB., Barani GM., Moradi M. ,2000 ,The Anticipation of Pollutant Spread Process in Groundwater Aquifer Proceedings of the 3rd National Conference on Environmental Health; 2000 Nov 10-12; Kerman, Iran.##[19]. Razeghi Khamse B., Karamoz M., Jafarzadeh NA., 2003, A Survey Effect of Transition Surface Water on Groundwater Quality. Journal of Water and Wastewater; 16(46):pp., 29-40.##[20]. Todd, D.K , Mays, L.W., 2005, Groundwater hydrology, 3nd, John Wiley and sons publishers, p. 636.##[21]. WHO, 1997, Guidelines for drinking water quality, Volume 3: Surveillance and control of community supplies, 2nd edn, Geneva, Switzerland: World Health Organization.##[22]. Yong, S., Hamidi, A., 1998, Groundwater and Surface Water Pollution3rd National Conference on Environmental Health.150 p.##

0 پهنه‌بندی لغزش زمین در منطقۀ کاشتر کامیاران برای کاهش مخاطرات The zoning of landslides in the region of kashtar( in kamyaran، Iran ) for hazards reduce https://jhsci.ut.ac.ir/article_53924.html 10.22059/jhsci.2015.53924 0 زمین‌لغزش‌ها از مهم‌ترین مخاطرات ژئومورفولوژیک به‌شمار می‌روند. شناسایی مناطق حساس به خطر زمین‌لغزش از اقدامات اساسی در مدیریت منابع طبیعی و کاهش این مخاطرات است. منطقۀ کاشتر با مساحت 26 کیلومتر مربع در جنوب غربی استان کردستان در حاشیۀ شرقی کوه‌های شاهو واقع شده است. به‌منظور پهنه‌بندی، ابتدا پهنه‌های لغزشی با بازدیدهای میدانی بررسی شد که حدود 28 پهنۀ لغزشی شناسایی شد و پس از پردازش در محیط برنامۀGIS به‌صورت یک لایه درآمد. با مبنا قرار دادن نقشۀ پراکنش زمین‌لغزش‌ها وزن‌دهی به پارامترهای مؤثر در زمین‌لغزش از جمله زمین‌شناسی، شیب جهت شیب، ارتفاع، بافت خاک، کاربری اراضی، فرسایش‌پذیری خاک، فاصله از گسل، تراکم آبراهه‌ها، و فاصله از جاده صورت گرفت. مدل رگرسیون لجستیک در محیط SPSS اجرا شد و نتایج نشان داد که عوامل تأثیرگذار بر وقوع زمین‌لغزش در منطقه به‌ترتیب فاصله از گسل، زمین‌شناسی، فرسایش‌پذیری خاک، جهت شیب و ... است. در نهایت منطقۀ تحقیق از نظر حساسیت به خطر وقوع زمین‌لغزش به پنج کلاس طبقه‌بندی شد که براساس آن 2/6 کیلومتر مربع دارای خطر بسیار زیاد، 6/4 کیلومتر مربع دارای خطر زیاد، 3/19 کیلومتر مربع دارای خطر متوسط، 9/7 کیلومتر مربع دارای خطر کم و در نهایت 5/6 کیلومتر مربع دارای خطر بسیار کم است. 1 Geomorphological risks are One of the major landslide. Identification of risk areas susceptible to landslides is one of fundamental steps in the management of natural resources and reduction of the risks .Kashtr with an area 26 square kilometers south-west of Kurdistan Province is located on the eastern edge of the mountains Shahoo. To zoning first sliding zones was examined with field visit، that about 28 sliding zones were identified and after processing in GIS application came as a layer. With underlying landslides distribution map landslide weighting parameters took place، including geology، slope and direction of the slope، elevation، soil texture، land use، soil erosion، distance from fault، waterways density، and distance from road. Logistic regression model was run in SPSS and the results showed that the influencing factors on landslides occurrence in the region are distance from the fault، geology، soil erosion، direction of the slope، etc. Finally study area in terms of Sensitivity to the risk of landslides was classified into 5 classes، based on that: 2/6 has a very high risk، 6/4 high risk، 3/19 average risk، 7.9 low risk، and finally 5/6 has very low risk. 105 116 حسن صدوق ونینی Hasan Sadoogh دانشیار گروه جغرافیای طبیعی دانشگاه شهید بهشتی، تهران Iran h-sadough@sbu.ac.ir محمدرضا ثروتی Mohammadreza Servati استاد گروه جغرافیای طبیعی دانشگاه شهید بهشتی، تهران Iran rezasarvati@yahoo.com کاظم نصرتی Kazem Nosrati دانشیار گروه جغرافیای طبیعی دانشگاه شهید بهشتی، تهران Iran k_nosrati@sbu.ac.ir میترا اسدی Mitra Asadi کارشناس ارشد جغرافیای طبیعی Iran 67avin@gmail.com محمد صدیق قربانی Mohammad sedigh Ghorbani استادیار گروه جغرافیا، دانشگاه پیام نور Iran : Landslide Logistic regression hazard zonation Kashtr hazards : Landslide hazards Landslide Hazards منابع##[1]. آدابی، محمدحسین؛ موسوی حرمی، سیدرضا (1377). نقش لیتولوژی (سنگ‌شناسی) در رانش زمین در شمال شرق ایران، مجلة تحقیقات جغرافیایی زمستان 1377، شماره 51: 89-75.##[2]. احمدی، حسن (1367). ژئومورفولوژی کاربردی، جلد اول فرسایش آبی، انتشارات دانشگاه تهران، جلد اول.##[3]. باخویشی، کاوه؛ (1383). مطالعة حرکات دامنه‌ای (با تأکید بر زمین‌لغزش) در جادة مریوان - کامیاران از سه‌راه دگاگا تا کامیاران ، پایان‌نامة کارشناسی ارشد، دانشگاه تهران.##[4]. ثروتی، محمدرضا (1381). ژئومورفولوژی منطقه‌ای ایران، تهران، انتشارات سازمان جغرافیایی نیروهای مسلح.##[5]. حسین‌زاده، محمد‌مهدی؛ محمدرضا ثروتی، عادل منصوری، بابک میرباقری، سعید خضری پهنه بندی ریسک وقوع حرکات توده ای با استفاده از مدل رگرسیون لجستیک مطالعه موردی: محدوده مسیر سنندج – دهگلان.##[6]. خالدی درویشیان، عبدالواحد؛ فدائی، نامق؛ غلامی، لیلا (1386). بررسی علل ایجاد زمین‌لغزش روستای دگاگا در استان کردستان.##[7]. رجائی، عبدالحمید (1373). کاربرد ژئومورفولوژی در آمایش سرزمین و مدیریت محیط، انتشارات قومس، تهران.##[8]. رستم‌پور، اسماعیل (1382). عوامل مؤثر بر حرکات دامنه‌ای حوضة رودخانه سقز، پایان‌نامة کارشناسی ارشد جغرافیای طبیعی دانشگاه شهید بهشتی.##[9]. سازمان جنگل‌ها، مراتع و آبخیزداری کشور (1383). گزارش اول، دفتر مطالعات و ارزیابی آبخیزها، گروه مطالعة امور زمین‌لغزش‌ها.##[10]. شریعت جعفری، محسن (1375). زمین‌لغزش (مبانی و اصول پایداری شیب‌های طبیعی)، انتشارات سازه.##[11]. شمیرانی، احمد (1357). مقدمهای برژئودینامیک دامنهی کوهستان‌ها، مجله علوم زمین، شماره 2 فصل اول:30-1.## [12]. شمیرانی، احمد (1358). بررسی کلی انواع حرکات دامنه‌ای، مجلۀ علوم زمین، شماره 2 فصل دوم، 30 ـ 1.##[13]. گزارش نقشۀ زمین‌شناسی 1:100000 تیژتیژ، 1385.##[14]. گزارش نقشۀ منابع و قابلیت اراضی استان کردستان،1360.##[15]. متولی، ص (1374)، مکانیسم فرسایش حرکات توده‌ای و روش پیشگیری و مبارزه با آن در حوضة آبخیز و از بخش چمستان نور، پایان‌نامة کارشناسی ارشد، دانشگاه شهید بهشتی.##[16]. مقیمی، ابراهیم (1393). دانش مخاطرات، تهران: انتشارات دانشگاه تهران.##[17]. Akgun،A.Serhat، D.Fikri،B.2007. Landslide susceptibility mapping for a landslide-prone area (Findikli،NE of Turkey) by likelihood-frequency ratio and weighted linear combination models. Environ Geol 54:1127–1143.##[18]. Ayalew،l. and Yamagishi،H. (2005): The application of GIS-based Logistic regression for landslide susceptibility mapping in the Kakuda-Yaahiko Mountains،central Japan،Geomorphology 65،15-31.Chang،K.T. Chiang،S.H.Hsu،M.L. 2007. Modeling typhoon- and earthquake-induced landslides in amountainous watershed using logistic regression،Geomorphology 89: 335–347##[19]. Dai،F.C. and Lee،C.F. (2002): Landslide characteristics and slope instability modeling using GIS،Lantau،Hong Kong. Geomorphology 42،213-228.##[20]. Lee،S،Pradhan،B.2006.Probabilistic landslide hazards and risk mapping on penang Island،Malaysia،J.Earth Syst. Sci. 115،No. 6،December 2006،pp.661-672.##[21]. Ohlmacher،G.C.Davis،J.C.2003. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas،USA،Engineering Geology 69: 331–343##[22]. Sezer،E. A.Pradhan،B.Gokceoglu،C.2011. Manifestation of an adaptive neuro-fuzzy model on landslide susceptibility mapping: Klang valley،Malaysia. Expert Systems with Applications 38: 8208–8219##

0 پایش مخاطرات مناطق زلزله‌زده با بهره‌گیری از پرنده‌های بدون سرنشین بر مبنای الگوریتم فرااکتشافی پیشنهادی GPO Monitoring of Regions struck by Earthquake using Unmanned Aerial Systems Based on New Proposed GPO Meta-heuristic Technique https://jhsci.ut.ac.ir/article_53925.html 10.22059/jhsci.2015.53925 0 پس از رخداد زلزله، اغلب، نقشۀ به‌هنگام و قابل‌اعتمادی از محیط در دسترس نیست، زیرساخت‌های زمینی مجهز نیستند یا ویران‌شده‌اند و زمان به عاملی حیاتی برای مدیریت مخاطرات، جست‌وجو و اکتشاف مجروحان زیر آوار تبدیل می‌شود. ازاین‌رو، مدیریت مخاطرات و پایش مناطق زلزله‌زده یکی از باارزش‌ترین زمینه‌هایی است که به‌کارگیری سیستم‌های خودکار موجب کیفیت‌بخشی مأموریت‌های امدادرسانی و بهبود بازدهی عملیات جست‌وجو می‌شود. به‌کارگیری پرنده‌های بدون سرنشین به‌عنوان سکوهای حامل سنجنده‌های چندمنظوره در پایش ویرانی‌های برآمده از زلزله به رویکردی نوین و اقتصادی با هدف ارتقای خودکاری، بهره‌وری و کارایی مدیریت مخاطرات طبیعی تبدیل شده است‌. روند تکامل پرنده‌های بدون سرنشین از سیستم‌های کنترل‌شوندۀ از راه دور به سمت ناوبری خودکار یا ترکیبی است. در این زمینه، توسعۀ الگوریتم‌های جامع، کارامد و پایدار برای مسیریابی، کنترل، ناوبری و پردازش اطلاعات سنجنده‌های پرنده‌های بدون سرنشین، به‌عنوان یکی از بنیادی‌ترین گام‌ها در توسعۀ سیستم‌های خودکار مورد توجه پژوهشگران است. در این پژوهش، یک الگوریتم فرا‌اکتشافی جدید براساس مفاهیم گرانی‌سنجی در ژئودزی فیزیکی پیشنهاد شده است. هدف از طراحی این الگوریتم جدید دستیابی به روشی کاراتر در حل مسائل پیچیده با قیود مختلف نظیر مسائل مطرح در زمینۀ پایش مخاطرات است. ارزیابی دقت و کیفیت نتایج، نرخ موفقیت و همچنین زمان اجرای الگوریتم‌های پیاده‌شده، مبین کسب نتایج برتر الگوریتم پیشنهادی نسبت به روش‌های پیشین در شبیه‌سازی پایش مناطق زلزله‌زده است. 1 Introduction: Subsequent to earthquakes, an updated and reliable map of environment often is not available; terrestrial substructure is either not appointed or ruined and mission time is turned into a vital element for hazard management, search, and rescue of patients. Referring to these facts, hazard management and monitoring of areas struck by earthquake is one of noteworthy applications of autonomous systems, which can enhance the excellence of search-relief missions. Utilizing of unmanned aerial systems as multi-sensor platforms in destruction surveillance is transformed into a novel economic procedure for enhancing autonomy and efficiency of natural hazard management tasks. Nowadays, tendency in the development of unmanned aerial systems is toward autonomous navigation or hybrid tasks. In this field, development of comprehensive, efficient methodologies for path planning, control, navigation, and processing of UAS sensor information has attracted an increasing momentum among researchers as one of the fundamental steps for achieving to autonomous navigation of aerial systems. In this article, a new meta-heuristic algorithm is proposed based on gravimetric measurements in physical geodesy studies. The aim of this algorithm is achieving an efficient method for solving complex optimization problems with different constraints such as hazards monitoring tasks. Evaluation of the precision, quality of results, success rates, and CPU running times of implemented algorithms demonstrates that gravitational potential optimization algorithm outperforms other methodologies for monitoring of regions struck by an earthquake. 117 135 علی اصغر حیدری Ali Asghar Heidari کارشناس ارشد مهندسی سیستم‌های اطلاعات مکانی، گروه مهندسی نقشه‌برداری، پردیس دانشکده‌های فنی، دانشگاه تهران Iran aliasghar68@gmail.com , as_heidari@ut.ac.ir رحیم علی عباسپور rahim ali abbaspour استادیار مهندسی سیستم‌های اطلاعات مکانی، گروه مهندسی نقشه‌برداری، پردیس دانشکده‌های فنی، دانشگاه تهران Iran abaspour@ut.ac.ir Gravitational Potential Optimization algorithm Unmanned Aerial Systems Evolutionary Computing Differential Evolution Particle Swarm Optimization Artificial Bee Colony Algorithm منابع##[1]. آزموده اردلان، ع؛ صفری، ع (1388). ژئودزی و گرانی، انتشارات دانشگاه تهران:56.##[2]. صفری، ع (1391). ژئودزی فیزیکی، انتشارات دانشگاه تهران:94.##[3]. مقیمی، الف (1393). دانش مخاطرات، انتشارات دانشگاه تهران:79.##[4]. Baiocchi, V., Dominici, D., Milone, M. V., & Mormile, M. (2013). Development of a Software to Plan UAVs Stereoscopic Flight: An Application on Post-Earthquake Scenario in L’Aquila City. In Computational Science and Its Apps–ICCSA 2013. Springer Berlin Heidelberg. (pp. 150-165).##[5]. Besada-Portas, E., de la Torre, L., de la Cruz, J. M., and de Andres-Toro, B. (2010). “Evolutionary trajectory planner for multiple UAVs in realistic scenarios.” IEEE Transactions on Robotics. Vol.26, No.4, PP.619-634.##[6]. Doherty, P. and Rudol, P. (2007). "A UAV search and rescue scenario with human body detection and geolocalization." in AI 2007: Advances in Artificial Intelligence (PP.1-13), Springer Berlin Heidelberg.##[7]. Duan, H. and Huang, L. (2014). "Imperialist competitive algorithm optimized artificial neural networks for UCAV global path planning." Neurocomputing. Vol.125, PP.166-171.##[8]. Duan, H. and Li, P. (2014). "Bio-inspired Computation in Unmanned Aerial Vehicles." Springer. Berlin, Heidelberg.##[9]. Ergezer, H. and Leblebicioğlu, K. (2013). "Path planning for UAVs for maximum information collection using evolutionary computation". IEEE Trans. Aerosp. Electron. Syst. Vol 49, No.1, PP.502–520.##[10]. Goerzen, C., Kong, Z. and Mettler, B. (2010). "A survey of motion planning algorithms from the perspective of autonomous UAV guidance." Journal of Intelligent and Robotic Systems. Vol.57, No.1-4, PP.65-100.##[11]. Goodrich, M., Morse, B., Gerhardt, D., Cooper, J., Quigley, M., Adams, J. and Humphrey, C. (2008). “Supporting wilderness search and rescue using a camera-equipped mini UAV” J. Field Robot. Vol. 25, No.1-2, PP.89–110.##[12]. Hargraves, C. R. and Paris, S. W. (1987). "Direct trajectory optimization using nonlinear programming and collocation." Journal of Guidance, Control, and Dynamics. Vol.10, No.4, PP.338-342.##[13]. Kapucu, N., Arslan, T., Demiroz, F. (2010)."Collaborative emergency management and national emergency management network." Disaster Prevention and Management. Vol.19, No.4, PP.452-468.##[14]. Karaboga, D., and Basturk, B. (2008). “On the performance of artificial bee colony (ABC) algorithm.” Applied soft computing. Vol.8, No.1, PP.687-697.##[15]. Pehlivanoglu, Y. V. (2012). "A new vibrational genetic algorithm enhanced with a Voronoi diagram for path planning of autonomous UAV." Aerospace Science and Technology. Vol.16, No.1, PP.47-55.##[16]. Tisdale, J., Kim, Z. and Hedrick, J. K. (2009). "Autonomous UAV path planning and estimation." Robotics & Automation Magazine, IEEE. Vol.16, No.2, PP.35-42.##[17]. Tomic, T., Schmid, K., Lutz, P., Domel, A., Kassecker, M., Mair, E. and Burschka, D. (2012). "Toward a fully autonomous uav: Research platform for indoor and outdoor urban search and rescue." Robotics & Automation Magazine, IEEE. Vol.19, No.3, PP.46-56.##[18]. Zengin, U. and Dogan, A. (2007). "Real-time target tracking for autonomous UAVs in adversarial environments: a gradient search algorithm." IEEE Transactions on Robotics. Vol.23, No.2, PP.294-307.##[20]. Zhan, Z. H., Zhang, J., Li, Y., Liu, O., Kwok, S. K., Ip, W. H., & Kaynak, O. (2010). “An efficient ant colony system based on receding horizon control for the aircraft arrival sequencing and scheduling problem.” Intelligent Transportation Systems, IEEE Transactions on, Vol.11, No.2, PP.399-412.##[20]. Zhang, B., Liu, W., Mao, Z., Liu, J. and Shen, L. (2014). "Cooperative and geometric learning algorithm (CGLA) for path planning of UAVs with limited information." Automatica. Vol.50, No.3, PP.809-820.##[21]. Zhuoning, D., Rulin, Z., Zongji, C., and Rui, Z. (2010). “Study on UAV path planning approach based on fuzzy virtual force.” Chinese Journal of Aeronautics. Vol 23, No.3, PP. 341-350.##