اثرگذاری شار تابشی خورشیدی و ارتفاع ژئوپتانسیل بر پوشش برف حوضه آبریز رودخانههای کارون و مارون

مقدمه

تابش خورشیدی یا شار خورشیدی انرژی تشعشعی است که خورشید منتشر می‌کند. این نوع انرژی یکی از عوامل اساسی در سیستم آب‌وهوایی زمین است و نقش حیاتی در فرایندهای زیست‌شناسی و فیزیکی مختلف روی کرۀ زمین ایفا می‌کند. شار خورشیدی شامل طیف گسترده‌ای از امواج ازجمله نور ‌رؤیت‌شونده، تابش مادون‌قرمز و تابش فرابنفش است که از فضا عبور می‌کند و به جو زمین و سطح آن می‌رسد (Renno & Miglietta., 2009). مطالعات تغییرات اقلیمی برف، با مطالعۀ ضریب سپیدایی و دما جزء جدایی‌ناپذیر است؛ زیرا آن‌ها به‌عنوان شاخص‌های مهم اثرگذار اقلیمی شناخته ‌شده‌اند (Kittel et al., 1998). به‌ویژه، بازخورد مثبت بین برف و سپیدایی اثرات گرمایش جهانی را تشدید می‌کند (Serreze & Francis 2006 Fyfe & Flato, 1999) برای شناسایی کمّی اثرات تغییرات اقلیمی، تشخیص روند آن‌ها با رکورد داده‌های بلندمدت مهم است (De Jong et al., 2012 Verbesselt et al., 2012). بررسی تابش خورشیدی در قطب شمال در طول گرمایش اوایل قرن بیستم (ETCW) نشان داد که میانگین تابش خورشیدی جهانی سالانه در قطب شمال روسیه در اوایل قرن بیستم کمی بیشتر از دورۀ 1990-1964 (حدود 1-2 W/m2) و به‌طور چشمگیری بیشتر از دورۀ 2019-2001 (حدود 16 W/m2) بوده است. همچنین نتایج نشان می‌دهد که در دورۀ 1920-2019 سه مرحله از تغییرات تابش خورشیدی وجود داشت (Przybylak et al., 2021)؛ بنابراین، تابش سطحی خورشیدی (SSR) پایۀ انرژی زمین یک پارامتر ورودی اساسی از مدل‌های بیوفیزیک و شبیه‌سازی هیدرولوژیکی است (Jiang et al., 2019) و نقش مرکزی در سیستم اقلیمی و تعادل انرژی جهانی دارد (IPCC, 2013).

 برف که به‌صورت فصلی در سرچشمه‌های کوهستانی جمع می‌شود، به‌طور سنتی مخزن طبیعی وسیع و ثابتی است که با ذوب‌شدن در فصول بهار و تابستان، آب مناطق اطراف و پایین‌دست را تأمین می‌کند. این منبع به دلیل کاهش و نوسانات زیاد در معرض خطر است و نیاز به پیش‌بینی دقیق ذوب آن، ضروری است (Meyer et al., 2024)؛ بنابراین، برف نقش حیاتی در تعامل بین زمین و جو در مدل‌های پیشرفتۀ سطح زمین و دنیای واقعی ایفا می‌کند و به‌عنوان شرطی مرزی در کاربردهای هواشناسی نقش مهمی دارد (Lee et al., 2024). از طرفی ضریب بازتاب برف جزئی حیاتی از مدل‌های پیوند بین زمین-جو است که نقش مهمی در تنظیم تبادل انرژی سطح زمین با کنترل تابش خورشیدی و تأثیرگذاری مؤثری بر زمان و سرعت ذوب برف دارد (Liu & Ma, 2024). مدت ماندگاری پوشش برف نیز نتیجۀ بسیاری از فرایندهای متفاوتی است که بر وسعت سطح برف اثر می‌گذارند؛ بنابراین، مدت پوشش برف دارای تغییرات مکانی-زمانی زیادی است که برخی از این فرایندها به سیستم جو-کریوسفر بازخورد می‌دهند و باعث ایجاد تعاملات غیرخطی می‌شوند (Strum et al., 2023).

مطالعۀ حساسیت پوشش برف به افزایش دما و تابش موج‌کوتاه در رشته‌کوه‌های شبه‌جزیره ایبری نشان داد که اثر افزایش تابش موج‌کوتاه بر پوشش برف از حدود 2- درصد در هر 10 وات بر مترمربع در ارتفاع 1500 متری تا 1- درصد در هر 10 وات بر مترمربع در ارتفاع 2500 متری متغیر است (Alonso-González et al., 2020). همچنین نتایج یک مطالعه نشان داد که تابش موج‌کوتاه سطحی پایین، منبع اصلی انرژی برای ذوب بیشتر یخچال‌ها است. برای این مطالعه از داده‌های سنجنده تصویربرداری طیفی با وضوح متوسط (MODIS) استفاده‌ شده‌ است (Zhang et al., 2020). همچنین بررسی همدیدی بارش برف زمستانی در کوه‌های آپنین (ایتالیا)، از سال ۱۸۸۴ تا ۲۰۱۵ نشان داد که تغییرپذیری بارش برف با دو متغیر اساسی جوی ازجمله ارتفاع ژئوپتانسیل تراز ۵۰۰ هکتوپاسکال و فشار سطح دریا باوجود یک آنومالی فشار بالای مسدودکننده بر فراز اسکاندیناوی و شمال اطلس همبستگی معنی‌داری دارد (Capozzi et al., 2022). مطالعه همدیدی تغییرات دهه‌ای بارش برف سنگین بر فراز شمال چین نشان داد که یک ناهنجاری ارتفاع منفی بر منطقه‌ای از دریاچۀ بالخاش تا دریاچۀ بایکال تسلط دارد و یک ناهنجاری ارتفاع مثبت در عرض‌های میانی اقیانوس آرام در تروپوسفر میانی قرار دارد. چنین الگوهای ناهنجاری در تروپوسفر میانی و بالا تقریباً باحالت شمالی موسون زمستانی شرق آسیا (EAWM) مطابقت دارد و ممکن است تعامل هوای سرد با جریان‌های هوای مرطوب در شمال چین را تقویت کند که به افزایش بارش سنگین برف محلی کمک می‌کند (Zhou et al., 2021). همچنین مطالعۀ پوشش برف فلات تبت (TP) نشان داد که هرچه ارتفاع منطقه بالاتر باشد، وسعت پوشش برف (SCF) و مدت‌زمان ماندگاری آن بیشتر با تغییرات درون‌سالی پایدارتر است. همچنین به دلیل تفاوت در تابش خورشیدی و شرایط رطوبت ناشی از شیب و جهت کوهستان، میانگین پوشش برف به‌طورکلی با شیب کوهستان افزایش می‌یابد و در جهت شمال بیشترین و در جهت جنوب کمترین است (Chu et al., 2023).

برسی امواج گرمای بهاری و تأثیرگذاری آن بر ذوب پوشش برف غرب ایالات‌متحده در سال 2021 نشان داد ک موج گرمای اول آوریل به داخل خشکی کوه‌های راکی و موج گرمای اواخر آوریل بر وسعت پوشش برف منطقۀ کاسکادها و شمال کالیفرنیا تأثیر گذاشته و شدت ذوب برف این منطقه با افزایش تابش خورشیدی و افزایش دمای هوا از عوامل محرک ذوب سریع‌تر برف بوده است (McEvoy & Hatchett, 2023). مطالعۀ تأثیر شار انرژی خورشیدی بر روی پوشش برفی کانادا نشان داد که تابش طولانی‌مدت تأثیر بیشتری بر تغییرات تعادل انرژی داشته است. همچنین در دورۀ ذوب برف، شارهای گرمای نهان و جذب تابش خورشیدی بر تغییرات تعادل انرژی و ذوب برف تسلط داشته است (Dharmadasa et al., 2024). بررسی رابطۀ بین ضریب بازتاب و وسعت برف در ایران به مدت 6770 روز نشان داد که در فصل‌های زمستان و پاییز که به‌عنوان فصول برفی ایران شناخته می‌شوند، ضریب بازتاب سطح زمین با افزایش پوشش برف افزایش می‌یابد؛ بنابراین، در این فصول، همبستگی بین ضریب بازتاب و برف در کوه‌های ایران قویاً مثبت است (Motlagh et al., 2024).

از تأثیر شار تابشی خورشیدی روبه‌پایین و روبه‌بالا (منعکس‌شده) بر مناطق پوشیده از برف در بررسی‌های بودجۀ انرژی نمی‌توان ‌چشم‌پوشی کرد. بااین‌وجود، باتوجه‌به پیشینۀ پژوهش‌های مطالعه‌شده مشخص شد که در مناطق پوشیده از برف این انرژی، تأثیرگذاری مؤثری بر پوشش حوضه‌های مختلف داشته که این مهم در ایران و حوضۀ مطالعه‌شده بررسی نشده است. باتوجه‌به پیش‌بینی‌پذیر بودن این نوسانات هدف اصلی پژوهش حاضر، بررسی تأثیرگذاری پارامترهای کلیدی شار تابشی خورشیدی و ارتفاع ژئوپتانسیل بر نوسانات وسعت پوشش برف حوضۀ آبریز رودخانه‌های کارون و مارون با استفاده از خروجی ابزارهای مانند Google Earth Engine، GIS، SPSS و GRADS است. نتایج این تحقیق می‌تواند در برنامه‌ریزی‌های کوتاه‌مدت و بلندمدت برای مقابله با چالش‌های ناشی از تغییرات اقلیمی ازجمله خشک‌سالی و سیلاب، مدیریت بهینۀ منابع آب و به‌عنوان پایه‌ای برای مطالعات آینده در زمینۀ تأثیر تغییرات اقلیمی (شار تابشی خورشیدی و ارتفاع ژئوپتانسیل) بر پوشش برف و منابع آب در ایران و سایر مناطق مشابه استفاده شود.

 

مواد و روش‌ها

موقعیت جغرافیایی منطقۀ مطالعه‌شده

حوضۀ آبریز رودخانۀ کارون ازنظر مختصات جغرافیایی در حدفاصل´58°-47 الی°52 طول شرقی و´59°-29 الی´07°-34 عرض شمالی و با وسعتی بالغ‌بر 67257 کیلومترمربع، در جنوب غرب ایران (زندی‌فر و همکاران، 1400) و حوضۀ آبریز مارون با مساحت حدود 3824 کیلومترمربع در مختصات جغرافیای (′50°49) تا (′10°51) طول شرقی، (′30°30) تا (′20°31) عرض شمالی در استان خوزستان و کهگیلویه و بویراحمد قرار دارد (احمدپور و همکاران، 1398). آبدهی رودخانۀ کارون به‏شدت از ذخایر برف در بخش‏های شمالی آن تأثیر می‌گیرد (رحیمی و هاشمی‌نسب، 1397). براساس داده‌های سازمان هواشناسی ایران، میانگین بارش برف در ارتفاعات حوضۀ کارون و مارون در فصل زمستان متفاوت است؛ برای ‌مثال، در ایستگاه‌های هواشناسی کوهرنگ و بروجن، میانگین بارش برف سالانه بین ۱۵۰ و ۱۲۰ سانتی‌متر نیز گزارش‌ شده است (شرکت سهامی مدیریت منابع آب ایران، 1390). پربارش‌ترین ماه‌های سال به ترتیب مربوط به ماه دی، بهمن و اسفند است که 5/17 ،2/17 و 8/15درصد بارش سالانه را به خود اختصاص داده‌اند. در مقیاس فصلی 5/50درصد بارش سالیانۀ این حوضه در فصل زمستان است (شاکریان و همکاران، 1398). در سال‌های اخیر به دلیل تغییرات اقلیمی، دمای حوضۀ آبریز کارون افزایش و بارش‌ها کاهش ‌یافته است که این امر به کاهش پوشش برفی و درنتیجه کاهش رواناب‌های ناشی از ذوب برف منجر شده و در دهۀ اخیر، دبی ورودی حوضۀ کارون بزرگ حدود 27درصد کاهش ‌یافته است (سعیدی‌فر و همکاران، 1400)؛ نابراین، مطالعۀ پوشش برفی حوضه‌های آبریز کارون و مارون و تأثیر نوسانات همدیدی بر روی آن به دلیل اهمیت استراتژیک تأمین آب شرب، کشاورزی و صنعت به‌عنوان منطقۀ مطالعاتی ایدئال ضروری است. شکل (1_ الف) موقعیت جغرافیایی حوضۀ آبریز رودخانۀ کارون و مارون را نشان می‌دهد. براساس تحلیل داده‌های اقلیمی حوضۀ آبریز رودخانۀ کارون و مارون طی سری زمانی 22ساله (2022-2001) ایستگاه‌های یاسوج و سی‌سخت در ردۀ پربارش‌ترین ایستگاه‌ها و درمقابل، ایستگاه‌ شوشتر و مسجدسلیمان کمترین میزان بارندگی را در بازۀ مطالعاتی داشته‌اند. از منظر پارامترهای حرارتی، نیز ایستگاه‌های شوشتر و مسجدسلیمان با میانگین دمای سالانه فراتر از ۲۵ درجۀ سانتیگراد (C°) به‌عنوان گرم‌ترین نقاط این حوضه هستند. همچنین ایستگاه‌های کوهرنگ، شهرکرد، سمیرم نیز جزو سردترین ایستگاه‌های این حوضه هستند شکل (1_ب).

 

 

(A)

شکل (1_الف): موقعیت جغرافیایی و نمودار نوسانات دما و بارش شکل (1_ب) در ایستگاه‌های منتخب حوضۀ آبریز کارون و مارون

Figure 1a presents the geographical location, and Figure 1b displays the temperature and precipitation variability at selected stations within the Karun and Maroon river basins.

 

داده‌ها و روش‌ها

تحقیق حاضر به‌منظور بررسی تأثیر متغیرهای جوی و فعالیت‌های خورشیدی بر پوشش برفی حوضه‌های آبریز رودخانۀ کارون و مارون با ترکیب داده‌های سنجش‌ازدور، محصولات بازتحلیل اقلیمی و داده‌های مشاهداتی ایستگاهی انجام شده است. استفاده از داده‌های ماهواره‌ای و بازتحلیل در مناطق کوهستانی مانند زاگرس به دلیل محدودیت‌ها و هزینه‌های بالای ایجاد و نگهداری شبکۀ پایش زمینی پیوسته، روشی کارآمد و ضروری محسوب می‌شود (میرموسوی و صبور، 1393)؛ بنابراین، برای تحلیل شرایط همدیدی و عوامل ترمودینامیکی مؤثر بر تغییرات پوشش برف حوضۀ مطالعه‌شده از داده‌های روزانه بازتحلیل مرکز ملی پیش‌بینی‌های محیطی و مرکز ملی تحقیقات جوی (NCEP/NCAR Reanalysis) طی دورۀ زمانی 2001 تا 2022 استفاده شد. متغیرهای کلیدی استخراج‌شده عبارت‌اند از:

شار تابش خورشیدی روبه‌پایین[1] که میزان انرژی دریافت خورشیدی در سطح زمین را نشان می‌دهد، نقش مستقیمی در فرایندهای ذوب برف دارد. متغیر شار تابش خورشیدی روبه‌بالا[2] که بیانگر میزان بازتاب (آلبدو) سطح است و در تعادل انرژی سطحی و تأثیر آن بر ماندگاری برف اهمیت دارد و همچنین متغیر ارتفاع ژئوپتانسیل[3] تراز 700 هکتوپاسکال نیز استخراج شد که نمایندۀ مناسبی برای تحلیل الگوهای جوی در ارتفاعات میانی مؤثر بر شرایط سطحی است. تحلیل این متغیر به شناسایی الگوهای هوای سرد و گرم کمک می‌کند که بر بارش و ذوب برف تأثیر دارد. پوشش جهانی و دسترسی به این داده‌ها امکان تحلیل الگوهای همدیدی در مقیاس بزرگ را فراهم کرده است. داده‌های فوق با تفکیک مکانی °5/2 × °5/2 درجه‌ای (معادل حدود 275 کیلومتر در هر نقطۀ شبکه‌ای با فرض متوسط 110 کیلومتر برای یک درجه عرض/طول جغرافیایی) دریافت شده‌اند. مطالعات متعدد، دقت و قابلیت اطمینان این داده‌ها را تأیید کرده‌اند؛ برای مثال (Kalnay et al., 1996)  در پروژۀ بازتحلیل 40ساله NCEP/NCAR نشان دادند که این داده‌ها برای تحلیل الگوهای همدیدی و متغیرهای جوی از دقت بالایی برخوردارند. در ادامه داده‌ها به سه بازۀ زمانی ماهانه، فصلی و سالانه تقسیم شدند تا امکان تحلیل دقیق‌تر روندها و الگوهای زمانی فراهم شود.  

همچنین با استفاده از محصولات آمادۀ‌ تصحیح‌ و اعتبارسنجی‌شده پوشش برف روزانه (NDSI)، حاصل از ماهواره‌ی ترا (MOD10A1) منطبق بر حوضۀ آبریز کارون و مارون با دقت مکانی 500 متر، داده‌ها طی سری زمانی 22ساله (2022-2001) مبتنی‌بر طبقه‌بندی پیکسل‌ها به‌صورت باینری (برف و فاقد برف) یا سیستم شمارشی (0 و 1) به‌صورت ماهانه، فصلی و سالانه تنظیم و پردازش شد. سپس تصاویر پوشش برفی (NDSI > 0.4) باتوجه‌به نوع جغرافیا و توپوگرافی حوضۀ مطالعه‌شده (Raghubanshi et al, 2023, Wang et al., 2015) به‌صورت ماهانه (ماه‌های تجمعی 264) تنظیم و با استفاده از نرم‌افزار GIS ترسیم و ارزیابی شده است. داده‌های این محصول نمایانگر بیشترین پوشش برف و کمترین پوشش ابر در مقیاس زمانی روزانه است (Riggs et al., 2006). بدین‌صورت که هرقدر عمق برف بیشتر باشد، عدد مدنظر به 1 نزدیک‌تر و هرچه کم‌عمق‌تر باشد به صفر متمایل می‌شود (Ashraf et al., 2012). انتخاب مقادیر حد آستانه کاملاً به شرایط منطقه، مقادیر پیکسل‌ها و نوع تصاویر به‌کاررفته بستگی دارد. معمولاً مقادیر حد آستانه به‌صورت سعی و خطا تعیین می‌شود که باتوجه‌به سنگینی و سبکی (بسته به عمق پوشش برف) ضرایب مثبت را به خود اختصاص می‌دهد (عفیفی، 1400). آستانه عددی تعیین‌شدۀ شاخص NDSI برای استخراج برف 0/4 < است که می‌تواند باتوجه‌به شرایط منطقه مقادیری را در برگیرد (عبادی و همکاران، 1400). نتایج مطالعه‌ای بر روی پوشش برف مناطق مختلف ایران نشان داد که مقادیر کوچک‌تر از 4/0 شاخص NDSI به‌عنوان مناطق غیربرفی و بیشتر از 7/0 نیز مناطق کاملاً پوشیده از برف است (شمس و همکاران، 1393).

بنابراین، دسته‌بندی پوشش برف باتوجه‌به نتایج تحقیقات فراوان در زاگرس به‌صورت دسته برف درخورتوجه(NDSI 0.4=>_<0.6) ، برف تازه و نسبتاً خالص با حداقل آلودگی(NDSI => 0.6_<.08) ، برف خالص و کاملاً تازه، بدون آلودگی (NDSI ≥ 0.8_1) و پوشش کلی برف (NDSI ≥= 0.4_1) تقسیم شد.

در ادامه به‌منظور ارزیابی و اعتبارسنجی داده‌های ماهواره‌ای از داده‌های موجود مشاهداتی عمق برف، طی سری زمانی 15ساله (2022-2008) مربوط به ایستگاه‌های سینوپتیک حوضه‌ (یاسوج، سی‌سخت، بروجن، کوهرنگ لردگان و شهرکرد) استفاده شد. این داده‌ها به‌عنوان واقعیت زمینی برای مقایسۀ برآوردهای ماهواره‌ای ضروری هستند. لازم به ذکر است که داده‌های ایستگاهی مشاهدات نقطه‌ای هستند و لزوماً نمایندۀ کل مساحت یک پیکسل ماهواره‌ای یا کل حوضه نیستند، اما برای ارزیابی عملکرد کلی الگوریتم ماهواره‌ای در شناسایی برف در مکان‌های خاص بسیار ارزشمند هستند. باتوجه‌به عدم تطابق کامل دوره‌های زمانی این دو مجموعه داده، اعتبارسنجی داده‌های ماهواره‌ای تنها برای بازۀ مشترک (2008-2022) طی ماه‌های سرد سال (نوامبر تا مارس) انجام‌ شده است. این انتخاب به‌منظور تضمین دقت تحلیل و امکان مقایسۀ مستقیم داده‌های ماهواره‌ای و ایستگاهی صورت گرفته است جدول (1).

 

 

جدول (1): مجموعه داده‌های استفاده‌شده در حوضۀ آبریز رودخانۀ کارون و مارون طی سری زمانی 2022-2001

Table 1: Dataset used in the Karun and Maroon river basins over the 2001–2022 time period

نوع داده	نوع سنجنده	سری زمانی	قدرت تفکیک زمانی	قدرت تفکیک مکانی	پارامتر
دریافتی ماهواره‌ای	مودیس(MOD10A2)	2022-2001	روزانه	500 متر	پوشش برف
دریافتی ماهواره‌ای NOAA	AVHRR	2001-2022	روزانه	5/2*5/2درجه‌ای	شار تابشی روبه‌پایین، شار تابشی روبه‌بالا، و ارتفاع ژئوپتانسیل
داده‌های پوشش برف ایستگاهی	ایستگاه زمینی	2008-2022	روزانه	نقطه‌ای	برف

 

روش‌ها

در ادامه ارتباط کمّی بین نوسانات وسعت پوشش برف در دسته‌های مختلف (برف خالص تا برف تازه بدون آلودگی) با متغیرهای ارتفاع ژئوپتانسیل، شار تابشی روبه‌پایین و روبه‌بالای خورشیدی با استفاده از روش همبستگی پیرسون بررسی شد. این روش به محققان پژوهش حاضر این امکان را می‌دهد تا قدرت و جهت ارتباط بین دو متغیر کمّی را تعیین کنند؛ بدین منظور، همبستگی بین پوشش برف با متغیر ذکرشده محاسبه و تحلیل شد. به‌منظور درک بهتر ارتباط میان پوشش برف و الگوهای مدنظر، در مواردی که همبستگی معنی‌داری بین داده‌های مشاهداتی ایجاد شده باشد، نمودارهای مقایسه‌ای آن‌ها نیز ترسیم شد. این نمودارها به‌صورت بصری، تغییرات هم‌زمان این دو متغیر را نشان می‌دهند و الگوهای پنهان داده‌ها را آشکار می‌سازند (محمدی احمدمحمودی و خورانی، 1398). همچنین، با استفاده از نقشه‌های همدیدی ارتفاع ژئوپتانسیل، شارتابشی روبه‌پایین و روبه‌بالای خورشیدی الگوهای همدیدی مؤثر بر نوسانات پوشش برف در حوضه‌های آبریز کارون و مارون نیز تحلیل و تفسیر شد. در ادامه روش‌های آماری به‌کاررفته و نحوۀ محاسبۀ هر متغیر در این پژوهش، نیز به‌صورت کامل تشریح شده است.

 

اعتبارسنجی

اعتبارسنجی بین پوشش برف و تصاویر ماهواره‌ای شامل مقایسۀ داده‌های پوشش برف به‌دست‌آمده از تصاویر ماهواره‌ای با منابع داده‌های مستقل ایستگاهی برای ارزیابی دقت و قابلیت اطمینان محصولات ماهواره‌ای است. این فرایند برای درک نقاط قوت و ضعف الگوریتم‌های نقشه‌برداری از برف ماهواره‌ای و بهبود آن‌ها در طول زمان بسیار مهم است. بایاس یا تورش  (ME)میانگین تفاوت بین مقادیر تخمینی و مقادیر مشاهده‌شده را اندازه‌گیری می‌کند. این معیار نشان می‌دهد که آیا مدل، به‌طور سیستماتیک تمایل به بیش‌برآورد یا کم‌برآورد دارد که از رابطۀ (1) به دست می‌آید.

رابطۀ (1)                                                                 

 

میانگین قدر مطلق خطا  (MAE)تفاوت‌ها (خطاها) بین مقادیر تخمینی و مقادیر مشاهده‌شده است. این معیار بزرگی متوسط خطاها را بدون در نظر گرفتن جهت آن‌ها (مثبت یا منفی) نشان می‌دهد (Houghton & Hackler, 2001).

 رابطۀ (2)                                                         

ریشۀ میانگین مربعات خطا (RMSE): این معیار نشان‌دهندۀ انحراف استاندارد تفاوت‌ها بین داده‌های ماهواره‌ای و ایستگاهی است. مقدار کمتر نشان‌دهندۀ تطابق بهتر است (Lenhart et al., 2003).

 رابطۀ (3)                                                          

 

ضریب همبستگی (R)

این معیار نشان‌دهندۀ میزان ارتباط خطی بین داده‌های ماهواره‌ای و داده‌های ایستگاهی است و معمولاً به‌صورت R  نمایش داده می‌شود. مقدار آن بین 1- تا 1 قرار دارد (صداقت‌کردار و فتاحی، 1378).

R=  رابطۀ (4)                                                                

 

در روابط فوق Xo داده‌های مشاهداتی، Xs داده‌های ماهواره‌ای، Xo میانگین داده‌های مشاهداتی و N تعداد داده‌ها است که در پایان نتایج بین داده‌های ایستگاهی و تصاویر ماهواره‌ای به‌صورت جدول تجزیه‌وتحلیل شد.

 

شاخص NDSI

شاخص تفاوت نرمال‌شدۀ برف یا NDSI شاخصی عددی است که برای تخمین و نقشه‌برداری از پوشش برف روی سطح زمین به کار می‌رود. این شاخص با مقایسۀ میزان بازتاب نور در دو باند مختلف از طیف الکترومغناطیسی محاسبه می‌شود که توسط ماهواره‌ها دریافت می‌شود. شاخص نرمال‌شدۀ پوشش برفی (^[4]NDSI) برای شناسایی مناطق پوشیده از برف در تصاویر ماهواره‌ای استفاده می‌شود. فرمول محاسبۀ NDSI به‌صورت زیر است (Hall et al., 2000):

Green مقدار بازتابش در باند سبز (معمولاً باند 2)، SWIR مقدار بازتابش در باند مادون‌قرمز کوتاه (معمولاً باند 6). برف در طیف مرئی (به‌ویژه باند سبز) بازتاب بسیار زیادی دارد، درحالی‌که در بخش مادون‌قرمز موج‌کوتاه (SWIR) به‌شدت تابش را جذب می‌کند. درمقابل، بسیاری از پدیده‌های دیگر مانند خاک، پوشش گیاهی و حتی ابرها اگرچه بازتاب زیادی در SWIR دارند، الگوی متفاوتی از برف را نشان می‌دهند، رفتار طیفی متفاوتی دارند؛ بنابراین، شاخص NDSI از رابطۀ (5) به دست می‌آید.

رابطۀ (5)                                                                    

 

شار تابشی خورشید

اساساً تعادل انرژی سطحی بدین معناست که مجموع شارهای تابشی ورودی و خروجی به سطح، برابر با تغییرات انرژی داخلی سیستم است؛ به‌عبارت‌دیگر، انرژی تابشی دریافتی توسط سطح به‌صورت گرما (محسوس و نهان) به محیط اطراف منتقل می‌شود یا در سیستم ذخیره می‌شود. یکی از مهم‌ترین اجزای این تعادل، تابش خالص (Rn) است که از تفاضل تابش خالص موج‌کوتاه (نور خورشید) و تابش خالص موج‌بلند (تابش زمین) به دست می‌آید. توازن تابشی در جهت قائم به‌ این صورت بیان می‌شود: RN تابش خالص (برحسب ) که نشان‌دهندۀ میزان انرژی خالص دریافتی توسط سطح زمین است، ازطریق رابطۀ (2) محاسبه می‌شود. این رابطه، تابش خالص را براساس این چهار مؤلفۀ اصلی بیان می‌کند؛ یعنی  RS↓تابش موج‌کوتاه ورودی (حسب )، RS↑ تابش موج‌کوتاه خروجی (برحسب ) ، RL↓ تابش موج‌بلند ورودی (برحسب ) و RL↑تابش موج‌بلند خروجی (برحسب ) و ضریب بازتاب سطح (α) و ضریب تابش سطح (ε) نیز در این رابطه نقش مهمی دارند (Liou, 2002).

رابطۀ (6)                                                           

رابطۀ (7)                                               

 رابطۀ (8)                                                                                 

 

که  تابش موج‌کوتاه ورودی (برحسب ) و  تابش موج‌کوتاه خروجی (برحسب ) است. تابش موج‌بلند از سطح زمین به دما و گسیلایی سطح آن وابسته است و از رابطۀ زیر برآورد می‌شود.  گسیلایی سطح زمین است و در این مطالعه برابر رابطۀ زیر است.

رابطۀ (9)                                                                                 

رابطۀ (10)                                                                                          

 

شار تابشی روبه‌بالا و روبه‌پایین خورشید

شار تابشی روبه‌پایین خورشید (S↓)

رابطۀ (11)                                                        

 

  و Aضریب جذب جوی

شار تابشی روبه‌بالای خورشید (S↑) (Liou, 2002).

رابطۀ (12)                                                                          

 آلبدو (نسبت بازتاب)

همچنین به دلیل تفاوت ذاتی در تفکیک مکانی داده‌های MODIS (500 متر) و داده‌های NCEP/NCAR (°2.5 × °2.5)، نیز لازم بود تا این داده‌ها برای تحلیل‌های مقایسه‌ای و همبستگی به شبکۀ مشترکی منتقل شوند؛ بدین منظور، داده‌های پوشش برف MODIS با استفاده از روش درون‌یابی نزدیک‌ترین همسایه[5] تبدیل شدند. این روش یکی از روش‌های متداول برای تغییر تفکیک مکانی داده‌های رستری در مطالعات اقلیمی است؛ زیرا مقدار اصلی داده در پیکسل مبدأ را حفظ کرده و از ایجاد مقادیر مصنوعی جلوگیری می‌کند و تنها مقدار نزدیک‌ترین پیکسل معلوم را به پیکسل مقصد نسبت می‌دهد که برای حفظ ماهیت طبقه‌بندی‌شدۀ داده‌های پوشش برف مناسب است (Chen et al., 2012). در مقیاس محلی، داده‌های پوشش برفی با استفاده از روش‌های آماری تحلیل شدند تا روابط کمّی بین متغیرهای جوی و پوشش برفی ارزیابی شود. در مقیاس فراسرزمینی، نیز نقشه‌های الگوهای همدیدی به‌صورت بصری تحلیل شدند تا تأثیر الگوهای بزرگ‌مقیاس بر حوضۀ مطالعه‌شده شناسایی شود. این رویکرد ترکیبی، امکان بررسی جامع روابط بین پدیده‌های همدیدی و شرایط محلی را فراهم کرده است. پژوهش حاضر برای نخستین بار در ایران تغییرات مکانی_زمانی وسعت پوشش برف یک حوضۀ آبریز را با در نظرگیری تأثیر متقابل عوامل دینامیکی (مانند نوسانات ارتفاع ژئوپتانسیل) و ترمودینامیکی (مانند شار تابشی خورشیدی ورودی و خروجی) هم‌زمان بررسی کرده است. همچنین تحلیل همدیدی و ارتباط بین تغییرات محلی پوشش برف با الگوهای کلی ارتفاع ژئوپتانسیل و نوسانات خورشیدی ارزیابی شد.

 

نتایج و بحث

در این بخش، نتایج اعتبارسنجی داده‌های پوشش برفی استخراج‌شده از تصاویر ماهوارۀ مودیس (MODIS/Terra) با داده‌های ایستگاهی در حوضۀ مطالعه‌شده در بازۀ زمانی2008 تا 2022 نشان داد که میزان همبستگی بین داده‌های سنجش‌ازدور و مشاهدات زمینی در بیشتر موارد قوی و در ایستگاه‌های با ارتفاعات بالاتر (کوهرنگ)، همبستگی‌ها معمولاً بیشتر از ایستگاه‌های با ارتفاع کمتر (یاسوج) است. این موضوع می‌تواند ناشی از تأثیر دما، نوع پوشش زمین و ویژگی‌های توپوگرافی منطقه باشد. طبق نتایج میانگین اریب (Bias) برای کل ایستگاه‌های مطالعه‌شده، معادل 12/0 به ‌دست ‌آمده است. این مقدار حاکی‌از تمایل سیستماتیک داده‌های MODISبه بیش‌برآورد در مقایسه با اندازه‌گیری‌های زمینی است. براساس نتایج، ایستگاه پرارتفاع کوهرنگ کمترین میزان اریب (08/0) و ایستگاه‌های یاسوج و سی‌سخت به ترتیب با ارتفاع کمتر اریب‌های بیشتری را نشان داده‌اند. براساس نتایج حاصل از تحلیل خطای میانگین مطلق (MAE)، ارزیابی دقت داده‌ها در ایستگاه‌های مختلف، متفاوت است. کمترین میزان خطا در ایستگاه کوهرنگ مشاهده شد که دلالت بر بالاترین سطح تطابق بین داده‌های MODIS و ایستگاه‌های زمینی است. ریشۀ میانگین مربعات خطا (RMSE) نیز در ایستگاه کوهرنگ باتوجه‌به اینکه در منطقه‌ای بسیار پربرف واقع شده است و به‌عنوان یکی از نقاط مهم پوشش برفی در زاگرس محسوب می‌شود، دقت بهتری داشته است. ایستگاه‌های شهرکرد، بروجن و سی‌سخت نیز دارای مقادیر RMSE پذیرفته‌شده‌ای هستند که نشان می‌دهد داده‌های ماهواره‌ای در این مناطق نسبتاً دقیق هستند، اما همچنان بهبودپذیر است. به‌طورکلی ایستگاه کوهرنگ دارای بهترین تطابق را بین داده‌های ایستگاهی و ماهواره‌ای دارد که می‌تواند به دلیل ثبات بیشتر پوشش برف و کیفیت بهتر داده‌های ایستگاهی باشد (جدول 2).

 

 

جدول (2): نتایج اعتبارسنجی تصاویر پوشش برفی حاصل از ماهوارۀ تراا و ایستگاه‌های منتخب حوضۀ مطالعه‌شده طی سری زمانی 2008-2022 ماه‌های نوامبر تا مارس

Table 2: Validation results of snow cover imagery derived from Terra satellite against observations from selected stations within the study basin during the 2008–2022 period (November to March)

ردیف	ایستگاه	ارتفاع	ضریب همبستگی (R)	اریبی  (Bias)	خطای مطلق میانگین  (MAE)	ریشه میانگین مربعات خطا (RMSE)	میانگین خطا (Mean Error)
1	شهرکرد	2180	83/0	11/0	17/0	27/0	05/0
2	کوهرنگ	3176	87/0	08/0	15/0	24/0	04/0
3	بروجن	2197	81/0	13/0	19/0	28/0	06/0
4	سی سخت	2163	79/0	14/0	21/0	29/0	08/0
5	یاسوج	1886	72/0	16/0	24/0	32/0	09/0

 

همبستگی بین ارتفاع ژئوپتانسیل، شار تابشی روبه‌پایین و روبه‌بالای خورشیدی با وسعت پوشش برف حوضۀ آبریز کارون و مارون و نقشه‌های ترسیمی داده‌های مدنظر واکاوی شد. نتایج نشان داد که بین ارتفاع ژئوپتانسیل ماه ژانویه با پوشش برف چشمگیر و خالص (NDSI 0.4_0.6) و پوشش کلی برف (NDSI > 0.4_1)، همبستگی منفی معنی‌داری در سطح اطمینان مختلف وجود دارد؛ بنابراین، هرچه ارتفاع ژئوپتانسیل بر روی حوضۀ مطالعه‌شده افزایشی باشد، به‌طور طبیعی باعث افزایش بیشتر دما و درنتیجه کاهش وسعت پوشش کلی برف در حوضۀ مطالعه‌شده می‌شود. این شرایط برای شار تابشی روبه‌پایین نیز به‌صورت همبستگی منفی با پوشش برف درخور ‌توجه و خالص در ماه ژانویه صدق می‌کند؛ بنابراین، اگر شار تابشی روبه‌پایین (انرژی خورشیدی که به سطح زمین می‌رسد) بیشتر باشد، باتوجه‌به همبستگی معکوس، وسعت پوشش برفی در ارتفاعات حوضۀ مطالعه‌شده کاهش می‌یابد. در رابطه با شار تابشی روبه‌بالا (انرژی که از سطح زمین به سمت بالا تابش می‌شود) در ماه ژانویه برعکس شار تابشی روبه‌پایین همبستگی مثبت بسیار قوی با پوشش برف تازه و بدون آلودگی (NDSI0.6_0.8) و پوشش کلی برف ایجاد شده است؛ بنابراین، شار تابشی روبه‌بالا با پوشش برف حوضۀ مدنظر رابطۀ مستقیم دارد. به‌صورتی‌که هرچه پوشش برف بیشتر باشد، انرژی بیشتری از سطح زمین بازتاب می‌شود (جدول 3).

در ماه فوریه نیز ارتفاع ژئوپتانسیل تراز 700 هکتوپاسکلی به‌صورت معکوس با وسعت پوشش برف این حوضه همبستگی منفی بسیار قوی داشته است؛ به‌عبارت‌دیگر، این دو عامل به‌صورت معکوس باهم تغییر می‌کنند. دررابطه‌با شار تابشی رو‌به‌پایین در ماه فوریه نیز همبستگی معنی‌داری با پوشش برف کلاس درخور ‌توجه و خالص در سطح اطمینان 05/0 و با پوشش کلی برف همبستگی درخور ‌توجهی، اما بدون معنی‌دار خاص ایجاد شده است؛ بنابراین، در این ماه نیز هرچه میزان انرژی خورشیدی که به سطح زمین می‌رسد (شار تابشی رو‌به‌پایین) افزایش یابد، وسعت پوشش برف کمتر می‌شود. نتایج شار تابشی رو‌به‌بالا نیز نشان از همبستگی مثبت قوی و معنی‌داری با پوشش کلی برف در تمام دسته‌بندی‌ها دارد (جدول 3)؛ بنابراین، وسعت پوشش برف حوضۀ مطالعه‌شده در ماه فوریه به‌شدت متأثر از انرژی تابشی خورشیدی قرار دارد که به سطح زمین می‌رسد؛ اما در ماه مارس در بیشتر موارد همبستگی معنی‌داری بین متغیرهای مطالعه‌شده و پوشش برفی مشاهده نشده است. مطالعۀ تأثیرضریب سپیدایی پوشش برف ایران نیز نشان داد که در ماه‌های سرد سال (Jan, Feb, Mar) که ماه‌های برف‌پوش ایران شناخته می‌شوند، ضریب سپیدایی بیشینه و در ماه‌های گذار (June, July, Aug) ضریب سپیدایی به حداقل می‌رسد (کفایت مطلق و دارند، 1403). همچنین در مطالعۀ حاضر با مقایسۀ نوسانات متغیر‌هایی که همبستگی معنی‌داری با پوشش برف داشته‌اند، هماهنگی این متغیرها با پوشش برفی مشخص است؛ به‌صورتی‌که ارتباط معکوس ارتفاع ژئوپتانسیل و شار تابشی رو‌به‌پایین با پوشش برف در دسته‌های مختلف در ماه ژانویه، فوریه و مارس و ارتباط مثبت نوسانات شار تابشی رو‌به‌بالا با پوشش برفی این حوضه به‌وضوح مشهود است شکل ‌(2) و شکل (7).

 

جدول (3): همبستگی بین ارتفاع ژئوپتانسیل، شار تابشی رو‌به‌پایین و رو‌به‌بالای خورشیدی با پوشش برف در کلاس‌های مختلف در ماه‌های ژانویه، فوریه و مارس حوضۀ آبریز کارون و مارون طی سری زمانی 2022-2001

Table 3: Correlation between geopotential height, downward and upward solar radiation fluxes, and snow cover across different classes during January, February, and March in the Karun and Maroon river basins over the 2001–2022 period

داده‌های همدیدی	برف درخور ‌توجه و خالص NDSI 0.4_0.6	برف تازه با حداقل آلودگی NDSI 0.6_0.8	برف تازه بدون هیچ آلودگی NDSI 0.8_0.1	پوشش کلی برف NDSI
ارتفاع ژئوپتانسیل ژانویه	-.573**	-.35	-.12	-.511*
ارتفاع ژئوپتانسیل فوریه	-.540**	-.784**	-.34	-.725**
شار تابشی رو‌به‌پایین ژانویه	-.492*	-.19	-.16	-.39
شار تابشی رو‌به‌پایین فوریه	.470*-	.20-	.25-	.33-
شار تابشی رو‌به‌پایین مارس	-.34	-.39	.18	-.32
شار تابشی رو‌به‌بالا ژانویه	.29	.623**	.16	.634**
شار تابشی رو‌به‌بالا فوریه	.471*	.647**	.607**	.656**

 

 

شکل 2: مقایسۀ نوسانات پوشش برف در ماه ژانویه با نوسانات ارتفاع ژئوپتانسیل (HGT)، شار تابشی رو‌به‌بالا و رو‌به‌پایین خورشیدی طی دورۀ 2022-2001

Figure 2: Comparison of snow cover variability in January with fluctuations in geopotential height (HGT), upward and downward solar radiation fluxes during the 2001–2022 period.

مطابق با نتایج شکل (2) در ژانویۀ 2014 وسعت پوش برف حوضۀ مطالعه‌شده بالاتر از میانگین نرمال و در ژانویۀ 2019 این مورد بسیار پایین‌تر از میانگین نرمال خود است. با مقایسۀ بصری وسعت پوشش برف نیز در ژانویۀ 2014 و 2019 می‌توان مشاهده کرد که وسعت پوشش برفی در ژانویۀ 2014 بسیار بیشتر از ژانویۀ 2019 است (شکل3). بررسی همدیدی نقشه‌های جوی طی دو دورۀ مدنظر نشان از الگوهای متفاوت جوی دارد. به‌طور میانگین ارتفاع جو در ژانویۀ 2019 بر روی منطقۀ مطالعه‌شده بیشتر از ژانویۀ 2014 است؛ به‌صورتی‌که حوضۀ مطالعه‌شده بین خطوط هم‌ارتفاع 3080 تا 3100 متری قرارگرفته است؛ درحالی‌که در سال 2014 این حوضه بین خطوط هم‌ارتفاع 3080 تا 3090 قرار دارد و در ژانویۀ 2014 در مقایسه با ژانویۀ 2019 خطوط هم‌ارتفاع به‌وضوح تا عرض جغرافیایی پایین‌تری مشاهده می‌شود (شکل 4). مطالعۀ میانگین ماهانۀ ناهنجاری ارتفاع ژئوپتانسیل در تراز ۸۵۰ هکتوپاسکال در منطقۀ اورال و اوراسیای داخلی طی دورۀ ۱۹۷۹ تا ۲۰۲۳ نشان داد که بین ناهنجاری ارتفاع ژئوپتانسیل ۸۵۰ هکتوپاسکال در ماه‌های ژوئن، جولای و ژانویه و گسترۀ پوشش برفی همبستگی وجود دارد (Li et al., 2024).

بررسی همدیدی نقشه‌های شار تابشی رو‌به‌پایین در 5 ژانویۀ 2019 و 5 ژانویۀ 2014 نیز نشان از آن دارد که خطوط هم‌شار 200 وات بر مترمربع (W/m²) در 5 ژانویۀ 2019 بر روی شمال خلیج‌فارس و عرض‌های بالاتر نیمۀ جنوبی ایران قرار دارد و به‌طور میانگین شار تابشی رو‌به‌پایین ‌بر روی منطقۀ مطالعه‌شده بالاتر از 170 وات بر مترمربع (W/m²) است؛ اما در 5 ژانویۀ 2014 این مقدار به‌طور میانگین کمتر از 150 وات بر مترمربع (W/m²) رسیده است؛ بنابراین، مقدار متوسط و موقعیت خطوط هم‌شار در منطقۀ مطالعه‌شده تغییر کرده است و افزایش شار تابشی در ژانویۀ 2019 در مقایسه با ژانویۀ 2014 شرایط مناسبی برای ذوب و کاهش وسعت پوشش برفی ایجاد کرده است (شکل 5). پوشش برف، تابش خورشیدی ورودی را منعکس می‌کند؛ زیرا برف تازه معمولاً دارای ضریب بازتاب (آلبدو) بین 8/0 و 9/0 است، درحالی‌که بیشتر سطوح زمین دارای ضریب بازتاب بین 1/0 و 3/0 است (Barry, 1996)؛ بنابراین، برف بر تعادل انرژی منطقه‌ای و جهانی تأثیر می‌گذارد (Scherrer et al., 2012). بررسی همدیدی نقشه‌های شار تابشی رو‌به‌بالا نیز نشان از شدت بیشتر این شاخص بر روی ایران و منطقۀ مطالعه‌شده در ژانویۀ 2014 در مقایسه با ژانویۀ 2019 دارد. به‌طوری‌که در ژانویۀ 2014 این مقدار بر روی حوضۀ مطالعه‌شده در حدود 100 وات بر مترمربع (W/m²) و در ژانویۀ 2019 این مقدار کمتر از 50 وات بر مترمربع (W/m²) است؛ بنابراین، ارتباط مستقیم بین میزان پوشش برف حوضۀ آبریز کارون و مارون در ارتفاعات زاگرس با تابش رو‌به‌بالای خورشیدی در ماه ژانویه تآیید می‌شود؛ بنابراین، در این ماه هرچه پوشش برف بیشتر باشد، میزان شار تابش خورشیدی رو‌به‌بالا نیز بیشتر می‌شود (شکل 6).

 

شکل (3): مقایسۀ توزیع مکانی پهنه‌های برفی و غیربرفی حوضۀ آبریز کارون و مارون در ژانویۀ 2019 و ژانویۀ 2014

Figure 3: Spatial distribution comparison of snow-covered and snow-free areas in the Karun and Maroon river basins in January 2019 and January 2014

 

شکل 4: نقشۀ ارتفاع ژئوپتانسیل تراز 700 هکتوپاسکلی در ماه ژانویۀ 2014 و ژانویۀ 2019

Figure 4: Geopotential height maps at the 700 hPa level for January 2014 and January 2019

 

شکل 5: نقشۀ شار تابش خورشیدی رو‌به‌پایین در ماه ژانویۀ 2014 و ژانویۀ 2019

Figure 5: Downward solar radiation flux maps for January 2014 and January 2019

 

 

شکل 6: نقشۀ شار تابش خورشیدی رو‌به‌بالا در ماه ژانویۀ 2014 و ژانویۀ 2019

Figure 6: Upward solar radiation flux maps for January 2014 and January 2019

 

در ماه فوریه بین پوشش برف و ارتفاع ژئوپتانسیل همبستگی بسیار قوی مشاهده شد. با مقایسۀ نوسانات نمودار پوشش برف و میانگین ارتفاع ژئوپتانسیل نیز هماهنگی معکوس این متغیرها به‌وضوح مشهود است. طبق نتایج در فوریۀ سال 2005 شاخص پوشش برف بالاتر از میانگین نرمال و در فوریۀ سال 2018 پوشش برفی بسیار کمتر از میانگین نرمال خود بوده است (شکل 7). با مقایسۀ نقشۀ پوشش برفی طی دو دورۀ ذکرشده نیز به‌وضوح تفاوت وسعت پوشش برفی مشخص است (شکل 8). بررسی همدیدی نقشۀ ارتفاع ژئوپتانسیل در تراز 700 هکتوپاسکلی تأییدکنندۀ ارتفاع کمتر جو در فوریۀ سال 2005 در مقایسه با فوریۀ 2018 است؛ به‌صورتی‌که خطوط 3080 هکتوپاسکلی در فوریۀ 2005 به عرض‌های پایین‌تر بر روی نیمۀ شمالی خلیج ‌فارس قرارگرفته است. این شرایط برای فوریۀ 2018 با قرارگیری خطوط 3080 هکتوپاسکلی بر روی عرض‌های بالاتر و نیمۀ مرکزی ایران به‌وضوح نشان‌دهندۀ ارتفاع و پایداری بیشتر جو طی این ماه است؛ بنابراین، افزایش ارتفاع جو که به‌طور طبیعی باعث افزایش دما و پایداری می‌شود، باعث کاهش وسعت پوشش برف در فوریۀ 2018 شده است؛ به‌عبارت‌دیگر در فوریۀ 2018 با پوشش برفی کمتر، حوضۀ آبریز کارون و مارون بین خطوط 3080 تا 2120 هکتوپاسکلی، اما در فوریۀ 2005 حوضۀ مطالعه‌شده بین خطوط 3040 تا 3080 هکتوپاسکالی با ناپایداری و افزایش وسعت پوشش برف بیشتر قرار داشته است (شکل 9). نتایج مطالعۀ همدیدی بارش برف در غرب ایران نیز نشان داد که ایجاد فرود عمیق جوی و شرایط ناپایداری بیشتر در غرب مدیترانه و شمال آفریقا نقش مؤثری در گسترش وسعت پوشش برف (NDSI) در نواحی غرب ایران دارد (کاشکی و همکاران، 1401)؛ بنابراین، دوره با ارتفاع ژئوپتانسیل بیشتر‌ (فوریۀ 2018) هم‌زمان با شار تابشی رو‌به‌پایین باانرژی ورودی بیشتر از مهم‌ترین عوامل تأثیرگذار پوشش برفی است. همچنین نقشۀ همدیدی شار تابشی رو‌به‌بالا، تأییدکنندۀ شار شدیدتر در نیمۀ غربی ایران و محدودۀ مطالعه‌شده در فوریۀ 2005 (پوشش برفی بسیار وسیع) با میانگین 100 وات بر مترمربع (W/m²) است؛ اما در فوریۀ سال 2018 این مقدار منطبق بر کاهش وسعت پوشش برفی به کمتر از 60 وات بر مترمربع (W/m²) رسیده است (شکل 10).

 

شکل 7: مقایسۀ نوسانات پوشش برف در ماه فوریه با نوسانات ارتفاع ژئوپتانسیل (HGT)، شار تابشی رو‌به‌بالا و رو‌به‌پایین خورشیدی طی دورۀ 2022-2001

Figure 7: Comparison of snow cover variability in February with fluctuations in geopotential height (HGT), and upward and downward solar radiation fluxes during the 2001–2022 period

 

 

شکل (8): مقایسۀ توزیع مکانی پهنه‌های برفی و غیربرفی حوضۀ آبریز کارون و مارون در فوریۀ 2005 و فوریۀ 2018

Figure 8: Spatial distribution comparison of snow-covered and snow-free areas in the Karun and Maroon river basins in February 2005 and February 2018

 

 

شکل 9: نقشۀ ارتفاع ژئوپتانسیل تراز 700 هکتوپاسکلی در فوریۀ 2005 و فوریۀ 2018

Figure 9: Geopotential height maps at the 700 hPa level for February 2005 and February 2018

 

شکل 10: نقشۀ شار تابش خورشیدی رو‌به‌پایین در ماه فوریۀ 2005 و فوریۀ 2018

Figure 10: Downward solar radiation flux maps for February 2005 and February 2018

 

تحلیل همبستگی بین ارتفاع ژئوپتانسیل تراز ۷۰۰ هکتوپاسکال و پوشش برف در حوضۀ مطالعه‌شده (با تأکید بر ماه آوریل) همبستگی بسیار قوی و معنی‌دار را با پوشش برف حوضۀ مطالعه‌شده نشان می‌دهد. این ارتباط به‌صورت معکوس و معنی‌دار برای متغیر شار تابشی رو‌به‌پایین نیز وجود دارد (جدول 4). مقایسۀ توزیع مکانی پهنه‌های برفی حوضه‌های آبریز کارون و مارون در آوریل ۲۰۰۷ (پوش برفی بیشتر از میانگین نرمال) و ۲۰۱۵ (پوش برفی کمتر از میانگین نرمال) بررسی شد (شکل ۱۲). براساس یافته‌ها، باتوجه‌به همبستگی معکوس در ماه آوریل (همچون سایر ماه‌های دورۀ سرد سال)، با افزایش ارتفاع ژئوپتانسیل و کاهش ناپایداری جوی در آوریل 2015 در مقایسه با آوریل 2007 وسعت پوشش برف در حوضۀ مطالعه‌شده کاهش می‌یابد (شکل ۱۳). همچنین، افزایش شدیدتر شار تابش خورشیدی در آوریل 2015 نیز به کاهش وسعت پوشش برف منجر شده است (شکل ۱۴). مقایسۀ نوسانات ارتفاع ژئوپتانسیل و شار تابشی رو‌به‌پایین در ماه آوریل نیز هماهنگی معکوس این دو پارامتر را با پوشش برفی این ماه نشان داده است (شکل ۱۱)؛ بنابراین، افزایش ارتفاع ژئوپتانسیل و افزایش شار تابش خورشیدی رو‌به‌پایین در ماه آوریل، نقش مهمی در کاهش پوشش برف حوضۀ مطالعه‌شده دارد. همچنین در بازۀ ماه می تا سپتامبر، به‌دلیل کاهش شدید پوشش برفی، خارج‌شدن حوضه از دورۀ بارشی و ذوب شدید برف متأثر از افزایش دمای هوا هیچ‌گونه همبستگی معنی‌داری بین متغیرهای مطالعه‌شده مشاهده نشد.

 

جدول (4): همبستگی بین ارتفاع ژئوپتانسیل، شار تابشی رو‌به‌پایین و رو‌به‌بالای خورشیدی با پوشش برف در کلاس‌های مختلف در ماه‌های آوریل، می و ژوئن حوضۀ آبریز کارون و مارون طی سری زمانی 2022-2001

Table 4: Correlation between geopotential height, downward and upward solar radiation fluxes, and snow cover across different classes during April, May, and June in the Karun and Maroon river basins over the 2001–2022 period

داده‌های همدیدی	برف درخورتوجه و خالص NDSI 0.4_0.6	برف تازه با حداقل آلودگی NDSI 0.6_0.8	برف تازه بدون هیچ آلودگی NDSI 0.8_0.1	پوشش کلی برف NDSI
ارتفاع ژئوپتانسیل آوریل	-.591**	-.686**	-.31	-.594**
ارتفاع ژئوپتانسیل می	-.32	-.33	-.10	-.32
شار تابشی رو‌به‌پایین آوریل	-.439*	-.477*	-.16	-.449*

 

شکل 11: مقایسۀ نوسانات پوشش برف ماه آوریل با ارتفاع ژئوپتانسیل (HGT)، شار تابشی رو‌به‌بالا و رو‌به‌پایین خورشیدی طی دورۀ 2022-2001

Figure 11: Comparison of snow cover variability in April with fluctuations in geopotential height (HGT), and upward and downward solar radiation fluxes during the 2001–2022 period

 

 

شکل (12): مقایسۀ توزیع مکانی پهنه‌های برفی و غیربرفی حوضۀ آبریز کارون و مارون در آوریل 2007 و آوریل 2015

Figure 12: Spatial distribution comparison of snow-covered and snow-free areas in the Karun and Maroon river basins in April 2007 and April 2015

 

 

شکل 13: نقشۀ ارتفاع ژئوپتانسیل تراز 700 هکتوپاسکلی در ماه آوریل 2007 و آوریل 2015

Figure 13: Geopotential height maps at the 700 hPa level for April 2007 and April 2015

 

شکل 14: نقشۀ شار تابش خورشیدی رو‌به‌پایین در ماه آوریل 2007 و آوریل 2015

Figure 14: Downward solar radiation flux maps for April 2007 and April 2015

 

در ماه نوامبر وسعت پوشش برفی در حوضۀ مطالعه‌شده به‌طور طبیعی افزایش ‌یافته است. با مقایسۀ دو دوره، در نوامبر 2007 و نوامبر 2018 به‌وضوح اختلاف وسعت پوشش برفی مشخص است (شکل 16). در این ماه باتوجه‌به افزایش بارش‌ها در حوضۀ مطالعه‌شده، افزایش موارد همبستگی نیز بیشتر شده است؛ به‌عبارت‌دیگر در ماه نوامبر بین متغیر ارتفاع ژئوپتانسیل با پوشش برف خالص همبستگی معنی‌داری مشاهده ‌شده است (جدول 5)؛ بنابراین، در این ماه نیز با افزایش ارتفاع ژئوپتانسیل (که معمولاً با افزایش دما همراه است)، پوشش برف خالص کاهش می‌یابد. این شرایط برای شار تابشی رو‌به‌پایین به‌صورت همبستگی بسیار قوی و معنی‌دار ایجاد شده است؛ به‌عبارت‌دیگر در ماه نوامبر با افزایش شار تابشی رو‌به‌پایین خورشیدی، پوشش برف در حوضۀ آبریز مطالعه‌شده کاهش می‌یابد. این شرایط برای شار تابشی رو‌به‌بالا به‌صورت همبستگی مثبت مشاهده شد؛ به‌صورتی‌که بین شار تابشی رو‌به‌بالای خورشیدی و پوشش کلی برف همبستگی مثبت درخور ‌توجهی با عدم معنی‌داری مشخص مشاهده شد (جدول 5 و شکل 15).

  در ماه دسامبر همبستگی بین پوشش برف و ارتفاع ژئوپتانسیل به بیشترین مقدار خود رسیده است. در این ماه الگوهای گردش عمومی جو به‌گونه‌ای است که هوای سرد و خشک از عرض‌های جغرافیایی بالاتر به سمت منطقۀ مطالعه‌شده جریان پیدا می‌کند و با کاهش ارتفاع ژئوپتانسیل در حوضۀ مدنظر با پوشش کلی برف همبستگی بسیار قوی ایجاد‌ شده است؛ این بدان معناست که تغییرات در ارتفاع ژئوپتانسیل در این ماه، تأثیر بسیار زیادی بر روی میزان پوشش برف در حوضۀ مطالعه‌شده داشته است که با کاهش ارتفاع ژئوپتانسیل (که معمولاً با کاهش دما همراه است) و ورود سامانه‌های ناپایدار پوشش برف افزایش می‌یابد. در رابطه با شار تابشی رو‌به‌پایین نیز در این ماه همبستگی بسیار قوی و منفی به وجود آمده است؛ به‌صورتی‌که بین این متغیر و پوشش برفی در دسته‌های مختلف و پوشش کلی برف رابطۀ معنی‌دار است؛ این بدان معنی است که با کاهش میزان تابش شار رو‌به‌پایین خورشیدی در سطح حوضۀ مطالعه‌شده، پوشش برف افزایشی می‌شود (جدول 5 و شکل 17). این شرایط برای شار تابشی رو‌به‌بالا در ماه دسامبر به‌صورت همبستگی مثبت خودنمایی می‌کند؛ درصورتی‌که بین شار تابشی رو‌به‌بالا و وسعت پوشش برف در این ماه همبستگی مثبت معنی‌داری مشاهده می‌شود؛ بنابراین، می‌توان نتیجه گرفت که همبستگی مثبت بین شار تابشی رو‌به‌بالا و وسعت پوشش برف در ماه دسامبر عمدتاً به دلیل نقش برف به‌عنوان بازتابنده‌ای قوی وجود دارد که با افزایش وسعت پوشش برف، مقدار بیشتری از تابش خورشیدی به فضا بازتابیده می‌شود که به افزایش شار تابشی رو‌به‌بالا منجر می‌شود (جدول 5). تحلیل کمّی تابش خورشیدی منعکس‌شده در مناطق کوهستانی پوشیده از برف فلات تبت نشان داد که پوشش برفی نه‌تنها با افزایش آلبدوی سطح، میزان تابش منعکس‌شده را افزایش می‌دهد، بلکه الگوی توزیع فضایی تابش را در کوه‌های نیمه‌پوشیده از برف تغییر می‌دهد و باعث می‌شود که تابش منعکس‌شدۀ بیشتری توسط سطوح اطراف دریافت شود (Chu et al., 2021).

 

جدول (5): همبستگی بین ارتفاع ژئوپتانسیل، شار تابشی رو‌به‌پایین و رو‌به‌بالای خورشیدی با پوشش برف در کلاس‌های مختلف در ماه‌های اکتبر، نوامبر و دسامبر حوضۀ آبریز کارون و مارون طی سری زمانی 2022-2001

Table 5: Correlation between geopotential height, downward and upward solar radiation fluxes, and snow cover across different classes during October, November, and December in the Karun and Maroon river basins over the 2001–2022 period

داده‌های همدیدی	برف درخور‌توجه و خالص NDSI 0.4_0.6	برف تازه با حداقل آلودگی NDSI 0.6_0.8	برف تازه بدون هیچ آلودگی NDSI 0.8_0.1	پوشش کلی برف NDSI
ارتفاع ژئوپتانسیل نوامبر	-.517*	-.32	-.21	-0.34
ارتفاع ژئوپتانسیل دسامبر	-.604**	-.642**	-.446*	-.687**
شار تابشی رو‌به‌پایین نوامبر	-.554**	-.562**	-.15	-.638**
شار تابشی رو‌به‌پایین دسامبر	-.04	-.36	-.506*	-.30
شار تابشی رو‌به‌بالا نوامبر	.213	-.082	.12	.38
شار تابشی رو‌به‌بالا دسامبر	.35	.457*	.521*	.440*

 

 

شکل 15: مقایسۀ نوسانات پوشش برف ماه نوامبر با نوسانات ارتفاع ژئوپتانسیل (HGT)، شار تابشی رو‌به‌بالا و رو‌به‌پایین خورشیدی طی دورۀ 2001-2022

Figure 15: Comparison of snow cover variability in November with fluctuations in geopotential height (HGT), and upward and downward solar radiation fluxes during the 2001–2022 period

 

 

شکل 16: مقایسۀ توزیع مکانی پهنه‌های برفی و غیربرفی حوضۀ آبریز کارون و مارون در نوامبر 2007 و نوامبر 2018

Figure 16: Spatial distribution comparison of snow-covered and snow-free areas in the Karun and Maroon river basins in November 2007 and November 2018

 

شکل 17: مقایسۀ نوسانات پوشش برف ماه دسامبر با نوسانات ارتفاع ژئوپتانسیل (HGT) شار تابشی رو‌به‌بالا و رو‌به‌پایین خورشیدی

Figure 17: Comparison of snow cover variability in December with fluctuations in geopotential height (HGT), and upward and downward solar radiation fluxes during the 2001–2022 period

 

 

شکل 18: مقایسۀ توزیع مکانی پهنه‌های برفی و غیربرفی حوضۀ آبریز کارون و مارون در دسامبر 2006 و دسامبر 2022

Figure 18: Spatial distribution comparison of snow-covered and snow-free areas in the Karun and Maroon river basins in December 2006 and December 2022

 

بررسی همدیدی نقشه‌های جوی طی ماه دسامبر با پوشش برفی نشان از اختلافات فراوان در الگوهای جوی منطقۀ مطالعه‌شده در این ماه طی زمان‌های مختلف دارد. طبق نتایج به‌دست‌آمده در دسامبر 2006 میانگین پوشش برفی حوضۀ مطالعه‌شده بیشتر از نرمال و در دسامبر 2022 وسعت پوشش برفی حوضۀ مدنظر کمتر از میانگین نرمال است. باتوجه‌به ارتباط معنی‌دار بین پوشش برفی و ارتفاع ژئوپتانسیل مشخص شد که الگوی رفتاری ارتفاع ژئوپتانسیل طی دورۀ پوشش برفی وسیع در دسامبر 2006 نشان از وجود یک ناوۀ عمیق بر روی غرب ایران در تراز 700 هکتوپاسکالی دارد؛ به‌صورتی‌که طی این دوره منطقۀ مطالعه‌شده بین خطوط 3080 تا 3060 هکتوپاسکلی قرارگرفته است. این شرایط باتوجه‌به ماهیت ناوۀ کم‌ارتفاع منبعث‌شده، شرایط ناپایدار را در طول ماه دسامبر ایجاد کرده است؛ اما در دسامبر 2022 که پوشش برفی کمتر از میانگین نرمال است، حوضۀ مطالعه‌شده بین خطوط پرارتفاع‌تر 3110 تا 3090 هکتوپاسکالی قرارگرفته و به‌طور میانگین شرایط جو پایدار با ارتفاع بیشتر بر روی ایران و حوضۀ مطالعه‌شده ایجاد شده است (شکل 19).

 پوشش برف به دلیل ماهیت انعکاسی خود، بخشی از تابش خورشیدی را بازتاب می‌کند؛ درنتیجه، مقدار کمتری از انرژی خورشیدی به سطح زمین می‌رسد؛ بنابراین، با افزایش شار تابشی رو‌به‌پایین، وسعت پوشش برف کاهش می‌یابد؛ درحالی‌که در دوره‌های پوشش برفی وسیع، میزان شار تابشی رو‌به‌بالا افزایش می‌یابد .بررسی خطوط هم‌شار تابشی خورشیدی رو‌به‌بالا نشان می‌دهد که در دسامبر 2006، مقدار متوسط این شاخص در منطقۀ مطالعه‌شده بیش از 65 وات بر مترمربع (W/m²) بوده است. این در حالی است که در دسامبر کم‌برف 2022، این مقدار به حدود 45 وات بر مترمربع کاهش‌ یافته است؛ بنابراین، در ماه دسامبر، افزایش پوشش برف موجب افزایش بازتاب انرژی از سطح زمین شده و درنتیجه، میزان شار تابشی رو‌به‌بالا بیشتر می‌شود. این پدیده نقش مهمی در تنظیم دمای سطح زمین و تغییرات آب‌وهوایی منطقه‌ای ایفا می‌کند (شکل 20). تحلیل همدیدی نقشۀ شار تابشی رو‌به‌پایین خورشیدی نشان از اختلاف بسیار کم بین شار تابشی رو‌به‌پایین در دسامبر 2006 و 2022 دارد؛ به‌صورتی‌که در هر دو دورۀ مدنظر حوضۀ مطالعه‌شده بین خطوط هم‌شار 180 تا 200 وات بر مترمربع (W/m²) است؛ اما به‌طور میانگین شار تابشی رو‌به‌پایین در دوره‌های پوش برفی کم، شدت بیشتری داشته است (شکل 21).

 

 

شکل 19: نقشۀ ارتفاع ژئوپتانسیل تراز 700 هکتوپاسکلی در ماه دسامبر 2006 و دسامبر 2022

Figure 19: Geopotential height maps at the 700 hPa level for December 2006 and December 2022

 

 

شکل 20: نقشۀ شار تابش خورشیدی رو‌به‌بالا در ماه دسامبر 2006 و دسامبر 2022

Figure 20: Upward solar radiation flux maps for December 2006 and December 2022

 

شکل 21: نقشۀ شار تابش خورشیدی رو‌به‌پایین در ماه دسامبر 2006 و دسامبر 2022

Figure 21: Downward solar radiation flux maps for December 2006 and December 2022

 

بررسی فصلی و سالانۀ همبستگی بین متغیرهای مدنظر نیز انجام شد. طبق نتایج به‌دست‌آمده به‌طور میانگین در فصل زمستان بین پوشش برف و ارتفاع ژئوپتانسیل در ارتفاع 700 هکتوپاسکالی همبستگی منفی درخور ‌توجهی مشاهده می‌شود؛ به‌صورتی‌که بین پوشش برفی خالص و پوشش کلی برف همبستگی معنی‌داری در سطح اطمینان 05/0 مشاهده می‌شود؛ بنابراین، رابطۀ معکوس قوی‌ای بین میزان پوشش برف و ارتفاع ژئوپتانسیل در ارتفاع 700 هکتوپاسکال وجود دارد؛ به‌صورتی‌که هرچقدر ارتفاع ژئوپتانسیل کمتر باشد به‌طور طبیعی وضعیت ناپایداری شدیدتر و به دنبال آن وسعت پوشش برفی بیشتر است (جدول 6 و شکل 23). این شرایط به‌صورت همبستگی منفی معنی‌دار در سطح اطمینان 05/0 برای فصل بهار و در سطح اطمینان 01/0 برای فصل پاییز در رابطه با ارتفاع ژئوپتانسیل و پوشش برفی خالص و پوشش کلی برف مشاهده می‌شود. این نشان می‌دهد که این رابطه پدیده‌ای کلی و پایدار در منطقۀ مطالعه‌شده است (جدول 6 و شکل‌های 24 و 25). این شرایط برای میانگین سالانه نیز تأییدکنندۀ رابطۀ منفی معنی‌دار بین ارتفاع ژئوپتانسیل منطقۀ مطالعه‌شده با پوشش کلی برف در سطح اطمینان 05/0 است؛ این بدان معناست که هرچه مقدار ارتفاع ژئوپتانسیل کمتر باشد، پوشش برف به‌طور متوسط در طول سال بیشتر خواهد بود (جدول 6).

با مقایسۀ وسعت پوشش برفی طی زمستان 2014 و 2018 به‌طور واضح تفاوت دوره‌های پوشش برفی به‌صورت فصلی مشاهده می‌شود (شکل 22). در رابطه با میانگین فصلی پوشش برف و شار تابشی رو‌به‌پایین فقط در فصل پاییز بین پوشش برف خالص و پوشش کلی برف در سطح اطمینان 05/0 همبستگی معنی‌داری وجود دارد؛ به‌عبارت‌دیگر با کاهش مقدار شار تابشی رو‌به‌پایین خورشیدی پوشش برف در فصل پاییز در حوضۀ آبریز رودخانۀ کارون و مارون نیز افزایش می‌یابد. این شرایط برای متغیر شار تابشی رو‌به‌بالا و پوشش برفی به‌صورت همبستگی مثبت مشاهده می‌شود؛ به‌صورتی‌که در فصل زمستان بین شار تابشی رو‌به‌بالا و پوشش برفی خالص، متوسط، برف تازه و بدون آلودگی زیاد و پوشش کلی برف همبستگی بسیار قوی و معنی‌داری در سطوح اطمینان 05/0 و 01/0 مشاهده می‌شود. این رابطه نشان می‌دهد که پوشش برف می‌تواند بر تعادل انرژی سطح زمین و درنتیجه بر شرایط اقلیمی محلی تأثیرگذار باشد. نتایج مطالعۀ بازخوردهای برف-آلبدو در فلات تبت حوضه‌های رودخانۀ یانگ‌تسه و رودخانۀ زرد برای دوره‌های ۱۹۷۹ تا ۲۰۱۱ نیز نشان داد که تابش خالص خورشیدی در سال‌هایی با پوشش برف بالاتر از حد نرمال تقریباً ۱۸ وات بر مترمربع کمتر از سال‌هایی با پوشش برف کمتر از حد نرمال است (Xiao & Duan, 2016).

 

جدول (6): همبستگی فصلی و سالانه بین ارتفاع ژئوپتانسیل، شار تابشی رو‌به‌پایین و رو‌به‌بالای خورشیدی با پوشش برف در کلاس‌های مختلف حوضۀ آبریز کارون و مارون طی سری زمانی 2022-2001

Table 6: Seasonal and annual correlations between geopotential height, downward and upward solar radiation fluxes, and snow cover across different classes in the Karun and Maroon river basins over the 2001–2022 period

داده‌های همدیدی	برف درخور‌توجه و خالص NDSI0.4_0.6	برف تازه و بدون آلودگی زیاد NDSI0.6_0.8	پوشش کلی برف NDSI
ارتفاع ژئوپتانسیل زمستان	-.512*	-.38	-.493*
ارتفاع ژئوپتانسیل بهار	-.317	-.21	-.434*
ارتفاع ژئوپتانسیل پاییز	-.19		-.681**
ارتفاع ژئوپتانسیل سال	-.29	-.23	-.429*
شار تابشی رو‌به‌پایین زمستان	.01	-.33	-.03
شار تابشی رو‌به‌پایین پاییز	-.20		-.452*
شار تابشی رو‌به‌بالای زمستان	.738**	.436*	.768**
شار تابشی رو‌به‌بالای پاییز	-.02		.37
شار تابشی رو‌به‌بالای سال	-.31	-.21	-.05

 

 

شکل (22): مقایسۀ توزیع مکانی پهنه‌های برفی و غیربرفی حوضۀ آبریز کارون و مارون در زمستان 2018 و زمستان 2014

Figure 22: Spatial distribution comparison of snow-covered and snow-free areas in the Karun and Maroon river basins during winter 2014 and winter 2018.

 

 

شکل 23: مقایسۀ نوسانات پوشش برف فصل زمستان (ماه‌های ژانویه، فوریه و مارس) با نوسانات ارتفاع ژئوپتانسیل (HGT)، شار تابشی رو‌به‌بالا و رو‌به‌پایین خورشیدی طی دورۀ 2022-2001

Figure 23: Comparison of winter snow cover variability (January, February, and March) with fluctuations in geopotential height (HGT), and upward and downward solar radiation fluxes during the 2001–2022 period

 

نگاره24:مقایسه نوسانات پوشش برف فصل بهار (ماه‌های آوریل، می و جون) با نوسانات ارتفاع ژئوپتانسیل(HGT)،شار تابشی رو به بالا و رو به پایین خورشیدی طی دوره2022-2001

Figure 24: Comparison of spring snow cover variability (April, May, and June) with fluctuations in geopotential height (HGT), and upward and downward solar radiation fluxes during the 2001–2022 period.

 

 

شکل 25 : مقایسۀ نوسانات پوشش برف فصل پاییز (ماه‌های اکتبر، نوامبر و دسامبر) با نوسانات ارتفاع ژئوپتانسیل (HGT)، شار تابشی رو‌به‌بالا و رو‌به‌پایین خورشیدی طی دورۀ 2022-2001

Figure 25: Comparison of autumn snow cover variability (October, November, and December) with fluctuations in geopotential height (HGT), and upward and downward solar radiation fluxes during the 2001–2022 period

 

نتیجه‌گیری

پژوهش حاضر نتایج داده‌های اعتبارسنجی‌شدۀ پوشش برف حوضه‌های آبریز کارون و مارون (مأخوذ از سنجندۀ MODIS) و متغیرهای جوی شامل ارتفاع ژئوپتانسیل و شار تابشی خورشیدی رو‌به‌بالا (بازتابی) و رو‌به‌پایین (فرودی) را در ترازهای مختلف جوی تحلیل کرده است. نتایج نشان داد که در ماه‌های فصل زمستان، به‌ویژه ژانویه و فوریه، همبستگی منفی (معکوس) بسیار قوی و معنی‌داری میان وسعت پوشش برف با ارتفاع ژئوپتانسیل و شار تابشی خورشیدی رو‌به‌پایین وجود دارد. درمقابل، به دلیل خاصیت بازتابندگی بالای برف (آلبیدو) مشخص شد که افزایش وسعت پوشش برف با افزایش شار تابشی خورشیدی رو‌به‌بالا (انرژی بازتاب‌شده از سطح) در این حوضه ارتباط مستقیم و معنی‌دار دارد. این یافته‌ها با نتایج پژوهش (Song et al., 2022). در فلات چینگهای-تبت همخوانی دارد که نشان داد تغییرات شار تابش خورشیدی بر دمای سطحی و درنتیجه بر وسعت پوشش برف مؤثر است. بررسی‌ها برای ماه آوریل نیز تأییدکنندۀ رابطۀ معکوس میان نوسانات ارتفاع ژئوپتانسیل (به‌طور مشخص در تراز 700 هکتوپاسکال که با افزایش پایداری جو همراه است) و شار تابشی رو‌به‌پایین (که به افزایش دما و تسریع ذوب برف می‌انجامد) با وسعت پوشش برف بود. این امر با یافته‌های (Sahani, 2021). سازگار است که در منطقۀ کانچن‌جونگا در هند، همبستگی منفی بین دمای سطح زمین و شاخص پوشش برف (NDSI) را نشان داد. در بازۀ زمانی ماه می تا اکتبر، به دلیل کاهش چشمگیر پوشش برف، خاتمۀ فصل بارش و افزایش دما هیچ‌گونه همبستگی معنی‌داری میان متغیرهای مطالعه‌شده مشاهده نشد؛ بااین‌حال، از ماه نوامبر و با شروع مجدد بارش‌ها و گسترش پوشش برف، همبستگی‌ها مجدداً پدیدار شدند؛ به‌طوری‌که در این ماه، همبستگی معکوسی میان وسعت پوشش برف با ارتفاع ژئوپتانسیل و همچنین شار تابشی رو‌به‌بالا مشاهده شد که نشان می‌دهد افزایش ارتفاع ژئوپتانسیل در فصل پاییز نیز با کاهش پوشش برف همراه است .به‌طورکلی، در طول دورۀ سرد سال (نوامبر تا مارس)، کاهش ارتفاع ژئوپتانسیل و کاهش شار تابشی خورشیدی فرودی، به افزایش پوشش برف منجر می‌شود و شدت همبستگی‌ها از ماه دسامبر افزایش می‌یابد. شدت این همبستگی‌ها در فصول مختلف متغیر است و در پاییز و زمستان به بیشترین میزان خود می‌رسد؛ بنابراین، ارتفاع ژئوپتانسیل و تابش خورشیدی به‌عنوان دو عامل کلیدی مؤثر بر وسعت پوشش برف در حوضه‌های کارون و مارون شناسایی شدند؛ علاوه‌براین، پوشش برف در ماه‌های سرد سال با بازتاب بخش درخور توجهی از تابش خورشیدی (افزایش شار تابشی رو‌به‌بالا)، به حفظ دمای پایین و پایداری بیشتر تودۀ برف کمک می‌کند.

نتایج پژوهش حاضر حاکی‌از وجود همبستگی معنی‌دار بین متغیرهای جوی منتخب، به‌ویژه نوسانات خورشیدی و تغییرات ارتفاع ژئوپتانسیل با میزان پوشش برف در حوضه‌های کارون و مارون است. نظر به قابلیت پیش‌بینی این متغیرها و نقش تعیین‌کنندۀ آن‌ها در تغییرات پوشش برف، توصیه می‌شود تا نهادها و سازمان‌های مسئول ازطریق ثبت و مدل‌سازی دقیق این نوسانات، به پیش‌بینی دوره‌های با فراوانی یا کمبود پوشش برفی اقدام کنند تا امکان مدیریت پیشگیرانه و بهینۀ منابع آبی در این حوضه فراهم شود.

 

[1] Downward Shortwave Radiation Flux

[2]Upward Shortwave Radiation Flux

[3] Geopotential Height

[4] Normalized Difference Snow Index

[5] Nearest Neighbor Resampling

تعداد مشاهده مقاله: 416

تعداد دریافت فایل اصل مقاله: 131