Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khung dữ liệu dựa trên viễn thám nhiều tiêu chí để giám sát tình trạng cạn kiệt và độ mặn của hồ và lập bản đồ ảnh hưởng môi trường của nó
Tóm tắt
Các hồ là nguồn tài nguyên nước tự nhiên bị ảnh hưởng bởi nhiều yếu tố khác nhau. Sự gia tăng độ mặn của đất là một trong những vấn đề chính do sự cạn kiệt của một hồ. Trong nghiên cứu này, một phương pháp hai bước đã được sử dụng để đánh giá khả năng bị tổn thương do hạn hán và sự biến động độ mặn của lưu vực Hồ Urmia. Đầu tiên, một phương pháp trí tuệ đa tiêu chí dựa trên biến đổi sóng - bộ nhớ ngắn hạn lâu dài đã được áp dụng, tích hợp 15 biến địa môi trường được thu thập từ các quan sát tại chỗ và tập dữ liệu vệ tinh, nhằm xây dựng bản đồ khả năng bị tổn thương do hạn hán của lưu vực. Ở bước tiếp theo, tiến trình hóa mặn của lưu vực và các tác động lên môi trường đã được điều tra bằng cách sử dụng tập dữ liệu vệ tinh. Kết quả cho thấy các phần phía Nam và phía Đông của hồ có khả năng gặp hạn nặng hơn. Nhiệt độ và sự biến đổi lượng mưa không dẫn đến sự thu hẹp đáng kể của hồ, nhưng các hoạt động của con người cùng với sự biến đổi khí hậu đã làm cho lưu vực cạn kiệt nước. Kết quả cũng cho thấy rằng sản xuất sinh khối trong lưu vực bị ảnh hưởng bởi độ mặn, và có sự tương quan tiêu cực giữa chỉ số độ mặn và chỉ số khác biệt thực vật đã chuẩn hóa. Ngoài ra, một sự tương quan tích cực được tìm thấy giữa sự lún đất và mật độ giếng khoan trong lưu vực. Tốc độ lún đất dao động trong khoảng từ -1.8 đến -8.4 mm/năm. Chất lượng nước ngầm cũng được điều tra đối với các giếng hiện có tại lưu vực. Kết quả cho thấy việc sử dụng quá mức nguồn tài nguyên nước ngầm đã ảnh hưởng đến chất lượng nước.
Từ khóa
#Hồ Urmia #Độ mặn #Khả năng tổn thương do hạn hán #Viễn thám #Môi trường #Nguồn nước ngầmTài liệu tham khảo
Abbasi A, Khalili K, Behmanesh J, Shirzad A (2019) Drought monitoring and prediction using SPEI index and gene expression programming model in the west of Urmia Lake. Theor Appl Climatol 138(1):553–567
AghaKouchak A, Norouzi H, Madani K, Mirchi A, Azarderakhsh M, Nazemi A, Nasrollahi N, Farahmand A, Mehran A, Hasanzadeh E (2015) Aral Sea syndrome desiccates Lake Urmia: call for action. J Great Lakes Res 41(1):307–311
Akramkhanov A, Martius C, Park SJ, Hendrickx JMH (2011) Environmental factors of spatial distribution of soil salinity on flat irrigated terrain. Geoderma 163(1–2):55–62
Belayneh A, Adamowski J, Khalil B (2016) Short-term SPI drought forecasting in the Awash River Basin in Ethiopia using wavelet transforms and machine learning methods. Sustain Water Resour Manag 2(1):87–101
Bhatt MJ, Patel AD, Bhatti PM, Pandey AN (2008) Effect of soil salinity on growth, water status and nutrient accumulation in seedlings of Ziziphus mauritiana (RHAMNACEAE). J Fruit Ornam Plant Res 16:383–401
Cao H, Fan F, Zhou K, He Z (2016) Wheel-bearing fault diagnosis of trains using empirical wavelet transform. Measure 82:439–449
Cheng Y, Zhang K, Chao L, Shi W, Feng J, Li Y (2023) A comprehensive drought index based on remote sensing data and nested copulas for monitoring meteorological and agroecological droughts: a case study on the Qinghai-Tibet Plateau. Environ Model Softw 161:105629
Chung J, Gulcehre C, Cho K, Bengio Y (2015) Gated feedback recurrent neural networks. In: International conference on machine learning, vol 37, pp 2067–2075
Dazzi C, Papa GL (2019) Soil genetic erosion: new conceptual developments in soil security. Int Soil Water Conserv Res 7(4):317–324
Eimanifar A, Mohebbi F (2007) Urmia Lake (northwest Iran): a brief review. Saline Syst 3(1):1–8
Gilles J (2013) Empirical wavelet transform. IEEE Trans Signal Process 61:3999–4010
Giordano R, Liersch S (2012) A fuzzy GIS-based system to integrate local and technical knowledge in soil salinity monitoring. Environ Model Softw 36:49–63
Graves A, Schmidhuber J (2005) Framewise phoneme classification with bidirectional LSTM and other neural network architectures. Neural Netw 18(5–6):602–610
Guo H, Bao A, Liu T, Ndayisaba F, He D, Kurban A, De Maeyer P (2017) Meteorological drought analysis in the Lower Mekong Basin using satellite-based long-term CHIRPS product. Sustainability 9(6):901
Guo M, Zhou X, Li J, Wu W, Chen Y (2015) Assessment of the salinization processes in the largest inland freshwater lake of China. Stoch Environ Res Risk 29:1823–1833
Habibi M, Babaeian I, Schöner W (2021) Changing causes of drought in the Urmia Lake basin-increasing influence of evaporation and disappearing snow cover. Water 13(22):3273
Hamzehpour N, Eghbal MK, Bogaert P, Toomanian N (2014) Top soil salinity prediction in South-Western part of Urmia Lake with ground water data. Int J Agric Innov Res 4(1):57–63
Hengl T, Heuvelink G, Perčec Tadić M, Pebesma EJ (2012) Spatio-temporal prediction of daily temperatures using time-series of MODIS LST images. Theor Appl Climatol 107(1):265–277
Hosseini-Moghari SM, Araghinejad S, Tourian MJ, Ebrahimi K, Döll P (2020) Quantifying the impacts of human water use and climate variations on recent drying of Lake Urmia basin: the value of different sets of spaceborne and in situ data for calibrating a global hydrological model. Hydrol Earth Syst Sci 24(4):1939–1956
IWRM: Iran Water Resources Management Company (2016). http://wrm.ir/
Karimzadeh S (2016) Characterization of land subsidence in Tabriz basin (NW Iran) using InSAR and watershed analyses. Acta Geod Geophys 51(2):181–195
Karimzadeh S, Matsuoka M (2020) Ground displacement in East Azerbaijan Province, Iran, revealed by L-band and C-band InSAR analyses. Sensors 20(23):6913
Khan N, Sachindra DA, Shahid S, Ahmed K, Shiru MS, Nawaz N (2020) Prediction of droughts over Pakistan using machine learning algorithms. Adv Water Resour 139:103562
Khorrami B, Ali S, Sahin OG, Gunduz O (2023) Model-coupled GRACE-based analysis of hydrological dynamics of drying lake Urmia and its Basin. Hydrol Process. https://doi.org/10.1002/hyp.14893
Kikon A, Deka PC (2022) Artificial intelligence application in drought assessment, monitoring and forecasting: a review. Stoch Environ Res Risk Assess 36:1197–1214
Kisi O, Gorgij AD, Zounemat-Kermani M, Mahdavi-Meymand A, Kim S (2019) Drought forecasting using novel heuristic methods in a semi-arid environment. J Hydrol 578:124053
Li Y, Chen W (2019) Landslide susceptibility evaluation using hybrid integration of evidential belief function and machine learning techniques. Water 12(1):113
Machado RMA, Serralheiro RP (2017) Soil salinity: effect on vegetable crop growth. Management practices to prevent and mitigate soil salinization. Horticulturae 3(2):30
Minea I, Iosub M, Boicu D (2022) Multi-scale approach for different type of drought in temperate climatic conditions. Nat Hazards 110(2):1153–1177
Mishra AK, Singh VP (2010) A review of drought concepts. J Hydrol 391(1–2):202–216
Mukherjee S, Mishra A, Trenberth KE (2018) Climate change and drought: a perspective on drought indices. Curr Clim Change Rep 4(2):145–163
Peng T, Zhou J, Zhang C, Fu W (2017) Streamflow forecasting using empirical wavelet transform and artificial neural networks. Water 9(6):406
Periasamy S, Ravi KP (2020) A novel approach to quantify soil salinity by simulating the dielectric loss of SAR in three-dimensional density space. Remote Sens Environ 251:112059
Phogat V, Mallants D, Cox JW, Šimůnek J, Oliver DP, Awad J (2020) Management of soil salinity associated with irrigation of protected crops. Agric Water Manag 227:105845
Rabinovich A, Kelly C, Wilson G, Nasseri M, Ngondya I, Patrick A, Blake WH, Mtei K, Munishi L, Ndakidemi P (2019) We will change whether we want it or not: soil erosion in Maasai land as a social dilemma and a challenge to community resilience. J Environ Psychol 66:101365
Seydehmet J, Lv GH, Nurmemet I, Aishan T, Abliz A, Sawut M, Abliz A, Eziz M (2018) Model prediction of secondary soil salinization in the Keriya Oasis, Northwest China. Sustainability 10(3):656
Shi H, Hellwich O, Luo G, Chen C, He H, Ochege FU, Van de Voorde T, Kurban A, De Maeyer P (2021) A global meta-analysis of soil salinity prediction integrating satellite remote sensing, soil sampling, and machine learning. IEEE Trans Geosci Remote Sens 60:1–15
Xiao C, Chen N, Hu C, Wang K, Gong J, Chen Z (2019) Short and mid-term sea surface temperature prediction using time-series satellite data and LSTM-AdaBoost combination approach. Remote Sens Environ 233:111358
Zare M, Drastig K, Zude-Sasse M (2019) Tree water status in apple orchards measured by means of land surface temperature and vegetation index (LST-NDVI) trapezoidal space derived from Landsat 8 satellite images. Sustainability 12(1):70
Zhao X, Chen W (2020) Optimization of computational intelligence models for landslide susceptibility evaluation. Remote Sens 12(14):2180