پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,112,840 |
| تعداد دریافت فایل اصل مقاله | 97,216,704 |
مدل سازی و پایش پدیده خشک‌سالی در جنوب غرب ایران با استفاده از شاخص جدید فازی | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 8، دوره 51، شماره 4، دی 1398، صفحه 673-692 اصل مقاله (1.42 M) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2019.278613.1007358 | ||
| نویسندگان | ||
| وحید صفریان زنگیر1؛ بهروز سبحانی* 2؛ صیاد اصغری3 | ||
| 1دانشجوی دکتری گروه جغرافیای طبیعی، اقلیم شناسی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 2استاد گروه جغرافیای طبیعی، اقلیم شناسی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 3دانشیار گروه جغرافیای طبیعی، ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| چکیده | ||
| خشک‌سالی یکی از مخاطرات طبیعی و تأثیرگذار در همة فعالیتهای موجودات زنده است. هدف از پژوهش حاضر مدلسازی و تحلیل خشک‌سالی در جنوب غرب ایران است. برای این کار، نخست از پارامترهای اقلیمی‌ـ بارش، دما، ساعات آفتابی، حداقل رطوبت نسبی، و سرعت باد‌ـ در بازة زمانی 32 ساله (۱۹۸۷-۲۰۱۸) در 15 ایستگاه جنوب غرب ایران استفاده شد. برای مدلسازی شاخص فازی T.I.B.I، نخست چهار شاخص (SET, SPI, SEB, MCZI) با استفاده از منطق فازی در نرمافزار Matlab فازیسازی شدند. سپس، شاخصها با هم مقایسه شدند و در نهایت از مدل تصمیمگیری چندمتغیرة SAW برای اولویت‌سنجی مناطق درگیر با خشک‌سالی استفاده شد. یافتههای پژوهش نشان داد بیشترین درصد فراوانی وقوع خشک‌سالی در مقیاس 6 و 12ماهه در ایستگاه اسلامآباد غرب و کمترین آن در مقیاس شش‌ماهه در همدان فرودگاه و در مقیاس دوازده‌ماهه در ایستگاه خرم‌آباد رخ داده است. مدل T.I.B.I طبقات خشک‌سالی چهار شاخص یادشده را با سطح اطمینان بالا در خود منعکس کرد. براساس مدلسازی انجام‌گرفته، شاخص فازی T.I.B.I نسبت به شاخص فازی SPEI برتری نسبی نشان داد. در نهایت، براساس مدل تصمیمگیری چندمتغیرة SAW، ایستگاه اسلامآباد غرب با مقدار امتیاز 1 در اولویت بیشتر در معرض درگیری خشک‌سالی قرار گرفت. | ||
| کلیدواژه‌ها | ||
| شاخص T.I.B.I؛ مدل SAW؛ مدلسازی؛ منطق فازی؛ MatLab | ||
| عنوان مقاله [English] | ||
| Modeling and Monitoring Drought in Southwest Iran Using the New Fuzzy Index | ||
| نویسندگان [English] | ||
| Vahid Safarian Zengir1؛ Behroz Sobhani2؛ Sayad Asghari3 | ||
| 1PhD Student, Dept. of Physical Geography, Climatology, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| 2Professor, Dept. of Physical Geography, Climatology, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| 3Associate Professor of Geomorphology, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| چکیده [English] | ||
| Introduction Drought is one of the natural hazards during which the environment and human activities may experience considerable irreparable damages. In recent years, different regions of the world have experienced severe drought (Mirzai et al., 2015: 98). Also, drought is one of the most important natural disasters affecting agriculture and water resources, it is is abundant especially in arid and semi-arid regions (Shamsenya et al., 2008: 165). Drought changes are remarkable for optimal management of water resources utilization (Alizadeh, 2017: 169). Drought is also referred to as a climate phenomenon with a lack of humidity and rainfall relative to normal conditions. This phenomenon strongly affects all aspects of human activity (Zeinali and Safarian Zangier, 2017). Given the studies in Iran and other regions, this study attempted to model the drought phenomenon in southwestpartof Iran. Material and methods In this study, drought modeling in southwest Iran was carried out using climatic data of rainfall, temperature, sunshine, minimum relative humidity and wind speed in6 and 12 months scale for a 32 years period (1987 - 2018) in five provinces of Khuzestan, Lorestan, Ilam, Kermanshah and Hamedan based on 15 stations. The analysis is implemneted using a new index modeling called the TIBI Architectural Index, fuzzyized from four indices (SET, SPI, SEB, and MCZI) based on the data from World Meteorological Organization. Fuzzy index T.I.B.I The fuzzy index (T.I.B.I) is presented to resolve some of the disadvantages of the SPEI index. The index T.I.B.I was derived from the integration of the indicators (SET, SPI, SEB, MCZI), which is the result of drought fuzzy modeling architecture that is designed using fuzzy logic in a fuzzy inference system. Results and discussion In order to investigate the effects of drought fluctuations in drought conditions, it is possible to find changes in the parameters (SET, SPI, SEB, and MCZI) in the TIBI index. Given the large number of stations, for the sake of better understanding, only the drought series chart, East Islamabad station at two 6 and 12-month scale was presented in Figures 7 and 8 (Figures 7 and 8). The above-mentioned red dot indicates a 6-month drought margin with a value of 0.44 and more. This represents a 0.44 and a magnitude 12-month scale. The analysis of these forms shows that at Islamabad-West station at 6 and 12-month scale, the temperature was different in the drought environment, which was decreasing in the 6-month scale from April 1994 to August 1997. This month has been gaining momentum, from July 1996 through 2003, an incremental increase. If the impact of rainfall on a 12-month scale is weaker than the 6-month scale between May 1994 and November 1997, the declining trend will be followed by a 12-month-long drought after June 1997 to December 2002, followed by a similar pattern. The indicators (SET, SPI, SEB, and MCZI) affect the TIBI index and show some trends, indicating that the new TIBI fuzzy index reflects the four indicators well and the scale drought classes were presented in Table 5. The T.I.B.I index on a 12-month scale shows a sharper shape than scale 6. Conclusion One of the natural hazards that have affected the country in recent years is the risk of drought. One of these areas affected by drought was the southeastern part of Iran, where researchers conducted many studies to monitor drought in Southwest Iran with different models but did not adequately address the issue. The purpose of this study is to model and monitor the drought phenomenon in southwest Iran using a new fuzzy index in the 6 and 12-month scale. In the study area, the intensity and frequency of drought are more than 6 months on a 12-month scale. Drought persistence is more than 12 months. Short-term droughts were less sustained and affected by rainfall and temperature parameters. While the severity of drought in the long periods of time was less responsive to temperature and precipitation variations.The trend of drought in the south-west of Iran was increasing and the temperature trend was more rapid, increasing and increasing trend. The highest frequency of drought occurrence was at the 6th and 12th month scale, Islamabad-West station and the lowest rate was 6 Hamadan airport scale and 12-month scale Khorram Abad station. The percentages of drought frequency in Hamedan Nogheh, Islamabad and Zarapulzahab stations were higher the 6-month scale than those values in the 12-month scale. | ||
| کلیدواژه‌ها [English] | ||
| T.I.B.I index, SAW Model, Fuzzy Logic, MatLab, Modeling | ||
| مراجع | ||
|
اختیاریخواجه، ش. و دینپژوه، ی. (1397). کاربرد شاخص خشک‌سالی مؤثر (EDI) برای بررسی دورههای خشکی (ایستگاههای تبریز، بندرانزلی، و زاهدان)، علوم و مهندسی آبیاری، 41(1): ۱۳۳-1۴۵. ادیب، آ. و گرجیزاده، ع. (1395). بررسی و پایش خشک‌سالی با استفاده از شاخصهای خشک‌سالی، مهندسی آبیاری و آب ایران، 8(6): 1۷۳-1۸۵. انصاری، ح.؛ داوری، ک. و ثنایینژاد، ح. (1389). پایش خشک‌سالی با استفاده از شاخص بارندگی و تبخیر و تعرق استانداردشدة SEPI، توسعه‌یافته براساس منطق فازی، نشریة آب و خاک (علوم و صنایع کشاورزی)، 24(1): ۳۸-۵۲. بایزیدی، م. (1397). ارزیابی خشک‌سالی ایستگاههای سینوپتیک غرب کشور با استفاده از روش هربست و مدل عصبی- فازی تطبیقی، تحقیقات منابع آب ایران، 14(1): 2۷۸-2۸۴. پارسامهر، ا. و خسروانی، ز. (1396). بررسی تعیین خشک‌سالی با استفاده از تصمیمگیری چندمعیاره بر مبنای TOPSIS، تحقیقات مرتع و بیابان ایران، 24(3): ۱۶-۲۹. پیروی، ر.؛ علیدادی، ح.؛ جاوید، ا. و نجفپور، ع. (1394). مدلسازی اثر خشک‌سالی بر سختی کل و جامدات محلول آب زیرزمینی دشت مشهد، فصلنامة پژوهش در بهداشت محیط، 1(2): ۸۵-۹۴. ترابیپوده، ح.؛ شاهینژاد، ب. و دهقانی، ر. (1397). تخمین خشک‌سالی با استفاده از شبکههای هوشمند، هیدروژئومورفولوژی، 7(14): 1۷۹-1۹۷. جاندرمیان، ی.؛ شکیبا، ع. و ناصری، ح. (1394). بررسی وضعیت خشک‌سالی و ارتباط آن با تغییرات کمی و کیفی آب زیرزمینی در دشت سراب، کنفرانس بینالمللی توسعه با محوریت کشاورزی، محیط زیست، و گردشگری، ایران، تبریز، ص 16-17. جعفرنژاد، ع. و کیا، م. (1389). منطق فازی در MATLAB، انتشارات کیان رایانه سبز. جعفری، غ.؛ بختیاری، ف. و دوستکامیان، م. (1396). بررسی و تحلیل ارتباط فضایی خشکسالیها با دبی حوضة آبی قزل اوزن، جغرافیا و توسعه، 4(15): ۷۹-۹۴. حدادی، ح. و حیدری، ح. (1394). آشکارسازی اثر نوسانات بارش بر رواناب سطحی حوضة آبریز دریاچة ارومیه، جغرافیا وبرنامهریزی محیطی، 58(6): 2۴۷-2۶۲. خشتکاری ثانی، ص. (1394). واکاوی خشکسالیهای استان آذربایجان غربی با شاخص spi و Gis، کنفرانس بینالمللی بامحوریت کشاورزی، محیط زیست، و گردشگری، ایران، تبریز، ص 16-17. دماوندی، ع.؛ رحیمی، م.؛ یزدانی، م. و نوروزی، ع. (1395). پایش مکانی خشک‌سالی کشاورزی از طریق سری‌های زمانی شاخصهای NDVI و LST دادههای MODIS (مطالعة موردی: استان کرمان مرکزی)، تحلیل فضایی مخاطرات محیطی، 2(3): 1۱۵-1۲۶. ذوالفقاری، ح. و نوری سامله، ز. (1395). کاربرد شاخص خشک‌سالی (CPEL) در تعیین متغیرهای مناسب برای تحلیل خشکسالیهای ایران، تحلیل فضایی مخاطرات محیطی، 9(3): ۹۹-۱۱۴. زینالی، ب. و صفریان زنگیر، و. (1396). پایش خشک‌سالی در حوضة دریاچة ارومیه با استفاده از شاخص فازی، مخاطرات محیط طبیعی، 7(12): ۳۷-۶۲. زینالی، ب.؛ اصغری، ص. و صفریان زنگیر، و. (1396). پایش خشک‌سالی و ارزیابی امکان پیش‌بینی آن در حوضة دریاچة ارومیه با استفاده از شاخص SEPT و مدل ANFIS، تحلیل فضایی مخاطرات محیطی، 3(1): ۷۳-۹۶. سبحانی، ب؛ غفاریگیلانده؛ ع. و گلدوست، ا. (1394). پایش خشک‌سالی در استان اردبیل با استفاده از شاخص SEPI توسعه‌یافته براساس منطق فازی، تحقیقات کاربردی علوم جغرافیای، 15(36): ۵۱-۷۲. سلاجقه، ع. و فتحآبادی، ا. (1388). بررسی امکان برآورد بار معلق رودخانة کرج با بهرهگیری از منطق فازی و شبکة عصبی، مرتع و آبخیزداری، منابع طبیعی ایران، 4(2): 2۷۱-2۸۲. شکریکوچک؛ س. و بهنیا، ع. (1392). پایش و بیشبینی خشک‌سالی استان خوزستان با استفاده از شاخص SPI زنجیرة مارکوف، فصلنامة علوم و محیطزیست، 5(13): ۴۱-۵۲. شمسنیا، ا.؛ پیرمرادیان، ن. و امیری، ن. (1387). مدلسازی خشک‌سالی در استان فارس با استفاده از تحلیل سری‌های زمانی، جغرافیا و برنامهریزی، 14(28): 1۶۵-1۸۹. صلاحی، ب. و مجتبیپور، ف. (1395). تحلیل فضایی خشک‌سالی اقلیمی شمال غرب ایران با استفاده از آمارة خودهمبستگی فضایی، تحلیل فضایی مخاطرات محیطی، 6(3): ۱-۲۰. صمدیانفرد، س. و اسدی، ا. (1396). پیش‌بینی نمایة خشک‌سالی SPI به روشهای رگرسیون بردار پشتیبان و خطی چندگانه، حفاظت منابع آب و خاک، 8(6): 1-۱۶. ظهیری، ع.؛ شریفان، ح.؛ ابارشی، ف. و رحیمیان، م. (1393). ارزیابی پدیدههای ترسالی و خشک‌سالی در استان خراسان با استفاده از نمایههای (NITZCHE، SPI، PNPI)، آبیاری و زهکشی ایران، 21(8): 8۴5-8۶5. علیزاده، ش.؛ محمدی، ح. و کردوانی، پ. (1396). مدلسازی پراکندگی خشکسالیهای ناشی از تغییر اقلیم در ایران با به‌کارگیری سیستم دینامیک، آمایش سرزمین، 9(1): 1۶۹-1۸۸. فتحیزاده، ح.؛ غلامینیا، ا.؛ مبین، م. و سوداییزاده، ح. (1396). بررسی روابط بین خشک‌سالی هواشناسی و متغیرهای خورشیدی در برخی از ایستگاههای همدیدی ایران، مخاطرات محیط طبیعی، 17(6): ۶۳-۸۷. فنی، ز.؛ خلیلالهی، ح.؛ سجادی، ژ. و فالسلیمان، م. (1395). تحلیل دلایل و پیامدهای خشک‌سالی در استان خراسان جنوبی و شهر بیرجند، فصلنامة برنامهریزی و آمایش فضا، 12(20): ۱۷۵-۲۰۰. مالچفسکی. ی. (1385). سامانة اطلاعات جغرافیایی و تحلیل تصمیم چندمعیاری، ترجمة اکبر پرهیزگار و عطا غفاری گیلانده، تهران: سمت. مرادی، ح.؛ طائی، م.؛ قاسمیان، د.؛ چزگی، ج. و بهاری، ر. (1387). شبیهسازی و تحلیل ارتباط خشکسالیهای آب‌شناختی و اقلیمی با استفاده از مدلهای احتمالاتی جلگة بابل، انجمن آبخیزداری ایران، 2(5): 7۱-7۴. منتصری، م. و امیرعطایی، ب. (1394). پیش‌بینی استوکستیکی احتمالات وقوع خشک‌سالی (مطالعة موردی: شمال غرب کشور)، نشریة مهندس عمران و محیط زیست، 8(45): ۱۲-۲۶. میرزایی، ف.؛ عراقینژاد، ش. و بزرگحداد، ا. (1394). توسعة مدل یک‌پارچة منابع آب WEAP برای مدلسازی شرایط خشک‌سالی، نشریة مهندسی و مدیریت آبخیز، 7(1): ۸۵-۹۷. یاراحمدی، د. (1393). تحلیل هیدروکلیماتولوژیکی نوسانهای سطح آب دریاچة ارومیه، جغرافیای طبیعی، 46(2): ۷۷-۹۲. Adib, A. and Georgian, Az. (2016). Drought monitoring and monitoring using drought indices, Iran Irrigation and Water Engineering, 8(6): 173-185. [In Persian]. Aktiarkajhe, SH. and Denpoxi, Y. (2018). Application of Effective Drought Index (EDI) for studying dry periods (Tabriz, Bandar Anzali and Zahedan stations), Irrigation Science and Engineering, 41(1): 133-145. Alizadeh, SH.; Mohammadi, H. and Kordvani, P. (2017). Modeling the Dispersion of Drought Caused by Climate Change in Iran Using Dynamic System, Land Expansion, 9(1): 169-188. [In Persian]. Ansari, H.; Davari, K. and Sanaei Nejad, H. (2010). Drought monitoring using SEPI standardized rainfall and sediment index, developed on the basis of fuzzy logic, Water and Soil Journal (Agricultural Sciences and Technology), 24(1): 38-52. [In Persian]. Bayazidi, M. (2018). Drought Evaluation of Synoptic Stations in the West of Iran Using the Hirbst Method and Adaptive Neuro-Fuzzy Model, Iranian Water Resources Research, 14(1): 278-284. [In Persian]. Damourandi, A.; Rahimi, M.; Yazdani, M. and Noroozi, A. (2016). Field monitoring of agricultural drought through time series of NDVI and LST indicators, MODIS data (case study: Central Kerman province), Journal of Environmental Spatial Analysis, 2(3): 115-126. [In Persian]. Fathi-Zadeh, H.; Gholami-nia, A.; Mobin, M. and Soodyzizadeh, H. (2017). Investigating the Relationship between Meteorological Drought and Solar Variables in Some Iranian Standards, Environmental hazards, 17(6): 63-87. [In Persian]. GholamAli, M.; Younes, K.; Esmaeil, H. and Fatemeh, T. (2011). Assessment of Geostatistical Methods for Spatial Analysis of SPI and EDI Drought Indices, World Applied Sciences Journal, 15: 474-482. Haddadi, H. and Heidari, H. (2015). Detection of the effect of precipitation fluctuations on surface water flow in the catchment area of Lake Urmia, Journal of Geography and Environmental Programming, 58(6): 247-262. [In Persian]. Hao, Z.; Hao, F.; Singh, V.; Xia, Y. and Xinyishen, O. (2016). A theoretical drought classification method for the multivariate drought index based on distribution properties of standardized drought indices. Advances in water resources, 14: 240-247. Huanga, S.; Huanga, Q.; Changa, J.; Zhua, Y. and Lengb, G. (2016). Drought structure based on a nonparametric multivariate standardized drought index across the Yellow River basin China, Journal of Hydrology, 530: 127-136. Jafar Nejad, A. and Kia, M. (2010). Fuzzy Logic in MATLAB, Kian Fine Green Edition, 157-180. [In Persian]. Jafari, GH.; Bakhtiari, F. and Doshkamyan, M. (2017). Investigating and analyzing spatial association of droughts with Ghezel Ozan watershed discharge, Geography and Development, 4(15): 79-94. Jandarmian, I.; Shakiba, A. and Nasseri, H. (2015). Study of Drought Status and Its Relationship with Quantitative and Qualitative Changes in Groundwater in Sarab Plain, International Conference on Development, Focusing on Agriculture, Environment and Tourism, Iran, Tabriz, pp. 16-17. [In Persian]. KashtarSani, S. (2015). Drought Analysis in West Azarbaijan Province with Spi and Gis Index, International Conference on Agricultural, Environment and Tourism, Iran, Tabriz, pp. 16-17. [In Persian] Mirza'i, F.; IraqiNezhad, SH. and Big-Haddad, A. (2015). Development of WEAP Integrated Water Model Model for Drought Condition Modeling, Journal of Engineering and Watershed Management, 7(1): 85-97. [In Persian]. Modaresirad, A.; Ghahramani, B.; Khalili, D.; Ghahramani, Z. and Ahmadiardakani, S. (2017). Integrated meteorological and hydrological drought model: A management tool for proactive water resources planning of semi-arid regions. Advances in water resources, 54: 336-353. Montazeri, M. and Amir Ataee, B. (2015). Stochastic Estimation of Drought Prevalence (Case Study: Northwest of the country), Civil Engineering and Environmental Engineer, 8(45): 12-26. [In Persian]. Moradi, H.; Tayyi, M.; Ghasemian, D.; Chesghi, J. and Bahari, R. (2008). Simulation and analysis of the relationship between water and climate droughts using probabilistic models of Babol plain, Iran Watershed Association, 2(5): 71-74. [In Persian]. Mulchsfaki, Y. (2006). Geographic Information System and Multi-criteria Decision Analysis, Translated by Akbar Parizgar, Ata Ghafari Flooded. Tehran, Publishing Side [In Persian]. Parsa-Mehr, A. and Khosravani, Z. (2017). Drought evaluation using multi-criteria decision making based on TOPSIS, Research on the Range and Desert of Iran, 24(3): 16-29. [In Persian]. Perovi, R.; Alidadi, H.; Javid, A. and NajafPour, AS. (2015). Modeling the effect of drought on total hardness and solids of groundwater in Mashhad plain, Journal of Environmental Health Research, 1(2): 85-94. [In Persian]. Quesada, B.; Giuliano, M.; Asarre, D.; Rangecoft, S. and Vanloon, A. (2018). Hydrological change: Toward a consistent approach to assess changes on both floods and droughts, Advances in water resources, 5: 31-35. Safarianzengir, V., Sobhani, B., Asghari, S. (2019). Modeling and Monitoring of Drought for forecasting it, to Reduce Natural hazards Atmosphere in western and north western part of Iran, Iran. Air Qual Atmos Health (2019) doi:10.1007/s11869-019-00776-8. Salahi, B. and Mojtaba Pour, F. (2016). Spatial Analysis of Drought in Northwest of Iran using spatial correlation statistics. Magazine of Spatial Analysis of Environmental Perils, 6(3): 1-20. [In Persian]. Salajeghe, A. and Fathabadi, A. (2009). Investigating the possibility of estimating the suspended load of Karaj River using fuzzy logic and neural network, Journal of Rangeland and Watershed Management, Iranian Journal of Natural Resources, 4(2): 271-282. [In Persian]. Samedian-Fard, S. and Assadi, A. (2017). Projection of SPI drought profile by multiple regression and multiple vector regression methods, Water and Soil Conservation, 8(6): 1-16. [In Persian]. Shamsenya, A.; Pirmoradian, N. and Amiri, N. (2008). Drought Modeling in Fars Province Using Time Series Analysis, Geography and Planning, 14(28): 165-189. [In Persian]. Shokri-mazuk, S. and Behnia, AS. (2013). Monitoring and drought stress in Khuzestan province using Markov chain SPI index, Journal of Science and Environmental Sciences, 5(13): 41-52. [In Persian]. Sobhani, B., Safarianzengir, V. (2019). Modeling, monitoring and forecasting of drought in south and southwestern Iran, Iran. Modeling Earth Systems and Environment 5: https://doi.org/10.1007/s40808-019-00655-2. Sobhani, B., Safarianzengir, V., Kianian, M.K. (2019a). Drought monitoring in the Lake Urmia basin in Iran. Arabian Journal of Geosciences 12:448. https://doi.org/10.1007/s12517-019-4571-1. Sobhani, B., Safarianzengir, V., Kianian, M.K. (2019b). Modeling, Monitoring and Prediction of Drought in Iran. Iranian (Iranica) Journal of Energy and Environment 10: 216 - 224. doi: 10.5829/ijee.2019.10.03.09. Sobhani, B.; Ghafari Gilandeh, A. and Goldost, A. (2015). Drought monitoring in Ardebil province using the developed SEPI index based on fuzzy logic, Journal of Applied Geosciences Research, 15(36): 51-72. [In Persian]. Spinoni, J.; Naumann, G.; Vogt, J. and Barbosa, P. (2015). The biggest drought events in Europe from 1950-2012, Journal of hydrology: Regional, 3: 509-524. Technical, Z.; Khalilalahi, H.; Sajjadi, J. and Falsleman, M. (2016). Analysis of the causes and consequences of drought in South Khorasan Province and Birjand, Seasonal planning and space planning, 12(20): 175-200. [In Persian]. Torabiyat, H.; Shahi Nejad, B. and Peasant, R. (2018). Drought Estimation Using Smart Grids,Hydrogeomorphology, 7(14): 179-197. [In Persian]. Touma, D.; Ashfaq, M.; Nayak, M.; Kao, S-C. and Diffenbaugh, N. (2015). A multi-model and multi-index evaluation of drought characteristics in the 21st century, Journal of Hydrology, 526: 196-207. Yarahmadi, D. (2014). Hydroclimatic analysis of water level fluctuations in Lake Urmia, Journal of Natural Geography, 46(2): 77-92. [In Persian]. Zahiri, AS.; Sharifan, H.; Arakashi, F. and Rahimian, M. (2014). Evaluation of drought and drought phenomena in Khorasan province using profiles (PNPI, SPI, NITZCHE), Irrigation and drainage journal of Iran, 21(8): 865-845. [In Persian]. Zainali, B. and SafarianZingir, V. (2017). Drought Monitoring in Urmia Lake Basin Using Fuzzy Index, Journal of Environmental Risks, 7(12): 37-62. [In Persian]. Zeinali, B.; Asghari, S. and Safarian Zengir, V. (2017). Drought monitoring and assessment of its prediction in Lake Urmia Basin using SEPT and ANFIS model, Environmental Impact Spatial Analysis Journal, 3(1): 73-96. [In Persian]. Zeleke, T.; Giorgi, T.; Diro, F. and Zaitchik, B. (2017). Trend and periodicity of drought over Ethiopia, International journal of climatology, 65: 4733-4748 Zolfaghari, H. and Nouri-Samal, Z. (2016). Application of Drought Index (CPEL) in Determining Variables for Analysis of Drought in Iran, Journal of Environmental Spatial Analysis, 9(3): 99-114. [In Persian]. | ||
|
آمار تعداد مشاهده مقاله: 813 تعداد دریافت فایل اصل مقاله: 427 |
||