دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Sequence stratigraphy and facies analysis of the Gachsaran formation in Bostaneh Anticline, Northwest of Bandar- e Lengeh چینه‌نگاری سکانسی و تحلیل رخساره‌ای سازند گچساران در تاقدیس بستانه، شمال‎غرب بندر‎لنگه 1 16 106700 10.48308/esrj.2026.204842.0 FA جهانبخش دانشیان دانشکده علوم زمین، دانشگاه خوارزمی، تهران، ایران رضوان پورچنگیز دانشکده علوم زمین، دانشگاه خوارزمی، تهران، ایران سید علی معلمی پژوهشکده ازدیاد برداشت از مخازن نفت و گاز، تهران، ایران الهام اسدی مهماندوستی دانشکده علوم زمین، دانشگاه خوارزمی، تهران، ایران Journal Article 2024 09 21 <strong>Introduction</strong><br />The Gachsaran Formation, known as the cap rock of the Asmari oil reservoirs, is the first formation of the Fars Group within the Zagros Basin and extends from the Dezful-Lurestan embayment to the Persian Gulf Basin. In the Fars province, the Gachsaran Formation shows significant variations in thickness, lithological characteristics, and fossil content particularly foraminifera compared to other parts of the Zagros. James and Wynd (1965) divided this formation into three members: Chehel, Champeh, and Mol. The Gachsaran Formation was deposited in two separate basins (the main and northern salt basin, and the southern Persian Gulf salt basin), which are not time-equivalent. Previous studies on this formation have primarily focused on geophysical properties, diagenesis, and sediment geochemistry, and relatively limited information is available regarding its sequence stratigraphy. Given the scarcity of such studies, detailed investigation of microfacies, depositional environment, and sequence stratigraphy can contribute to a better understanding of this formation and enhance exploration knowledge in the region. Accordingly, a subsurface stratigraphic section within the Bostaneh anticline, located in the southern salt basin of the Persian Gulf, was selected and studied. The Gachsaran Formation does not crop out in the study area; the subsurface section is situated at the core of the anticline, where the deposits of the Mishan Formation are exposed.<br /><strong> </strong><br /><strong>Materials and Methods</strong><br />A total of 446 thin sections from 1288 meters of the Gachsaran Formation, obtained as drill cuttings, were examined in this study. The stratigraphic column of the studied section was constructed by integrating laboratory data with gamma-ray well logs and correlating these with the plotted composite log. Subsequently, microfacies analysis and sequence differentiation were carried out following the methodology of Flugel (2010). Carbonate rock nomenclature was based on the Dunham (1962) classification, while facies belt comparisons were made according to Flugel (2010).<br />Sequence-stratigraphic analysis was performed using the approaches of Hunt and Tucker (1992, 1995) and was correlated with the tectonostratigraphic megasequences proposed by Sharland et al. (2001). Gamma-ray logs were also employed to refine and accurately delineate certain lithological and sequence boundaries.<br /><strong>Results and Discussion</strong><br /><strong>Stratigraphy:</strong> In the Bostaneh Anticline, the Gachsaran Formation, with a total thickness of 1,288 meters, is subdivided into the Chehel (1087 m), Champeh (170 m), and Mol (31 m) members. This formation consists of alternating layers of salt, anhydrite, limestone, argillaceous limestone, and marl, and it conformably overlies the Pabdeh Formation and underlies the Mishan Formation. Paleontological investigations resulted in the identification of 32 genera and 47 species of foraminifera. The presence of key index fossils such as <em>Borelis melo curdica</em>, <em>Austrotrillina howchini</em>, <em>Peneroplis evolutus</em>, <em>Globorotalia praescitula</em>, and <em>Miogypsina</em> sp. confirms an Early Miocene (Aquitanian–Burdigalian) age for this section.<br /><strong>Microfacies and Depositional Environment: </strong>Microscopic analyses led to the identification of five main microfacies, which belong to two major depositional environments: peritidal (Sabkha) and lagoonal settings.<br /><strong>Peritidal Microfacies</strong><br /><br />A) Alternating evaporite and mudstone layers:<br /><br />This microfacies contains diverse anhydrite textures including laminated, lath-shaped, dispersed and isolated evaporitic crystals, needle-shaped, and swallowtail structures indicating highly evaporative conditions characteristic of peritidal Sabkha environments. The rhythmic alternation of layers reflects short-term fluctuations in relative water level. This microfacies corresponds to RMF25 of Flugel (2010).<br /><br />B) Mudstone microfacies:<br /><br />The dominant matrix is micrite with a mudstone texture, containing less than 1% carbonate and non-carbonate allochems. The absence of faunal diversity, together with the presence of iron oxide and detrital particles, suggests deposition in a very shallow, restricted environment with limited water circulation, likely a coastal Sabkha. This microfacies resembles RMF19 of Flugel (2010).<br /><strong>Lagoonal Microfacies</strong><br /><br />C) Miliolid wackestone:<br /><br />The presence of porcelaneous foraminifera (e.g., miliolids) within a micritic matrix indicates deposition in a semi-enclosed, low-energy lagoon. This microfacies corresponds to RMF16 of Flugel (2010).<br /><br />D) Bioclastic peloidal packstone-wackestone:<br /><br />The presence of peloids and hyaline foraminifera within a micritic-sparry matrix suggests deposition in the middle parts of the lagoon. This microfacies is comparable to RMF20 of Flugel (2010).<br /><br />E) Bioclastic wackestone-packstone:<br /><br />An increased abundance of hyaline foraminifera suggests deposition in the outer lagoon, near sand shoals. This microfacies also corresponds to RMF20 of Flugel (2010).<br />Overall, the microfacies in the studied section transition gradually from one to another. This, together with the absence of reefal structures, as well as the lack of cortoids, oncoids, pisoids, and aggregate grains features typically associated with carbonate shelf settings and the absence of slump or gravity-induced deposits, indicates that sedimentation took place on a carbonate ramp comprising peritidal and lagoonal environments.<br /><strong>Sequence Stratigraphy: </strong>Based on relative sea-level variations and paleoenvironmental interpretations, two depositional sequences and three sequence boundaries (two SB1 and one SB2) were identified.<br />The first sequence, with a thickness of 1013 meters, includes LST, TST, and HST systems tracts and is bounded by SB1 and SB2. It begins with evaporitic and carbonate deposits of the Chehel Member. The upward increase in benthic foraminifera and miliolid abundance particularly within the TST and HST reflects variations in water depth and depositional energy. The transgressive surface (TS) and maximum flooding surface (MFS) occur at approximately 608 m and 538 m, respectively. These surfaces are identifiable on the gamma-ray log through distinct API shifts, with a marked decrease indicating the TS and an increase corresponding to the MFS.<br />The second sequence, with a thickness of 74 meters, contains TST and HST systems tracts and extends from the upper part of the Champeh Member into the deposits of the Mol Member.<br />The results of this study correlate well with the Ap11 tectonostratigraphic megasequence and the Ng10 and Ng20 maximum flooding surfaces proposed by Sharland et al. (2001). Although this research focuses on a single stratigraphic section, it provides a valuable foundation for future investigations and for developing a comprehensive analysis of the sedimentary basin.<br /><strong> </strong><br /><strong>Conclusion</strong><br />The Gachsaran Formation in the Bostaneh Anticline section, with a total thickness of 1288 meters, comprises the Chehel, Champeh, and Mol members. In the studied subsurface interval, the formation consists of alternating layers of limestone, argillaceous limestone, marl, anhydrite, and a considerable thickness of salt, and it is stratigraphically positioned between the overlying Mishan Formation and the underlying Pabdeh Formation.<br />Microfacies analysis reveals five major microfacies, including evaporite-mudstone alternations, mudstone, <br />miliolid wackestone, bioclastic-peloidal packstone-wackestone, and bioclastic wackestone-packstone, representing deposition in peritidal to lagoonal environments. The absence of cortoids, oncoids, pisoids, and aggregate grains features typical of carbonate shelf settings supports a carbonate ramp as the depositional model for this formation.<br />Sequence stratigraphic interpretations, integrated with paleontological evidence, demonstrate the presence of two depositional sequences: a lower complete sequence consisting of LST, TST, and HST, and an upper sequence comprising TST and HST. Additionally, three sequence boundaries were identified (two SB1 and one SB2).<br />The stratigraphic succession at this section correlates well with the Ap11 tectonostratigraphic megasequence and the maximum flooding surfaces Ng10 and Ng20 defined by Sharland et al. (2001). Although this investigation focuses on a single section, it provides a robust basis for future regional studies and contributes to a more comprehensive understanding of the sedimentary evolution of the basin. <strong>مقدمه</strong><br />سازند گچساران به عنوان پوش‎سنگ مخازن نفتی آسماری، نخستین سازند گروه فارس در حوضه‏ی زاگرس است که در مناطق فروافتادگی دزفول- لرستان تا حوضه خلیج فارس‎گسترش دارد سازند گچساران در فارس تفاوت زیادی را از لحاظ ضخامت، خصوصیات سنگ‎شناسی و محتویات فسیلی به ویژه فرامینیفرها با دیگر نقاط زاگرس نشان می­دهد و توسط جیمز و وایند (James and Wynd, 1965) به سه عضو چهل، چمپه و مول تقسیم شده است. سازند گچساران در دو حوضه جداگانه (حوضه نمکی اصلی و شمالی و حوضه‎ نمکی جنوبی خلیج فارس) نهشته شده است که این دو حوضه فاقد همزمانی هستند؛ مطالعات انجام شده بر روی این سازند بیشتر مربوط به خواص ژئوفیزیکی، دیاژنز و ژئوشیمی رسوبات بوده و اطلاعات نسبتا کمی از لحاظ چینه­نگاری سکانسی وجود دارد. با توجه به مطالعات محدودی که در این زمینه بر روی سازند گچساران انجام شده است مطالعه دقیق ریزرخساره‎ها، تعیین محیط رسوبی و چینه­نگاری سکانسی آن می­تواند در شناخت هر چه بهتر این سازند و توسعه دانش اکتشافی در این منطقه کمک نماید. به همین منظور یک برش چینه شناسی تحت الارضی در تاقدیس بستانه در حوضه‎ نمکی جنوبی خلیج فارس انتخاب و مطالعه شده است. سازند گچساران در محدوده مورد مطالعه در سطح رخنمون ندارد. محل برش تحت الارضی در مرکز تاقدیس و جایی که نهشته‎های سازند میشان رخنمون دارند، می­باشد.<br /><strong>مواد و روش­ها</strong><br />در این مطالعه، از 1288 متر نهشته‎های سازند گچساران که به صورت خرده‎های حفاری نمونه­برداری شده، در مجموع 446 مقطع نازک مورد مطالعه قرار گرفت. با ترکیب داده‌های آزمایشگاهی، نمودارهای چاه‌پیمایی گاما و انطباق آن­ها با نمودارهای ترسیمی چاه، ستون چینه‎شناسی برش مورد مطالعه ترسیم شد. سپس، مطالعه ریزرخساره‎ها و تفکیک سکانس‎ها بر اساس روش فلوگل (Flugel, 2010) انجام شد. برای نامگذاری سنگ های کربناته نیز از طبقه بندی دانهام (Dunham, 1962) و جهت مقایسه کمربندهای رخساره ای از فلوگل (Flugel, 2010) استفاده شد. برای تحلیل چینه­نگاری سکانسی، از روش‌های هانت و تاکر (Hunt and Tucker, 1992, 1995) بهره گرفته شد و با ابر سکانس های تکتونیکی شارلند و همکاران (Sharland et al, 2001) مقایسه شد. برای تعیین دقیق بعضی از مرزهای سنگی و سکانسی از نمودار گاما نیزکمک گرفته شد.<br /><strong>نتایج و بحث</strong><br /><strong>چینه‌شناسی:</strong> سازند گچساران در تاقدیس بستانه با ضخامت کلی ۱۲۸۸ متر به سه عضو چهل (۱۰۸۷ متر)، چمپه (۱۷۰ متر) و مول (۳۱ متر) تقسیم می‌شود. این سازند متشکل از تناوبی از سنگ‌های نمک، انیدریت، سنگ آهک، آهک رسی و مارن است و بر روی سازند پابده و در زیر سازند میشان قرار دارد. مطالعات دیرینه‌شناسی منجر به شناسایی ۳۲ جنس و ۴۷ گونه از فرامینیفرها شد. حضور شاخص‌هایی مانند <em>Borelis melo curdica</em><em>، </em><em>Austrotrillina howchini</em><em>، </em><em>Peneroplis evolutus</em><em>، </em><em>Globorotalia praescitula</em><em> و </em><em>Miogypsina </em>sp..  سن میوسن پیشین (اکیتانین - بوردیگالین) را برای این برش تأیید می‌کند.<br /><strong>ریزرخساره‌ها و محیط رسوبی:</strong> مطالعات میکروسکوپی انجام شده، منجر به شناسایی 5 ریزرخساره اصلی شد که در دو کمربند رخساره‎ای اصلی شامل پهنه­های پیرامون جزرومدی (سبخا) و محیط لاگون، ته نشست یافته­اند. رخساره‌های پهنه‌ی پیرامون جزرومدی شامل: تناوب لایه‎های تبخیری و مادستون <strong>(A)</strong>: <strong> </strong>بافت‌های متنوع انیدریت (بافت‎های لایه‎ای، الواری، بلورهای تبخیری پراکنده و منفرد، سوزنی شکل، دم چلچله­ای و...) نشان‌دهنده‌ی محیطی با تبخیر شدید در نواحی پیرامون جزرومدی (سبخا) است. تناوب لایه‌ها حاکی از نوسانات کوتاه‌مدت سطح آب است<strong>.</strong> چنین رخساره‌ای با RMF25 فلوگل (Flugel, 2010) قابل مقایسه است. رخساره مادستون <strong>(B)</strong>: در این رخساره زمینه اصلی سنگ را میکرایت تشکیل داده و بافت آن مادستون می‎باشد، آلوکم­های کربناته و غیرکربناته به ‌مقدار کم­تر از 1 درصد در این رخساره یافت می­شوند.<strong> </strong>فقدان تنوع فونایی و وجود اکسید آهن و ذرات تخریبی، این رخساره را به محیطی بسیار کم‌عمق با چرخش محدود آب نسبت می‌دهد که احتمالاً در سبخای ساحلی تشکیل شده است. این رخساره شباهت با RMF19 فلوگل (Flugle, 2010) دارد. رخساره‌های محیط لاگون شامل:<strong> </strong>رخساره وکستون حاوی میلیولید <strong>(C)</strong>: حضور فرامینیفرهای پورسلانوز (مانند میلیولیدها) در یک زمینه میکرایتی، محیط لاگون نیمه‌محصور و کم‌انرژی را نشان می‌دهد. این رخساره‌ با RMF16 فلوگل (Flugel, 2010) شباهت دارد. رخساره پکستون<strong>-</strong>وکستون حاوی فسیل و پلوئید <strong>(D)</strong>:<strong> </strong>وجود پلوئیدها و فرامینیفرهای هیالین در یک زمینه میکرایتی - اسپاری، نشانگر بخش‎های میانی لاگون است. چنین رخساره‌ای با RMF20 فلوگل (Flugel, 2010) شباهت دارد. رخساره پکستون- وکستون حاوی بیوکلاست <strong>(E)</strong>:<strong> </strong>افزایش فرامینیفرهای هیالین، این رخساره را به بخش‌های بیرونی‌تر لاگون، (نزدیک به پشته‌های ماسه‌ای)، مرتبط می‌کند. چنین رخساره‌ای با RMF20 فلوگل (Flugel, 2010) شباهت دارد. ریزرخساره‌های تشخیص داده شده در برش مورد مطالعه عموما به صورت تدریجی و آرام به رخساره های بعدی تغییر می­یابند. این ویژگی به همراه عدم وجود ساختارهای ریفی، نبود کرتوئیدها، آنکوئیدها، پیزوئیدها و دانه های تجمعی که بیش‎تر خاص محیط های شلف کربناته بوده (Flugel, 2010) و همچنین عدم وجود رخساره­های ریزشی و لغزشی که بیانگر شیب بالای محیط رسوبی در هنگام رسوبگذاری می­باشند، ته نشست این رسوبات در یک رمپ کربناته است که شامل محیط‌های اصلی، پهنه‌های پیرامون جزرومدی و لاگون می‌باشد.<br /><strong>چینه‌نگاری سکانسی:</strong> در این پژوهش، با هدف تحلیل تغییرات سطح نسبی آب دریا و تفسیر شرایط دیرینه‌محیطی، دو سکانس رسوبی و سه مرز سکانسی (دو مرز نوع اول و یک مرز نوع دوم) شناسایی شده است. سکانس اول با ضخامت 1013 متر شامل سه سیستم ترکت LST،TST  و HST است که به ترتیب با مرزهای SB1 و SB2 محدود می‌شوند. این سکانس از نهشته‌های تبخیری و آهکی عضو چهل آغاز شده و با افزایش فسیل‌های فرامینیفر کف‌زی و میلیولیدها، به ویژه در سیستم ترکت­های TST  وHST، تغییرات عمق و انرژی محیط رسوبی را بازتاب می‌دهد. سطح پیشروی آب دریا (TS) و سطح حداکثر غرقابی (MFS) به ترتیب در عمق‌های 608 و 538 متری قرار دارند که بر روی نمودار لاگ گاما با تغییرات مشخص مقدار API قابل شناسایی هستند؛ به گونه­ای که کاهش چشمگیر API سطح TS و افزایش آن سطح MFS را نشان می‌دهد. سکانس دوم با ضخامت 74 متر شامل سیستم‌ترکت‌های TST و HST بوده که از بخش بالایی عضو چمپه آغاز شده و به نهشته‌های عضو مول می‌رسد. نتایج این مطالعه با ابرسکانس چینه‌نگاری تکتونیکی Ap11 و سطوح حداکثر غرقابی Ng10 و Ng20 در مدل شارلند و همکاران (Sharland et al, 2001) تطابق دارد. اگرچه این پژوهش تنها بر یک برش متمرکز است، اما می‌تواند به عنوان پایه‌ای برای مطالعات آینده و تحلیل جامع حوضه رسوبی مورد استفاده قرار گیرد.<br /><strong>نتیجه­گیری</strong><br />سازند گچساران در برش تاقدیس بستانه با ضخامت 1288 متر به سه عضو چهل، چمپه و مول تقسیم می­گردد. در برش تحت الارضی مورد مطالعه سازند گچساران شامل تناوبی از لایه­های آهکی، آهک رسی، مارن و لایه‎های انیدریتی و همچنین ضخامت زیادی نمک می‎‎باشد که در زیر سازند میشان و روی سازند پابده قرار دارد. مطالعه‎ی ریز‎رخساره‎ای نمونه­ها و مقایسه آن­ها با رخساره‎های استاندارد فلوگل (Flugel, 2010) نشان می­دهد که سازند گچساران شامل  تناوبی از لایه­های تبخیری به همراه مادستون، وکستون حاوی میلیولید، پکستون- وکستون حاوی بیوکلاست و پلوئید و وکستون حاوی بیوکلاست می­باشد که به کمربندهای رخساره‎ای پهنه‎ی پیرامون جزرو مدی و لاگونی تعلق دارد. بر این اساس و به واسطه عدم مشاهده کورتوئیدها، آنکوئیدها، پیزوئیدها و دانه­های تجمعی که خاص محیط‎های شلف کربناته می‎باشند، مدل رسوبی نهشته‎ها یک رمپ تشخیص داده شد. همچنین مطالعات چینه‌نگاری سکانسی با تأکید بر شواهد فسیل‌شناسی، منجر به شناسایی دو سکانس رسوبی متشکل از یک سکانس رسوبی کامل درقاعده شامل سیستم ترکت‎های (LST, TST, HST) و یک سکانس شامل (TST, HST) شد. همچنین سه مرز سکانسی (دو مرز سکانسی نوع اول و یک مرز سکانسی نوع دوم) نیز تعیین شد. این برش با ابرسکانس چینه نگاری تکتونیکی Ap11 و حداکثر سطح غرقابی (Maximum Flooding Surface)  Ng10و  Ng20شارلند و همکاران (Sharland et al, 2001) قابل مقایسه است. https://esrj.sbu.ac.ir/article_106700_029e385ba1dcfbe27fa89c7db62896a4.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Geometric investigation and kinematic analysis of the Tuyeh-Darvar pop-up structure (in Southern slope of Eastern Alborz) بررسی هندسی و تحلیل ساختار بالاجسته کوه‌های تویه‌دروار (در دامنه جنوبی البرز خاوری) 17 29 101281 10.48308/esrj.2021.101281 FA الهه طاهری گروه زمین شناسی، دانشکده علوم زمین،دانشگاه بیرجند، بیرجند ، ایران ابراهیم غلامی گروه زمین شناسی، دانشکده علوم زمین، دانشگاه بیرجند، بیرجند، ایران علی یساقی گروه زمین شناسی، دانشکده علوم، دانشگاه تربیت درس، تهران، ایران Journal Article 2024 09 19 <strong>Introduction</strong><br />Alborz Mountains range in northern Iran is an arc that extends from the end of Talesh in the west to its intersection with the Kopeh Dagh Mountains in the east (Jackson et al, 2002). (Alavi, 1996) introduced the mountains as a multi-orogen belt that has been influenced by the Cimmerian and Alpine orogenies from Late Triassic to Oligo-Miocene. Detailed structural studies in the mountains indicate it has been suffered inversion tectonics (Zanchi et al, 2006; Yassaghi and Madanipour, 2008; Gholami et al, 2016).<br /><strong> </strong><br /><strong>Materials and Methods</strong><br />The geological map of the study area has been constructed based on the present geological maps of Kiasar (Akbarpour and Saeedi, 1991) and Jam (Alavi and Hamedi, 1997), investigation of Landsat 8 satellite images with 15 meters spatial resolution, and detaile field mapping. Using the constructed geological map in this study, detailed field mapping, and Digital Elevation Model (DEM)¹ data, two cross-sections perpendicular to the general trend of the structures have been constructed. For fault kinematic analysis, Riedel shear fractures, fault steps, crescentic fractures, mineral fiber growth on fault surfaces, as well as stereographic analysis have been employed.<br /><strong> </strong><br /><strong>Results and Discussion</strong><br /><em>- Pop-up structure of Tuyeh Darvar Mountains:</em><br />The Tuyeh Darvar Mountains are bounded by the Mila Fault in the north and the Giv Fault in the south. These faults with opposite dip directions thrust the Lower Paleozoic and Mesozoic rocks over the younger Tertiary units. The Giv and Mila faults, with opposite dips, have uplifted the Paleozoic rocks and present a geometry similar to one introduced as inlier structure in the Taleghan Mountains (Annels et al, 1975). Structurally this geometry is known as pop-up structure, which is mostly formed by faulting during inversion tectonics (Mcclay, 1995). Since the displacement of backthrust is greater than that of the main fault in the inverted area (Conney et al, 1996), this geometry can be considered a characteristic of faulting related to inversion tectonics in the Tuye Darvar area. As a result of Mila's fault activity, in the eastern part, Upper Paleozoic rock units (Jeirud Formation) were thrust over Cenozoic rock units (Fajan Conglomerate) and in the western part, Mesozoic rock units (Lar Formation) were thrusted over Cenozoic rock units (Eocene marls). From east to west, the strike of the fault changes from east-west to northeast-southwest. In the hanging wall of the Mila fault, the Tuyeh Fault has formed, causing the lower Paleozoic rock units to be thrust over the upper Paleozoic units in the western part, and over the Triassic rock units in the eastern part.<br />The NE-striking Giv Fault with approximately 20 km in length forms the southern border of Tuyeh Darvar Mountains. As a result of the Giv fault activity, the deposits of the Shamshak Formation (Jurassic) and the Cretaceous limestone units have been thrusted over the Eocene units. The dip angle of the Giv fault plane varies between 60 and 75 degrees to the north-west and has a left-lateral reverse mechanism.<br />The Darvar Fault in AA' section, has a dip of 75 degrees in the north-west of the Giv fault and has a left-lateral reverse mechanism. The Darvar Fault, as a hanging-wall branch of Giv fault, has caused Triassic rock units (Elika formation) to thrusted over Jurassic rock units (Shamshak Formation).<br /><em>- Tectonic evolution of Tuyeh Darvar Mountains:  </em><br />Because of the early Paleozoic extension or Permian-Triassic peripheral bulge and formation of normal faults, the Giv Fault could have been formed during this process.  Following the compressive phase in the Upper Cretaceous, reactivated the pre-existing normal faults and inverted them to reverse faults. The inversion effect of the Giv Fault is associated with the development of the Darvar Fault in its hangingwall. Consequently, the Mila Fault has formed as a backthrust to the Giv Fault and the Tuyeh Fault has also formed in the hangingwall of the Mila Fault. The inversion mechanism has been continued until Upper Eocene by considering the outcrops of the Paleocene and Eocene rocks in the footwall of the Mila and Giv faults. Continuation of convergence, since Miocene, through westward movement of the southern Caspian Block relative to central Iran causes reactivation of the left-lateral strike-slip faults. <br />Therefore, the Giv Fault has been formed during the early Paleozoic extensional phase or as a result of environmental uplift and the formation of normal faults in Eastern Alborz during the Permian-Triassic age. Closure of the Neo-Tethys Ocean (Upper Cretaceous), applied the compressive phase that renewed activity of the pre-existing normal faults and their inversion. Therefore, the Giv Fault could have started to invert from this time. The effect of inversion of the Giv Fault is associated with the development of the Darvar Fault in its outer wall, and with the continuation of this inversion, the Mila Fault is formed as a backthrust of the Giv Fault and the Tuyeh Fault in the outer wall of the Mila Fault. According to the Paleocene (Fajan conglomerate) and Eocene (Karaj Formation) outcrops and their location in the footwall of the Mila and Giv faults, it can be inferred that the inversion mechanism continued until the upper Eocene.<br />It seems that the evolution of Alborz crust at the end of the Cenozoic (Miocene), was more compressive and accompanied by generally strike-slip movement (Allen and et al, 2003).  The westward movement of the South Caspian basement relative to Central Iran has caused left-lateral movement of the faults. Accordingly, the Alborz mountain range is currently under oblique left-lateral shortening, while the faults in its eastern parts has greater amount of left-lateral than its western parts (Jackson et al, 2002).<br /><strong> </strong><br /><strong>Conclusion</strong><br />Tuyeh Darvar Mountains are asymmetric pop-up structure that thrust the older Paleozoic-Mesozoic rock formations over the Tertiary rock units by the Giv and Mila faults, which have opposite dip directions. The Giv Fault as the main thrust and the Mila Fault as its back thrust are southern and northern boundaries of the pop-up structure, respectively. The Giv Fault as initial normal fault has formed during the Early Paleozoic extension phase or during the Permo-Triassic uplift in the eastern Alborz. Compressive phase in Upper Cretaceous, related to Neotethys closure, reactivated the pre-existing, e.g., the Give Fault, normal faults and invert them to reverse faults. Inversion mechanism has been continued until Upper Eocene by considering the outcrop of Paleocene (Fajan conglomerate) and Eocene rocks (Karaj Formation) in the footwall of the Mila and Giv faults. The post-Miocene to Quaternary left-lateral-shear in the eastern Alborz is proposed to be related to the southern Caspian westward movement.  <strong>مقدمه</strong><br />رشته‎کوه البرز در شمال ایران، کمان مرتفعی است که از انتهای تالش در باختر تا تقاطع آن با کپه داغ در خاور گسترده شده است (Jackson et al, 2002). علوی (Alavi, 1996)، البرز را یک کمربند چندکوهزاد معرفی نموده است که تحت تاثیر کوهزایی سیمرین و آلپین از تریاس پسین تا الیگومیوسن قرارگرفته است. لذا این رشته‎کوه و حتی ادامه آن به خاور، با توجه به الگوی ساختاری خود به ­خوبی می­تواند بیانگر فرآیندهای مرتبط با زمین­ساخت وارون باشد (Zanchi et al, 2006; Yassaghi and Madanipour, 2008; Gholami et al, 2016).<br /><strong>مواد و روش­ها</strong><br />نقشه زمین‌شناسی محدوده مورد مطالعه بر پایه نقشه زمین‌شناسی کیاسر (Akbarpour and Saeedi, 1991) و نقشه زمین‌شناسی جام (Alavi naeini and Hamedi, 1997)، بررسی تصاویر ماهواره­ای Landsat 8 با دقت مکانی 15 متر با ترکیب­های باندی متفاوت و پیمایش­های صحرایی، اصلاح و ترسیم گردیده است. با استفاده از این نقشه، داده­های صحرایی و داده­های ارتفاعی رقومی ¹(DEM) (مدل رقومی ارتفاعی) برش ساختاری عمود بر منطقه مطالعه ترسیم گردیده است. برای تحلیل سازوکار گسل­ها از شکستگی­های برشی ریدل، پله­های گسلی، شکستگی­های هلالی، رشد فیبرهای کانی در سطح گسل­ها و همچنین تصاویر استریوگرافی استفاده شده است.<br /><strong>نتایج و بحث</strong><br /><strong>- هندسه ساختاری ساختار بالاجسته تویه‎دروار</strong><br />کوه‎های تویه‎دروار توسط گسل‎های میلا در شمال و گیو در جنوب محدود می­شود. این گسل­ها با جهت شیب مخالف یکدیگر سبب رانده ‎شدن واحدهای سنگی پالئوزوئیک زیرین و مزوزوئیک بر‎روی واحدهای جوان‎تر ترشیری شده­اند. گسل­های میلا و گیو با جهت شیب مخالف یکدیگر، باعث راندگی و بالاآمدن واحدهای سنگی پالئوزوئیک در هر دو سو بر روی واحدهای جوان­تر شده­اند. این چنین هندسه و ساختاری که در آن سنگ­های قدیمی­تر توسط سنگ­های جوان­تر احاطه می­شوند را در کوه‌های طالقان، به­عنوان درونهشته معرفی شده است (Annels et al, 1975).<br />چنانچه این هندسه ساختاری، متأثر از گسل­خوردگی باشد از آن با عنوان ساختار بالاجسته (pop-up)² یاد می­شود که بیشتر در رژیم‎های زمین­ساختی وارون و امتدادلغز تشکیل می­شود (MCclay, 1995). از آنجایی که میزان جابجایی در پس­راندهای تشکیل شده در زمین‌ساخت وارون نسبت به گسل اصلی بیشتر است، این هندسه را می­توان از ویژگی­های گسل­های مناطق وارون شده دانست که گسل­های پس­راند در آن، در فاز فشارشی شکل گرفته­اند (Conney et al, 1996). در اثر فعالیت گسل میلا در بخش خاوری، واحدهای سنگی پالئوزوئیک فوقانی (سازند جیرود) بر روی واحدهای سنگی سنوزوئیک (کنگلومرای فجن) و در بخش باختری واحدهای سنگی مزوزوئیک (سازند لار) بر روی واحد‎های سنگی سنوزوئیک (مارن‎های ائوسن) رانده شده است. در گذر از خاور به باختر، راستای گسل از خاوری - باختری به شمال‎خاور- جنوب‎باختر تغییر می­کند. در فرادیواره گسل میلا، راندگی تویه، شکل گرفته است که در بخش باختری سبب رانده شدن واحدهای سنگی پالئوزوئیک زیرین بر روی واحدهای پالئوزوئیک فوقانی و در بخش خاوری باعث رانده شدن واحدهای سنگی پالئوزوئیک زیرین بر روی واحدهای سنگی تریاس شده است. گسل گیو به طول تقریبی 20 کیلومتر و راستای کلی شمال­خاور - جنوب­باختر، مرز جنوبی کوه‎های تویه دروار را تشکیل می‎‎دهد. در اثر فعالیت گسل گیو نهشته­های سازند شمشک (ژوراسیک) و واحدهای آهکی کرتاسه بر روی واحدهای ائوسن رانده شده است. شیب صفحه گسل گیو بین 60 تا 75 درجه به سمت شمال­باختر متغیر است و دارای سازوکار معکوس چپگرد است. گسل دروار در برش AA^’ دارای شیب 75 درجه در شمال باختری گسل گیو شکل گرفته و دارای سازوکار معکوس چپگرد است. گسل دروار به عنوان شاخه فرادیواره­ای گسل گیو باعث راندگی واحدهای سنگی تریاس (سازند الیکا) بر روی واحد­های سنگی ژوراسیک (سازند شمشک) شده است.<br /><strong>-مدل تکاملی زمین‌ساختی کوه‌های تویه دروار</strong><br />گسل گیو می­تواند طی کشش پالئوزوئیک آغازین یا بالاآمدگی محیطی پرموتریاس و تشکیل گسل­های نرمال، ایجاد شده باشد. در کرتاسه فوقانی، فاز فشارشی ناشی از بسته شدن اقیانوس نئوتیتیس، باعث وارون شدگی فعالیت این گسل­های نرمال شده است. اثر وارون‎شدگی گسل گیو با توسعه گسل دروار در فرادیوراه آن همراه بوده لذا گسل میلا به صورت پس‌راندگی گسل گیو و گسل تویه در فرادیواره گسل میلا تشکیل شده­ است. با توجه به نحوه رخنمون واحدهای سنگی پالئوسن و ائوسن در فرودیواره گسل میلا و گیو می­توان تداوم این وارونگی را تا ائوسن بالایی درنظر گرفت. تداوم همگرایی بعد از میوسن و حرکت پی­سنگ خزر جنوبی نسبت به ایران به سمت باختر، سبب جابجایی چپگرد گسل­ها شده است. گسل گیو می­تواند در طی فاز کششی پالئوزوئیک آغازین و یا در اثر بالا آمدگی محیطی و تشکیل گسل­های نرمال در البرز‎خاوری در زمان پرموتریاس ایجاد شده باشد. در کرتاسه فوقانی همزمان با فاز فشارشی ناشی از بسته شدن اقیانوس نئوتیتیس، باعث تجدید فعالیت گسل­های نرمال از قبل موجود و وارون شدگی آن‎ها شده است. بر این اساس، گسل گیو می­توانسته از این زمان شروع به وارون‎شدگی نماید. اثر وارون‎شدگی گسل گیو با توسعه گسل دروار در فرادیوراه آن همراه بوده و با ادامه این وارون­شدگی، گسل میلا به ‎صورت پس‌راندگی گسل گیو و گسل تویه در فرادیواره گسل میلا تشکیل شده­ است. با توجه به رخنمون واحدهای سنگی پالئوسن (کنگلومرای فجن) و ائوسن (سازند کرج) و نحوه قرارگیری آنها در فرودیواره گسل میلا و گیو می­توان این گونه بیان نمود که مکانیسم وارونگی تا ائوسن بالایی ادامه داشته است. آلن و همکاران (Allen et al, 2003) تکامل پوسته البرز در اواخر دوران سنوزوئیک را این گونه بیان می­کنند که در میوسن تغییر شکل بیشتر فشارشی و همراه با حرکت عموما راستالغز بوده است. حرکت به سمت باختر پی­سنگ خزر جنوبی نسبت به ایران  مرکزی، سبب جابجایی چپ­بر گسل­ها شده است. بنا بر نظر جکسون و همکاران (Jackson et al, 2002) رشته‎کوه البرز در حال حاضر تحت کوتاه­شدگی چپ­بر مایل قرار دارد، ضمن آنکه ساختارهای نشانگر حرکت امتدادلغز چپ­بر در البرز‎خاوری بیش از البرز ‎باختری است. تأثیر حرکت چپ­بر در فاز آخر تنش باعث ایجاد پهنه­های برشی در مقیاس­های مختلف شده است.<br /><strong> </strong><br /><strong>نتیجه­گیری</strong><br />-کوه‌های تویه‌دروار ساختار بالاجسته نامتقارنی هستند که به ‌وسیله گسل‌های گیو و میلا با جهت شیب مخالف یکدیگر بر روی واحدهای جوان‌تر رانده شده‌اند.<br />-گسل گیو به ‌عنوان گسل اصلی، مرز جنوبی و گسل میلا به‌ صورت پس‌راندگی گسل گیو، مرز شمالی ساختار بالاجسته تویه‌دروار را تشکیل می‌دهند.<br />-گسل گیو پتانسیل تشکیل در طی فاز کششی پالئوزوئیک آغازین و یا تشکیل در اثر برخاستگی محیطی و تشکیل گسل‌های نرمال در البرز خاوری در زمان پرموتریاس را داشته است.<br />-در کرتاسه فوقانی همزمان با فاز فشارشی ناشی از بسته شدن اقیانوس نئوتتیس، باعث تجدید فعالیت گسل نرمال اولیه گیو و وارون‌شدگی آن شده ‌است.<br />-رخنمون واحدهای سنگی پالئوسن (کنگلومرای فجن) و ائوسن (سازند کرج) و قرارگیری آن‌ها در فرودیواره گسل میلا و گیو، بیان‌کننده ادامه مکانیسم وارونگی تا ائوسن بالایی می‌باشد.<br />-ادامه حرکات فشارشی بعد از میوسن که با حرکت سمت باختر پی‌سنگ خرز جنوبی نسبت به ایران مرکزی سبب جابجایی چپگرد گسل‌ها (رژیم زمین‌ساختی ترافشارشی چپگرد) در البرز خاوری شده است. https://esrj.sbu.ac.ir/article_101281_4e43c95f2737debf149fd84ca96f555e.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Identification of possible new fault based on remote sensing in North West Iran شناسایی گسل‌های جدید احتمالی بر پایه سنجش از دور در شمال غرب ایران 30 46 104965 10.48308/esrj.2024.104965 FA بهزاد زمانی قرهچمنی گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران گروه علوم زمین، CNRS-ITES، دانشگاه استراسبورگ، استراسبورگ، فرانسه پریسا نائیبی گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران نورآذر شکرزاده سازمان زمین‌شناسی، مدیریت اکتشاف شرکت ملی نفت ایران، تهران، ایران Journal Article 2024 11 14 <strong>Introduction</strong><br />The northwestern region of Iran is located on the Alpine-Himalayan orogenic belt, in an area between the South Caspian, the South Caucasus Orogeny, the Eastern Anatolia Plateau and the Northern Zagros, and is affected by the movements caused by the convergence of the Arabian and Eurasian Plates. The study area in this research is located in the Northwestern Iran and includes the provinces of East Azerbaijan, West Azerbaijan, Ardabil and Zanjan. One of the most important structures in this area is the North Tabriz fault, Aras, Ardabil-Miyaneh and Astara faults, which have controlled the geology of the region. North Tabriz fault is one of the most important structures in the northwestern region of Iran, which has controlled the geology and tectonics of the region. These faults have played an important role in the seismicity of this region and have caused major earthquakes in the history of this land. It is also very important to identify the origin of named faults and lineaments and their importance in future construction and reinforcement of structures. Therefore, detection of the pattern of distribution and spatial epicenter of earthquakes, and Lineation in GIS, help to relocated the faults and revealed the new faults.<br /><strong>Tectonics</strong><br />There are many faults with different trends in the northwestern region of Iran, and the important and active faults known in this region, include the North Tabriz Fault, Aras Fault, Mishu Fault, Salmas Fault, Urmia Fault, Astara-Ardabil Fault, and Mianeh-Ardabil Fault (Zamani, G. and Masson, 2014; Zamani G., 2017). These faults, which have been identified by various researchers and some of them have been introduced, control the major structure and tectonics of this region and also play an important role in the seismicity of this region and have caused major earthquakes in the history of this land. Some unknown earthquakes have also occurred without any connection to a specific fault, and it is very important to identify their origin and consider their importance in civil construction and structural reinforcement in the future. For example, the North Tabriz fault, with at least 16 historical earthquakes, is considered an active seismic fault in the region. In this regard, the present study has attempted to identify such structures using remote sensing methods. The methods used in this study include using Landsat images, using DEM images, applying geometric and spatial correction to the images, image segmentation, and applying appropriate filtering.<br /><strong>Materials and Methods</strong><br />Considering that many fault lineation in the North-West of Iran have not been identified and studied so far, or parts of them are hidden, therefore, in this research, an attempt has been made to first prepare a map of the known faults drawn from the different sources. Then by examining them and remote sensing studies, the unknown important and effective fault lineation in the Northwestern Iran should be identified and introduced. The data used for this research include Geological, Tectonic and seismic maps of the of Iran. After preparing information layers from the mentioned maps and referencing them to the ground, first the faults related to different maps were identified and unified, then the location of all the faults due to the non-observance of the grid and the global coordinate system in most of the maps that have been Now they have been published, from the point of view of the location of the faults, the images with a spatial resolution of 15 meters were corrected. In this connection, in this research, the identification of structures has been carried out with the use of Remote Sensing. Remote sensing can be used as a method to reveal geological Lineaments by using different digital processing methods on satellite images, important information can be revealed. The techniques used in this project are: combining color images (RGB), performance filters and using DEM images. By examining the faults in the reference layer using the images and filters used (Gussian, Laplacian and Sobel). In addition to the use of satellite images and the combination of different bands, in order to identify the main location of the faults and their spatial correction, defined filters (Laplacian, Sobel and Gusssian) were used to identify the lineaments or highlight the edges. Extracting lineaments from satellite images can be done in three ways: analog (manual), digital (automatic), and semi-automatic (combination of two methods), each of which has its own advantages and disadvantages. Based on the sensitivity of the project and the knowledge of the study area, the lineaments have been separated by analog (manual) method. After correcting the faults extracted from different sources, the new lineaments were extracted from satellite images. For this purpose, first, all the corrected faults in the area were implemented on satellite images to identify the dominant trend of existing faults, areas with fewer faults, and expected diagonal fractures and areas without such fractures, in order to extract the lineaments from these areas. There is a lot of morphological and structural evidence in the identification and isolation of fault lineaments on the earth's surface, including fault detection signs such as linearities, mountain fronts, abrupt interruption of elevations, subsidence intakes, etc. The existence of above ground and subsurface, elongation of strata, seismicity, bending occurred in the process of the axis of folds or along the alignment and displacement of layers, and sudden changes in sedimentary facies in the region. Considering the aforementioned evidences and remote sensing studies and the processing done on satellite images such as the analysis of shadow-highlight images, filtering, etc. New lineaments were extracted in these areas. It was found that each of the faults extracted from different maps are located in different positions and sometimes it is observed that the faults cross the boundaries. In the other cases in some of the geological maps one could see that faults are on the virtues of the mountains. The integration of information and data related to the improvement of remote sensing images and geological maps, tectonic earthquakes significantly helped in the analysis and processing of the lineaments. In this research a lot of these errors have corrected and renew the design of the fault maps in the North-West of Iran.<br /> <br /><strong>Results and Discussion</strong><br />In order to extract new fault lines, various evidences have been used, among them are shifting of layers, lithology change, stretching of strata, and remote sensing signs.   The results obtained from this analysis, the spatial correction of the faults extracted from the maps that reduced from various sources which were located in different positions were drawn at the exact location using satellite images, hidden faults and new lineaments with the help of Landsat 8 images. Also fault detection signs were identified in the studied area and thy help about 38 lineaments have been identified in the entire study area. Mainly these faults have East-West and North-East and South-West trend that was for the first time have identified and introduced. The new lineaments identified in the study area have been extracted based on evidence and external signs of fault detection and using satellite images and existing filters, so calling a lineament as a fault, they require identifying the field signs for fault detection, including fault surfaces, fault slickensides, crash on it, etc., therefore, in this research, the name of the lineation is used for them.<br /> <br /><strong>Conclusion</strong><br />1-Integration of data related to image enhancement by remote sensing method and geological maps and seismiotectonics has significantly helped in the analysis and processing of lineaments.<br />2-As a result of these studies, 38 lineaments have been revealed as new lineaments in the northwest region of Iran, and the dominant trend of most of the lineaments is northeast-southwest and east-west, while these <br />lineaments were not displayed on the geological maps prepared by the Geological Survey of Iran.<br />3- Detailed studies of new lineaments and fault signs such as layer displacement, displacement of streams, lithological changes in linear growth of plants, elongation of strata, etc. has led to the identification of 21 new faults out of 38 lineaments in the region.<br />4- The intersecting lineaments with the existing faults and the almost west-east trend are in line with the trends mentioned by Nogol Sadat (1978) and show a close trend with the basement faults mentioned by him.<br />5- New lineaments identified in the area based on external evidence and signs of fault detection and using satellite images and existing filters have been extracted, so naming a lineament as a fault requires identifying field signs to identify faults, including fault surfaces, fault mirrors, slips on it, etc. Therefore, in this study, the name of lineament has been used for them.<br />6- The existence of a lineament on the ground is never a definitive indication of the existence of a fault, and also the certainty of the existence of a fault on the ground does not indicate its exact location, because in some cases, despite the sign or effect of the fault on the ground, the fault itself is located at a distance from this effect. Therefore, in the continuation of this study, it is necessary to scrutinize the lineaments identified by field studies in terms of mechanism and also in terms of location and then introduce them as faults. <strong>مقدمه</strong><br />منطقه شمال غربی ایران در کمربند کوهزایی آلپ- هیمالیا، در ناحیه­ای بین خزر جنوبی، کوهزایی قفقاز جنوبی، فلات شرقی آناتولی و زاگرس شمالی قرار دارد و متاثر از حرکات ناشی از همگرایی صفحات عربی و اوراسیا است. منطقه مورد مطالعه در این تحقیق در شمال غربی ایران واقع شده و شامل استان­های آذربایجان شرقی، آذربایجان غربی، اردبیل و زنجان می­باشد. یکی از مهم­ترین ساختارهای این ناحیه گسل شمال تبریز، گسل­های ارس، اردبیل- میانه و آستارا است که زمین­شناسی منطقه را کنترل کرده­اند. گسل شمال تبریز یکی از مهمترین ساختار های منطقه شمال غرب ایران است که بر زمین­شناسی و زمین ساخت منطقه تاثیر بسزای داشته است. این گسل­ها نقش مهمی در لرزه­خیزی این منطقه داشته­اند و باعث زمین لرزه­های بزرگی در تاریخ این سرزمین شده­اند. همچنین شناسایی منشا گسل­ها و خطواره­های نام برده شده واهمیت آنها در ساخت و ساز در منطقه در آینده بسیار مهم است. بنابراین تشخیص الگوی پراکندگی و کانون مکانی زمین لرزه­ها و ترسیم خطواره­ها در GIS به جابجایی گسل­ها و آشکارسازی گسل­های جدید کمک می­کند. از نظر تکتونیک گسل­های زیادی با روندهای مختلف در منطقه شمال غرب ایران وجود دارد و گسل­های مهم و فعال شناخته شده در این منطقه عبارتند از: گسل شمال تبریز، گسل ارس، گسل میشو، گسل سلماس، گسل ارومیه، گسل آستارا- اردبیل و گسل میانه- اردبیل (زمانی، ق. 1393) این گسل­ها که توسط محققان مختلف شناسایی و تعدادی از آنها معرفی شده­اند، ساختار اصلی و زمین­ساختی این منطقه را کنترل می­کنند و همچنین نقش مهمی در لرزه­خیزی این منطقه ایفا می­کنند و باعث زمین لرزه­های بزرگی در تاریخ این سرزمین شده­اند. برخی از زمین لرزه­های ناشناخته نیز بدون ارتباط با گسل خاصی رخ داده­اند که شناسایی منشأ آنها و توجه به اهمیت آنها در ساختمان­ها و سازه­های عمرانی و مقاوم­سازی سازه­ها در آینده بسیار مهم است. به عنوان مثال گسل شمال تبریز با حداقل 16 زمین لرزه تاریخی از گسل­های لرزه­خیز فعال در منطقه محسوب می­شود. در این راستا، پژوهش حاضر با استفاده از روش­های سنجش از دور سعی در شناسایی این گونه ساختارها داشته است. روش­های مورد استفاده در این تحقیق شامل استفاده از تصاویر Landsat، استفاده از تصاویر DEM، اعمال تصحیح هندسی و مکانی بر روی تصاویر، تقسیم­بندی تصاویر و اعمال فیلتر مناسب می­باشد.<br /><strong>مواد و روش­ها</strong><br />با توجه به اینکه بسیاری از گسل‌های شمال غرب ایران تاکنون شناسایی و مطالعه نشده و یا بخش‌هایی از آن‌ها پنهان مانده است، در این تحقیق سعی شده است ابتدا نقشه‌ای از گسل‌های شناخته‌ شده تهیه شود. سپس با بررسی آنها و مطالعات سنجش از دور، خط گسل­های ناشناخته مهم و مؤثر در شمال غرب ایران شناسایی و معرفی شوند. داده­های مورد استفاده در این تحقیق شامل نقشه­های زمین­شناسی، زمین­ساختی و لرزه­ای ایران می­باشد. پس از تهیه لایه‌های اطلاعاتی از روی نقشه‌های مذکور و زمین مرجع نمودن آن‌ها، ابتدا گسل‌های مربوط با نقشه‌های مختلف شناسایی و یکسان‌سازی شد، سپس محل قرارگیری تمامی گسل‌ها به دلیل عدم رعایت شبکه و سیستم مختصات جهانی در اکثر نقشه‌هایی که هم ‌اکنون منتشر شده‌اند، از نظر مکان گسل‌ها، وضوح تصویر با تفکیک‌پذیری 15 متر تصحیح شد. در همین راستا در این تحقیق شناسایی ساختارها با استفاده از سنجش از دور انجام شده است. سنجش از دور می­تواند به عنوان روشی برای آشکارسازی خطوط زمین­شناسی با استفاده از روش­های مختلف پردازش دیجیتالی بر روی تصاویر ماهواره­ای، اطلاعات مهمی را آشکار کند. تکنیک­های مورد استفاده در این پروژه عبارتند از: ترکیب تصاویر رنگی (RGB)، فیلترهای عملکرد و استفاده از تصاویر DEM. با بررسی عیوب در لایه مرجع با استفاده از تصاویر و فیلترهای مورد استفاده (گوسیان، لاپلاسین، سوبل). علاوه بر استفاده از تصاویر ماهواره­ای و ترکیب باندهای مختلف، به منظور شناسایی محل اصلی گسل­ها و تصحیح فضایی آنها، از فیلترهای تعریف شده (لاپلاسین، سوبل، گوسی) برای شناسایی خطوط یا برجسته­سازی لبه­ها استفاده شد. استخراج خطوط از تصاویر ماهواره­ای به سه روش آنالوگ (دستی)، دیجیتال (اتوماتیک) و نیمه اتوماتیک (ترکیب دو روش) انجام می­شود که هر کدام مزایا و معایب خاص خود را دارند. بر اساس حساسیت پروژه و شناخت منطقه مورد مطالعه، خطواره­ها به روش آنالوگ (دستی) تفکیک شده­اند. پس از اصلاح عیوب استخراج شده از منابع مختلف، خطواره­های جدید از تصاویر ماهواره­ای استخراج شدند. برای این منظور ابتدا تمامی گسل­های اصلاح شده در منطقه بر روی تصاویر ماهواره­ای پیاده­سازی شد تا روند غالب گسل­های موجود، نواحی با گسل­های کمتر و درزه­ها و شکستگی­های مورد انتظار و نواحی بدون چنین شکستگی­هایی استخراج شوند. شواهد ریخت­شناسی و ساختاری زیادی در شناسایی و جداسازی خطوط گسلی روی سطح زمین وجود دارد که از آن جمله می­توان به علائم تشخیص گسل مانند خطی بودن، جبهه کوهستان، قطع ناگهانی ارتفاعات، فرونشست­ها و ... اشاره کرد. وجود سطوح بالا آمده زمین و زیررانش، کشیدگی طبقات، لرزه خیزی، خمش در روند محور چین خوردگی ها یا در امتداد تراز و جابجایی لایه­ها و تغییرات ناگهانی در رخساره­های رسوبی می­باشند. با توجه به شواهد فوق الذکر و مطالعات سنجش از دور و پردازش­های انجام شده بر روی تصاویر ماهواره­ای از قبیل تجزیه و تحلیل تصاویر سایه-هایلایت، فیلترینگ و ... خطواره­های جدیدی در این مناطق استخراج شد. مشخص شد که هر یک از گسل‌های استخراج ‌شده از نقشه‌های مختلف در موقعیت‌های مختلفی قرار دارند و گاهی در برخی نقشه­های زمین­شناسی موجود مشاهده می‌شود که گسل‌ها از مرزهای زمین­شناسی عبور کرده­اند. در موارد دیگر در برخی از نقشه‌های زمین‌شناسی می‌توان دید که گسل‌ها بر روی ستیغ کوه‌ها رسم شده­اند. ادغام اطلاعات و داد­ های مربوط به بهبود تصاویر سنجش از دور و نقشه های زمین­شناسی، زمین لرزه های زمین ساختی کمک قابل توجهی به تجزیه و تحلیل و پردازش خطواره­ها کرده است. در این تحقیق بسیاری از این خطاها که در طراحی و رسم اولیه نقشه­های گسل­های شمال غرب ایران وجود داشته اصلاح و تجدید شده است.<br /><strong>نتایج و بحث</strong><br />برای استخراج خطوط گسل جدید از شواهد مختلفی استفاده شده است که از آن جمله می­توان به جابجایی لایه­ها، تغییر سنگ شناسی، کشش طبقات و علائم سنجش از دور اشاره کرد. نتایج به‌ دست‌آمده از این تحلیل، تصحیح فضایی گسل‌های استخراج‌ شده از نقشه‌های گردآوری شده از منابع مختلف که (گسل­های یاد شده) در موقعیت‌های مختلف قرار داشتند، با استفاده از تصاویر ماهواره‌ای، گسل‌های پنهان و خط‌واره‌های جدید به کمک تصاویر لندست ۸ در محل دقیق خود که باید، ترسیم شد. همچنین علائم تشخیص خطا در منطقه مورد مطالعه شناسایی شد و به این طریق حدود 38 خطواره جدید در کل منطقه مورد مطالعه شناسایی شده است. این گسل­ها عمدتاً دارای روند شرقی- غربی و شمال شرقی و جنوب غربی هستند، برای اولین بار شناسایی و معرفی شدند. وجود خطواره روی زمین هیچ گاه دلیل قطعی بر وجود گسل نیست و همچنین قطعیت وجود گسل <br />در زمین نیز نشان دهنده محل دقیق آن نیست. خط‌واره‌های جدید شناسایی ‌شده در محدوده مورد مطالعه بر اساس شواهد و نشانه‌های خارجی تشخیص و با استفاده از تصاویر ماهواره‌ای و فیلترهای موجود استخراج شده‌اند، بنابراین برای نامگذاری خط‌واره به‌عنوان گسل، نیاز به شناسایی علائم میدانی برای تشخیص شواهد گسلی در آنها است. دراین خصوص از جمله شامل سطوح گسل، خش لغز‌های گسل، برخورد بر روی آن و غیره است، بنابراین در این تحقیق از نام خطواره برای آن‌ها استفاده ‌شده است.<br /><strong>نتیجه­گیری</strong><br />ادغام داده­های مربوط به بهبود تصویر با روش سنجش از دور و نقشه­های زمین­شناسی و لرزه زمین­ساختی کمک قابل توجهی به تحلیل و پردازش خطواره­ها کرده است. در نتیجه این مطالعات 38 خطواره به عنوان خطواره­های جدید در منطقه شمال غرب ایران آشکار شده است و روند غالب اکثر خطواره­ها، شمال شرقی- جنوب غربی و شرقی- غربی است در حالی که این خطواره­ها در نقشه­های زمین­شناسی تهیه شده توسط سازمان زمین­شناسی کشور نمایش داده نشده­اند. مطالعات دقیق خطواره­ها و علائم گسلی جدید مانند جابجایی لایه­ها، جابجایی نهرها، تغییرات سنگ­شناسی در رشد خطی گیاهان، کشیدگی طبقات و ... منجر به شناسایی 21 گسل جدید از 38 خطواره در منطقه شده است. خطواره­های متقاطع با گسل­های موجود و روند تقریباً غربی- شرقی با روندهای ذکر شده توسط نوگل سادات (Nogolsadat, 1978) همسو بوده و روندی نزدیک با گسل­های پی سنگی ذکر شده نشان می دهد. خطواره­های جدید شناسایی شده در این منطقه بر اساس شواهد خارجی و با استفاده از تصاویر ماهواره­ای و فیلترهای موجود استخراج شده است، لذا نامگذاری این خطواره­ها به عنوان گسل مستلزم شناسایی علائم میدانی برای تایید گسل­ها از جمله سطوح گسل، آینه گسل، لغزش روی آن و ... می­باشد، لذا در این تحقیق از نام خطواره برای این گسل­ها استفاده شده است. وجود خطواره روی زمین هیچ گاه دلیل قطعی بر وجود گسل نیست و همچنین قطعیت وجود گسل در زمین نیز نشان دهنده محل دقیق آن نیست زیرا در برخی موارد با وجود علامت یا اثر گسل بر روی زمین، خود گسل در فاصله­ای از این اثر قرار می­گیرد. بنابراین در ادامه این تحقیق لازم است خطواره­های شناسایی شده توسط مطالعات میدانی از نظر مکانیسم و ​​همچنین از نظر مکان بررسی و سپس به عنوان گسل معرفی شوند. https://esrj.sbu.ac.ir/article_104965_617008bb311d02394c9d7bc8cb1582f9.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Mineralogy, geochemistry, fluid inclusions and Cu mineralization factors in the Ismailabad copper deposit, NE of Saveh, Urmia Dokhtar magmatic arc کانی‌شناسی، زمین‌شیمی و ریزدماسنجی میانبارهای سیال در کانسار مس اسماعیل‌آباد با هدف تعیین عوامل کنترل‌کننده کانی‌زایی مس، شمال خاوری ساوه، کمان ماگمایی ارومیه دختر 47 72 106146 10.48308/esrj.2025.106146 FA روشنک دالوند گروه علوم زمین، دانشکده علوم زمین، دانشگاه لرستان، خرم‌آباد، ایران. علیرضا الماسی گروه علوم زمین، دانشکده علوم زمین، دانشگاه لرستان، خرم‌آباد، ایران 0000-0003-1965-8884 کیامرث حسینی گروه زمین‌شناسی منابع معدنی و آب‌های زیرزمینی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران محمد یزدی گروه زمین‌شناسی منابع معدنی و آب‌های زیرزمینی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران. Journal Article 2025 01 14 <strong>Introduction</strong><br />The Ismailabad copper deposit is located in the 55 km NE of Saveh, Central Iran. It is situated in the middle-northern part of the Urmia-Dakhtar magmatic arc (UDMA) of Iran. The Cenozoic volcanic units in the middle part of the UDMA around Saveh host several Cu-Au-Ag-Fe deposits, (Heidari et al, 2022), Narbaghi (Fazli et al, 2019), Rangerz (Zamanian et al, 2021), Zarandiyeh (Yousefi and Alipour-asll, 2019) and Koh Peng (Rajabpour et al, 2017, 2018). General studies in the middle part of the UDMA show the importance of mantle metasomatism in the formation of intrusive rocks. Based on U-Pb dating, this magmatic complex crystallized in the upper Eocene (Nouri et al, 2018).<br />Although there are many signs of old mining, mineral indices and Cu-Au-Ag deposits that are temporally and spatially related to Eocene magmatism in this area, but compared to other areas such as Arasbaran and Kerman belts, it has received less attention from researchers. It has been tried to understand the factors controlling of the copper mineralization based on the field geology, petrology, structure and texture, mineralogy and paragenesis of ore minerals, geochemistry and microthermometry of fluid inclusions. This research can be used to improve the exploration criteria of this type of deposit in the central part of UDMA and other similar places.<br /><strong>Materials and Methods</strong><br />Different rock units from geological sections were used. Petrographic and mineralogical studies were conducted on 23 thin and thin- polished sections. In order to conduct geochemical studies of ore samples, 15 samples were analyzed by the ICP-OES method in the Iran Minerals Research and Processing Center. Also, to determine the characteristics of the ore-forming fluid, petrographic and microthermometric studies were conducted on two calcite mineral samples in the laboratory of Tarbiat Modares University.<br /><strong> </strong><br /><strong>Results and Discussion</strong><br />The host rock for Cu-mineralization in the area is volcanic and volcano-sedimentary units of Eocene age that affect intrusive masses of granitic, monzonite, and gabbro-diorite. These host rocks have been affected by siliceous-carbonate, propylitic-chloritic, sericitic, and intermediate argillic alteration with different intensities. Mineralization occurs in the form of sulfide-oxide veins.Primary minerals include chalcopyrite, pyrite, tennantite, tetrahedrite, ologist, and magnetite, and secondary minerals include chalcocite, coveolite, azurite, malachite, chrysocolla, goethite, and limonite, which were deposited in the endogenous, secondary enrichment, and oxidant stages. The main textures of ore minerals include vein-veinlet, disseminated, open space filling, brecciated, replacement and coloform. The association of copper sulphide minerals such as chalcopyrite, chalcocite, covellite with pyrite and sulfosalts such as tennantite and tetrahedrite is the characteristics of epithermal deposits (Hedenquist, 2015). Microthermometric studies of fluid inclusion indicate that the homogenization temperature of 140.3 to 330℃, which according to Arribas et al. (1995) characterize fluid flow in the deep levels of hydrothermal systems. The salinity is 11.4 to 17.8 %wt. NaCl and the density is 0.78 to 1.05 g/cm3. The depth-pressure diagram (Fournier, 1999) shows that this process probably occurred at a depth of about 100 to 500 meters below the underground water level and hydrostatic pressure of 130 to 20 bar. In subvolcanic environments, meteoric waters, under the influence of physicochemical processes (temperature > 370 °C and lithostatic pressure), form complexes with sulfide anions (SO4^-2 and HS^-) and, to some extent, chloride, and these complexes have played an active role in transporting copper and accompanying elements (Pirajno, 2009). The processes of boiling, mixing and surface dilution of fluids are one of the important factors of the instability of chloride and sulfide complexes that lead to the simultaneous formation of Fe and Cu ore minreals. Sudden decrease of pressure in the fractures of the area is responsible for the formation of sulfide phases in the final stages of mineralization. There is an obvious overlap between the temperature and salinity range of mineralization in the Ismailabad deposit with the manto-type deposits.<br /><strong>Conclusion</strong><br />The low-sulfidation epithermal Cu mineralization in the area is associated with Oligo-Miocene intrusive bodies and Eocene volcanic rocks, which is controlled by northwest-southeast trending faults. Copper mineralization occurred in the form of vein-veinlet and is associated with hydrothermal alteration including of siliceous-carbonate, argillic, propylitic, and sericitic. The mineralization includes hypogene, supergene and oxidant zones. In the hypogene zone, sulfide phases are mainly pyrite, chalcopyrite, and is associated with ologist, hematite, and magnetite. In the supergene zone, chalcocite and covellite are occured on the margin of primary sulfides. In the oxidan zone, malachite, azurite, chrysocolla and iron hydroxides have been formed. Cu shows highest correlation to the Ag, S, Sb, As, Ca, and Sc respectively. The instability of sulfide and chloride complexes leads to the simultaneous precipitation of Fe and Cu and the formation of sulfide phases in the last stage of mineralization. It has been significantly affected by the phenomenon of boiling, mixing and dilution of basin evaporation brines. Based on the values obtained from homogeneous temperature and salinity, the mixing of magma waters with meteoric waters and basin evaporation brines have played a role in the formation of ore minerals. Geological, mineralogical, alteration, and fluid inclusion data indicate that the occurance of manto-type mineralization. <strong>مقدمه</strong><br />محدوده مس اسماعیل‌آباد در حد فاصل جاده تهران- ساوه، 55 کیلومتری شهر شمال خاوری ساوه و در بخش میانی- شمالی کمان ماگمایی ارومیه- دختر واقع است. واحدهای آتشفشانی سنوزوئیک در بخش میانی UDMA در اطراف ساوه میزبان چندین کانسار (Heidari et al, 2022) Cu-Au-Ag-Fe ، نارباغی (Fazli et al, 2019)، رنگرز (Zamanian et al, 2021)، زرندیه (Yousefi and Alipour-asll, 2019) و کوه پنگ (Rajabpour et al, 2017; 2018) هستند. مطالعات کلی در بخش میانی UDMA اهمیت متاسوماتیسم گوشته را در تشکیل سنگ‌های نفوذی نشان می‌دهد. بر اساس سن‌سنجی U-Pb، این کمپلکس ماگمایی در ائوسن بالایی متبلور شده است (Yushin and Romanko, 1981; Nouri et al, 2018). اگرچه نشانه‌های زیادی از معدنکاری قدیمی، اندیس‌های معدنی و کانسارهای Cu-Au-Ag که از نظر زمانی و مکانی با ماگماتیسم ائوسن مرتبط هستند در این ناحیه وجود دارد، اما در مقایسه با سایر مناطق مانند کمربندهای ارسباران و کرمان، کمتر مورد توجه محققان قرار گرفته است. در این پژوهش تلاش شده است بر اساس شواهد زمین‌شناسی صحرایی و سنگ‌شناسی، ساخت و بافت، کانی‌شناسی و پاراژنز، زمین‌شیمی و میکروترمومتری میانبارهای سیال، عوامل کنترل‌کننده کانی‌سازی مس در کانسار اسماعیل‌آباد درک شود. این تحقیق می‌تواند برای بهبود معیارهای اکتشاف این نوع کانسار در بخش مرکزی UDMA و سایر مکان‌های مشابه مورد استفاده قرار گیرد.<br /><strong>مواد و روش­ها</strong><br />نمونه‌برداری از واحدهای مختلف سنگی در امتداد مقاطع زمین‌شناسی صورت گرفت. مطالعات پتروگرافی و کانی‌شناسی بر روی 23 مقطع نازک و نازک صیقلی انجام شد. برای انجام مطالعات زمین‌شیمیایی کانسنگ تعداد 15 نمونه به روش ICP-OES در مرکز تحقیقات و فرآوری مواد معدنی ایران مورد تجزیه قرار گرفت. همچنین به منظور تعیین ویژگی سیال کانسنگ‌ساز مطالعات پتروگرافی و ریزدماسنجی بر روی دو نمونه کانی کلسیت در آزمایشگاه دانشگاه تربیت مدرس انجام گردید.<br /><strong>نتایج و بحث</strong><br />سنگ میزبان کانی‌سازی مس در کانسار اسماعیل‌آباد، واحدهای آتشفشانی و آتش‌فشانی- رسوبی به سن ائوسن است که تحت‌تأثیر توده‌های نفوذی گرانیتوئیدی‌، مونزونیتی و گابرو دیوریتی قرار گرفته است. این واحد‌های میزبان تحت‌تأثیر دگرسانی سیلیسی-کربناتی، پروپلیتی-کلریتی، سریسیتی، آرژیلیکی حدواسط با شدت‌های مختلف قرار گرفته است. کانی‌سازی به صورت رگه-رگچه‌ای سولفیدی- اکسیدی است. کانه‌های هیپوژن شامل کالکوپیریت، پیریت، تنانتیت، تتراهدریت، الیژیست و مگنتیت و کانی‌های سوپرژن شامل کالکوسیت، کوولیت، آزوریت، مالاکیت، کریزوکولا، گوتیت و لیمونیت است. بافت اصلی کانی‌ها شامل رگه‌ای- رگچه‌ای، انتشاری، شکافه پرکن، برشی، جانشینی و کلوفرم است. همراهی کانی‌های سولفیدی مس مانند کالکوپیریت، کالکوسیت، کوولیت با پیریت و سولفوسالت‌هایی مانند تنانتیت و تتراهدریت به همراه بافت‌های فوق‌الذکر از ویژگی‌های ذخایر اپی‌ترمال (Hedenquist, 2015) می‌باشد. مطالعات میکروترمومتری میانبارهای سیال نشان‌دهنده دمای همگن‌شدگی 3/140 تا 330 درجه سانتی‌گراد است که بر اساس نظر آریباس و همکاران (Arribas et al, 1995)، مشخص‌کننده جریان سیال گرمابی در سطوح عمیق سامانه‌های گرمابی است. مقادیر شوری در نمونه‌های مورد مطالعه 4/11 تا 8/17درصد وزنی NaCl و چگالی 78/0 تا 05/1 گرم بر سانتی‌متر مکعب است. نمودار تعیین ژرفا- فشار (Fournier, 1999) نشان می‌دهد که این فرآیند احتمالاً در ژرفای حدود 100 تا 500 متر زیر سطح ایستابی و فشار هیدروستاتیکی 130 تا 20 بار رخ داده است. در محیط‌های ساب‌ولکانیک، آب‌های جوی تحت‌تأثیر فرآیندهای فیزیکوشیمیایی (دمای 370> درجه سانتی‌گراد و فشار لیتوستاتیک) با آنیون‌های سولفیدی (SO4^-2 و HS^-) و تا حدودی کلریدی تشکیل کمپلکس داده و این کمپلکس‌ها نقش فعالی در حمل مس و عناصر همراه داشته است (Pirajno, 2009). فرآیندهای جوشش، آمیختگی و رقیق‌‌شدگی سطحی سیالات، از عوامل مهم در ناپایداری کمپلکس‌های کلریدی و سولفیدی است. همزمانی ته نشست آهن و مس موجود در سیال سبب تشکیل فازهای سولفیدی در مراحل پایانی کانی‌سازی است که در اثر کاهش ناگهانی فشار در شکستگی‌های منطقه ایجاد شده‌اند (Tale Fazel et al, 2011). همپوشانی آشکاری میان محدوده دما و شوری کانی‌سازی در کانسار اسماعیل‌آباد با کانسارهای نوع مانتو وجود دارد.<br /><strong>نتیجه­گیری</strong><br />کانی‌سازی مس در کانسار اسماعیل‌آباد در ارتباط با توده‌های نفوذی الیگومیوسن و سنگ‌های آتشفشانی ائوسن است که توسط گسل‌های با روند شمال غرب- جنوب شرق کنترل می‌شود. کانی‌سازی مس به صورت رگه- رگچه‌ای و همراه با دگرسانی‌های محیط گرمابی، مانند سیلیسی- کربناتی، آرژیلیکی، پروپیلیتی و سریسیتی همراه است. رخداد کانی‌سازی به دو صورت هیپوژن و سوپرژن است. در مرحله هیپوژن فازهای سولفیدی عمدتاً پیریت، کالکوپیریت، تنانتیت، تتراهدریت همراه با الیژیست و مگنتیت است. در مرحله سوپرژن کالکوسیت، کوولیت در حاشیه سولفیدهای اولیه تشکیل شده‌اند. در مرحله تأخیری مالاکیت، آزوریت، کریزوکولا، و هیدروکسیدهای آهن تشکیل شده‌اند. عدم کانی‌سازی فلزات گران‌بها می‌تواند گویای فرآیندهای فرسایشی قوی در بخش‌های بالایی کانی سازی و یا محتوای کم فلز در سیالات منشأ باشد. مس بیشترین همبستگی را به ترتیب با عناصر Ca، As، Sb، S، Ag و Sc دارد. ناپایداری کمپلکس‌های سولفیدی و کلریدی که منجر به نهشته شدن همزمان آهن و مس و تولید فازهای اکسیدی و فازهای اولیه و ثانویه سولفیدی در مرحله کانی‌سازی سوپرژن می‌انجامد، به طور قابل‌توجهی تحت‌تأثیر پدیده جوشش اختلاط و رقیق‌شدگی سیالات و شورآبه‌های تبخیری قرار گرفته است. مقادیر دمای همگن‌شدگی در برابر شوری‌، بیانگر اختلاط آب‌های ماگمایی با آب‌های جوی در تشکیل کانسار است. مطالعات صحرایی، کانی‌شناسی، دگرسانی و میانبارهای سیال، بیانگرکانی‌سازی از نوع مانتو است. https://esrj.sbu.ac.ir/article_106146_f624a7ca476c7e2a733d818b5ba5e3f9.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Study of geology, alteration and geochemicall of Qesari copper deposit, west Torud, Semnan province مطالعات زمین‌شناسی، دگرسانی و ژئوشیمی کانسار مس قیصری، غرب ترود، استان سمنان 73 90 100883 10.48308/esrj.2021.100883 FA شیوا مسکینی سیاهمرد گروه زمین‌شناسی، دانشکده علوم زمین، دانشگاه صنعتی شاهرود، شاهرود، ایران فرج الله فردوست گروه زمین‌شناسی، دانشکده علوم زمین، دانشگاه صنعتی شاهرود، شاهرود، ایران مهدی رضایی کهخائی گروه پترولوژی، دانشکده علون زمین، دانشگاه صنعتی شاهرود، شاهرود، ایران Journal Article 2024 07 11 <strong>Introduction</strong><br />The Qeysari copper deposit is located on the 1:100,000 scale of Kalateh-e-Resham, 105 km south of Damghan, with geographical coordinates of 54 ˚18´ 00 ˝to 54 ˚19´ 00 ˝east longitude and 35 ˚19´ 00˝ to 35 ˚ 21´ 00 ˝ north latitude. Along the Troud-Chah-Shirin volcanic belt, copper mineralization has occurred in various forms under the influence of younger semi-deep masses (with Oligo-Miocene age). In some places, such as the Chah-Musa and Koh-Zar deposits, mineralization has taken place adjacent to relatively large intrusive masses. In some parts, major intrusive masses are not present, but traces of younger magmatic activity are exposed in the form of dykes composed of diabase and microdiorite, but they are directly related to mineralization. In the Qeysari region, diabase dykes have played a direct role in mineralization. As it occurs, it is limited only to the edge of the dike and sometimes inside the dike itself.<br /> <br /><strong>Materials and Methods</strong><br />In this study, after preparing a 1:2000 geological map of the region and conducting field surveys and sampling of the rocks of the region, 25 microscopic thin sections and 15 polished sections were prepared and examined to identify the mineralogical composition, petrology and textural relationships. For geochemical studies, 8 samples were selected for XRD analysis, 8 samples for XRF analysis and 8 samples for ICP-MS analysis.<br /><strong> </strong><br /><strong>Results and Discussion</strong><br />The Qeysari copper deposit is located in the northern part of the Central Iran structural-sedimentary zone. The volcanic and volcanic-sedimentary rocks host the semi-deep intrusive masses of the region, equivalent to the Karaj Formation of the Eocene period. In this area, andesitic, andesite-basalt, basalt and pyroclastic rocks of Middle Eocene to Oligomiocene age are exposed. The uplift of the Troud-Chah-Shirin mountain range has been formed under the influence of the action of the two main Troud faults in the south and Angelo in the north with left-lateral action. The mechanism of these two faults has caused the creation of smaller faults with two trends of northeast-southwest and northwest-southeast within this mountain range. Faults with these trends are also observed in the Qeysari copper area. The controlling factor of mineralization in this area is the diabase dyke with a northeast-southwest trend, which was probably a function of faults with this trend. Mineralization in the study area is seen as veins of different thicknesses along fractures and fault zones, and most mineralization has occurred in basalts and andesites of the area.Amphibole and plagioclase have generally been transformed into chlorite and sericite, which indicates the effect of atmospheric waters on the rocks of the area. Pyroxenes are also seen in the background composition. In order to investigate the petrogenesis, determine the tectonic setting and chemical nomenclature of the rocks containing the deposit, the results of chemical analysis of 8 samples by ICP-MS method were used. Based on the Na2O+K2O vs. SiO2 variation diagram, the volcanic rocks containing the deposit are in the range of andesite, trachyandesite, and basalt. In order to determine the composition and nature of the rocks in question, diagrams related to trace elements, including Zr, Ti, Nb, and Y, which are HSF and immobile elements, were used. In order to determine the tectonic environment, the ratios of trace elements were used. The ratio of trace elements Th/Ta>2 indicates the location of continental arc formation for the constituent rocks. There are various geochemical diagrams to determine the tectonic location of igneous rocks, and in this study, more diagrams based on immobile elements were used.<br /><strong>Conclusion</strong><br /> Based on geochemical studies, the lavas belong to the high-potassium alkaline and calc-alkaline magmatic series, which formed in a tectonic regime of volcanic arcs associated with active continental margins. This feature is related to the tectonic environment associated with subduction zones and shows the phenomenon of crustal contamination in the rocks. Among the factors controlling magmatism in subducting oceanic crust magmatic arcs are subducting sediments, which represent the effects of crustal contamination and digestion in the magma forming the rocks of the studied area. <strong>مقدمه</strong><br />کانسار مس قیصری در ورقه 1:100000 کلاته رشم، در 105 کیلومتری جنوب دامغان، با مختصات جفرافیایی ˝00´18˚54 تا ˝00´19˚54 طول شرقی و ˝00´19 ˚35 تا ˝00´21 ˚35 عرض شمالی واقع شده است. در طول نوار آتشفشانی ترود- چاه­شیرین کانه­زایی مس به اشکال مختلف تحت تاثیر توده­های نیمه عمیق جوان­تر (با سن الیگو- میوسن) رخ داده است. در برخی نقاط مثل کانسار چاه­موسی و کوه­زر کانه­زایی در مجاور توده­های نفوذی نسبتاً بزرگ صورت گرفته است. در بخش­هایی توده­های نفوذی عمده حضور ندارند ولی آثار فعالیت ماگمایی جوانتر به صورت دایک­های با ترکیب دیاباز و میکرودیوریت رخنمون دارند ولی ارتباط مستقیم با کانه­زایی مشاهده می­شود. در منطقه قیصری دایک دیابازی به­طور مستقیم در کانه­زایی نقش داشته است. به طوری که رخ داد آن تنها به حاشیه دایک و گاهاً داخل خود دایک محدود می­گردد.<br /><strong>مواد و روش­ها</strong><br />در این پژوهش، پس از تهیه نقشه زمین­شناسی 1 :2000 منطقه و انجام بررسی­های صحرایی و نمونه­برداری از سنگ­های منطقه، تعداد 25 مقطع نازک میکروسکوپی و 15 مقطع صیقلی به منظور شناسایی ترکیب کانی­شناسی، سنگ­شناسی و روابط بافتی تهیه و مورد بررسی قرار گرفت. جهت مطالعات ژئوشیمیایی تعداد 8 نمونه برای آنالیز XRD، 8 نمونه برای آنالیز XRF و تعداد 8 نمونه برای آنالیز به روش ICP-MS انتخاب گردید.<br /><strong>نتایج و بحث</strong><br />کانسار مس قیصری در بخش شمالی پهنه ساختاری - رسوبی ایران­مرکزی واقع است. سنگ­های آتشفشانی و آتشفشانی- رسوبی میزبان توده­های نفوذی نیمه عمیق منطقه، هم­ارز سازند کرج متعلق به دوره ائوسن می­باشد. در این منطقه گدازه­های آندزیتی، آندزیت- بازالتی، بازالت و سنگ­های آذرآواری به سن ائوسن میانی تا الیگومیوسن رخنمون دارند. برآمدگی رشته کوه ترود - چاه­شیرین تحت تاثیر عملکرد دو گسل اصلی ترود در جنوب و انجیلو در شمال با عملکرد چپ­ بر حاصل شده است. سازوکار این دو گسل سبب ایجاد گسل­های کوچکتر با دو روند شمال­شرقی- جنوب­غربی و شمال­غربی- جنوب­شرقی در داخل این رشته­کوه شده است. در محدوده مس قیصری نیز گسل­هایی با این روندها مشاهده می­شوند. عامل کنترل کننده کانه­زایی در این محدوده دایک دیابازی با روند شمال­شرقی- جنوب­غربی است که احتمالا^⸗ تابع گسل­های با این روند بوده است.<br />کانی­سازی در محدوده مورد مطالعه به صورت رگه­هایی با ضخامت­های مختلف در امتداد شکستگی­ها و پهنه­های گسلی دیده می­شود و بیشترین کانی­سازی در بازالت­ها و آندزیت­ محدوده رخ داده است. آمفیبو ل و پلاژیوکلاز عموماً به کلریت و سریسیت تبدیل شده­اند که نشان دهنده تأثیر آب­های جوی بر سنگ­های محدوده است. پیروکسن­ها نیز در ترکیب پس­زمینه دیده می­شوند. به منظور بررسی پتروژنز، تعیین جایگاه زمین­ساختی و نامگذاری شیمیایی سنگ­های دربرگیرنده کانسار، از نتایج آنالیز شیمیایی 8 نمونه با روش ICP-MS استفاده شد. براساس نمودار تغییرات Na₂O+K₂O در مقابل SiO₂، سنگ­های آتشفشانی در بر گیرنده کانسار در گستره آندزیت، تراکی­آندزیت، بازالت قرار می­گیرند. به منظور تعیین ترکیب و ماهیت سنگ­های مورد نظر، از نمودارهای مربوط به عناصر کمیاب از جمله Zr، Ti،Nb و Y که جزء عناصر HSF و غیر متحرک می­باشند استفاده شد. به منظور تعیین محیط تکتونیکی از نسبت­های عناصر کمیاب استفاده شده است. نسبت عناصر کمیاب Th/Ta>2، نشان­دهنده جایگاه تشکیل کمان قاره­ای برای سنگ­های تشکیل­دهنده است. برای تعیین جایگاه زمین­ساختی سنگ­های آذرین، نمودارهای ژئوشیمیایی مختلفی وجود دارند که در این پژوهش بیشتر از نمودارهایی که بر پایه­ی عناصر کم تحرک ترسیم شده­اند، استفاده شده است.<br /><strong>نتیجه­گیری</strong><br />براساس بررسی­های ژئوشیمیایی گدازه­ها به سری ماگمایی- قلیایی و آهکی- قلیایی پتاسیم بالا وابسته­اند که در یک رژیم زمین­ساختی قوس­های آتشفشانی وابسته به حاشیه فعال قاره­ای تشکیل شده است. این ویژگی­ مربوط به محیط تکتونیکی وابسته مناطق فرورانش بوده و پدیده آلایش پوسته­ای را در سنگ­ها نشان می­دهد. از عوامل کنترل کننده ماگماتیسم در کمان­های ماگمایی پوسته­ی اقیانوسی فرورونده، رسوبات فرورونده می­باشند که نمایانگر تاثیرات آلایش و هضم پوسته­ای در ماگمای تشکیل دهنده­ی سنگ­های منطقه مورد مطالعه می­باشند. https://esrj.sbu.ac.ir/article_100883_09a99076884a87e5c60508bf778956d2.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Long-term wind pattern reconstruction through analysis of Rig-e Yalan aeolian landforms in eastern Lut Desert using machine learning بازسازی بلندمدت الگوهای بادی از طریق تحلیل لندفرم‌های بادی ریگ یلان شرق بیابان لوت، با استفاده از یادگیری ماشین 91 115 106255 10.48308/esrj.2025.106255 FA ابوالقاسم گورابی گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران مجتبی یمانی گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران Journal Article 2025 07 10 <strong>Introduction</strong><br />Tucked away in the eastern reaches of Iran’s Lut Desert, Rig-e Yalan sprawls across roughly 9,800 square kilometers, standing as one of the world’s most arid and vibrant desert landscapes. With annual rainfall barely trickling past 50 millimeters and vegetation so sparse it’s almost a mirage, this region is sculpted by relentless regional winds that etch out a mesmerizing array of aeolian landforms—towering dunes, sweeping wind corridors, and restless sand ridges that seem to shift with every gust. These dunes are like nature’s archives, their shapes, orientations, and intricate patterns telling stories of the winds that have shaped them over countless years. My goal in this study was to dive into these stories, mapping the dominant wind directions and unraveling the geomorphological dance of Rig-e Yalan using a blend of cutting-edge machine learning tools—Random Forest and K-Means clustering. What excites me most about this approach is how it bypasses the need for exhaustive field campaigns, offering a fresh, scalable way to decode desert dynamics that could inspire similar explorations across the globe. Rig-e Yalan’s elongated, oval form, stretching about 150 by 70 kilometers along a northeast–southwest axis, feels like a living canvas, painted by a symphony of regional weather systems—monsoonal winds, local airflows—and the rugged terrain that channels them. The sun blazes down here, with summer temperatures often soaring past 45°C, and the air is so parched it seems to pull the moisture right out of you. These extreme conditions fuel a relentless erosional force, giving rise to a stunning variety of dunes: linear ones that stretch like ribbons across the horizon, crescent-shaped barchans that glide over the sands, and complex star dunes that defy simple description. I drew inspiration from studies in places like China’s Hobq and Kumtag Deserts or Africa’s Namib Desert, where researchers have shown how dune shapes can unlock secrets about past climates and wind patterns. But what’s less common—and what I set out to tackle—is using a fusion of machine learning and clustering to map wind patterns across an entire region. This work bridges that gap, offering a deep dive into how winds and landforms intertwine, with insights that could resonate far beyond Iran’s borders. To pull this off, I turned to advanced remote sensing, pulling data from the Shuttle Radar Topography Mission (SRTM) and high-resolution satellite imagery to extract 15 geomorphometric indices—think of them as the landscape’s vital signs, revealing its structure and behavior. These allowed me to pinpoint wind directions by analyzing dune shapes without ever stepping foot in the desert, a method that feels almost like reading the land from afar. I grouped these directions into eight main categories: north, northeast, east, southeast, south, southwest, west, and northwest. The results don’t just deepen our understanding of Rig-e Yalan’s wind-driven world; they open doors to practical applications—tackling climate change impacts, managing wind erosion, picking prime spots for wind farms, planning military operations, or safeguarding fragile desert ecosystems in places where data is scarce. By leaning on technology rather than costly field treks, this approach is both practical and far-reaching, potentially guiding sustainable resource management in deserts worldwide, from the Sahara to the Gobi.<br /><strong>Materials and Methods</strong><br /> <br />This study unfolded through a carefully crafted seven-step journey, designed to peel back the layers of Rig-e Yalan’s aeolian landscape: pinpointing the study area, gathering data, cleaning it up, extracting geomorphometric features, analyzing dune shapes, modeling wind patterns with machine learning, and clustering similar regions. I chose Rig-e Yalan for its extreme aridity and diverse landforms—its dunes, from crescent-shaped barchans to sprawling linear ones, are like a natural laboratory for studying wind patterns. The region’s hyper-arid climate, with its sparse vegetation and relentless winds, makes it a perfect canvas for exploring how landscapes evolve under the influence of aeolian forces. The data came from a rich mix of sources: Landsat 8/9 and Sentinel-2 satellite imagery, offering 10–30-meter resolution, SRTM and ALOS PALSAR digital elevation models at 30-meter resolution, and Google Earth for close-up visual checks of dune shapes. Preprocessing was like tuning an instrument before a concert—I used techniques like Dark Object Subtraction (DOS), FLAASH, and 6S to correct for atmospheric noise, ensuring the data was as clear as the desert sky. From the elevation models, I extracted 15 geomorphometric indices: slope (SLP), aspect (ASP), general curvature (CURV), plan curvature (PC), profile curvature (PRC), height variation (HV), topographic position index (TPI), surface roughness (RUG), sediment transport index (STI), terrain ruggedness index (TRI), slope direction gradient (SDIR), windward/leeward index (WI), local elevation difference (ED), local relief (LR), and relative position index (RPI). These metrics were my tools for decoding how dunes move and how winds shape them, each one offering a piece of the puzzle. For modeling wind patterns, I chose Random Forest with 50 decision trees—a method I admire for its reliability and ability to wrestle with complex, non-linear data without tripping over itself. I trained it using wind direction data from 3,948 field stations, sorting directions into those eight main classes. To group similar landscape zones, I turned to K-Means clustering, settling on six clusters after testing with the Elbow and Silhouette Score methods, which helped me find the sweet spot for grouping without forcing unnatural divisions. This clustering approach felt like sorting the desert into distinct neighborhoods, each with its own topographic character. Validation was crucial to ensure the results held up under scrutiny. I used statistical measures like overall accuracy (around 78%), Kappa coefficient (about 0.64), F1-Score, mean absolute error (MAE), and mean squared error (MSE). For a reality check, I compared the model’s predictions to actual dune shapes seen in Google Earth imagery, looking for that moment of alignment between data and desert. The toolkit was a powerhouse: Google Earth Engine for crunching remote sensing data, ArcGIS and SAGA for spatial analysis, Python (with scikit-learn, TensorFlow, and XGBoost) for the machine learning heavy lifting, and R and MATLAB for stats and visualizations. Together, these tools wove a seamless pipeline for dissecting Rig-e Yalan’s geomorphological story, blending precision with creativity.<br /><strong> </strong><br /><strong>Results and Discussion</strong><br />The findings painted a vivid picture of Rig-e Yalan’s wind-driven world: southeast (SE) and south (S) winds dominate, shaping 41.42% and 39.59% of the landscape, respectively, while east (E) and northeast (NE) winds play a quieter role, influencing just 19% of the area. The Random Forest model nailed the wind direction classifications, hitting an accuracy of about 78% and a Kappa of 0.64. It shone brightest for SE, S, and SW directions, with F1-Scores above 0.8, showing it’s got a sharp eye for the main players. The west (W) direction was a tougher nut to crack, with a lower F1-Score of 0.31, likely because its dune shapes blend into neighboring classes or get tangled in local terrain quirks. When I cross-checked the model’s predictions with real-world dune patterns in Google Earth, I found a solid 78% match, especially in areas with crisp barchan and linear dunes in the south and center—moments when the data felt like it was singing in harmony with the landscape. K-Means clustering revealed six distinct morphogenic zones, each with its own topographic personality. Zones 1 and 3, with gentle slopes (5–10 degrees) and smoother surfaces, were hotbeds of dune movement, swept along by the dominant winds. Zones 2 and 4, tucked in leeward areas with rougher terrain (roughness > 0.5), were more stable, acting as sediment traps where the sands settle. I also spotted anomalies—519 pixels, or about 129.75 square kilometers, that didn’t follow the dominant wind patterns, mostly clustered in the central and eastern parts. These outliers likely stem from secondary eastern winds or localized terrain quirks, like sudden ridges or dips that nudge the winds off course. The geomorphometric indices were the heart of this analysis. The average slope (11.54 degrees) suggested a mostly gentle landscape, but steeper slopes (up to 77.4 degrees) in certain spots steered the winds like natural funnels. The aspect, averaging 174.6 degrees, showed slopes mostly facing south-southeast, perfectly aligned with the main wind directions. The sediment transport index (mean 3.97) highlighted intense sediment movement in steep, rough areas—places where the desert is in constant motion. Southern regions with negative curvature were erosion hotspots, where winds scour the land, while central and northern areas with positive curvature were where sediments piled up, forming natural repositories. The Shannon entropy <br />map lit up the central and southern regions as the most complex (entropy > 1.5), signaling high morphodynamic activity and erosion risk—areas where the desert is alive with change. These findings echo studies in deserts like Hobq and Kumtag in China or the Namib in Africa, proving that machine learning can unlock wind patterns without needing boots on the ground. The blend of Random Forest and K-Means clustering let me pinpoint homogeneous zones and spot anomalies with precision, like finding hidden patterns in a vast, sandy tapestry. Statistically, elevation had little to do with dune movement (R² = 0.0299), confirming winds as the main sculptor. Indices like topographic position and sediment transport correlated positively with dune shifts (r > 0.6), while roughness tied negatively to stability in sheltered areas (r < -0.4), painting a clear picture of how the landscape responds to wind.<br /><strong> </strong><br /><strong>Conclusion</strong><br /> By weaving together Random Forest and K-Means clustering, this study offers a fresh lens on Rig-e Yalan’s aeolian landforms and long-term wind patterns. The Random Forest model, with its 78.36% accuracy and 0.64 Kappa, proved a trusty guide for predicting dominant winds, while K-Means clustering mapped out six zones that mirrored the region’s wind and topographic rhythms. This approach, needing minimal field data, delivered a vivid picture of aeolian dynamics, backed up by Google Earth comparisons that felt like a nod from the desert itself. The study isn’t without its challenges—long-term field data is hard to come by, the eight-direction classification might miss finer nuances, and remote sensing resolution has its limits. I’d love to see future work place portable sensors in anomaly-prone areas, like the central and eastern zones, and blend field data with numerical models to sharpen the picture. Extending this method to other Iranian dune fields, like Rig-e Jen or the Central Kavir, could unravel broader regional wind patterns and climatic shifts, adding new chapters to the story. The implications are vast: from grappling with climate change and wind erosion to picking ideal wind farm sites, planning military strategies, or safeguarding desert ecosystems. This framework is a blueprint for data-driven geomorphological studies in arid regions, offering a scalable, cost-effective way to inform sustainable resource management and paleoclimate research globally. It’s a method that feels alive with possibility, ready to explore deserts from the Sahara to the Gobi and beyond. <strong>مقدمه</strong><br />ریگ‌یلان، واقع در شرق دشت لوت ایران، با مساحتی حدود ۹۸۰۰ کیلومترمربع، یکی از خشک‌ترین و پویاترین مناطق بیابانی جهان محسوب می‌شود که بستری منحصربه‌فرد برای تحلیل لندفرم‌های بادی و بازسازی الگوهای بلندمدت باد فراهم می‌کند. این منطقه با شرایط اقلیمی فراخشک، بارندگی سالیانه کمتر از ۵۰ میلی‌متر، و پوشش گیاهی ناچیز، از گذشته تحت تأثیر بادهای غالب و قدرتمند منطقه‌ای قرار داشته که در ساختارهای بادی پیچیده، از جمله تپه‌های‌ماسه‌ای بزرگ، دالان‌های بادی، و تپه‌های‌ماسه‌ای متحرک نمایان است. تپه‌های‌ ماسه‌ای به‌ عنوان شاخص‌های طبیعی برجسته برای بازسازی الگوهای بادی بلندمدت شناخته می‌شوند، زیرا شکل، جهت‌گیری، و مورفولوژی آن‌ها ارتباط مستقیمی با جهت، شدت، و پایداری بادهای غالب دارد. این پژوهش با هدف مدل‌سازی مکانی جهت‌های غالب باد و تحلیل دینامیک‌های ژئومورفولوژیکی ریگ‌یلان، از ترکیب روش‌های پیشرفته یادگیری‌ماشین، شامل الگوریتم جنگل تصادفی (Random Forest) و خوشه‌بندی کی-مینز (K-Means)، بهره گرفته است. این رویکرد نوآورانه، بدون وابستگی به داده‌های میدانی گسترده، امکان تحلیل دقیق و مقیاس‌پذیر الگوهای بادی را در مناطق بیابانی فراهم کرده و چارچوبی جامع برای مطالعات ژئومورفولوژیکی ارائه می‌دهد. ریگ‌یلان با شکل کشیده و بیضوی خود (با اقطار تقریبی ۱۵۰ × ۷۰ کیلومتر) در راستای شمال‌شرق - جنوب‌غرب گسترده شده و تحت تأثیر ترکیبی از سیستم‌های جوی منطقه‌ای- محلی، از جمله بادهای موسمی و جریان‌های جوی محلی، و ناهمواری‌های توپوگرافی، یکی از فعال‌ترین سیستم‌های بادی ایران را تشکیل می‌دهد. تابش شدید خورشید، دمای بالا (اغلب بیش از ۴۵ درجه سانتی‌گراد در تابستان)، و رطوبت بسیار پایین، شرایط فرسایشی شدیدی را در این منطقه ایجاد کرده‌اند که به تکامل لندفرم‌های بادی پیچیده، شامل تپه‌های‌ماسه‌ای خطی، هلالی، و ستاره‌ای منجر شده است. مطالعات پیشین در بیابان‌های مشابه، مانند صحرای کومتاگ در چین یا بیابان نامیب در آفریقا، نشان داده‌اند که تحلیل مورفولوژی تپه‌های‌ماسه‌ای می‌تواند اطلاعات ارزشمندی درباره دینامیک‌های بادی، تغییرات اقلیمی گذشته، و فرآیندهای رسوب‌گذاری و فرسایش ارائه دهد. با این حال، استفاده از روش‌های تلفیقی یادگیری ‌ماشین و خوشه‌بندی برای بازسازی الگوهای بادی در مقیاس منطقه‌ای کمتر مورد توجه قرار گرفته است.<br />این پژوهش با پر کردن این شکاف علمی، چارچوبی جامع برای تحلیل تعاملات بین الگوهای باد و ویژگی‌های ژئومورفولوژیکی ارائه می‌کند که می‌تواند به ‌عنوان الگویی برای مطالعات مشابه در دیگر مناطق بیابانی جهان مورد استفاده قرار گیرد. این مطالعه با بهره‌گیری از داده‌های دورسنجی پیشرفته، شامل مدل رقومی ارتفاعی اس‌آرتی‌ام (SRTM) و تصاویر ماهواره‌ای با وضوح بالا (گوگل‌ارث، ۲۰۲۳)، به استخراج ۱۵ شاخص ژئومورفومتریک پرداخته و جهت‌های آزیموتی باد را از طریق تحلیل فرم تپه‌های‌ ماسه‌ای، بدون اتکا به داده‌های میدانی، شناسایی کرده است. این جهت‌ها در هشت کلاس جغرافیایی (N، NE، E، SE، S، SW، W، NW) طبقه‌بندی شدند. نتایج این پژوهش نه ‌تنها به درک عمیق‌تر پویایی‌های بادی و ژئومورفولوژیکی ریگ‌یلان کمک می‌کند، بلکه کاربردهای گسترده‌ای در حوزه‌هایی نظیر تغییر اقلیم، مدیریت فرسایش بادی، مکان‌یابی بهینه نیروگاه‌های بادی، برنامه‌ریزی نظامی، حفاظت از اکوسیستم‌های بیابانی، و پایش محیطی در مناطق خشک و فاقد داده دارد. این رویکرد با استفاده از فناوری‌های پیشرفته و کاهش وابستگی به داده‌های میدانی پرهزینه، امکان تحلیل دقیق، مقیاس‌پذیر، و مقرون ‌به ‌صرفه را فراهم می‌سازد و می‌تواند به ‌عنوان مبنایی برای توسعه سیاست‌های مدیریت پایدار منابع طبیعی در مناطق بیابانی عمل کند.<br /><strong>مواد و روش­ها</strong><br />این پژوهش با طراحی یک مسیر تحلیلی دقیق و گام‌به‌گام انجام شده است که شامل هفت مرحله اصلی است: ۱) شناسایی منطقه مطالعه، ۲) جمع‌آوری داده‌ها، ۳) پیش‌پردازش داده‌ها، ۴) استخراج ویژگی‌های ژئومورفومتریک، ۵) تحلیل فرم تپه‌های‌ماسه‌ای، ۶) مدل‌سازی الگوهای باد با استفاده از یادگیری‌ ماشین، و ۷) خوشه‌بندی مناطق همگن. منطقه مورد مطالعه، ریگ‌یلان در شرق دشت لوت، به دلیل ویژگی‌های اقلیمی فراخشک، تنوع لندفرم‌های بادی، و ساختارهای ژئومورفولوژیکی منحصربه‌فرد خود انتخاب شد. این منطقه تحت تأثیر بادهای قوی و پایدار شکل گرفته و دارای تپه‌های‌ ماسه‌ای متنوعی، از جمله تپه‌های‌ماسه‌ای هلالی، خطی و مرکب است که به‌ عنوان شاخص‌های طبیعی برای تحلیل الگوهای بادی مورد استفاده قرار گرفتند. داده‌های مورد استفاده شامل تصاویر ماهواره‌ای لندست ۸/۹ (Landsat 8/9) و سنتینل-۲ (Sentinel-2) با وضوح مکانی ۱۰-۳۰ متر، مدل‌های رقومی ارتفاعی اس‌آرتی‌ام (SRTM) و آلوس پالسار (ALOS PALSAR) با وضوح ۳۰ متر، و داده‌های گوگل‌ارث (۲۰۲۳) برای تحلیل بصری فرم تپه‌های‌ ماسه‌ای بودند. پیش‌پردازش داده‌ها شامل تصحیح اتمسفری و رادیومتریک با روش‌هایی نظیر کسر شیء تاریک (Dark Object Subtraction, DOS)، فلاش (FLAASH)، و S6 بود تا اثرات نویزهای جوی و خطاهای سنجنده حذف شده و داده‌ها برای تحلیل نهایی آماده شوند. از مدل‌های رقومی ارتفاعی، ۱۵ شاخص ژئومورفومتریک شامل شیب (SLP)، جهت دامنه (ASP)، انحنای کلی (CURV)، انحنای افقی (PC)، انحنای قائم (PRC)، تغییرات ارتفاعی (HV)، شاخص موقعیت توپوگرافی (TPI)، زبری سطح (RUG)، شاخص انتقال رسوب (STI)، شاخص ناهمواری زمین (TRI)، جهت گرادیان شیب (SDIR)، شاخص رو به باد/پشت به باد (WI)، تفاوت ارتفاع محلی (ED)، رلیف محلی (LR)، و شاخص موقعیت نسبی (RPI) استخراج شدند. این شاخص‌ها با دقت بالا برای شناسایی دینامیک‌های حرکتی تپه‌های‌ماسه‌ای و ارتباط آن‌ها با الگوهای بادی مورد استفاده قرار گرفتند. برای مدل‌سازی الگوهای باد، الگوریتم جنگل تصادفی (Random Forest) با ۵۰ درخت تصمیم‌گیری انتخاب شد. این الگوریتم به دلیل پایداری بالا، توانایی پردازش داده‌های پیچیده و غیرخطی، و مقاومت در برابر بیش‌برازش، برای تحلیل‌های ژئومورفولوژیکی ایده‌آل است. داده‌های جهت باد از ۳۹۴۸ ایستگاه منتخب نمونه‌برداری ‌شده (استخراج‌ شده از تصاویر گوگل‌ارث، ۲۰۲۳) به‌عنوان داده‌های آموزشی استفاده شدند و جهت‌های باد به هشت کلاس اصلی (N، NE، E، SE، S، SW، W، NW) طبقه‌بندی شدند. همچنین، الگوریتم خوشه‌بندی کی- مینز (K-Means) برای شناسایی مناطق همگن بر اساس ویژگی‌های ژئومورفومتریک به کار رفت. تعداد بهینه خوشه‌ها (شش خوشه) با استفاده از روش‌های آرنج (Elbow) و امتیاز Silhouette (Silhouette Score) تعیین شد، که به ترتیب معیارهای کمینه‌سازی واریانس درون‌گروهی و بیشینه‌سازی جدایی بین خوشه‌ها را ارزیابی کردند. اعتبارسنجی مدل‌ها با استفاده از معیارهای آماری نظیر دقت کلی (0.78 = Accuracy)، ضریب کاپا (0.64 = Kappa)، امتیاز اف۱ (F1-Score)، میانگین خطای مطلق (MAE)، و میانگین مربع خطا (MSE) انجام شد. برای اعتبارسنجی مکانی، نتایج مدل با داده‌های مستقل استخراج‌شده از تصاویر گوگل‌ارث (۲۰۲۳) مقایسه شدند تا همخوانی پیش‌بینی‌ها با مورفولوژی واقعی تپه‌های‌ماسه‌ای ارزیابی شود. ابزارهای مورد استفاده شامل گوگل‌ارث انجین برای پردازش داده‌های دورسنجی و استخراج شاخص‌ها، آرک‌جی‌آی‌اس و ساگا برای استخراج شاخص‌ها و تحلیل‌های مکانی، پایتون (Python) (کتابخانه‌های scikit-learn، TensorFlow، XGBoost) برای اجرای مدل‌های یادگیری‌ماشین، و آر (R) و متلب (MATLAB) برای تحلیل‌های آماری و تجسم داده‌ها بودند. این ابزارها در کنار هم، چارچوبی جامع و یکپارچه برای تحلیل و مدل‌سازی تغییرات ژئومورفولوژیکی فراهم کردند.<br /><strong>نتایج و بحث</strong><br />نتایج این پژوهش نشان داد که بادهای جنوب‌شرقی (SE) و جنوبی (S) به ترتیب با پوشش 42/41 % و 59/39 % از مساحت منطقه، بادهای غالب و اصلی در شکل‌گیری لندفرم‌های بادی ریگ‌یلان هستند، در حالی که بادهای شرقی (E) و شمال‌شرقی (NE) به‌عنوان بادهای فرعی تنها ۱۹% از الگوهای بادی را تشکیل می‌دهند. مدل جنگل تصادفی (Random Forest) دقت بالایی در طبقه‌بندی جهت‌های باد نشان داد (Accuracy = 0.78؛ Kappa = 0.64)، با مقادیر امتیاز اف۱ (F1-Score) قابل‌قبول در کلاس‌های میانی (SE، S، SW)، که نشان‌دهنده حساسیت مناسب مدل در شناسایی جهت‌های غالب است. در مقابل، کلاس W با امتیاز F1-Score حدود 31/0 ضعیف‌ترین عملکرد را داشت، که احتمالاً به دلیل شباهت‌های مورفولوژیکی با کلاس‌های مجاور و پیچیدگی‌های توپوگرافیکی در نواحی خاص است. مقایسه مکانی پیش‌بینی‌های مدل با مورفولوژی تپه‌های‌ماسه‌ای واقعی از تصاویر گوگل‌ارث (۲۰۲۳)، همخوانی قابل‌توجهی (۷۸%) را نشان داد، به‌ویژه در مناطقی با ساختارهای تپه‌ماسه‌ای واضح‌تر، مانند تپه‌های‌ماسه‌ای هلالی و خطی در بخش‌های جنوبی و مرکزی. تحلیل خوشه‌بندی کی- مینز (K-Means) شش زون مورفوژنیک همگن را شناسایی کرد که هر یک ویژگی‌های توپوگرافی متفاوتی داشتند. خوشه‌های ۱ و ۳، که در مناطق با شیب ملایم (میانگین ۵ -۱۰ درجه) و زبری کمتر قرار داشتند، تحت تأثیر شدید بادهای غالب بودند و پویایی بالایی در جابه‌جایی تپه‌های‌ماسه‌ای نشان دادند. در مقابل، خوشه‌های ۲ و ۴، که در مناطق پشت به باد با زبری بالاتر (RUG > ۰/۵) قرار داشتند، پایداری بیشتری از خود نشان دادند و به‌عنوان مناطق رسوب‌گذاری شناسایی شدند. تحلیل ناهنجاری‌های مکانی نشان داد که ۵۱۹ پیکسل (معادل 75/129 کیلومترمربع) از الگوی بادی غالب تبعیت نمی‌کنند و بیشتر در نواحی مرکزی و شرقی متمرکز هستند. این ناهنجاری‌ها احتمالاً به دلیل تأثیر بادهای فرعی شرقی، تغییرات موضعی در توپوگرافی، یا اثرات متقابل جریان‌های بادی محلی ایجاد شده‌اند. شاخص‌های ژئومورفومتریک نقش کلیدی در تحلیل دینامیک‌های بادی داشتند. میانگین شیب منطقه (54/11 درجه) نشان‌دهنده توپوگرافی نسبتاً ملایم است، اما وجود شیب‌های تندتر (تا 4/77 درجه) در بخش‌های خاص، بر هدایت بادهای غالب تأثیر داشت. جهت دامنه (میانگین 6/174 درجه) نشان داد که دامنه‌ها عمدتاً رو به جنوب- جنوب‌شرق هستند، که با جهت بادهای غالب همخوانی دارد. شاخص انتقال رسوب (STI، میانگین 97/3) نشان‌دهنده نرخ بالای حمل رسوب در مناطق با شیب تند و زبری بالا بود. مناطق با انحنای منفی (۰CURV <) در بخش‌های جنوبی‌تر، مستعد فرسایش بادی شدیدتر بودند، در حالی که نواحی با انحنای مثبت (۰CURV >) در بخش‌های مرکزی و شمالی به‌عنوان نقاط رسوب‌گذاری عمل می‌کردند. نقشه انتروپی شانون نشان داد که مناطق با ناهمگنی بالاتر (انتروپی > ۱/۵) در نواحی مرکزی و جنوبی متمرکز هستند، که بیانگر پیچیدگی مورفودینامیکی و حساسیت فرسایشی بالاتر است. این یافته‌ها با مطالعات پیشین در بیابان‌های مشابه، مانند هوبک و کومتاگ چین، همخوانی دارد و نشان‌دهنده قابلیت بالای روش‌های یادگیری‌ ماشین در تحلیل الگوهای بادی بدون نیاز به داده‌های میدانی گسترده است. ترکیب مدل‌سازی یادگیری‌ ماشین و خوشه‌بندی، امکان شناسایی دقیق‌تر مناطق همگن و ناهنجاری‌های مکانی را فراهم کرد و چارچوبی قابل ‌اعتماد برای تحلیل ژئومورفولوژیکی ارائه داد. تحلیل آماری نشان داد که ارتباط ضعیفی بین ارتفاع و جابه‌جایی تپه‌های ‌ماسه‌ای وجود دارد (R² = 0.0299)، که تأیید می‌کند بادهای غالب مهم‌ترین عامل در تغییرات مورفولوژیکی هستند. این پژوهش همچنین با بررسی همبستگی‌های مکانی بین شاخص‌های ژئومورفومتریک و الگوهای بادی، نشان داد که شاخص‌هایی نظیر TPI و STI با نرخ جابه‌جایی تلماسه‌ها همبستگی مثبت دارند (> r  6/0)، در حالی که شاخص زبری سطح (RUG) با پایداری مناطق پشت به باد همبستگی منفی دارد (< - r  4/0). این نتایج نشان‌دهنده نقش کلیدی ویژگی‌های توپوگرافیکی در کنترل دینامیک‌های بادی و رسوب‌گذاری است.<br /><strong>نتیجه­گیری</strong><br />این پژوهش با بهره‌گیری هم‌زمان از الگوریتم‌های جنگل تصادفی و K-Means، چارچوبی نوین برای تحلیل لندفرم‌های بادی و بازسازی الگوهای بلندمدت باد در ریگ یلان ارائه داد. مدل جنگل تصادفی با دقت 36/78 % و ضریب کاپا 64/0، توانایی بالایی در پیش‌بینی جهت‌های باد غالب نشان داد، در حالی که خوشه‌بندی K-Means شش زون همگن را شناسایی کرد که با الگوهای بادی و ویژگی‌های توپوگرافی منطقه همخوانی داشت. این رویکرد بدون نیاز به داده‌های میدانی گسترده، امکان تحلیل دقیق دینامیک‌های بادی و ژئومورفولوژیکی را فراهم کرد و نتایج آن با داده‌های مستقل از تصاویر Google Earth تأیید شد. محدودیت‌های این مطالعه شامل نبود داده‌های میدانی بلندمدت، محدودیت‌های طبقه‌بندی هشت‌جهتی که ممکن است جزئیات موضعی را تحت­تأثیر قرار دهد، و وابستگی به وضوح داده‌های دورسنجی بود. پیشنهاد می‌شود در آینده با نصب سنجنده‌های پرتابل در مناطق کلیدی شناسایی‌شده، مانند نواحی مرکزی و شرقی با ناهنجاری‌های بادی، و ترکیب داده‌های میدانی با مدل‌های عددی، دقت تحلیل‌ها افزایش یابد. همچنین، گسترش این روش به سایر ریگزارهای ایران، مانند ریگ جن یا کویر مرکزی، می‌تواند به درک بهتر الگوهای بادی منطقه‌ای و تغییرات اقلیمی بلندمدت کمک کند. نتایج این پژوهش کاربردهای گسترده‌ای در حوزه‌های تغییر اقلیم، تحلیل و مدیریت فرسایش بادی، مکان‌یابی بهینه زیرساخت‌های انرژی بادی، برنامه‌ریزی نظامی، حفاظت از اکوسیستم‌های بیابانی، و پایش محیطی در مناطق خشک و فاقد داده دارد. این چارچوب می‌تواند به ‌عنوان الگویی برای توسعه روش‌های داده‌کاوی و تحلیل‌های ژئومورفولوژیکی در مناطق بیابانی مشابه مورد استفاده قرار گیرد و به تصمیم‌گیری‌های بهتر در مدیریت پایدار منابع طبیعی و برنامه‌ریزی محیطی کمک کند. این پژوهش همچنین با ارائه رویکردی مقیاس‌پذیر و کم‌هزینه، پتانسیل بالایی برای کاربرد در مطالعات جهانی ژئومورفولوژی بادی و بازسازی اقلیم گذشته دارد. https://esrj.sbu.ac.ir/article_106255_478719e838ad31617a5ddb9bc24cdccb.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Geomorphic landscape evolution analysis within the Makran accretionary prism, SE Iran تحلیل تکامل چشم‌اندازهای ژئومورفیک منشور برافزایشی مکران، جنوب‌خاوری ایران 116 147 106256 10.48308/esrj.2025.106256 FA رضا منصوری گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه‌ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران 0000-0001-7396-5557 Journal Article 2025 08 08 <strong>Introduction</strong><br />Earth's surface landforms and geomorphological landscapes are constantly evolving. Geomorphic systems are complex, leading to uncertainties in our understanding of their state. Thus, the ability to measure variables is crucial for geomorphologists. Therefore, the main goal of scientific explanation in the science of geomorphology is the ability to measure the processes and environmental factors that affect the evolution of the Earth's landscapes and landforms. As Mansouri et al. (2023) noted, quantitative methods in geomorphology are important because they offer tools to accurately and efficiently quantify interactions between landforms and related processes, enabling more effective description and interpretation. Tectonic geomorphology studies the interplay between tectonic forces and surface processes that sculpt Earth's landscapes, particularly in active deformation zones. Quantitative topographic analysis is valuable for measuring landforms and geomorphological landscapes because tectonic activity significantly shapes the Earth's topography. In earth sciences, including geomorphology, digital elevation models are commonly used to extract and evaluate topographic swath profiles, providing insights into surface conditions and roughness. Geoscientists commonly employ topographic and drainage network analyses in tectonic geomorphology (Pérez-Peña et al, 2009a; 2009b; 2010; Kirby and Whipple, 2012; Giaconia et al, 2012; Royden and Perron, 2013; Willet et al, 2014; Pérez-Peña et al, 2017). Specifically, topographic swath profiles are used to analyze these patterns, revealing landscape elements and tectonic influences (Molin et al, 2004; 2012; Andreani et al, 2014; Scotti et al, 2014; Azañon et al, 2015). Swath profiles analysis is most widely used in tectonic geomorphology. Numerical evaluation of tectonic uplift or subsidence, detection of fault location, explanation of river capture and antecedent valley formation, as well as testing of geophysical models, are among the most common applications. The present-day great availability of high-resolution Digital Elevation Models has improved tectonic geomorphology analysis in its methodological aspects and geological meaning. Today, it has been proven that swath profile analysis has proved to be useful in the study of large orogens to evaluate the effects of vertical surface movements, as well as in the investigation of fluvially or glacially sculpted topography. One of the main applications of topographic swath profiles is morphological and morphotectonic analysis of various landscapes on the Earth's surface to explore the short and long-term landscape response to tectonic activity and climate changes. Most of the morphometric analyses are conducted in GIS software, which has become a standard tool for analyzing drainage network metrics.<br /><strong>Materials and Methods</strong><br />To investigate the long-term evolution of the landscape within the Iranian part of the Makran Accretionary Prism, with a particular focus on the interaction between active tectonic processes and the erosional impact of deep river incision, we employed the SwathProfiler plugin.This methodology allowed us to generate topographic swath profiles, providing a detailed representation of the landscape's morphology. A key advantage of this approach, as originally described by Pérez-Peña et al. (2017), lies in its streamlined and automated execution. The entire workflow is designed to be readily implemented using digital elevation models (DEMs) data within the widely used ArcGIS software environment, ensuring efficient data processing and analysis. The ease of use and automation significantly reduce the time and effort required for generating swath profiles, making it a valuable tool for large-scale landscape studies. Furthermore, to complement the topographic analysis, we integrated both topographic and geological datasets. Topographic information was extracted from topographic maps at scales of 1:250,000 and 1:50,000, providing a range of spatial resolutions for detailed and regional analysis. Geological data, crucial for understanding the underlying structural controls on landscape evolution, were derived from geological maps at scales of 1:100,000 and 1:250,000. The integration of these diverse datasets, encompassing topographic and geological information at multiple scales, allowed for a comprehensive assessment of the factors influencing the long-term landscape development of the Makran Accretionary Prism. The combination of the SwathProfiler plugin's efficient processing capabilities with the availability of detailed topographic and geological data enabled a robust and insightful investigation into the complex interplay of tectonic and fluvial processes shaping this dynamic region. The SwathProfiler minimizes the time and the calculation process to extract swath and longitudinal river profiles. They also allow the extraction of key information from profiles that may help in their interpretation and analysis. Swath profiles can be examined statistically to extract maximum, minimum, and mean topographic elevation for each transect. Mean elevation is a good approximation to the general topographic trend of the landscape within the swath profile band, whereas maximum and minimum elevation can inform about landscape variations in the direction perpendicular to the swath profile. Moreover, other parameters as local relief (maximum elevation - minimum elevation) or quartile (Q1 - Q3), can also describe topographic variations along the swath. Generally, stable areas, such as basins or plateaus with low-to-moderate incision, will yield low values of local relief and swath profiles where all lines will merge. <br />Conversely, high local relief and wider variations of swath profiles will be characteristics of mountain ranges or highly dissected landscapes exposed to high incision and/or uplifting (Pérez-Peña et al, 2017).<br /><strong> </strong><br /><strong>Results and Discussion</strong><br />In general, the longitudinal topographic profiles show remarkable features. Generally, the results indicate substantial variations in both longitudinal and transverse profiles, with a significant degree of oscillation observed in their respective values (maximum elevation (0-2200 m), minimum (0-1500), mean (0-1680), Q1 (0-1610), Q3 (0-1850), local relief (0-1550) and THi^* (0-0.8)). All longitudinal profiles have recorded a very high percentage of relief, which indicates the presence of a rugged mountainous landscape along the main direction of the Makran belt. Additionally, by carefully examining these profiles, we can observe a type of topographic asymmetry in the path of the profiles, except for the diagram related to the inner Makran, which somehow displays a state of relative topographic symmetry. Overall, a general examination of the longitudinal profiles shows that in the outer and inner Makran subzones the topographic situation is relatively compact; however, in northern and coastal Makran, the level of compression and density of relief is reduced in favor of the expansion of low and low-lying surfaces (corresponding to the unit of wide valleys, plains). However, the northern Makran highlands still have a higher relative density than coastal Makran. On the other hand, the transverse topographic profiles also show very interesting features and differences in the topographic situation of the region. Generally, all profiles perpendicular to Makran are asymmetrical. The main reason for their asymmetry is the effect of the action of the main faults and thrusts in the region (including: Chahkhan, Ghasr-e Ghand, Bashagard, and Bampour thrusts). Therefore, as these profiles show, it is easy to observe the Makran subzones and their boundaries. Overall, the findings show that all longitudinal and transverse profiles recorded high changes in their values. In other words, in most profiles, the local relief curve has high variability and values. Also, the values of the enhanced transverse Hypsometric Integral index (THi^*) show high variations. Thus, the highest and lowest THi* values were recorded in the North Makran longitudinal profile (affected by the Minab Thrust) and Outer Makran longitudinal profile, respectively, as well as in transverse profiles 1, 2, and 4. In addition, in significant parts of the longitudinal and transverse profiles, it was observed that the profile of the mean elevation moved away from the minimum and, along with the third quartile curve, approached the maximum. Overall, the findings of this study demonstrated that higher values (close to 1) of the THi^* index, along with the mean elevation curve and the third quartile closing the maximum in many areas, indicate the existence of a young landscape and a transient state of adjustment to higher uplift rates. Overall, the results indicate a strong correlation between the first quartile parameter and both the mean and minimum elevation, with a confidence level of 99%. Pearson's <br />correlation coefficient (r) values for the first quartile were 0.997 with mean elevation and 0.993 with minimum elevation. On the other hand, the results also demonstrate a robust correlation between the mean and minimum height parameters (Table 4). Positive values between these parameters indicate a positive and additive effect between them. Furthermore, strong relationships and correlations are evident between the Q3 and the mean, the Q1 and Q3, the Q3 and the maximum elevation, and the Q3 and the minimum elevation, all at a 95% confidence interval (Table 5).<br /><strong>Conclusion</strong><br />The topographic analysis conducted in this study, characterized by its rapid execution, has demonstrated the considerable potential for employing topographic swath profiles. This method proves both useful and practical when examining the relief characteristics of mountainous regions, especially when such analyses are performed over a regional extent. The study highlights the value of topographic swath profiles as a powerful tool for understanding and quantifying the complex surface variations inherent in mountainous landscapes. By employing this approach, researchers and practitioners can gain valuable insights into the geomorphological features and processes that shape these areas. Therefore, the application of topographic swath profiles offers a valuable and efficient means of analyzing the relief of mountainous terrains at a regional scale, highlighting its applicability in various geomorphological studies and environmental assessments. The SwathProfiler extension within the ArcGIS software provides a streamlined approach to conducting sophisticated topographic analyses. This tool is designed to facilitate rapid and efficient processing, making it particularly useful for geomorphological and morphotectonic investigations that cover extensive geographic areas. Specifically, its capabilities are optimized for landscape studies conducted at a regional scale, allowing researchers and analysts to easily perform advanced analyses of topographic data. By employing the SwathProfiler extension, ArcGIS users can readily extract valuable insights from topographic information, leading to a more comprehensive understanding of landscape evolution and tectonic processes across broad regions. The creation and subsequent analysis of topographic swath profiles within the Iranian section of the Makran prism proved valuable in discerning and elucidating regional topographic characteristics. This process, utilizing a digital elevation model as its primary data source, facilitated the consideration of both internal tectonic processes and external erosional influences that collectively shape the landscape. By employing topographic swath profiles, we were able to effectively recognize and interpret the dominant topographic patterns present in the region. The extraction of these profiles specifically allowed for a more detailed examination of the interplay between the forces of tectonic uplift and deformation, which originate from within the Earth, and the surficial processes of erosion, driven by external factors such as climate and weathering. This approach offers a comprehensive understanding of the factors responsible for the observed topographic features in this tectonically active area. <strong>مقدمه</strong><br />لندفرم‌ها و چشم‌اندازهای ژئومورفولوژیکی موجود بر سطح کره زمین، همواره در گذر زمان درحال تغییر، تحول و تکامل هستند (Mansouri and Fotoohi, 2021; Mansouri et al, 2023). سامانه‌های ژئومورفولوژیکی از پیچیدگی‌های ویژه‌ای برخوردارند به‌گونه‌ای‌که گاهی آگاهی ما از وضعیت آن‌ها چندان دقیق نیست. ازاین‌رو، آنچه به‌طور ویژه برای ژئومورفولوژیست‌ها اهمیت دارد، توانایی اندازه‌گیری متغیرها است (Sarvati and Mansouri, 2014). بنابراین، هدفِ اصلی تبیین علمی در دانش ژئومورفولوژی، توانایی اندازه‌گیری فرآیندها و عوامل محیطی اثرگذار بر تحول چشم‌اندازها و لندفرم‌های زمین است. در این‌ راستا، همان‌طور که منصوری و همکاران (Mansouri et al, 2023) نیز خاطر نشان کرده‌اند، اهمیت استفاده از تکنیک‌ها و روش‌های اندازه‌گیری کمّی در ژئومورفولوژی در این است که می‌تواند ابزارها و شیوه‌هایی را فراهم نماید که با استفاده از آن‌ها بتوان برهم‌کنش‌های بین انواع لندفرم‌ها و فرآیندهای مربوطه را به شیوه‌ای علمی، دقیق و کارآمد، کمّی نموده و به تشریح و تفسیر موضوع پرداخت. توپوگرافی کنونی زمین، برآیند برهم‌کنش میان فرآیندهای زمین‌ساختی و سطحی است (Burbank and Anderson, 2012). ژئومورفولوژی زمین‌ساخت، به ارزیابی فرآیندهای پویا و مؤثر در شکل‌دهی زمین و چشم‌اندازهای آن می‌پردازد (Keller and Pinter, 2002). درواقع، ژئومورفولوژی زمین‌ساخت، ارتباط بین نیروهای زمین‌ساخت و فرآیندهای ژئومورفیک موثر در تشکیل لندفرم‌ها و چشم‌اندازهای ژئومورفولوژیکی در مناطق دگرشکلی فعال را بررسی می‌کند (Burbank and Anderson, 2012; Decaillau et al, 1998; Molin et al, 2004). به‌طورکلی، تحلیل‌های توپوگرافیکی کمّی، به‌عنوان یکی از ابزارهای مفید در اندازه‌گیری انواع لندفرم‌ها و چشم‌اندازهای ژئومورفولوژیکی محسوب می‌شوند؛ زیرا فعالیت‌های زمین‌ساختی به‌طور گسترده بر ویژگی‌های توپوگرافی زمین تاثیرگذار هستند (Mansouri and Fotoohi, 2021). امروزه در علوم‌‌‌زمین و از جمله ژئومورفولوژی، استخراج و ارزیابی نیمرخ‌های توپوگرافیکی سوآف ازطریق مدل‌های رقومی ارتفاعی زمین به‌منظور استخراج اطلاعات مربوط به وضعیت توپوگرافی و ناهمواری‌های کره زمین امری رایج است. اخیراً، دانشمندان علوم‌زمین از میان رویکردهای گوناگون موجود در دانش ژئومورفولوژی زمین‌ساخت، از تجزیه‌وتحلیل‌های مربوط به الگوهای توپوگرافیکی و شبکه زهکشی به‌طور گسترده و موفقیت‌آمیزی استفاده کرده‌اند (Pérez-Peña et al, 2009a; 2009b; 2010; Kirby and Whipple, 2012; Giaconia et al, 2012; Royden and Perron, 2013; Willet et al, 2014; Pérez-Peña et al, 2017).<br />درواقع امروزه، دانشمندان علوم‌زمین به‌منظور تجزیه‌وتحلیل چنین الگوهایی، از نیمرخ‌های توپوگرافیکی سوآف در زمینه شناسایی عناصر کلی موثر بر چشم‌اندازهای زمین و در ارتباط با جنبش‌های زمین‌ساخت بهره گرفته‌اند (Molin et al, 2004; 2012; Andreani et al, 2014; Scotti et al, 2014; Azañon et al, 2015). از سوی ‌دیگر، امروزه، تجزیه ‌و تحلیل‌های مبتنی بر نیمرخ‌های توپوگرافیکی سوآف، کاربردهای بسیار گسترده‌ای در ژئومورفولوژی زمین‌ساخت پیدا کرده‌اند. از جمله رایج‌ترین این کاربردها می‌توان به ارزیابی‌های کمّی از میزان بالاآمدگی زمین‌ساختی یا فرونشست، تشخیص محل گسل‌خوردگی، توضیح درباره چگونگی ایجاد اسارت رود و تشکیل دره‌های پیشین و همچنین آزمایش مدل‌های ژئوفیزیکی، اشاره کرد. دسترسی گسترده امروزی به مدل‌های ارتفاعی رقومی با وضوح بالا، تحلیل‌های ژئومورفولوژی تکتونیکی را از نظر روش‌شناسی و معنای زمین‌شناسی بهبود بخشیده است. امروزه، ثابت‌شده است تحلیل نیمرخ‌های توپوگرافیکی سواَف (Swath) در مطالعه کوه‌زایی‌های بزرگ به‌منظور ارزیابی تاثیر جنبش‌های عمودی سطح زمین و همچنین در بررسی توپوگرافی ایجاد شده توسط رودها یا یخچال بسیار سودمند و ارزشمند هستند. یکی از کاربردهای اصلی نیمرخ‌های توپوگرافیکی سواَف، تجزیه‌وتحلیل‌های مورفولوژیکی و مورفوتکتونیک از چشم‌اندازهای گوناگون سطح زمین با هدف بررسی پاسخ‌های کوتاه‌مدت و درازمدت چشم‌انداز نسبت‌ به فعالیت‌های زمین‌ساختی و تغییرات اقلیمی است. اکثر این تحلیل‌های مورفومتریک در نرم‌افزار GIS انجام می‌شوند که به ابزارهای استانداردی برای تحلیل معیارهای شبکه زهکشی تبدیل شده‌اند.<br /> <br /><strong>مواد و روش­ها</strong><br />در این پژوهش، به‌منظور ارزیابی درازمدت تکامل چشم‌انداز بخش ایرانی منشور بَراَفزایشی مکران تحت‌تاثیر زمین‌ساخت پویا و نقش رودها، از افزونه SwathProfiler در تهیه نیمرخ‌های توپوگرافیکی سواَف استفاده شده‌ است. ویژگی برجسته این شیوه که توسط پرزپنا و همکاران (Pérez-Peña et al, 2017) معرفی ‌شده؛ اجرای آسان و خودکار همه مراحل آن مبتنی بر داده‌های مدل دیجیتالی ارتفاع در محیط نرم‌افزار قدرتمند ArcGIS است. داده‌های توپوگرافیکی و زمین‌شناسی نیز به ‌ترتیب از نقشه‌های توپوگرافی (در مقیاس 1:250,000 و 1:50,000) و زمین‌شناسی (در مقیاس 1:100,000 و 1:250,000) به‌ دست آمدند. افزونه SwathProfiler، در محیط نرم‌افزار بسیارقدرتمند ArcGIS قابلیت اجرای آسان و سریعی به پژوهشگران می‌دهد. با به ‌کارگیری این افزونه در محیط ArcGIS، می‌توان اطلاعات کلیدی و مهمی را از نیمرخ‌های توپوگرافیکی تولید شده، استخراج نمود؛ به‌طوری‌که به روند تجزیه‌وتحلیل و تفسیر آن‌ها کمک شایانی می‌کند (Pérez-Peña et al, 2017). با تهیه و ساختن نیمرخ‌های توپوگرافیکی سوآف، بررسی‌های آماری به ‌منظور استخراج مقادیر حداکثر، حداقل و میانگین ارتفاع توپوگرافی در هر ترانسکت نیز امکان‌پذیر است. میانگینِ ارتفاع، برآورد آماری خوبی برای نشان‌ دادن روند کلی توپوگرافی چشم‌انداز هر منطقه در محدوده تعیین‌ شده به ‌عنوان پهنای نیمرخ سوآف است؛ این‌ در حالی ‌است که، مقادیر حداکثر و حداقل ارتفاع تغییرات چشم‌انداز در جهت عمود بر نیمرخ سوآف را نشان می‌دهند. افزون ‌بر آن، پارامترهای دیگری همچون پستی ‌و بلندی یا ناهمواری محلی (حداکثر ارتفاع - حداقل ارتفاع) یا چارک‌ها (چارک نخست - چارک سوم¹) نیز می‌توانند تغییرات توپوگرافیکی را در راستای نیمرخ سوآف توصیف کنند. عموماً، ویژگی اصلی رشته‌کوه‌ها و مناطق کوهستانی یا سرزمین‌های بسیار بریده و تجزیه‌شده‌ای که در معرض برش عمقی رودها و یا فراخاست زیاد قرار دارند، وجود پستی‌وبلندی‌های محلی فراوان و تغییرات گسترده‌تر در نیمرخ‌های توپوگرافیکی سوآف است. برعکس، وجود مقادیر کم برای پستی‌وبلندی‌های محلی و نیمرخ‌های سوآف، گویای مناطق پایدار همچون حوضه‌ها یا فلات‌ها با برش عمقی کم تا متوسط توسط رودها می‌باشد (Pérez-Peña et al, 2017).<br /><strong>نتایج و بحث</strong><br />نمودارهای مربوط به هر یک از نیمرخ‌های توپوگرافیکی طول و عرضی سواَف تعیین‌شده در زون مکران، در شکل 7 و شکل 8 ارائه شده‌اند. با هدف گویا کردن نیمرخ‌ها، فهم بهتر تغییرات و تحلیل دقیق‌تر یافته‌ها، برروی همه نیمرخ‌های توپوگرافیکی ترسیم‌ شده، تا حد امکان، اطلاعات مربوط به مناظر جغرافیایی - ژئومورفولوژیکی و زمین‌شناسی نیز اضافه شده است. خط قرمز در بخش پایینی هر نیمرخ، نشان‌دهنده پستی‌وبلندی‌های محلی است. همان‌طور که در این شکل 7 به ‌روشنی دیده می‌شود، در همه نیمرخ‌های طولی، نیمرخ مربوط به پستی‌وبلندی‌های محلی از دامنه تغییرپذیری بسیار بالایی برخوردار بوده و مقادیر نسبتاً بالایی را نیز ثبت کرده‌اند. اما، این مهم، در نیمرخ‌های عمود بر مکران، دامنه تغییرپذیری و مقادیر نسبتاً پایین‌تری را نشان می‌دهند (شکل 8). به‌طور دقیق‌تر، بالاترین میزان تغییرات و مقادیر در این نیمرخ‌ها، در نیمرخ عرضی شماره یک - که از سه زیرزون مکران شمالی، بیرونی و ساحلی می‌گذرد (شکل 1 ب و جدول 1)، به ‌ثبت رسیده است. به‌طورکلی، دامنه تغییرپذیری و مقادیر نسبتاً بالای پستی‌وبلندی‌های محلی در این نمودارها، گویای تاثیر مستقیم و برجسته دینامیک‌های درونی (انواع گسلش و ایجاد تراست‌های مهم و چین‌خوردگی‌ها) و بیرونی (به ‌ویژه قدرت حفر جریان‌های رودخانه‌ای عظیم) است. به‌طورکلی، یافته‌ها نشان می‌دهند همه نیمرخ‌های طولی و عرضی، تغییرات زیادی داشته و دامنه نوسان بالایی را در مقادیر خود ثبت کرده‌اند (حداکثر ارتفاع (2200-0 متر)، حداقل (1500-0)، میانگین (1680-0)، چارک نخست (1610-0)، سوم (1850-0)، ناهمواری محلی (1550-0) و THi*(0-0.8)). بیشترین و کم‌ترین میزان ارتفاع به ‌ترتیب مربوط به کوه سفید (واقع‌ در نیمرخ طولی مکران شمالی) و خط ساحلی (واقع در همه نیمرخ‌های عرضی و مکران ساحلی) می‌باشد. همه نیمرخ‌های طولی، درصد بسیار بالایی از میزان پستی‌وبلندی را که نشان‌دهنده وجود یک چشم‌انداز خشن کوهستانی در راستای اصلی کمربند مکران است، ثبت نموده‌اند. همچنین، با دقت در این نمودارها، می‌توان گونه‌ای از عدم تقارن توپوگرافیکی را در مسیر نیمرخ‌ها مشاهده کرد؛ به‌ جز نمودار مربوط به مکران داخلی که به‌گونه‌ای حالتی از تقارن نسبی توپوگرافیکی را نمایش می‌دهد. در مجموع، بررسی کلی نمودارهای طولی، نشان می‌دهند که در زیرزون‌های مکران بیرونی و داخلی وضعیت توپوگرافیکی نسبتاً فشرده است؛ اما، در مکران شمالی و ساحلی از میزان فشردگی و تراکم پسی‌وبلندی‌ها به سود گسترش سطوح پست و کم‌ارتفاع (منطبق بر واحد دره‌های گسترده، دشت و جلگه) کاسته می‌شود. با این‌ وجود، همچنان وضعیت پستی‌وبلندی‌های مکران شمالی نسبت به مکران ساحلی، از تراکم نسبی بالاتری برخوردار است. از سوی ‌دیگر، نیمرخ‌های توپوگرافیکی عرضی نیز ویژگی‌ها و تفاوت‌های بسیار جالبی را در وضعیت توپوگرافیکی منطقه نشان می‌دهند. به‌طورکلی، همه نیمرخ‌های عمود بر مکران، به‌طور آشکار نامتقارن‌ هستند. دلیل اصلی نامتقارن‌بودن آن‌ها، تاثیر عملکرد گسل‌ها و تراست‌های اصلی موجود در منطقه (از جمله: تراست چاه‌خان، قصرقند، بشاگرد و بمپور). بنابراین، همان‌طور که این نیمرخ‌ها نشان می‌دهند، به‌راحتی می‌توان زیرزون‌های مکران و مرزبندی آن‌ها را مشاهده کرد. در مجموع، یافته‌ها نشان می‌دهند همه نیمرخ‌های طولی و عرضی، تغییرات بالایی را در مقادیر خود ثبت کرده‌اند. به ‌عبارت ‌دیگر، در بیشتر نمودارها، نیمرخ پستی‌وبلندی‌های محلی تغییرپذیری و مقادیر بالایی دارد. همچنین، مقادیر شاخص انتگرال هیپسومتری عرضی بهبودیافته (THi*)، تغییرات بالای را نشان می‌دهد. به ‌طوری ‌که، بالاترین و پایین‌ترین مقدار مربوط به THi* به ‌ترتیب در نیمرخ طولی مکران شمالی (متأثر از گسل میناب) و در نیمرخ‌های عرضی شماره 1، 2 و 4 و نیز در نیمرخ طولی مکران بیرونی ثبت شده‌ است. علاوه‌ بر آن، در بخش‌های قابل‌توجهی از نمودارهای طولی و عرضی، به‌طور مشخص مشاهده شد که نیمرخ شاخص میانگین ارتفاع از حداقل آن دور شده و همراه با منحنی چارک سوم به‌سوی حداکثر ارتفاع نزدیک شده ‌است. در مجموع، یافته‌های این مطالعه نشان داد، مقادیر بالاتر (نزدیک به 1) شاخص THi* به ‌همراه نزدیک‌شدن منحنی میانگین ارتفاع و چارک سوم به حداکثر ارتفاع در بسیاری از مناطق، گویای وجود یک چشم‌انداز جوان و نشانه حالت گذار آن از سازگاری با نرخ‌های بالاتر فراخاست است. به‌طورکلی یافته‌ها نشان دادند، پارامتر چارک نخست به ‌شدت با میانگین و حداقل ارتفاع در فاصله اطمینان 99/% همبستگی دارد. مقادیر ضریب همبستگی پیرسون (r) برای چارک نخست با میانگین و حداقل ارتفاع به‌ ترتیب 997/0 و 993/0 به ‌دست آمده است. از سوی ‌دیگر، یافته‌ها گویای وجود یک همبستگی بسیار قوی دیگری میان پارامترهای میانگین و حداقل ارتفاع است (جدول 4). مقادیر مثبت میان این پارامترها، اثر مثبت و افزایشی میان آن‌ها را مشخص می‌کند. علاوه‌ بر آن، میان پارامترهای چارک سوم و میانگین، چارک نخست و سوم، چارک سوم و حداکثر ارتفاع و چارک سوم با حداقل ارتفاع نیز وجود یک رابطه و همبستگی بالا در فاصله اطمینان 95/%، مشاهده می‌شود (جدول 5).<br /> <br /><strong>نتیجه­گیری</strong><br />بررسی نیمرخ نمودارهای موازی و عرضی با زون مکران، نشان دادند در هرجایی‌که نیمرخ میانگین ارتفاع به حداکثر مقدار آن نزدیک‌ شده (برای مثال، بخش مرکزی مکران داخلی، شمالی، بیرونی (شکل 7 و شکل 8))، الگوی کلی چشم‌انداز در سازگاری با نرخ‌های بالاتر فراخاست زمین‌ساختیِ ناشی از فعالیت گسل‌ها و تراست‌های اصلی و مهم در منطقه دچار جوان‌سازی شده و چشم‌انداز در حالتی از گذار قرار گرفته ‌است. همچنین، تغییرپذیری فراوان نیمرخ‌های نمودارها و وجود پستی‌وبلندی‌های محلی فراوان (در همه نمودارهای طولی و عرضی)، نشان‌دهنده وجود مناطق کوهستانی با چهره‌ای خشن است که شاخصی از سرزمین‌های بریده‌شده توسط نیروی برش و حفر عمقی رودها در سازگاری با بالاآمدگی و جوان‌شدن ناهمواری توسط فعالیت‌های نوزمین‌ساختی است. همچنین، شاخص انتگرال هیپسومتری عرضی بهبودیافته (THi*) در نمودارهای بررسی‌ شده نشان داد، در مناطقی که میزان ناهمواری‌ها در پی عملکرد موج برش عمقی رودها و فعالیت گسل‌ها، به‌ویژه تراست‌های مهم در منطقه، افزایش چشمگیری پیدا کرده، مقادیر بالایی را نیز ثبت نموده ‌است. در پایان، لازم به گفتن است، تحلیل‌های توپوگرافیکیِ سریعِ انجام ‌شده در این مطالعه؛ توانایی، سودمندی و کاربردی‌بودن نیمرخ‌های توپوگرافیکی سوآف را در تجزیه‌وتحلیل ناهمواری‌های مناطق کوهستانی، برجسته کرد. به ‌عبارت‌ دیگر، به ‌کارگیری افزونه SwathProfiler در محیط نرم‌افزار ArcGIS، انجام تجزیه‌وتحلیل‌های پیشرفته توپوگرافیکی در ارتباط با ژئومورفولوژی زمین‌ساخت و مورفوتکتونیک چشم‌اندازها را در یک مقیاس منطقه‌ای، به‌روشی بسیار آسان، سریع و کارآمد، امکان‌پذیر ساخت. از سوی ‌دیگر، تهیه و استخراج نیمرخ‌های توپوگرافیکی سوآف در بخش ایرانی منشور بَراَفزایشی مکران، در زمینه شناخت و تفسیر الگوهای توپوگرافیکی منطقه مبتنی بر مدل دیجیتالی ارتفاع و در ارتباط با عوامل کنترل‌گر درونی - زمین‌ساخت و بیرونی - فرسایش، کمک شایانی نمودند. https://esrj.sbu.ac.ir/article_106256_9f8587f1ff5d4b6984cef2b377032175.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Morphological Assessment of Givi Chay River Channel Using the Rosgen Classification System ارزیابی مورفولوژیکی مجرای رودخانه گیوی‌چای با استفاده از سیستم طبقه‌بندی رزگن 148 175 106323 10.48308/esrj.2025.240579.1284 FA مسعود رحیمی گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2025 07 07 Extent Abstract<br /><br /><br /><br />Introduction<br /><br />The significance of rivers has increased due to their role in understanding the water cycle, ecology, and interactions with groundwater across local to global scales. Rivers are now recognized as dynamic environments where significant interactions and changes occur (Chakraborty & Datta, 2013). In river engineering projects, an understanding of fluvial geomorphology principles and channel processes allows researchers to understand the form-process relationship within the landscape. Geomorphic assessment generally comprises data collection, field investigations and channel stability evaluation, establishing a foundation for analysis and design (The Federal Interagency Stream Restoration Working Group, 2001). Therefore, to achieve sustainable and integrated river management, a comprehensive evaluation of river planform and channel morphology must be conducted.In this context, one of the most important aspects involves analyses related to the classification of river planforms and channel patterns.Two primary purposes can be identified for river classification: (1) to advance scientific understanding of fluvial processes and enable channel clustering, and (2) to provide management recommendations for decisions regarding channel restoration or conservation.in this regard, geomorphic criteria may be integrated with those from other Fields (e.g., ecology, water chemistry) (Kandulfo & Pigi, 2003). River classification is one of the fundamental and important subjects in geography, hydrology, and ecology that focuses on understanding their diverse characteristics and functions. Describing hydraulic and hydrological processes requires an understanding of river behavior. Comprehensive identification of river systems and classification of natural rivers are critically important for resolving environmental and ecological challenges and achieving sustainable development. Since the late 19th century, numerous classification systems for rivers have been developed. Most of these classifications have been developed based on tectonic activities (Powell, 1875; Davis, 1895), the stage of river development (Davis, 1899), fluvial planforms (Leopold and Wolman, 1957; Miall, 1977; Rust, 1977; Qian, 1985), river sediment transport (Schumm, 1963; Wang, 1999), fluvial processes and the geomorphic characterization of riverbeds (Montgomery and Buffington, 1997) (Li et al., 2024). Despite these numerous classifications, most of these methods cannot be directly applied in river engineering. This is because, firstly, most of these classifications were developed with an academic and scientific approach and Few of them are practical. Secondly, very few of these classifications can provide a comprehensive perspective of fluvial geomorphology and its hydrological components (Li et al., 2024). Among these, the Rosgen classification provides a practical tool for predicting river behavior based on geomorphological characteristics. This method establishes a direct linkage between fluvial geomorphology and ecological restoration assessment, while contributing to improved integrated river management. Rosgen (1994, 1996) classified rivers based on parameters such as single-thread channels or multiple channels, entrenchment ratio, width/depth ratio and sinuosity, categorizing them into nine major types. He further subdivides these types into 41 subclasses and 94 sub-types based on gradient variability and channel deposits. In this study, The Givi-Chay River channel morphology was evaluated through integrated application of the Rosgen classification system and HEC-RAS hydrodynamic modeling.<br /><br /><br /><br /><br /><br /><br /><br />Materials and methods<br /><br />In this study, the main data include 1:2000 scale topographic maps of the Givi-Chay Riverbed (Ardebil Regional Water Authority), 1:50,000 topographic maps (National Geographical Organization), 1:100,000 geological maps of the Khalkhal, Givi, and Hashtchin sheets (Geological Survey & Mineral Explorations of Iran), a digital elevation model (DEM) with a resolution of 12.5 meters from the ALOS-PALSAR satellite, Sentinel2 images (2024) with a resolution of 12 meters, google earth images, and hydrometric data from Istisou and Firozabad stations. Data processing was performed with HEC-RAS, ArcGIS with HEC-GeoRAS and ENVI software. The Rosgen classification system was used for geomorphological analysis and the HEC-RAS hydrodynamic model was used to optimize it. The Rosgen model includes four analytical scales from landform to physical and biological processes (Shroder, 2013) and often emphasizes general geomorphic surfaces and morphological description (levels 1 and 2) (Rosgen, 1994). This system has six key indicators including entrenchment ratio, width-to-depth ratio, sinuosity, channel number, slope, and bed grain size, and divides rivers into eight main classes and 90 types (The Federal Interagency Stream Restoration Working Group, 2001). The entrenchment ratio is defined as the ratio of flood-prone width to bankfull width, which was simulated using HEC-RAS and GIS (Kheirizadeh et al., 2018). The width-to-depth ratio represents the channel width at bankfull discharge divided by the mean depth, calculated for a 2-year return period (Rosgen, 1994). Sinuosity is determined as the ratio of stream length to valley length. Bed material grain size was assessed through Wolman pebble count methodology and volumetric sampling.<br /><br /><br /><br />Result and discussion <br /><br />Evaluating channel morphology is one of the most essential components of river management. In recent years, river classification and morphological assessment have increasingly focused on watershed management and river restoration, with the Rosgen hierarchical classification system now widely recognized as one of the most important and effective approaches. This study evaluates the geomorphological characteristics of Givi-Chay river channel through an integrated approach combining Rosgen’s classification model and HEC-RAS hydrodynamic modeling. Givi-Chay is one of the most important sub basins of the Ghezel Ozan River, playing a significant role in water supply for the counties of Khalkhal and Givi in Ardabil Province. Based on geomorphological characteristics, this river was divided into four reaches in the downstream direction: Khalkhal, Givi Dam, Givi, and Firozabad. The Khalkhal reach has an extensive floodplain with developed meandering patterns. Based on the Rosgen classification system, this reach was categorized into two main types (C and E) and four sub-types (C5b, E6b, E5b, and C4). All river types in this system exhibit high vulnerability to both natural and anthropogenic disturbance. Anthropogenic modifications to channel form and fluvial processes have been extensive near Khalkhal city, resulting in multiple disturbances to the river's natural functioning. In the Givi Dam reach (Reach 2), the river was classified into two main types (B and C) and four sub-types (B4, C5b, B3, and B4) based on the Rosgen classification system. The C5b-type reach, extending approximately 4.4 km near Anaviz village, displays a relatively wide floodplain and well-developed meandering patterns, characterized by high width-to-depth ratios and significant entrenchment. The C5b-type reach, extending approximately 4.4 km near Anaviz village, displays a moderately wide floodplain and well-developed meandering morphology, featuring high width-to-depth ratios and significant entrenchment characteristics. The remaining sections of this reach are classified as primary Type B. Two dominant controls explain this reach's morphology: canyon confinement and non-existent floodplain development. The banks of this river type exhibit stable to moderately stable conditions. The Givi reach contains three primary channel types (E, C, and D) under the Rosgen classification system, with downstream sub-types occurring in the following sequence: E5, C5, D4b, C4, D4, and C4. This reach features an extensive floodplain with quaternary young alluvial deposits. D4b and D4 types are classified as braided rivers, characterized by wide channels, abundant bars, high erodibility, and unstable banks. The extensive floodplain, confluence of multiple high-discharge rivers, and presence of erodible bank materials constitute the primary controlling factors for Type D channel formation in this reach of the Givi-Chay River system. Ultimately, the entire Firozabad reach is classified as Type B, which downstream differentiates into three subtypes: B4, B3a, and B3, formed in response to geological structure controls. In this reach, the river valley is narrow and confined by resistant volcanic rocks.<br /><br /><br /><br />Conclusion<br /><br />In this study, the Givi-Chay River was analyzed using Rosgen's hierarchical classification system and the HEC-RAS hydraulic model. The river was divided into four reaches: 1) Khalkhal, 2) Givi Dam, 3) Givi, and 4) Firozabad. The Khalkhal reach (Reach 1) is situated within a developed floodplain and exhibits a meandering pattern, though lateral channel mobility has been constrained by anthropogenic modifications. This reach was classified into Rosgen Classes C and E, specifically including types C5b, E6b, E5b, and C4. The C4 and C5 channels exhibit high sensitivity to disturbance but demonstrate adequate recovery potential, with vegetation cover playing a critical role in their stability. In this reach, establishing riparian parks could significantly contribute to channel restoration. The Givi Dam reach (Reach 2) is predominantly mountainous with narrow valleys, and was classified into Rosgen Classes B and C (types B4, B3, and C5b). Type B3 channels exhibit low sensitivity to disturbance and high recovery potential. The Givi reach (Reach 3) features an extensive floodplain and is classified into three primary Rosgen classes (E, C, D), including the following subtypes: E5, C5, D4b, C4, and D4. The presence of braided patterns (types D4 and D4b) in this reach indicates high channel mobility and high sediment supply. This reach exhibits high sensitivity to disturbance and requires riparian zone management. The Firozabad reach (Reach 4) was classified as Rosgen Type B, including subtypes B4, B3a, and B3. In summary, the results demonstrate that the Givi-Chay River system exhibits disturbance-sensitive channel classes with variable recovery potential. The integrated application of the Rosgen classification system and HEC-RAS modeling proves effective for analyzing morphological conditions and developing river conservation/restoration management plans. By understanding how these factors interact and change river morphology, we can predict future river development trends and provide a scientific basis for river management and conservation.<br /><br /><br /><br />Keywords: Fluvial Geomorphology, Rosgen stream classification, Geometric Channel Parameters, The Givi Chay River <strong>مقدمه</strong><br />اهمیت رودخانه‌ها به دلیل نقش آنها در درک چرخه آب، اکولوژی و تبادلات با آب‌های زیرزمینی از مقیاس‌های محلی تا جهانی بیش از پیش افزایش یافته است. رودخانه­ها امروزه به عنوان محیط‌های پویایی شناخته می‌شوند که در آنها تعاملات و تغییرات قابل­توجهی رخ می‌دهد (Chakraborty and Datta, 2013). در پروژه­های مربوط به رودخانه­ها، آگاهی از اصول ژئومورفولوژی رودخانه­ای و فرایندهای کانال به محققان اجازه می­دهد تا رابطه بین فرم و فرایند در چشم­انداز را درک کنند. ارزیابی ژئومورفیک عموما شامل جمع­آوری داده، بررسی­های میدانی و ارزیابی پایداری کانال بوده و مبنایی را برای تحلیل و طراحی ایجاد می­کند (Federal Interagency Stream Restoration Working Group, 2001). با توجه به موارد مذکور، در راستای مدیریت پایدار و یکپارچه رودخانه­ها می­بایست نسبت به ارزیابی پلان­فرم و مورفولوژی مجرای رودخانه­ها اقدام کرد. در این زمینه یکی از مهم­ترین گام­ها، تحلیل­های مرتبط با طبقه­بندی پلان­فرم و الگوی رودخانه­ها می­باشد. دو هدف عمده را می­توان جهت طبقه­بندی رودخانه­ها بیان داشت: 1) درک علمی از نحوه عملکرد رودخانه­ها و خوشه­بندی کانال­ها به کلاس­های همگن و 2) ارائه رهنمود­های مدیریتی مبتنی بر ژئومورفولوژی، جهت تصمیم­گیری درخصوص حفظ و نگهداری، بهبود، بازسازی یا حفاظت کانال. در این مورد، معیارهای ژئومورفیکی ممکن است با معیارهایی از سایر رشته­ها (ازقبیل اکولوژی، شیمی آب) ترکیب شوند (Kondolf and Piégay, 2003). طبقه‌بندی رودخانه‌ها یکی از موضوعات بنیادین و مهم در علوم جغرافیا، هیدرولوژی و اکولوژی می‌باشد که بر درک ویژگی‌ها و عملکردهای متنوع آن‌ها تمرکز دارد. توصیف فرآیندهای هیدرولیکی و هیدرولوژیکی نیازمند درک رفتار رودخانه می‌باشد. شناسایی کامل سیستم‌های رودخانه‌ای و طبقه‌بندی رودخانه‌های طبیعی برای حل مشکلات زیست‌محیطی و اکولوژیکی و تحقق توسعه پایدار بسیار حائز اهمیت می‌باشد. از اواخر قرن نوزدهم تاکنون، سیستم­های متعددی برای طبقه‌بندی رودخانه‌ها توسعه یافته‌اند. بیشتر این طبقه‌بندی‌ها بر اساس فعالیت‌های تکتونیکی (Powell, 1875; Davis, 1895)، مراحل تکامل رودخانه­ای (Davis, 1873)، اشکال پلانفرم رودخانه­ای (Leopold and Wolman, 1970; Miall, 1977; Rust, 1977; Qian, 1985,)، حمل رسوبات رودخانه‌ای (Schumm, 1963; Wang, 1999) و فرآیندهای رودخانه‌ای و ویژگی‌های ژئومورفیک بستر رود (Montgomery and Buffington, 1997) ارائه شده‌اند (Li et al, 2024). با وجود این طبقه‌بندی­های متعدد، اغلب این روش‌ها به‌طور مستقیم در مهندسی رودخانه قابل استفاده نیستند. چرا که اولاً، بیشتر این طبقه‌بندی‌ها با رویکردی علمی و دانشگاهی تدوین شده‌اند و تعداد کمی از آن‌ها دارای هدف جهت رفع نیازهای کاربردی می­باشند. ثانیاً، معدودی از این طبقه بندی­ها قادرند تصویر کامل و جامعی از ژئومورفولوژی رودخانه و مؤلفه‌های هیدرولوژیکی آن ارائه دهند (Li et al, 2024).<br />در این میان طبقه‌بندی رزگن ابزاری کاربردی برای پیش‌بینی رفتار رودخانه بر پایه ویژگی‌های ژئومورفولوژیکی می­باشد. این روش پیوند مستقیمی میان ژئومورفولوژی رودخانه و ارزیابی بازسازی اکولوژیکی برقرار کرده و به بهبود مدیریت یکپارچه رودخانه کمک می‌کند. در پژوهش حاضر نیز به تحلیل ژئومورفولوژیکی مجرای رودخانه گیوی­چای با استفاده از مدل رزگن در ترکیب با مدل هیدرودینامکی HEC-RAS پرداخته شده است.<br /><strong>مواد و روش­ها</strong><br />در این پژوهش داده‌های اصلی شامل نقشه‌های توپوگرافی مقیاس 1:2000 بستر رودخانه گیوی‌چای (سازمان آب منطقه‌ای اردبیل)، نقشه‌های توپوگرافی 1:50000 (سازمان جغرافیایی نیروهای مسلح)، نقشه‌های زمین‌شناسی 1:100000 برگه‌های خلخال، گیوی و هشتچین (سازمان زمین‌شناسی کشور)، مدل رقومی ارتفاعی (DEM) با قدرت تفکیک 12.5 متر ماهواره ALOS-PALSAR، تصاویر ماهواره­ای Sentinel-2 (سال 2024) با قدرت تفکیک 10 متر، تصاویر Google Earth و داده‌های هیدرومتری ایستی‌سو و فیروزآباد است. پردازش داده‌ها با نرم‌افزار HEC-RAS، ArcGIS با الحاقی HEC-GeoRAS و ENVI انجام شد. برای تحلیل ژئومورفولوژیکی از سیستم طبقه‌بندی رزگن استفاده و برای بهینه‌سازی آن، مدل هیدرودینامیکی HEC-RAS به ‌کار گرفته شد. مدل رزگن چهار مقیاس تحلیلی از لندفرم تا فرایندهای فیزیکی و زیستی را پوشش می‌دهد (Shroder, 2013) و اغلب بر سطوح ژئومورفیک کلی و توصیف مورفولوژیکی (سطوح 1 و 2) تأکید دارد (Rosgen, 1994). این سیستم شش شاخص کلیدی شامل گودشدگی، نسبت عرض به عمق، سینوزیته، تعداد مجرا، شیب و دانه‌بندی بستر دارد و رودخانه‌ها را به هشت کلاس اصلی و 90 نوع تقسیم می‌کند (Federal Interagency Stream Restoration Working Group, 2001). گودشدگی نسبت عرض سطح سیل‌گیر به عرض لب‌پری است و با HEC-RAS و GIS شبیه‌سازی شد (Kheirizadeh et al, 2018). نسبت عرض به عمق، نسبت عرض مجرا در دبی لبالبی به عمق میانگین است که برای دوره بازگشت 2 ساله محاسبه شد (Rosgen, 1994). سینوزیته نسبت طول آبراهه به طول دره است. دانه‌بندی مواد بستر با شمارش ولمن و نمونه‌برداری حجمی سنجیده شد.<br /><strong> </strong><br /><strong>نتایج و بحث</strong><br />ارزیابی مورفولوژی مجرا یکی از مهم­ترین گام­ها در زمینه مدیریت رودخانه­ها به ­شمار می­رود. در طی سال­های اخیر در زمینه طبقه­بندی و ارزیابی مورفولوژیکی رودخانه­ها تاکید بر روی مدیریت حوضه­ای و بازسازی و احیای رودخانه­ها بوده که یکی از مهم­ترین و کارآمدترین رویکردهای مذکور سیستم طبقه­بندی سلسله مراتبی رزگن می­باشد. در پژوهش حاضر نیز ویژگی­های ژئومورفولوژیکی مجرای رودخانه گیوی­چای با استفاده از مدل رزگن در ترکیب با مدل هیدرودینامیکی HEC-RAS مورد ارزیابی قرار گرفته است. گیوی­چای یکی از مهم­ترین زیرحوضه­های رودخانه قزل­اوزن به­ شمار می­رود که نقش قابل توجهی در تامین آب شهرستان­های خلخال و گیوی در استان اردبیل بر عهده دارد. رودخانه مطالعاتی براساس ویژگی­های ژئومورفولوژیکی در جهت پایین­دست به چهار بازه خلخال، سد گیوی، گیوی و فیروزآباد تقسیم­بندی شد. بازه خلخال دارای یک دشت سیلابی وسیع با شکل مسطحاتی مئاندری توسعه­یافته می­باشد. براساس سیستم رزگن این بازه به دو نوع اصلی C و E و چهار نوع فرعی C5b، E6b، E5b و C4 تفکیک گردید. تمامی انواع این رودخانه­ها نسبت به آشفتگی­های طبیعی و انسانی از آسیب­پذیری بالایی برخوردارند. بدین ترتیب با توجه به استقرار شهر خلخال دستکاری در فرم و فرایندهای طبیعی رودخانه زیاد بوده و عملکردهای طبیعی آن دستخوش تغییرات و آشفتگی­های زیادی شده است. رودخانه در بازه سد گیوی (بازه 2) به دو نوع اصلی B و C و چهار نوع فرعی B4، C5b، B3 و B4 طبقه­بندی گردید. نوع C5b به طول حدود 4/4 کیلومتر در محدوده روستای اناویز شکل گرفته که دارای دشت سیلابی نسبتا وسیع و الگوی مئاندری توسعه­یافته همراه با نسبت­های بالای گودشدگی و عرض به عمق می­باشد. سایر قسمت­های این بازه از نوع اصلی B می­باشند که با توجه به مواد بستر و میزان شیب به انواع فرعی تفکیک شدند. وجود دره تنگ و باریک و فقدان یا محدود بودن دشت سیلابی از جمله مهم­ترین دلایل شکل­گیری این نوع از رودخانه­ها در این بازه می­باشد. کناره­های این نوع رودخانه پایدار تا نسبتا پایدار می­باشند. بازه گیوی براساس سیستم رزگن دارای سه نوع اصلی E، C و D بوده که در جهت پایین­دست به ترتیب شامل انواع فرعی E5، C5، D4b، C4، D4 و C4 می­باشد. این بازه دارای دشت <br />سیلابی وسیع همراه با آبرفت­های جوان کواترنری می­باشد. انواع D4b و D4 جزو رودخانه­های گیسوئی می­باشند که با کانال­های عریض، پشته­های فراوان، فرسایش­پذیری زیاد و کناره­های ناپایدار مشخص می­شوند. وجود دشت سیلابی وسیع، ورود انشعابات متعدد پرآب و حضور مواد فرسایش­پذیر در کناره­های رودخانه را می­توان مهم­ترین عوامل موثر در شکل­گیری نوع D در این قسمت از مجرای رودخانه گیوی­چای به­شمار آورد. درنهایت، کل بازه فیروزآباد از نوع اصلی B بوده و در جهت پایین­دست به سه نوع فرعی B4، B3a و B3 تفکیک گردید که در ارتباط با کنترل ساختمان زمین­شناسی شکل گرفته­اند. در این بازه دره­ رودخانه تنگ و باریک بوده و توسط سنگ­های آتشفشانی مقاوم محصور شده­اند.<br /> <br /><strong>نتیجه­گیری</strong><br />در این پژوهش رودخانه گیوی‌چای با استفاده از سیستم طبقه‌بندی سلسله‌مراتبی رزگن و مدل هیدرولیکی HEC-RAS تحلیل شد. رودخانه به چهار بازه خلخال، سد گیوی، گیوی و فیروزآباد تقسیم گردید. بازه خلخال (بازه ۱) در دشت سیلابی توسعه‌یافته قرار داشته و الگوی آن بیشتر مئاندری است که به دلیل دخالت‌های انسانی، تحرک جانبی مجرا محدود شده است. این بازه در کلاس‌های C و E شامل انواع C5b، E6b، E5b و C4 قرار گرفت. رودخانه‌های C4 و C5 حساسیت بالا به آشفتگی و پتانسیل بازیابی مناسب دارند و نقش پوشش گیاهی در پایداری آن‌ها مهم است. در این بازه احداث پارک‌های رودکناری می‌تواند به بازسازی کمک کند. بازه سد گیوی (بازه ۲) عمدتاً کوهستانی با دره‌های تنگ و باریک است و به کلاس‌های B و C (انواع B4، B3، C5b) تقسیم شد. رودخانه‌های نوع B3 حساسیت پایینی به آشفتگی داشته و پتانسیل بازیابی بالایی دارند. بازه گیوی (بازه ۳) دارای دشت سیلابی گسترده بوده و به سه کلاس اصلی E، C و D شامل انواع E5، C5، D4b، C4 و D4 تعلق دارد. وجود الگوی گیسوئی (انواع D4 و D4b) در این بازه بیانگر تحرک زیاد و عرضه بالای رسوب است. این بازه حساسیت بالا به آشفتگی داشته و نیازمند مدیریت دقیق حریم رودخانه است. بازه فیروزآباد (بازه ۴) در کلاس B شامل B4، B3a و B3 شناسایی شد. در مجموع، نتایج نشان داد رودخانه گیوی‌چای دارای ترکیبی از کلاس‌های حساس به آشفتگی با پتانسیل بازسازی متنوع است و کاربرد همزمان سیستم رزگن و مدل HEC-RAS در تحلیل شرایط مورفولوژیکی و برنامه‌ریزی مدیریت حفاظت و احیای رودخانه مؤثر است. بر این اساس با درک چگونگی تعامل این عوامل و ایجاد تغییرات در مورفولوژی رودخانه، می‌توانیم روند توسعه آینده رودخانه‌ها را پیش‌بینی کنیم و مبنای علمی برای مدیریت و حفاظت از رودخانه‌ها فراهم کنیم. https://esrj.sbu.ac.ir/article_106323_470ffdcafbec3fd838403fb7e2d92ed0.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Analysis of the spatial and temporal distribution and changes of thunderstorms in southwestern Iran over the last three solar cycles واکاوی پراکنش و تغییرات زمانی - مکانی توفان‌های تندری در جنوب غرب ایران در سه چرخه خورشیدی اخیر 176 194 106701 10.48308/esrj.2026.238555.1256 FA حسن لشکری گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران 0000-0002-6007-7275 زینب محمدی گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران محمد ناجی گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران علیرضا فدایی باش گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران Journal Article 2025 02 12 <strong>Introduction</strong> Natural phenomena, due to their inherent nature, while having beneficial effects, can also have destructive consequences. Natural hazards claim the lives of thousands of people every year in different parts of the world, and a high percentage of these casualties are the product of weather hazards. Among the types of weather hazards, we can mention thunderstorms, regional floods, etc. Thunderstorms are local and mesoscale weather systems that form in a limited area of 20 to 50 km and depend on the height of convective clouds, and in addition to lightning and strong winds, they are often accompanied by heavy rainfall. Iran, due to its special geographical location, has always faced fundamental challenges in the field of water resources. The southwest region of Iran, due to its mountainous location, large-scale climatic systems affecting the region, access to moisture sources in the warm southern seas, is prone to the formation of thunderstorms. This region includes the provinces of Khuzestan, Chaharmahal Bakhtiari and Kohgiluyeh and Boyer-Ahmad, which are among the most important commercial, port, industrial and agricultural regions of Iran. Thunderstorms, in addition to the damage that can be caused to the region's infrastructure, agriculture, soil and vegetation in the event of torrential rains, air and sea transportation are also severely affected by phenomena related to thunderstorms, such as the occurrence of severe gusty winds and lightning. The results of previous research show that thunderstorms are influential and variable weather phenomena in different regions of the world and Iran. Due to the dispersion and significant effects of thunderstorms in different regions of Iran, statistical and spatial analysis of these phenomena on a monthly scale, especially in the south of the country, seems necessary. This analysis can help to better understand the temporal and spatial patterns of the occurrence of thunderstorms and be effective in planning natural hazard management and more accurate forecasting of weather conditions. <strong> </strong> <strong>Materials and Methods</strong> This research analyzed thunderstorm data from synoptic reports of the Iran Meteorological Organization over a long-term statistical period from 1986 to 2018. The study period was selected to coincide with three 11-year solar cycles (cycles 22 to 24). This timeframe, in addition to covering long-term and comprehensive climate changes, allows for the investigation of the potential effects of solar cycle variations on the occurrence and intensity of thunderstorms. Solar cycle 22 corresponds to the period from 1986 to 1996, cycle 23 from 1997 to 2007, and cycle 24 from 2008 to 2018. Solar flare data were obtained from the Royal Observatory of Belgium. The number of stations studied varied in each cycle (8 stations in cycle 22, 17 stations in cycle 23, and 26 stations in cycle 24). Thunderstorm data were organized monthly and annually in Excel software, and the frequency trend of this phenomenon was analyzed.Subsequently, in order to analyze and display the temporal-spatial changes of thunderstorms, the inverse distance weighting method was used. This analysis was performed on a monthly average basis and for each solar cycle. The inverse distance weighting method is based on Taylor's law or the first law of geography, which states that closer geographical units have a greater impact on each other. Finally, in order to display and analyze temporal-spatial changes, the inverse distance weighting (IDW) method was used by ArcMap software, which has the ability to estimate the distribution of data at points lacking information with minimal error. Spatial distribution maps were generated based on the monthly average of data in each solar cycle. <strong>Results and Discussion</strong> Based on the results, the Ahvaz station, with the highest number of occurrences (927 cases), had the most reports of thunderstorms. In general, in the northern areas of the province or towards the highlands and foothills, such as the Dezful and Masjed Soleiman stations, the number of thunderstorm occurrences has been increasing. In this period, 738 and 723 cases of thunderstorm potential were reported for each station, respectively. In contrast, the Abadan station, with 374 cases, had the lowest number of occurrences. In cycle 22, an inverse relationship was observed between the number of sunspots and the occurrence of thunderstorms, such that the most thunderstorms occurred in the final years of the cycle. This trend was repeated in cycle 23, and in 2007, coinciding with the lowest number of sunspots, the most thunderstorms (more than 320 cases) were reported. This pattern continued in cycle 24, with the most thunderstorms occurring at the beginning and end of the cycle. In summary, it can be said that the number of thunderstorms has an inverse relationship with the number of sunspots, and the final years of each cycle experienced the highest number of thunderstorms. The results show that in January, the storms in the second decade (1997-2007) had the highest frequency, and the spatial extent of this phenomenon is evident in the Dezful and Imamzadeh Jafar stations. In February, the most events were recorded in cycle 23, which indicates the possible influence of solar cycles on the temporal distribution of this phenomenon. In March, the peak of the storms was observed in cycle 23, with the Dezful and Yasuj stations recording the highest numbers. In cycle 24, although the distribution pattern is similar to cycle 23, the frequency of events has decreased. This analysis emphasizes that climatic fluctuations and solar cycles affect the spatial and temporal distribution of thunderstorms. In April, despite the decrease in rainfall in the southwest of the country, the dispersion of thunderstorms does not change significantly compared to winter, but their concentration increases in the northwest of the region. In May, the highest activity is seen in northern Khuzestan and Chaharmahal and Bakhtiari, especially in Shahrekord during cycle 22 and in Ahvaz and Dezful during cycles 23 and 24. In June, with the strengthening of the Arabian anticyclone and the reduction of the penetration of rainfall systems, thunderstorms decreased in the west, but increased in the east of the country under the influence of monsoon systems. In July, the most occurrences were recorded in the east of the region, especially Shahrekord (cycle 22), Yasuj (cycle 23), and eastern Chaharmahal and Bakhtiari and Kohgiluyeh and Boyer-Ahmad (cycle 24). This increase is due to the penetration of monsoon systems. In August, the distribution pattern is similar to July, and the main centers are located in Shahrekord (cycle 22), Yasuj and Dogonbadan (cycle 23), and Sisakht (cycle 24). In September, the focus of occurrences remains in the east of the region, especially in Dogonbadan, Sisakht, Kuhrang, and Izeh. In October, thunderstorms, moving to the northwest and west, recorded the highest frequency in the Dezful, Ahvaz, and Kuhrang stations. In November, under the influence of winter systems, the highest occurrences were reported in Ahvaz (more than 48) and Dezful (43), and in cycle 24 the number of occurrences reached 685 cases. In December, thunderstorms were concentrated in Izeh, Ahvaz, and Yasuj, and the highest activity was observed in cycles 23 and 24. <strong>Conclusion</strong> From a temporal perspective, the analysis of thunderstorm frequency in solar cycles 22 to 24 indicates significant differences in the occurrence of this phenomenon between these cycles. The results show that the frequency of thunderstorms in solar cycle 22 was lower compared to the next two cycles (23 and 24). There is also an inverse relationship between the number of sunspots and the frequency of thunderstorms. So that in all three solar cycles, the lowest number of thunderstorms occurred in the middle of the cycle and the highest number of thunderstorm occurrences occurred in the early or late years of the cycle. In examining the temporal distribution, the highest number of occurrences was reported in the years of solar cycle 23, which indicates the significant impact of solar activity on the occurrence of this phenomenon. In total, in the 33-year statistical period, the highest occurrence was related to the year 2006 and the lowest occurrence of thunderstorms was reported in 1990. In terms of monthly distribution, the highest number of thunderstorms is related to April and November, and the lowest occurrence of thunderstorms is reported from September. The results show that the most thunderstorm activities in southwestern Iran occur in the spring and winter  seasons, while significant activities have also been recorded in the fall and summer seasons. However, thunderstorms can occur throughout the year. In fact, the seasonal distribution shows that in the spring, about 41% of the total reports of thunderstorms have been recorded, which is due to the increased atmospheric instability along with the temperature and humidity potential of the seas. In contrast, the summer season with only 8% of the occurrences shows the least thunderstorm activity, which is due to the edge of the summer pattern and the dynamic stabilities resulting from it. In the fall and winter seasons, 24 and 29 percent of the occurrences have been reported, respectivel  y. Thunderstorms in the southwestern part of Iran due to the thermodynamic characteristics of the incoming systems from the south are an integral phenomenon of these systems. These systems are generally accompanied by destructive phenomena such as thunder, lightning and strong winds. Considering the increasing trend of this phenomenon in the last three solar cycles, the awareness of users and institutions affected by this phenomenon, such as pilots, drivers of land and sea transport fleets, and farmers, of the characteristics, signs, spatial ranges, and timing of this phenomenon is of great importance. This awareness includes knowing the wind speed, the height of the systems, and the ability of the storms to intensify the wind speed, which can be effective in planning flights and preventing possible dangers on road and sea transport and agricultural products and urban structures. <strong>مقدمه</strong> وقوع پدیده‌های طبیعی به دلیل ماهیت خاص خود در عین داشتن اثرات مفید می‌توانند نتایج مخربی هم در پی داشته باشند. مخاطرات طبیعی هر ساله در نقاط مختلف جهان جان هزاران انسان را می‌گیرد و درصد بالایی از این تلفات محصول مخاطرات آب و هوایی بوده است. از انواع مخاطرات آب و هوایی می‌توان توفان‌های تندری، سیل منطقه­ای و ... نام برد. توفان‌های تندری سامانه‌های آب‌وهوایی محلی و متوسط مقیاسی هستند که در یک منطقه محدود 20 تا 50 کیلومتر شکل‌گرفته و به ارتفاع ابرهای جوششی بستگی دارند و علاوه بر آذرخش و بادهای شدید، اغلب با بارش‌های شدید نیز همراه هستند. ایران به دلیل موقعیت جغرافیایی خاص خود همواره با چالش‌های اساسی در زمینه تأمین منابع آبی مواجه بوده است. منطقه جنوب غرب ایران به دلیل دارا بودن موقعیتی کوهستانی، سامانه‌های اقلیمی بزرگ مقیاس مؤثر بر منطقه، دسترسی به منابع رطوبتی دریاهای گرم جنوبی مستعد شکل‌گیری توفان‌های تندری می‌باشد. این منطقه شامل استان های خوزستان، چهارمحال بختیاری و کهگیلویه و بویراحمد، از مهم‌ترین مناطق تجاری، بندرگاهی، صنعتی و کشاورزی کشور ایران است. توفان‌های تندری علاوه بر خسارت‌هایی که در وقوع بارش‌های سیل‌آسا می‌تواند به زیرساخت‌ها، کشاورزی، خاک و پوشش گیاهی منطقه وارد نماید، حمل و نقل هوایی و دریایی نیز به شدت از پدیده­های مرتبط با توفان تندری همانند وقوع بادهای گاستی شدید و رعد و برق متأثر می­گردد. نتایج پیشینه پژوهش‌ها نشان می‌دهند که توفان‌های تندری پدیده‌های جوی تأثیرگذار و متغیر در مناطق مختلف جهان و ایران هستند. با توجه به پراکندگی و تأثیرات قابل توجه توفان‌های تندری در مناطق مختلف ایران، تحلیل آماری و فضایی ماهانه این پدیده‌ها، به‌ویژه در جنوب کشور، ضروری به نظر می‌رسد. این تحلیل می‌تواند به درک بهتر الگوهای زمانی و مکانی رخداد توفان‌ها کمک کرده و در برنامه‌ریزی‌های مدیریت خطرات طبیعی و پیش‌بینی شرایط جوی دقیق‌تر مؤثر واقع شود. <strong>مواد و روش­ها</strong> برای انجام این پژوهش، داده‌های مربوط به پدیده‌ی توفان‌های تندری از گزارش‌های دیدبانی سازمان هواشناسی کشور، به‌ صورت ۲۴ ساعته و برای یک دوره‌ی آماری بلندمدت از سال ۱۹۸۶ تا ۲۰۱۸، جمع‌آوری و تحلیل شد. دوره‌ی آماری این مطالعه به‌گونه‌ای انتخاب شده که با سه چرخه‌ی خورشیدی ۱۱ ساله (چرخه‌های ۲۲ تا ۲۴) مطابقت داشته باشد.  انتخاب این دوره‌ی زمانی، علاوه بر پوشش‌دهی بلندمدت و جامع تغییرات اقلیمی، امکان بررسی اثرات احتمالی تغییرات چرخه‌های خورشیدی بر وقوع و شدت توفان‌های تندری را فراهم می‌آورد. چرخه‌ی خورشیدی ۲۲ با بازه‌ی زمانی ۱۹۸۶ تا ۱۹۹۶، چرخه‌ی ۲۳ با دوره‌ی ۱۹۹۷ تا ۲۰۰۷، و چرخه‌ی ۲۴ با بازه‌ی ۲۰۰۸ تا ۲۰۱۸ انطباق دارد. داده‌های مربوط به تعداد لکه‌های خورشیدی از پایگاه Royal Observatory of Belgiumاخذ شد. تعداد ایستگاه‌های مورد بررسی در هر چرخه متغیر بود (۸ ایستگاه در چرخه ۲۲، ۱۷ ایستگاه در چرخه ۲۳ و ۲۶ ایستگاه در چرخه ۲۴). داده‌های توفان‌های تندری به‌صورت ماهانه و سالانه در نرم‌افزار Excel سازمان‌دهی شده و روند فراوانی این پدیده تحلیل شد. در ادامه به‌منظور تحلیل و نمایش تغییرات زمانی- مکانی توفان‌های تندری، از روش وزن‌دهی معکوس فاصله استفاده شده است. این تحلیل به‌صورت میانگین ماهانه و برای هر چرخه خورشیدی انجام شده است. روش وزن‌دهی معکوس فاصله بر پایه قانون تیلور یا قانون اول جغرافیا عمل می‌کند، که بیان می‌دارد واحدهای جغرافیایی نزدیک‌تر تأثیر بیشتری بر یکدیگر دارند. در آخر جهت نمایش و تحلیل تغییرات زمانی- مکانی، روش وزن‌دهی معکوس فاصله (IDW) از نرم‌افزارArcMap استفاده شد که توانایی تخمین توزیع داده‌ها در نقاط فاقد اطلاعات را با حداقل خطا دارد. نقشه‌های توزیع مکانی بر اساس میانگین ماهانه داده‌ها در هر چرخه خورشیدی تولید شدند. <strong>نتایج و بحث</strong> بر اساس نتایج ارائه‌ شده ایستگاه اهواز با بیشترین تعداد رخداد (927 مورد) بیشترین گزارش توفان تندری را داشته است. در مجموع در نواحی شمالی استان یا به سمت ارتفاعات و پایکوه‌ها مانند ایستگاه‌های دزفول و مسجد سلیمان، تعداد رخدادهای توفان تندری افزایشی بوده است. در این دوره به ترتیب ایستگاهی 738 و 723 مورد توان تندری گزارش شده است. در مقابل، ایستگاه آبادان با 374 مورد کمترین تعداد رخداد را به خود اختصاص داده است. در سیکل 22، رابطه‌ای معکوس بین تعداد لکه‌های خورشیدی و وقوع توفان‌های تندری مشاهده شده است، به‌طوری که بیشترین توفان‌های تندری در سال‌های انتهایی سیکل رخ داده است. این روند در سیکل 23 نیز تکرار شده و در سال 2007، هم‌زمان با کمترین تعداد لکه‌های خورشیدی، بیشترین توفان‌های تندری (بیش از 320 مورد) گزارش شده است. در سیکل 24 نیز این الگو ادامه داشته و بیشترین توفان‌های تندری در ابتدا و انتهای سیکل رخ داده است. در یک جمع­بندی کلی می‌توان گفت تعداد توفان‌های تندری از جهت تقارن با تعداد لکه­های خورشیدی ارتباطی عکس را طی می‌کنند و سال‌های انتهایی هر سیکل بالاترین تعداد توفان‌های تندری را تجربه کرده است. نتایج نشان می‌دهد که در ماه ژانویه، توفان‌ها در دهه دوم (1997-2007) بیشترین فراوانی را داشته و گسترش فضایی این پدیده در ایستگاه‌های دزفول و امام‌زاده جعفر مشهود است. در ماه فوریه، بیشترین رخدادها در چرخه 23 ثبت شده که نشان‌دهنده تأثیر احتمالی چرخه‌های خورشیدی بر توزیع زمانی این پدیده است. در ماه مارس، اوج توفان‌ها در چرخه 23 مشاهده شده، به‌طوری که ایستگاه‌های دزفول و یاسوج بیشترین تعداد را ثبت کرده‌اند. در چرخه 24، اگرچه الگوی توزیع مشابه چرخه 23 است، اما فراوانی رخدادها کاهش یافته است. این تحلیل تأکید می‌کند که نوسانات اقلیمی و چرخه‌های خورشیدی بر توزیع مکانی و زمانی توفان‌های تندری اثرگذارند. در آوریل، با وجود کاهش بارش در جنوب‌غرب کشور، پراکندگی توفان‌های تندری تغییر محسوسی نسبت به زمستان ندارد، اما تمرکز آن‌ها در شمال‌غرب منطقه افزایش می‌یابد. در ماه می، بیشترین فعالیت در شمال خوزستان و چهارمحال و بختیاری دیده می‌شود، به‌ویژه در شهرکرد طی چرخه 22 و در اهواز و دزفول طی چرخه‌های 23 و 24. در ژوئن، با تقویت واچرخند عربستان و کاهش نفوذ سامانه‌های بارشی، توفان‌های تندری در غرب کاهش یافته، اما تحت­تأثیر سامانه‌های مونسونی در شرق کشور افزایش می‌یابد. در جولای، بیشترین رخدادها در شرق منطقه، به‌ویژه شهرکرد (چرخه 22)، یاسوج (چرخه 23) و شرق چهارمحال و بختیاری و کهگیلویه و بویراحمد (چرخه 24) ثبت شده است. این افزایش ناشی از نفوذ سامانه‌های مونسونی است. در آگوست، الگوی پراکنش مشابه جولای است و هسته‌های اصلی در شهرکرد (چرخه 22)، یاسوج و دوگنبدان (چرخه 23) و سی‌سخت (چرخه 24) قرار دارند. در سپتامبر، تمرکز رخدادها همچنان در شرق منطقه، به‌ویژه در دوگنبدان، سی‌سخت، کوهرنگ و ایذه باقی می‌ماند. در اکتبر، توفان‌های تندری با جابه‌جایی به شمال‌غرب و غرب، بیشترین فراوانی را در ایستگاه‌های دزفول، اهواز و کوهرنگ ثبت کرده‌اند. در نوامبر، تحت تأثیر سامانه‌های زمستانه، بیشترین رخدادها در اهواز (بیش از 48) و دزفول (43) گزارش شده و در چرخه 24 تعداد رخدادها به 685 مورد رسیده است. در دسامبر، توفان‌های تندری در ایذه، اهواز و یاسوج متمرکز بوده و بیشترین فعالیت در چرخه‌های 23 و 24 مشاهده شده است. <strong>نتیجه­گیری</strong> از منظر زمانی، تحلیل فراوانی وقوع توفان‌های تندری در چرخه‌های خورشیدی ۲۲ تا ۲۴ بیانگر تفاوت‌های معناداری در میزان رخداد این پدیده بین چرخه‌های مذکور است. نتایج نشان می‌دهند که فراوانی توفان‌های تندری در چرخه خورشیدی ۲۲ نسبت به دو چرخه بعدی (۲۳ و ۲۴) کمتر بوده است. همچنین رابطه‌ای معکوس میان تعداد لکه‌های خورشیدی و فراوانی توفان‌های تندری وجود دارد. به طوری که در هر سه چرخه خورشیدی کمترین تعداد توفان های تندری در میانه سیکل و بالاترین تعداد رخداد توفان تندری در سال­های ابتدایی یا انتهایی سیکل رخ داده است. در بررسی توزیع زمانی، بیشترین تعداد رخدادها در سال‌هایی از چرخه خورشیدی 23 گزارش شده که بیانگر تأثیر قابل‌توجه فعالیت خورشیدی بر وقوع این پدیده است. در مجموع در دوره آماری 33 ساله بالاترین رخداد مربوط به سال 2006 و کمترین رخداد توفان تندری در سال 1990 گزارش شده است. به لحاظ توزیع ماهانه بیشترین تعداد توفان تندری مربوط به ماه آوریل و نوامبر و کمترین رخداد توفان تندری از ماه سپتامبر گزارش شده است. نتایج نشان می‌دهد که بیشترین فعالیت‌های توفان‌های تندری در جنوب غرب ایران در فصل بهار و زمستان رخ می‌دهد، درحالی ‌که در فصل پاییز و تابستان نیز فعالیت‌های قابل‌توجهی به ثبت رسیده است. با این وجود، توفان‌های تندری می‌توانند در تمام طول سال اتفاق بیفتند. در واقع توزیع فصلی نشان می‌دهد که در فصل بهار حدود 41 درصد از مجموع گزارش‌های توفان‌های تندری ثبت شده است که این امر به دلیل افزایش ناپایداری جوی همراه با دما و پتانسیل رطوبت فرستی دریاها می­باشد. در مقابل، فصل تابستان با تنها 8 درصد از رخدادها کمترین فعالیت توفانی را نشان می‌دهد که به دلیل لبه الگوی تابستانه و پایداری­های دینامیک حاصل از آن می­باشد. در فصل پاییز و زمستان به ترتیب 24 و 29 درصد از رخدادها گزارش شده است. توفان­های تندری در بخش جنوب غربی ایران به دلیل ویژگی­های ترمودینامیکی سامانه­های ورودی از سمت جنوب پدیده‌ای لاینفک این سامانه‌ها می‌باشد. این سامانه­ها عموما همراه با پدیده­های مخربی همچون رعد و برق ، صاعقه و بادهای شدید همراه هستند. با توجه به روند رو به افزایش این پدیده در سه سیکل خورشیدی اخیر، آگاهی کاربران و نهادهای متاثر از این پدیده مانند خلبانان، رانندگان ناوگان حمل و نقل زمینی و دریایی و کشاورزان از ویژگی‌ها، نشانه‌ها، محدوده‌های مکانی، و زمان‌بندی این پدیده اهمیت زیادی دارد. این آگاهی شامل شناخت سرعت باد، ارتفاع سامانه‌ها، و توانایی توفان‌ها در تشدید سرعت باد است که می‌تواند در برنامه‌ریزی پروازها و جلوگیری از خطرات احتمالی بر حمل و نقل جاده­ای و دریایی و محصولات کشاورزی و سازه­های شهری مؤثر باشد. https://esrj.sbu.ac.ir/article_106701_c25d52d79dc459cf05c87d4b06b855e3.pdf

دانشگاه شهید بهشتی پژوهشهای دانش زمین 2008-8299 16 4 2026 01 21 Analyzing precipitation variability in major cities of Iran using continuous wavelet transform بررسی تغییرپذیری بارش در کلان‌شهرهای ایران با استفاده از تبدیل موجک پیوسته 195 212 106702 10.48308/esrj.2025.238884.1262 FA محمود احمدی گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران جمال کرمی گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران محمد کمانگر گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران Journal Article 2025 04 10 <strong>Introduction</strong> In recent years, the impacts of climate change on water security have been extensively investigated. Evidence suggests that climate change alters precipitation and temperature patterns, thereby affecting access to water resources (Ahmed and Akter, 2024). These changes influence not only the quantity but also the quality of water (Van Vliet et al, 2023). Particularly in urban areas, variability in monthly precipitation and climatic fluctuations is considered one of the key challenges of the 21st century. In Iran, due to its arid and semi-arid climate, water resource management and precipitation pattern analysis hold special importance (Modarres and Sarhadi, 2009). International studies have shown that water accessibility indicators are most sensitive to precipitation variability (Barbosa et al, 2023). Moreover, changes in evapotranspiration can reduce net primary production, thereby influencing water security (Gao et al, 2023). The resilience of water systems has also gained attention; increasing resource diversity and managing demand can enhance resilience against climate change (Kharrazi et al, 2024; Srinivasan et al, 2024). In terms of scenario analysis, recent studies using machine learning reveal that even minor climate variations can significantly impact water security indices (Chen et al, 2024). In Iran, numerous studies have examined precipitation trends. Talaei and Tabari (2011) analyzed annual and seasonal precipitation at 41 stations between 1966 and 2005, reporting a decreasing trend in about 60% of them. Similarly, Modarres et al. (2009), based on 145 rain gauge stations, identified decreasing annual precipitation in more than half of the stations and increasing 24-hour maximum precipitation in others. These findings indicate early manifestations of climate change in Iran. Theoretically, water security is a multidimensional concept encompassing access, quality, and resilience of water resources, requiring interdisciplinary and integrated analyses. Advanced statistical and computational methods such as hydrological modeling, machine learning, and wavelet transforms provide deeper insights into climate variability and precipitation patterns. However, the application of wavelet transform in climate data analysis in Iran, especially in urban areas, remains limited. The aim of this study is to investigate the variability of monthly precipitation in urban areas of Iran using continuous wavelet transform (CWT). Adopting a multiscale approach, the study analyzes temporal-spatial precipitation trends, identifies hidden patterns, and explores periodic variations across different time scales. The novelty of the research lies in employing wavelet analysis for detailed examination of precipitation data, thereby offering deeper insights into the impacts of climate change on precipitation behavior in Iran. <strong>Materials and Methods</strong>   This study analyzes the variability of monthly precipitation in Iran with a focus on nine synoptic stations located in Tehran, Mashhad, Isfahan, Tabriz, Karaj, Kermanshah, Arak and Ahvaz. The selection of these stations was based on the availability of long-term and continuous data, appropriate geographical distribution, and representation of the country’s diverse climatic conditions. The study period from 1980 to 2020 was considered in order to cover extreme climatic fluctuations, including both dry and wet years, and to enable the assessment of long-term precipitation trends. The stations represent different climatic regimes: Tehran, Karaj, Kermanshah, and Arak are situated in a semi-arid climate with annual precipitation ranging from 250 to 500 mm, with rainfall occurring mainly in winter and spring. Mashhad and Tabriz, characterized by mountainous and semi-arid climates, experience higher winter precipitation, and precipitation variability in these regions is greater due to elevation and geographical factors. Isfahan has an arid and low-rainfall climate, while Ahvaz, located in a relatively dry and lowland region, further enriches the climatic diversity and allows for examining the influence of different climates on precipitation patterns. Monthly precipitation data were obtained from the Iran Meteorological Organization and underwent preprocessing, including the identification and replacement of missing data, removal of outliers, assessment of inhomogeneities, and normalization. Data validation was performed using statistical tests such as Pettitt, Mann-Kendall, and SNHT to ensure quality and continuity. Data analysis was carried out using Continuous Wavelet Transform (CWT) with the Morlet wavelet to explore simultaneous variations in the time–frequency domain. Wavelet power spectra were generated to identify periods with high precipitation energy, and the Cone of Influence (COI) was used to minimize boundary effects. The wavelet analysis results were validated against independent datasets and previous studies to ensure the reliability of the identified patterns. By applying the wavelet approach, this study provides a detailed temporal–spatial analysis of precipitation trends in urban areas of Iran and offers practical insights for water resources management under climate change conditions. Furthermore, the results can support decision-making in drought and flood risk management across different regions of the country. Identifying precipitation cycles at medium- and long-term scales can also play a crucial role in agricultural planning, dam management, and water resources development projects. Ultimately, the wavelet-based methodology presented here can serve as a model for similar studies in other regions of Iran and countries with comparable climatic conditions.   <strong>Results and Discussion</strong> Wavelet analysis of precipitation data at the Isfahan, Ahvaz, Arak, Tehran, Mashhad, Karaj, Tabriz and Kermanshah stations showed that seasonal and multi-year precipitation patterns are accompanied by distinct fluctuations. At the Isfahan station, short-term seasonal patterns of about one year exhibited strong fluctuations; the minimum variability occurred in summer, while the maximum seasonal variability was observed in winter and autumn. In the multi-year cycles, the highest fluctuations occurred in the 3–4 year and 8–10 year periods. The intensity of the wavelet coefficients fluctuated across different scales from 1980 to 2005, and from 2008 to 2020 greater intensity and strength were observed at both short (seasonal) and long (multi-year) scales, indicating climate change in recent decades. At the Ahvaz station, the seasonal and multi-year precipitation patterns were irregular, but the amplitude of the fluctuations was smaller compared to high-altitude stations. The temporal analysis over the period 1980–2020 showed that the intensity of the wavelet coefficients increased in the second half of the study period, and fluctuations in seasonal, annual, and multi-year cycles continued, which is not a direct reflection of climate change but is consistent with precipitation patterns at other stations. At the Arak station, seasonal patterns exhibited strong periodicity with frequent short-term fluctuations. Multi-year cycles occurred with high intensity and were influenced by large-scale atmospheric patterns. The analysis of the period from 1980 to the first decade of the 21st century showed that the wavelet coefficients at different scales were significantly associated with precipitation variability, and short-term and multi-year variations became more pronounced under climatic transformations in the second decade of the century. At the Tehran station, one-year seasonal patterns coexisted with multi-year cycles, and the yellow and light green areas on the wavelet spectrum indicated seasonal fluctuations. Multi-year cycles of 2–4 years and 5–10 years were observed with high power, likely associated with large-scale climatic phenomena such as ENSO. Decadal changes from the early 1980s to 2010 reflected stronger or weaker variability in the intensity of the wavelet coefficients, and after 2010 a marked increase in the strength of both short- and long-term scales was observed. At the Mashhad station, seasonal and annual precipitation patterns showed distinct fluctuations during autumn and winter. Multi-year cycles of 2–5 years and 6–10 years also exhibited significant variability. The intensity of the wavelet coefficients increased from 1980 to 2010, reflecting the influence of multiple climatic factors and climate change on precipitation behavior. The Karaj station, with its arid and semi-arid climate, showed minimum  seasonal variability in summer and maximum in autumn and winter. Longer multi-year cycles, especially those of 2–3 years and 5–10 years, occurred with high intensity. From 2010 to 2020, however, the intensity of fluctuations decreased. At the Tabriz station, precipitation was more intense and frequent in winter and autumn, while summer showed weaker variability. Multi-year cycles of 2–4 and 6–10 years displayed considerable fluctuations, and the intensity of the wavelet coefficients increased from 1980 to 2020. The Kermanshah station had strong fluctuations in winter and autumn and weaker ones in summer and spring. Multi-year cycles between 2–5 and 6–10 years were observed, and the intensity of the wavelet coefficients increased after 2010. Comparison with previous studies indicated that this research, by applying wavelet analysis, examined precipitation cycles with greater accuracy and analyzed seasonal and multi-year fluctuations in several major Iranian cities. In addition to ENSO, the NAO and MO climate indices were also investigated. The results are consistent with similar international studies in Europe, China, and the Indian subcontinent, but the focus on Iran’s arid climate and the spatial diversity of large cities provides an innovative perspective. Overall, wavelet analysis showed that short- and long-term precipitation fluctuations with varying intensities are evident in most stations. Stations such as Kermanshah, Tabriz, and Mashhad exhibited high-intensity wavelet coefficients in 2–10 year cycles and were influenced by large-scale climatic indices, while stations such as Ahvaz and Karaj displayed relatively uniform behavior. The increase in wavelet coefficient intensity during 2008–2020 indicates the impact of recent climate changes on precipitation patterns. Furthermore, the results of this study revealed that the intensity and extent of precipitation variability in recent decades have been accompanied by greater fluctuations. Comparative analysis among stations demonstrated that geographical location and elevation play a decisive role in the strength of seasonal and multi-year cycles. In addition, the observed trends can be applied in the management of urban and rural water resources and in the development of climate adaptation strategies. The findings also showed that integrating wavelet analysis with large-scale climate indices increases the accuracy of identifying precipitation cycles. In conclusion, this study provides a comprehensive picture of precipitation behavior in Iran and establishes a valuable foundation for future research on climate change. <strong> </strong> <strong>Conclusion</strong> This study applied continuous wavelet transform (CWT) to analyze temporal variability of monthly precipitation in Iranian metropolitan areas from 1980 to 2020, identifying both seasonal and multi-annual cycles. Results showed precipitation patterns were influenced by annual cycles (~1 year) and multi-annual cycles (3–10 years). Strong oscillations were particularly evident in Tehran, Kermanshah, and Mashhad, coinciding with large-scale climate indices such as ENSO and NAO. In contrast, stations like Ahvaz, characterized by lower altitude and warmer conditions, showed weaker intensities and less regular oscillations, underscoring the importance of geographic factors such as elevation, temperature, and latitude in precipitation variability. The analysis further indicated that after 2010, precipitation variability intensified at both seasonal and multi-annual scales across most stations, serving as evidence of the increasing impacts of climate change. The findings are practically valuable for water resource management, drought and flood preparedness, as well as urban and agricultural planning. Furthermore, linking results to large-scale climate indices enhances the potential for predictive modeling and early warning systems. <strong>مقدمه</strong> در سال‌های اخیر، اثرات تغییر اقلیم بر امنیت آبی به‌طور گسترده مورد بررسی قرار گرفته است. شواهد نشان می‌دهد که تغییر اقلیم الگوهای بارش و دما را تغییر داده و به‌تبع آن دسترسی به منابع آب را تحت تأثیر قرار داده است (Ahmed and Akter, 2024). این تغییرات نه‌تنها کمیت، بلکه کیفیت آب را نیز تحت تأثیر قرار می‌دهند (Van Vliet et al, 2023) به‌ویژه در مناطق شهری، تغییرپذیری بارش ماهانه و نوسانات اقلیمی، یکی از چالش‌های کلیدی قرن حاضر محسوب می‌شود. در ایران، با توجه به اقلیم خشک و نیمه‌خشک، مدیریت منابع آب و تحلیل الگوهای بارش اهمیت ویژه‌ای دارد (Modarres and Sarhadi, 2009). مطالعات بین‌المللی نشان داده‌اند که شاخص‌های مرتبط با دسترسی به آب بیشترین حساسیت را نسبت به تغییرات بارش دارند (Barbosa et al, 2023). همچنین، تغییرات در تبخیر و تعرق می‌تواند تولید خالص اولیه را کاهش داده و بر امنیت آبی اثرگذار باشد (Gao et al, 2023). اهمیت تاب‌آوری سیستم‌های آبی نیز مورد توجه پژوهشگران قرار گرفته است؛ افزایش تنوع منابع و مدیریت تقاضا می‌تواند تاب‌آوری سیستم‌ها را در برابر تغییر اقلیم بهبود دهد (Kharrazi et al, 2024). در زمینه تحلیل سناریو، مطالعات اخیر با استفاده از یادگیری ماشین نشان داده‌اند که حتی تغییرات اندک اقلیمی می‌تواند تأثیرات قابل‌توجهی بر شاخص‌های امنیت آبی داشته باشد (Chen et al, 2024). در ایران، پژوهش‌های متعددی به تحلیل تغییرات بارش پرداخته‌اند. طبری و طلایی (Talaee and Tabari, 2011) روند بارش سالانه و فصلی را در ۴۱ ایستگاه طی سال‌های ۱۹۶۶ تا ۲۰۰۵ بررسی کردند و نشان دادند که در حدود ۶۰ درصد ایستگاه‌ها کاهش بارش مشاهده شده است. همچنین، مدرس و سرحدی (Modarres and Sarhadi, 2009) با بررسی ۱۴۵ ایستگاه باران‌سنجی، روند کاهشی بارش سالانه در بیش از نیمی از ایستگاه‌ها و افزایش حداکثر بارش ۲۴ ساعته در نیمی دیگر را گزارش کردند. این روندها نشان‌دهنده تأثیرات اولیه تغییر اقلیم در ایران هستند. از منظر نظری، امنیت آبی مفهومی چندبعدی است که دسترسی، کیفیت و تاب‌آوری منابع آبی را شامل می‌شود و نیازمند تحلیل‌های بین‌رشته‌ای و یکپارچه است. روش‌های نوین آماری و محاسباتی مانند مدل‌های هیدرولوژیکی، یادگیری ماشین و تبدیل موجک، بینش‌های دقیق‌تری درباره تغییرات اقلیمی و الگوهای بارش ارائه می‌دهند، اما استفاده از تبدیل موجک در تحلیل داده‌های اقلیمی ایران، به ویژه در مناطق شهری، هنوز محدود است. هدف این پژوهش بررسی تغییرپذیری بارش ماهانه در مناطق شهری ایران با استفاده از تبدیل موجک پیوسته است. مطالعه حاضر با رویکرد چندمقیاسی، روندهای زمانی- مکانی بارش را تحلیل، الگوهای پنهان را شناسایی و تغییرات دوره‌ای را در مقیاس‌های مختلف زمانی بررسی می‌کند. نوآوری تحقیق در بهره‌گیری از تکنیک موجک برای تحلیل دقیق داده‌های بارش و ارائه بینشی عمیق‌تر از تأثیرات تغییر اقلیم بر رفتار بارش در ایران نهفته است. <strong>مواد و روش­ها</strong> این پژوهش به تحلیل تغییرپذیری بارش ماهانه در ایران با تمرکز بر ۹ ایستگاه سینوپتیک تهران، مشهد، اصفهان، تبریز، کرج، کرمانشاه، اراک، شیراز و اهواز می‌پردازد. انتخاب این ایستگاه‌ها بر اساس در دسترس بودن داده‌های بلندمدت و پیوسته، پراکندگی جغرافیایی مناسب و نمایندگی اقلیم‌های مختلف کشور انجام شده است. دوره مورد مطالعه 1980 تا 2020 در نظر گرفته شد تا نوسانات شدید اقلیمی شامل سال‌های خشک و تر را پوشش دهد و روندهای بلندمدت بارش قابل بررسی باشد. اقلیم ایستگاه‌ها متفاوت است: تهران، کرج، کرمانشاه و اراک در اقلیم نیمه‌خشک با بارش سالانه 250 تا 500 میلی‌متر قرار دارند و بارش عمدتاً در زمستان و بهار است. مشهد و تبریز با اقلیم کوهستانی و نیمه‌خشک، بارش زمستانه بیشتری دارند و نوسانات بارش در این مناطق به دلیل ارتفاع و جغرافیا بیشتر است. اصفهان اقلیم خشک و کم‌بارش دارد، در حالی که اهواز واقع در منطقه نسبتا خشک و کم ارتفاع این تنوع اقلیمی امکان بررسی تأثیرات متفاوت اقلیم بر الگوهای بارش را فراهم می‌کند. داده‌های بارش ماهانه از سازمان هواشناسی کشور جمع‌آوری و پیش‌پردازش شدند. پیش‌پردازش شامل شناسایی و جایگزینی داده‌های مفقود، حذف داده‌های پرت، بررسی ناهمگنی و نرمال‌سازی داده‌ها بود. اعتبارسنجی داده‌ها با آزمون‌های آماری مانند Pettitt، Mann-Kendall و SNHT انجام شد تا کیفیت و پیوستگی داده‌ها تضمین شود. تحلیل داده‌ها با استفاده از تبدیل موجک پیوسته (CWT) و موجک Morlet انجام شد تا نوسانات همزمان در حوزه زمان و فرکانس بررسی شود. طیف قدرت موجک برای شناسایی دوره‌های زمانی با انرژی بارش بالا تولید و محدوده Cone of Influence (COI) برای حذف اثرات مرزی مشخص شد. نتایج تحلیل‌های موجک با داده‌های مستقل و مطالعات پیشین اعتبارسنجی شدند تا از صحت الگوهای استخراج شده اطمینان حاصل شود. این مطالعه با بهره‌گیری از روش موجک، امکان تحلیل دقیق روندهای زمانی- مکانی بارش در مناطق شهری ایران را فراهم کرده و یافته‌ها بینش کاربردی برای مدیریت منابع آب در شرایط تغییر اقلیم ارائه می‌دهد. افزون بر این، نتایج پژوهش می‌تواند به تصمیم‌گیری در حوزه مدیریت ریسک خشکسالی و سیلاب در مناطق مختلف کشور کمک کند. همچنین شناسایی چرخه‌های بارش در بازه‌های میان‌مدت و بلندمدت می‌تواند در برنامه‌ریزی کشاورزی، مدیریت سدها و طرح‌های توسعه منابع آب نقش کلیدی ایفا کند. در نهایت، رویکرد موجکی این تحقیق الگویی برای مطالعات مشابه در سایر مناطق ایران و حتی کشورهای با شرایط اقلیمی مشابه محسوب می‌شود. <strong>نتایج و بحث</strong> تحلیل موجک داده‌های بارش در ایستگاه‌های اصفهان، اهواز، اراک، تهران، مشهد، کرج، تبریز و کرمانشاه نشان داد که الگوهای فصلی و چندساله بارش با نوسانات مشخصی همراه هستند. در ایستگاه اصفهان، الگوهای فصلی کوتاه‌مدت حدود یک‌ساله دارای نوسانات قوی بودند؛ کمینه نوسان در تابستان و بیشینه نوسان فصلی در زمستان و پاییز مشاهده شد. در چرخه‌های چندساله، بیشترین نوسان در دوره‌های ۳ تا ۴ ساله و ۸ تا ۱۰ ساله رخ داده است. شدت ضرایب موجک در مقیاس‌های مختلف از سال ۱۹۸۰ تا ۲۰۰۵ نوسان داشت و از سال ۲۰۰۸ تا ۲۰۲۰، شدت و قدرت بیشتری در مقیاس‌های کوتاه (فصلی) و بلند (چندساله) دیده شد، که نشان‌دهنده تغییر اقلیم در چند دهه اخیر است. در ایستگاه اهواز، الگوهای فصلی و چندساله بارش دارای بی‌نظمی بودند، اما دامنه نوسانات نسبت به ایستگاه‌های مرتفع کمتر بود. بررسی تغییرات زمانی در بازه ۱۹۸۰ تا ۲۰۲۰ نشان داد که شدت ضرایب موجک در نیمه دوم دوره مورد مطالعه افزایش یافت و نوسانات در چرخه‌های فصلی، سالانه و چندساله همچنان با تغییرات همراه بود، که بازتابی از تغییر اقلیم نیست، اما با الگوهای بارشی مشابه سایر ایستگاه‌ها همخوانی دارد. ایستگاه اراک نیز الگوهای فصلی با تناوب‌های قوی و نوسانات مکرر در دوره‌های کوتاه‌مدت داشت. چرخه‌های چندساله این ایستگاه با شدت بالا رخ داده و تحت تأثیر الگوهای بزرگ‌مقیاس جوی بوده است. بررسی بازه زمانی ۱۹۸۰ تا دهه اول قرن حاضر نشان داد که ضرایب موجک در مقیاس‌های مختلف به طور معناداری با تغییرات بارشی همراه بوده و تغییرات کوتاه‌مدت و چندساله تحت تأثیر دگرگونی اقلیمی در دهه دوم قرن حاضر محسوس‌تر بوده است. در ایستگاه تهران، الگوهای فصلی یک‌ساله با چرخه‌های چندساله دیده شد و مناطق زرد و سبز روشن در نمودار نشانگر نوسانات فصلی بودند. چرخه‌های چندساله بین ۲ تا ۴ سال و ۵ تا ۱۰ سال با قدرت بالا مشاهده شد که احتمالاً با پدیده‌های بزرگ‌مقیاس آب و هوایی مانند ENSO مرتبط است. تغییرات دهه‌ای از اوایل ۱۹۸۰ تا ۲۰۱۰ نشان داد که شدت ضرایب موجک نوسانات قوی‌تر یا ضعیف‌تر را منعکس می‌کند و پس از ۲۰۱۰ افزایش قابل توجهی در شدت مقیاس‌های کوتاه و بلند رخ داده است. در ایستگاه مشهد، الگوی فصلی و سالانه بارش نشان‌دهنده نوسانات مشخص در فصل‌های پاییز و زمستان بود. چرخه‌های چندساله ۲ تا ۵ ساله و ۶ تا ۱۰ ساله نیز نوسانات قابل توجه داشتند. شدت ضرایب موجک از سال ۱۹۸۰ تا ۲۰۱۰ افزایش یافته و نشان‌دهنده تأثیر عوامل متعدد اقلیمی و تغییر اقلیم بر رفتار بارش است. ایستگاه کرج با اقلیم خشک و نیمه‌خشک، کمینه نوسان فصلی در تابستان و بیشینه نوسان در پاییز و زمستان داشت. چرخه‌های چندساله طولانی‌تر، به ویژه ۲ تا ۳ ساله و ۵ تا ۱۰ ساله، با شدت بالا رخ دادند. از سال ۲۰۱۰ تا ۲۰۲۰، شدت نوسانات کاهش یافته است. در ایستگاه تبریز، بارش‌ها در زمستان و پاییز با شدت و تناوب بالاتر و در تابستان کم‌نوسان بودند. چرخه‌های چندساله ۲ تا ۴ و ۶ تا ۱۰ ساله نوسانات بارش قابل توجهی داشتند و شدت ضرایب موجک از سال ۱۹۸۰ تا ۲۰۲۰ افزایش یافته است. ایستگاه کرمانشاه دارای نوسانات قوی در زمستان و پاییز و ضعیف در تابستان و بهار بود. چرخه‌های چندساله بین ۲ تا ۵ و ۶ تا ۱۰ ساله مشاهده شد و شدت ضرایب موجک پس از سال ۲۰۱۰ افزایش یافته است. مقایسه با مطالعات پیشین نشان داد که پژوهش حاضر با استفاده از تحلیل موجک، چرخه‌های زمانی بارش را با دقت بیشتری بررسی کرده و نوسانات فصلی و چندساله را در چندین کلان‌شهر ایران تحلیل کرده است. علاوه بر ENSO، شاخص‌های اقلیمی NAO و MO نیز بررسی شدند. نتایج با مطالعات بین‌المللی مشابه در اروپا، چین و شبه‌قاره هند همخوانی دارد، اما تمرکز بر اقلیم خشک ایران و تنوع مکانی کلان‌شهرها رویکردی نوآورانه ارائه می‌دهد. به طور کلی، تحلیل موجک نشان داد که در بیشتر ایستگاه‌ها، نوسانات کوتاه‌مدت و بلندمدت بارش با شدت متفاوت مشاهده می‌شود. ایستگاه‌هایی مانند کرمانشاه، تبریز و مشهد دارای شدت بالای ضرایب موجک در چرخه‌های ۲ تا ۱۰ ساله هستند و تحت تأثیر شاخص‌های اقلیمی بزرگ‌مقیاس قرار دارند، در حالی که ایستگاه‌هایی مثل اهواز و کرج رفتار نسبتاً یکنواخت دارند. افزایش شدت ضرایب موجک در بازه ۲۰۰۸ تا ۲۰۲۰ نشان‌دهنده تأثیر تغییرات اقلیمی اخیر بر الگوهای بارش است. همچنین، نتایج این تحقیق نشان داد که شدت و گستره نوسانات بارش در دهه‌های اخیر با تغییرپذیری بیشتری همراه بوده است. بررسی تطبیقی بین ایستگاه‌ها بیانگر آن است که موقعیت جغرافیایی و ارتفاع نقش تعیین‌کننده‌ای در شدت چرخه‌های فصلی و چندساله ایفا می‌کند. علاوه بر آن، روندهای مشاهده‌ شده می‌تواند در مدیریت منابع آب شهری و روستایی و تدوین برنامه‌های سازگاری اقلیمی به کار گرفته شود. یافته‌ها نشان داد که ترکیب تحلیل موجک با شاخص‌های اقلیمی بزرگ‌مقیاس دقت بالاتری در شناسایی چرخه‌های بارش ایجاد می‌کند. در مجموع، پژوهش حاضر تصویری جامع از رفتار بارش در ایران ارائه داده و بستر مناسبی برای مطالعات آینده در زمینه تغییر اقلیم فراهم می‌سازد. <strong>نتیجه­گیری</strong> این پژوهش با استفاده از تبدیل موجک پیوسته ¹(CWT) تغییرپذیری زمانی بارش ماهانه در کلان‌شهرهای ایران را در بازه ۱۹۸۰ تا ۲۰۲۰ بررسی کرد و الگوهای فصلی و چندساله بارش را شناسایی نمود. نتایج نشان داد که الگوهای بارشی تحت تأثیر چرخه‌های فصلی (حدود یک سال) و چندساله (۳ تا ۱۰ ساله) قرار دارند و دوره‌های تناوبی با شدت بالا به‌ویژه در ایستگاه‌های تهران، کرمانشاه و مشهد مشاهده شد که با تغییرات شاخص‌های اقلیمی بزرگ‌مقیاس مانند ENSO و NAO هم‌زمانی دارند. در مقابل، ایستگاه‌هایی مانند اهواز با ارتفاع کمتر و شرایط گرم‌تر، شدت ضرایب موجک پایین‌تر و نظم نوسانات کمتری داشتند، که نشان‌دهنده نقش مهم عوامل جغرافیایی نظیر ارتفاع، دما و عرض جغرافیایی در رفتار زمانی بارش است. تحلیل‌ها همچنین نشان داد که از سال ۲۰۱۰ به بعد، شدت نوسانات بارشی در مقیاس‌های فصلی و چندساله در بسیاری از ایستگاه‌ها افزایش یافته و این روند می‌تواند شاهدی بر تأثیرات فزاینده تغییر اقلیم باشد. نتایج تحقیق کاربردی است و شناخت دقیق الگوهای زمانی بارش را برای مدیریت منابع آب، آمادگی در برابر خشکسالی و سیلاب، تصمیم‌گیری شهری و کشاورزی ضروری می‌سازد. همچنین، پیوند یافته‌ها با شاخص‌های اقلیمی بزرگ‌مقیاس، قابلیت استفاده از آن‌ها در مدل‌های پیش‌بینی بارش و هشدارهای زودهنگام را فراهم می‌آورد. https://esrj.sbu.ac.ir/article_106702_f15c72c5b98f4ad2fd4156fa1f461605.pdf