Investigation of pesticide residues of Moinfos and Ethion in apple and grape and health risk assessment based on Monte Carlo Simulation

Mohammadi Khangahi, Behzad; Sohili Maleki, Neda; Abbaszadeh, Lila; Safari, Gholamhossein

doi:10.61186/jert.44695.8.14.47

Manuscript ID : 1402082344695 Visit : 1343 Page: 47 - 61

10.61186/jert.44695.8.14.47

Article Type: Original Research

Investigation of pesticide residues of Moinfos and Ethion in apple and grape and health risk assessment based on Monte Carlo Simulation

Subject Areas : Environmental Health Engineering

Behzad Mohammadi Khangahi ¹ , Neda Sohili Maleki ² , Lila Abbaszadeh ³ , Gholamhossein Safari ⁴

1 - 1- Student Research Committee, Tabriz University of Medical Sciences, Tabriz, Iran
2 - Student Research Committee, Tabriz University of Medical Sciences, Tabriz, Iran
3 - .Student Research Committee, Tabriz University of Medical Sciences, Tabriz, Iran
4 - Department of Environmental Health Engineering, Faculty of Health, Tabriz University of Medical Sciences

Received: 2023-12-05 Accepted : 2024-03-03 Published : 2024-04-06

Keywords: Pesticide residues, Grape, Risk assessment, Monte Carlo Simulation, Maragheh ,

Abstract :

The residues of Moinfos and Ethion pesticides in 20 samples of apples and 12 samples of grapes, in two treatments, unwashed and washed, after extraction with a convenient, fast, effective, and safe analytical method (QuEChERS) were analyzed using gas chromatography and mass spectrometry (GC/MS). Also, the health risk assessment of pesticide residues in apple and grape samples was done using the hazard quotient (HQ) and based on the Monte Carlo simulation for two age groups of adults and children. The results showed that the average residue of ethion in unwashed apple and grape samples was lower than the maximum residue levels of the MRLs of Iran. While, the average residue of Moinphos in unwashed apple and grape samples was higher than the MRLs of Iran. Also, the pesticide residues of Ethion and Moinfos in 100% of the apple and grape samples were higher than the MRL of the European Union. After washing, the average residue of Moinfos and Ethion pesticides decreased by 47 and 45% in apple samples and 44 and 42% in grape samples, respectively. The results of risk assessment based on Monte Carlo simulation showed that the HQ value is less than one with 100% certainty in the age groups of children and adults. Therefore, the consumption of apples and grapes with these two pesticides does not pose any significant risk to the health of consumers. However, due to the use of numerous pesticides, continuous and accurate monitoring and strict regulations regarding the quality and safety of fruits are recommended.

References:

Arabameri, M., Mohammadi Moghadam, M., Monjazeb Marvdashti, L., Mehdinia, S. M., Abdolshahi, A. & Dezianian, A. 2022. Pesticide residues in pistachio nut: a human risk assessment study. International Journal of Environmental Analytical Chemistry, 102, 394 3960-7.
Bahrami, A., Ghorbani Shanh, F. & Rahimpoor, R. 2017. Comparation of health risk assessment carcinogenic hydrocarbons in workplace air in an oil-dependent industry by the Environmental Protection Agency (EPA) and the Department of Human Resources Malaysia. Iran Occupational Health, 14, 107-117.
Bajwa, U. & Sandhu, K. S. 2014. Effect of handling and processing on pesticide residues in food-a review. Journal of food science and technology, 51, 201-220.
Bouagga, A., Chaabane, H., Toumi, K., Mougou Hamdane, A., Nasraoui, B. & Joly, L. 2019. Pesticide residues in Tunisian table grapes and associated risk for consumer’s health. Food Additives & Contaminants: Part B, 12, 135-144.
Choi, Y. C., Ng, T. T., Hu, B., Li, R. & Yao, Z. P. 2020. Rapid detection of pesticides in honey by solid‐phase micro‐extraction coupled with electrospray ionization mass spectrometry. Journal of Mass Spectrometry, 55, e4380.
Dos Reis Souza, M. R., Moreira, C. O., De Lima, T. G., Aquino, A. & Dórea, H. S. 2013. Validation of a matrix solid phase dispersion (MSPD) technique for determination of pesticides in lyophilized eggs of the chicken Gallus gallus domesticus. Microchemical Journal, 110, 395-401.
El Hawari, K., Mokh, S., Al Iskandarani, M., Halloum, W. & Jaber, F. 2019. Pesticide residues in Lebanese apples and health risk assessment. Food Additives & Contaminants: Part B, 12, 81-89.
Eslami, Z., Mahdavi, V. & Tajdar-Oranj, B. 2021. Probabilistic health risk assessment based on Monte Carlo simulation for pesticide residues in date fruits of Iran. Environmental Science and Pollution Research, 28, 42037-42050.
Ganjeizadeh Rohani, F., Mahdavi, V. & Aminaei, M. M. 2014. Investigation on diazinon and oxydemeton-methyl residues in cucumbers grown in Kerman greenhouses. Environmental monitoring and assessment, 186, 3995-3999.
Hasnaki, R., Ziaee, M. & Mahdavi, V. 2023. Pesticide residues in corn and soil of corn fields of Khuzestan, Iran, and potential health risk assessment. Journal of Food Composition and Analysis, 115, 104972.
JESÚS, F., HLADKI, R., GÉREZ, N., BESIL, N., NIELL, S., FERNÁNDEZ, G., HEINZEN, H. & CESIO, M. V. 2018. Miniaturized QuEChERS based methodology for multiresidue determination of pesticides in odonate nymphs as ecosystem biomonitors. Talanta, 178, 410-418.
Kazar Soydan, D., Turgut, N., Yalçın, M., Turgut, C. & Karakuş, P. B. K. 2021. Evaluation of pesticide residues in fruits and vegetables from the Aegean region of Turkey and assessment of risk to consumers. Environmental Science and Pollution Research, 28, 27511-27519.
Khangahi, B. M., Ghayurdoost, F., Ghanbari Ghozikali, M. & Safari, G. H. 2023. Monitoring and Health Risk Assessment of Fluoride in Drinking Water Based on Monte Carlo Simulation and Sensitivity Analysis: a Study in Rural Areas of East Azerbaijan Province, Iran. Water, Air, & Soil Pollution, 234, 29.
Kujawski, M. W., Bargańska, Ż., Marciniak, K., Miedzianowska, E., Kujawski, J. K., Ślebioda, M. & Namieśnik, J. 2014. Determining pesticide contamination in honey by LC-ESI-MS/MS–comparison of pesticide recoveries of two liquid–liquid extraction based approaches. LWT-Food Science and Technology, 56, 517-523.
Lehotay, S. J., Kok, A. D., Hiemstra, M. & Bodegraven, P. V. 2005. Validation of a fast and easy method for the determination of residues from 229 pesticides in fruits and vegetables using gas and liquid chromatography and mass spectrometric detection. Journal of AOAC International, 88, 595-614.
Lehotay, S. J., Son, K. A., Kwon, H., Koesukwiwat, U., Fu, W., Mastovska, K., Hoh, E. & Leepipatpiboon, N. 2010. Comparison of QuEChERS sample preparation methods for the analysis of pesticide residues in fruits and vegetables. Journal of Chromatography a, 1217, 2548-2560.
Likudis, Z., Costarelli, V., Vitoratos, A. & Apostolopoulos, C. 2014. Pesticide residues in Greek apples with protected geographical indication or designation of origin. Journal of Pesticide Science, 39, 29-35.
Liu, Y., Bei, K., Zheng, W., Yu, G. & Sun, C. 2023. Pesticide residues risk assessment and quality evaluation of four characteristic fruits in Zhejiang Province, China. Frontiers in Environmental Science, 11, 1124094.
Lozowicka, B. 2015. Health risk for children and adults consuming apples with pesticide residue. Science of the total environment, 502, 184-198.
Mahdavi, V., Eslami, Z., Golmohammadi, G., Tajdar-Oranj, B., Behbahan, A. K. & Khaneghah, A. M. 2021. Simultaneous determination of multiple pesticide residues in Iranian saffron: A probabilistic health risk assessment. Journal of Food Composition and Analysis, 100, 103915.
Mahdavi, V., Eslami, Z., Molaee-Aghaee, E., Peivasteh-Roudsari, L., Sadighara, P., Fakhri, Y. & Ravanlou, A. A. 2022a. Evaluation of pesticide residues and risk assessment in apple and grape from western Azerbaijan Province of Iran. Environmental Research, 203, 111882
Mahdavi, V., Gordan, H., Peivasteh-Roudsari, L. & Fakhri, Y. 2022b. Carcinogenic and non-carcinogenic risk assessment induced by pesticide residues in commercially available ready-to-eat raisins of Iran based on Monte Carlo Simulation. Environmental Research, 206, 112253.
Maleki, N. S., Shakerkhatibi, M., Dolatkhah, M. & Safari, G. H. 2023. Cumulative health risk assessment of pesticide residues in apple products in the Northwest of Iran using Monte Carlo simulation. Food Additives & Contaminants: Part A, 40, 992-1010.
Mohammadi, B., Farajzadeh, M. & Safari, G. H. 2021. The Monitoring and Health Risk Assessment of Nitrate in Drinking Water in the Rural and Urban Areas of Tabriz, Iran. Journal of Human, Environment, and Health Promotion, 7(1), 15-21.
Mohammadnejad, M., Farhadpour, M., Mahdavi, V. & Tabrizchi, M. 2017. Rapid monitoring and sensitive determination of DDT and its metabolites in water sample using solid-phase extraction followed by ion mobility spectrometry. International Journal for Ion Mobility Spectrometry, 20, 23-30.
Radulović, J., Lučić, M., Nešić, A. & Onjia, A. 2023. Multivariate Assessment and Risk Ranking of Pesticide Residues in Citrus Fruits. Foods, 12, 2454.
Rejczak, T. & Tuzimski, T. 2015. A review of recent developments and trends in the QuEChERS sample preparation approach. Open Chemistry, 13, 000010151520150109.
Safari, G. H., Mohammadi, B., Farajzadeh, M. & Esmailzadeh, N. 2021. Non-carcinogenic risk assessment of drinking water nitrate in the urban and rural area of the Bostanabad County in 2017. Journal of Environmental Science Studies, 6, 3390-3395.
Salamzadeh, J., Shakoori, A. & Moradi, V. 2018. Occurrence of multiclass pesticide residues in tomato samples collected from different markets of Iran. Journal of Environmental Health Science and Engineering, 16, 55-63.
Yang, X., Luo, J., Li, S. & Liu, C. 2016. Evaluation of nine pesticide residues in three minor tropical fruits from southern China. Food Control, 60, 677-682.
Yousefi, S., Aslani, H., Shakerkhatibi, M., Mohammadian, Y. & Safari, G. H. 2022. Combined health risk assessment of organophosphates pesticide residues in greenhouse cucumber in the Northwestern of Iran based on Monte Carlo Simulations. International Journal of Environmental Analytical Chemistry, 1-16.
Zhang, Y., Si, W., Chen, L., Shen, G., Bai, B. & Zhou, C. 2021. Determination and dietary risk assessment of 284 pesticide residues in local fruit cultivars in Shanghai, China. Scientific Reports, 11, 9681.

Full-Text:

پژوهش و فناوری محیط‌زیست، 1402،(14)8، 47-61

$Description: Description: H:\لوگوی بدون پس زمینه\200px-ACECR_logo.png$

پژوهشکده محیط زیست

پژوهش و فناوری محیط زیست

شاپا الکترونیکی: 2676-3060

(http://journal.eri.acecr.ir/)

www.journal.eri.acecr.ir وبگاه نشریه:

بررسی بقایای آفتکشهای موینفوس و اتیون در سیب و انگور و ارزیابی ریسک سلامتی بر اساس شبیهسازی مونت کارلو

بهزاد محمدی خانقاهی1، ندا سهیلی ملکی1، لیلا عباس زاده1، غلامحسین صفری2*

۱، هومن هروی2، هانیه میربلوکی*3

سید عطااله حسینی¹1، خلیل محمدیفیروز2

1- دانشکده بهداشت، گروه مهندسی بهداشت محیط، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی تبریز، تبریز، ایران

2- استادیار گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی تبریز، تبریز، ایران

چکیده

اطلاعات مقاله

بقایای آفتکشهای موینفوس و اتیون در 32 نمونه (20 نمونه سیب و 12 نمونه انگور) مراغه، در دو تیمار شسته نشده و شسته شده پس از استخراج با روش تجزیه‌ای راحت، سریع، مؤثر و ایمن (QuEChERS) توسط دستگاه کروماتوگرافی گازی و طیف‌سنجی جرمی (GC/MS) آنالیز شدند. همچنین، ارزیابی ریسک بهداشتی ناشی از آفت‌کش‌ها در محصولات سیب و انگور با استفاده از شاخص نسبت خطر (HQ) و بر‌اساس شبیه‌سازی مونت‌کارلو برای دو گروه سنی بزرگسالان و کودکان انجام شد. نتایج نشان داد که میانگین باقی‌مانده آفت‌کش اتیون در نمونه‌های سیب و انگور پایین‌تر از حداکثر باقی‌مانده مجاز (MRL) ایران است، در حالی‌که میانگین باقی‌مانده آفت‌کش موینفوس در نمونه‌های سیب و انگور بالاتر از MRL ایران است. همچنین باقی‌مانده آفت‌کشهای اتیون و موینفوس در 100 درصد نمونه‌های سیب و انگور آنالیز شده بالاتر از MRL اتحادیه اروپا بود. میانگین باقی‌مانده آفت‌کش‌های موینفوس و اتیون پس از شستشو در نمونه‌های سیب به ترتیب 47 و 45 درصد و در نمونه‌های انگور 44 و 42 درصد کاهش یافت. نتایج ارزیابی ریسک بهداشتی بر‌اساس شبیه‌سازی مونت‌کارلو نشان داد که مقدار HQ با اطمینان 100 درصد در گروههای سنی کودکان و بزرگسالان کمتر از یک است. از اینرو، مصرف سیب و انگور با این دو آفت‌کش هیچ‌گونه خطر قابل‌توجهی برای سلامتی مصرف‌کنندگان ندارند. با این‌حال، با توجه به استفاده از آفت‌کش‌های متعدد، نظارت مستمر و دقیق و مقررات سختگیرانه در رابطه با کیفیت و ایمنی میوه‌ها و سبزیجات توصیه می‌شود.

نوع مقاله:

پژوهشی

تاریخ دریافت:

14/09/1402

تاریخ پذیرش:

13/12/1402

دسترسی آنلاین: 17/01/1403

كليد واژه‌ها:

باقیمانده آفتکش،

انگور،

ارزیابی ریسک،

شبیه‌سازی مونت‌ کارلو،

مراغه

[1] *پست الکترونیکی نویسنده مسئول: hsafari13@yahoo.com

Journal of Environmental Research and Technology, 8(14)2023. 47-61

$Description: Description: H:\لوگوی بدون پس زمینه\200px-ACECR_logo.png$

Environmental Research institute

Online ISSN: 3060-2676

journal homepage: www.journal.eri.acecr.ir

Journal of Environmental Research and Technology

Investigation of pesticide residues of Moinfos and Ethion in apple and grape and health risk assessment based on Monte Carlo Simulation

Behzad Mohammadi Khangahi1, Neda Soheili Maleki1, Lila Abbaszadeh1, Gholam Hossein Safari2*¹

1- Faculty of Health, Department of Environmental Health Engineering, Student Research Committee, Tabriz University of Medical Sciences, Tabriz, Iran

2- Assistant Professor, Department of Environmental Health Engineering, Faculty of Health, Tabriz University of Medical Sciences, Tabriz, Iran

Article Info

Abstract

Article type:

Research Article

Article history:

Received: 05/12/2023

Accepted: 03/03/2024

Available online:

05/04/2024

Keywords:

Pesticide residues, Grape,

Risk assessment, Monte Carlo Simulation, Maragheh

[1] * Corresponding author E-mail address: hsafari13@yahoo.com

مقدمه

آفت‌کش‌ها به‌طور گسترده در کشاورزی مدرن مورد استفاده قرار می‌گیرند و یک روش مؤثر و اقتصادی برای افزایش کیفیت و کمیت محصولات کشاورزی هستند. تقریباً 45 درصد از تولید سالیانه محصولات غذایی به دلیل هجوم آفات از بین می‌روند. بنابراین، مدیریت مؤثر آفات با استفاده از طیف وسیعی از آفت‌کش‌ها برای مقابله با آفات و افزایش تولید محصول موردنیاز است و می‌تواند امنیت غذایی را برای جمعیت در حال رشد در سراسر جهان تضمین کند (Sharma et al., 2019; Hadian et al., 2019; Amirahmadi et al., 2018). اگرچه آفت‌کش‌ها ازنظر تولید محصولات کشاورزی مفید هستند، اما استفاده گسترده از آفت‌کش‌ها به‌دلیل بزرگنمایی زیستی¹ و طبیعت پایدار آن‌ها می‌تواند پیامدهای جدی داشته باشد. آفت‌کش‌های مختلف به‌طور مستقیم یا غیرمستقیم هوا، آب، خاک و اکوسیستم کلی را آلوده می‌کنند که باعث ایجاد خطر جدی برای سلامتی موجودات زنده می‌شود (Sharma et al., 2019).

باقی‌مانده آفت‌کش‌ها بر روی محصولات غذایی می‌تواند باعث آسیب به محیط‌زیست و ایجاد مشکلات سلامتی مانند ایجاد سردرد، تهوع، خاصیت سرطان‌زایی، اختلالات کبدی، اختلال غدد درون‌ریز، اختلالات عصبی،اختلالات ژنتیکی و متابولیکی در انسان شود (Bajwa and Sandhu, 2014, Liu et al., 2023, Radulović et al., 2023). ازطرف دیگر به دلیل رشد روزافزون جمعیت جهانی و افزایش تقاضا برای مواد غذایی و محصولات کشاورزی، استفاده از آفت‌کش‌ها جهت افزایش بهره‌وری محصولات کشاورزی در واحد سطح اجتناب‌ناپذیر است. میوه‌ها و سبزیجات ازجمله محصولات کشاورزی هستند که در برابر هجوم حشرات و سایر آفات آسیب‌پذیرتر هستند بنابراین در این محصولات برای کنترل حشرات و سایر آفات، افزایش ماندگاری و کنترل علف‌های هرز، استفاده از انواع مختلف آفت‌کش‌های شیمیایی رواج یافته است (Ganjeizadeh Rohani et al., 2014, Mahdavi et al., 2021).

بر اساس داده‌های FAO میزان آفت‌کش‌های مورد استفاده بین سال‌‌های 1990 تا 2020 حدود 60 درصد افزایش یافته است. گرم شدن کره زمین باعث رشد و تکثیر آفات می‌شود. از این‌رو، احتمالاً در آینده از آفت‌کش‌های بیشتری نیز استفاده خواهد شد. متوسط مصرف جهانی آفت‌کش‌های کشاورزی از 22/1 کیلوگرم در هکتار زمین زراعی در سال 1990 به بیش از 26/2 کیلوگرم در سال 2021 افزایش یافته است. همچنین مصرف جهانی آفت‌کش‌های کشاورزی از 7/2 میلیون تن در سال 2015 به 53/3 میلیون تن در سال 2021 رسیده است (Statista 2022). طبق گزارش سازمان خواربار و کشاورزی ملل متحد (FAO²)، کشورهای آسیایی بالاترین میزان استفاده از آفت‌کش‌ها را دارند که حدود 2 میلیون تن در سال 2011 بوده است (FAO, 2016). در سال 2014 حدود 24000 تن آفت‌کش در ایران مصرف شده است (Dehghani et al., 2018). زعیم و همکاران مصرف آفت‌کش‌های کشاورزی در ایران را طی سال‌های 2012-2014 مورد مطالعه قرار دادند. نتایج این مطالعه نشان داد که به‌طور متوسط سالانه حدود 14000 تن سموم دفع آفات کشاورزی (برحسب مواد مؤثره) در ایران استفاده می‌شود که بیشترین حجم مصرفی را علف‌کش‌ها (43 درصد) و پس از آن حشره‌کش‌ها و کنه‌کش‌ها (37 درصد) و قارچ‌کش‌ها (19 درصد) تشکیل می‌دهند (Morteza et al., 2017). بنابر‌این، با توجه به 19 میلیون هکتار زمین کشاورزی در ایران می‌توان گفت که میزان مصرف آفت‌کش‌ها در ایران در محدوده 74/0-26/1 کیلوگرم در هکتار زمین زراعی است.

با افزایش آگاهی مصرف‌کنندگان و تقاضای بیشتر برای غذاهای سالم و بهداشتی، پایش و نظارت بر آفت‌کش‌های باقی‌مانده بر روی محصولات کشاورزی در کشورهای مختلف گسترش‌یافته است و سازمان جهانی بهداشت(WHO)³ و سازمان خواربار و کشاورزی (فائو) استانداردی تحت عنوان حداکثر مجاز باقی‌مانده آفت‌کش‌ها بر روی محصولات غذایی (MRL)⁴ تدوین نموده است (Arabameri et al., 2022). همچنین آژانش حفاظت از محیط‌زیست ایالات‌متحده امریکا (EPA)⁵ شاخص مقدار خطر(HQ)⁶ را برای این منظور ارائه داده است که در این فرایند احتمال وقوع اثرات مضر بر سلامتی انسان در اثر مواجهه با آفت‌کش‌های باقی‌مانده بر روی مواد غذایی تخمین زده می‌شود (Bahrami et al., 2017, Mahdavi et al., 2022b). روش‌های مختلفی مانند روش استخراج مایع- مایع (LLE)⁷(Kujawski et al., 2014)، استخراج فاز جامد (SPE)⁸(Mohammadnejad et al., 2017)، استخراج فاز جامد پراکنده (MSPD)⁹(dos Reis Souza et al., 2013)، استخراج فاز جامد میکرو (SPME)¹⁰(Choi et al., 2020) جهت اندازه‌گیری باقی‌مانده آفت‌کش‌ها بر روی محصولات غذایی ابداع و توسعه داده شده‌اند. QuEChERS¹¹ روش جدیدی است که برای اندازه‌گیری آفت‌کش‌های مختلف قطبی، نیمه قطبی و غیرقطبی، تجزیه‌وتحلیل طیف وسیع آنالیت‌ها در نمونه‌‌های بسیار متنوع مانند داروهای دامپزشکی و سایر داروها، هیدروکربن‌های آروماتیک چند حلقه‌ای (PAHs)¹² ، رنگ‌ها و ... کاربرد دارد (Lehotay et al., 2010, Salamzadeh et al., 2018, Rejczak and Tuzimski, 2015). استفاده از روش QuEChERS باعث کاهش مصرف حلال‌ها، کاهش تولید مواد زاید و کاهش هزینه‌ها می‌شود (Lehotay et al., 2005). همچنین این روش امکان اندازه‌گیری هم‌زمان چندین آفت‌کش را فراهم می‌کند (Jesús et al., 2018). در سال‌های اخیر روش QuEChERS به دلیل مزیت‌های مختلف آن به‌طور گسترده توسط محققین برای اندازه‌گیری باقی‌مانده آفت‌کش‌ها بر روی محصولات غذایی استفاده‌شده است. به‌عنوان‌مثال در مطالعات یوسفی و همکاران (Yousefi et al., 2022)، مهدوی و همکاران (Mahdavi et al., 2022a)، اسلامی و همکاران (Eslami et al., 2021) و سهیلی و همکاران (Maleki et al., 2023) از تکنیک QuEChERS استفاده شده است.

هیچ‌گونه شواهدی مبنی بر سرطان‌زایی آفت‌کش‌های موینفوس و اتیون برای انسان وجود ندارد. موینفوس و اتیون توسط آژانس بین‌المللی تحقیقات سرطان (IARC¹³) یا آژانس حفاظت از محیط‌زیست ایالات‌متحده آمریكا برای سرطان‌زایی طبقه‌بندی نشده است (US EPA, 2005). مشخصات فیزیکوشیمیایی آفتکشهای مورد مطالعه در این پژوهش بر اساس روش نفوذ، نوع اثر، دوره کارنس (PHI¹⁴)، سمیت LD50)¹⁵)، فرمول ملکولی و حلالیت در جدول 1 ارائه شده است. مطالعه‌ی حاضر با هدف تعیین باقی‌مانده آفت‌کش‌های موینفوس و اتیون در میوه‌های سیب و انگور شهرستان مراغه با استفاده از روش QuEChERS‌ انجام شد. علاوه بر آن در این مطالعه، پتانسیل خطرات مرتبط با سلامتی انسان در اثر مواجهه با آفت‌کش‌های موینفوس و اتیون برای گروه‌های سنی کودکان و بزرگسالان ارزیابی شد و با استفاده از شبیه‌سازی مونت‌کارلو تأثیر عدم قطعیت پارامترهای مختلف بر نتایج به حداقل رسید. نتایج حاصل از این مطالعه می‌تواند به مسئولان ذیربط در زمینه آگاهی از غلظت آفت‌کش‌های باقی‌مانده و خطرات مواجهه با آن‌ها کمک کننده باشد.

جدول (1) مشخصات آفتکشهای مورد مطالعه در این پژوهش

آفتکش

نوع

روش نفوذ

نوع اثر

PHI (روز)

سمیت (LD50)

mg/kg

فرمول مولکولی

حلالیت ((mg/l

موینفوس

حشرهکش،

مجاز

سیستمیک

تماسی

3-1

5/7

C7H13O6P

miscible

اتیون

حشرهکش،

مجاز

غیرسیستمیک

تماسی

208

C9H22O4P2S4

2 در c° 25

منطقه مورد مطالعه

این مطالعه در شهرستان مراغه واقع در استان آذربایجان شرقی انجام گردید. این شهرستان با وسعتي معادل 65/2185 كيلومتر مربع 8/4 درصد از كل مساحت استان آذربایجانشرقی را به خود اختصاص داده است و از نظر مختصات جغرافيايي در عرض شمالي 37 درجه و 1 دقيقه الي 37 درجه و 45 دقيقه و در طول شرقي 46 درجه و 9 دقيقه الي 46 درجه و 44 دقيقه قرار گرفته است. شهرستان مراغه از سمت شمال با شهرستان تبريز، از شرق با شهرستان هشترود، از جنوب با استان آذربايجان غربي و شهرستان ملكان، از جنوب‌شرق با شهرستان چاراويماق، از غرب با شهرستان بناب و از شمال‌غرب با شهرستان اسكو و عجب‌شير هم‌جوار است.

مواد و روش‌ها

نمونه‌برداری

نمونهبرداری در طول دو فصل تابستان و پاییز سال 1400 از میدان میوه‌و‌ترهبار مرکزی شهرستان مراغه از توابع استان آذربایجان شرقی در شمال غرب ایران انجام شد و به تعداد کل 16 نمونه (10 نمونه سیب و 6 نمونه انگور) با فاصله زمانی دو هفتهای جهت آنالیز باقی‌مانده آفت‌کش‌ها نمونه‌برداری شد. روش تصادفی ساده طبق روش توصیه شده کدکس¹⁶ برای نمونه‌برداری استفاده شد و نمونهها به‌صورت بسته‌بندی‌شده با کیسه‌های پلاستیکی مشکی و در دمای 4 درجه سلسیوس (جهت جلوگیری از تجزیه آفت‌کش‌ها توسط نور خورشید) به آزمایشگاه منتقل شدند.

آماده‌سازی نمونه‌ها

تعداد 32 نمونه در آزمایشگاه در دو تیمار شسته شده (10 نمونه سیب و 6 نمونه انگور) و شسته نشده (10 نمونه سیب و 6 نمونه انگور برای آنالیز آماده شدند. در حالت بدون شستشو نمونه‌های سیب و انگور بدون هیچ‌گونه شستشو و دست‌کاری وارد مرحله بعدی شدند اما در حالت شستشو نمونه‌ها بدون استفاده از مایع شوینده و به‌صورت غوطه‌وری در آب به مدت 1 دقیقه شستشو شدند و سپس وارد مرحله بعدی شدند.

محاسبه ضریب فرآوری (PF¹⁷)

ضریب فرآوری در حقیقت نسبت باقیمانده آفت‌کش در مواد غذایی فرآوری شده به باقیمانده آفت‌کش در مواد غذایی فرآوری نشده است. ضریب فرآوری مطابق مطالعات قبلی انجام‌شده با استفاده از رابطه زیر تعیین شد(Shakoori et al., 2018; Terfe et al., 2023):

(میانگین باقیمانده آفت‌کش‌ها در نمونه‌های پس از تیمار)/ (میانگین باقیمانده آفت‌کش‌ها در نمونه‌ها قبل از تیمار)PF=

پس از محاسبه ضریب فرآوری، درصد کاهش طبق فرمول زیر به دست آمد: = (1-PF) × 100 درصد کاهش

استخراج و آنالیز نمونه‌ها

استخراج نمونه‌ها با استفاده از روشQuEChERS اصلاح‌شده و مطابق مطالعه Lehotay و همکاران (Lehotay et al., 2010) انجام گردید که در شکل 1 خلاصه‌شده است. نمونه‌ها پس از استخراج توسط دستگاه GC-MS ساخت کشور آمریکا در سال 2012 با مدلGC Agilent technology و دتکتور طیف‌سنجی جرمی MSEI–Triple quadrupole مورد آنالیز قرار گرفتند. در این مطالعه از ستون کپیلاری HP-5MS با طول 30 متر و قطرداخلی 25/0 میلی‌متر برای آنالیز نمونه‌ها استفاده شد. دمای انژکتور 250 درجه سلسیوس بود و گاز هلیوم به با سرعت جریان 1 میلی‌لیتر در دقیقه به‌عنوان گاز حامل مورد استفاده قرار گرفت و باقی‌مانده آفت‌کش‌های موینفوس و اتیون در نمونه‌های سیب و انگور آنالیز شد.

اعتبارسنجی روش

اعتبارسنجی روش براساس دستورالعمل اتحادیه اروپا در آنالیز سموم انجام شد (SANTE 2021). در این راستا پارامترهای خطی بودن روش، مطالعات صحت و دقت، ضریب بازیابی، انحراف معیار نسبی، تعیین حد تشخیص (LOD¹⁸) و حد تعیین مقدار (LOQ¹⁹) مورد بررسی قرار گرفت. پارامترهای مرتبط با اعتبارسنجی آنالیز باقیمانده آفت‌کش‌ها با استفاده از GC-MC در جدول 2 ارائه شده است.

$img0$

شکل (1) مراحل استخراج باقی‌مانده آفت‌کش‌ها بر روی میوه‌های سیب و انگور

‌جدول (2) پارامترهای مرتبط با اعتبارسنجی باقیمانده آفت‌کش‌ها با استفاده از GC-MC

میوه	آفت‌کش	میانگین بازیابی (%)	انحراف معیار نسبی (%)	LOD (mg/kg)	LOQ (mg/kg)	R2
سیب	موینفوس	5/89	69/2	006/0	020/0	995/0
سیب	اتیون	106	11/9	005/0	017/0	997/0
انگور	موینفوس	3/91	76/8	005/0	017/0	993/0
انگور	اتیون	7/99	54/7	003/0	010/0	991/0

ارزیابی ریسک بر اساس شبیه‌سازی مونت‌کارلو

در این مطالعه برای محاسبه اثرات مضر مواجه با آفت‌کش‌های باقی‌مانده بر روی میوه‌های سیب و انگور از روش توصیه شده توسط EPA استفاده شد و میزان دریافت روزانه آفت‌کش‌ها به ازای هر کیلوگرم وزن بدن مصرف کننده و ارزیابی ریسک خطر غیر سرطان‌زای آفت‌کش‌ها در نمونه‌های سیب و انگور به ترتیب بر اساس رابطه‌های (1) و (2) محاسبه شد.

رابطه (1) EDI = (C × DI)/BW رابطه (2) HQ = (EDI/ADI)

C²⁰ = میانگین غلظت آفتکشها در نمونههای سیب و انگور (mg/kg)

DI²¹ = مقدار مصرف روزانه سیب یا انگور (kg/person/d)

W²² = میانگین وزن بدن مصرف کنندگان (kg)

HQ²³ = نسبت خطر باقیمانده یک آفتکش منفرد ناشی از مصرف سیب یا انگور (شسته نشده و شسته شده)

EDI²⁴ = دریافت روزانه برآورد شده (mg/kg bw/d)

ADI²⁵ = دریافت روزانه قابل قبول (mg/kg bw/d)

جمعیت مورد بررسی در این مطالعه به دو گروه سنی کودکان با میانگین وزن بدن 15 کیلوگرم و بزرگسالان با میانگین وزن بدن 70 کیلوگرم مطابق مطالعه مهدوی و همکاران (2022a) تقسیم‌بندی شد مقدار ADI برای آفت‌کش‌های موینفوس و اتیون به ترتیب برابر با 0025/0 و 002/0 میلی‌گرم به ازای هر کیلوگرم وزن بدن در روز در نظر گرفته شد (Maleki et al., 2023). همچنین میانگین مصرف سیب و انگور به ترتیب 109/0 و 041/0 کیلوگرم به ازای هر نفر در روز در نظر گرفته شد (Mahdavi et al., 2022a).

ارزیابی خطر سلامتی تجمعی ناشی از باقیمانده‌های آفت‌کش‌های دیازینون و کلرپیریفوس در نمونه‌های سیب و انگور بر اساس شاخص خطر (HI²⁶) با استفاده از رابطه (3) محاسبه شد (Yousefi et al., 2022, Maleki et al., 2023).

رابطه (3) HI= ∑ HQ

HQ بزرگتر از 1 نشان‌دهنده‌ی خطر بالقوه سلامتی برای انسان است و باید اقدامات کنترلی برای کاهش خطر اجرا شود در حالی که HQ کمتر از 1 نشان‌دهنده‌ی عدم خطر است (Mohammadi et al., 2021, Safari et al., 2021). روش مونت‌کارلو یکی از ابزارهای قدرتمند در تجزیه‌وتحلیل ریسک است که به‌طور گسترده توسط محققین استفاده می‌شود. این تکنیک تأثیر عدم قطعیت پارامترهای مختلف در نتایج شبیه‌سازی را به حداقل می‌رساند و سناریوهای متعددی را از یک مدل با در نظر گرفتن ارزش آن‌ها در زمینه توزیع احتمال متغیر مورد بررسی به وجود می‌آورد (Khangahi et al., 2023). در این مطالعه، برای شبیه‌سازی مونت‌کارلو از نرم‌افزار Crystal Ball نسخه (11.1.2.3, Oracle, Inc, USA) استفاده شد و شبیه‌سازی مونت‌کارلو به تعداد10000 تکرار انجام شد.

آنالیز آماری داده‌ها

توصیف آماری داده‌ها با استفاده از آمار توصیفی به‌صورت میانگین، انحراف معیار، حداکثر و حداقل و توسط نرم‌افزار SPSS نسخه 27.0.1 صورت گرفت. ارزیابی ریسک نیز با استفاده از روش مونت‌کارلو و نرم‌افزار Crystal Ball نسخه (11.1.2.3, Oracle, Inc, USA) به تعداد 10000 تکرار انجام شد.

يافتههای پژوهش

میزان باقیمانده آفت‌کش‌ها در نمونه‌های سیب و انگور در تیمارهای مختلف

100 درصد نمونه‌های سیب و انگور در هر دو تیمار شسته شده و شسته نشده دارای آفت‌کش‌های موینفوس و اتیون بودند. حداکثر غلظت مشاهده شده مربوط به آفت‌کش موینفوس با غلظت 25/0 میلی‌گرم بر کیلوگرم در نمونه‌های انگور شسته نشده و حداقل غلظت مشاهده شده مربوط به آفت‌کش اتیون با غلظت 01/0 میلی‌گرم بر کیلوگرم در نمونه‌های انگور شسته شده بود. میانگین باقیمانده آفت‌کش موینفوس در نمونه‌های سیب شسته نشده و شسته شده به ترتیب 122/0 و 065/0 میلی‌گرم بر کیلوگرم و در نمونه‌های انگور شسته نشده و شسته شده به ترتیب 126/0 و 073/0 میلی‌گرم بر کیلوگرم بود. همچنین میانگین باقیمانده آفت‌کش اتیون در نمونه‌های سیب شسته نشده و شسته شده به ترتیب 077/0 و 042/0 میلی‌گرم بر کیلوگرم و در نمونه‌های انگور شسته نشده و شسته شده به ترتیب 090/0و 050/0 میلی‌گرم بر کیلوگرم بود. میزان باقیمانده آفت‌کش‌های موینفوس و اتیون در نمونه‌های سیب و انگور در تیمارهای مختلف در جدول 3 ارائه شده است. میزان باقیمانده آفت‌کش‌ اتیون در 100 درصد نمونه‌های سیب و انگور کمتر از MRL ایران بودند. در حالی‌که میزان باقیمانده آفت‌کش موینفوس در 90 درصد نمونه‌های سیب (18 نمونه) و در 75 درصد نمونه‌های انگور (9 نمونه) بالاتر از MRL توصیه شده توسط ایران بودند. همچنین میزان باقیمانده آفت‌کش‌های موینفوس و اتیون در 100 درصد نمونه‌های سیب و انگور مساوی یا بالاتر از MRL توصیه شده توسط اتحادیه اروپا بودند. میزان وقوع آفت‌کش‌های موینفوس و اتیون در نمونه‌های سیب و انگور و MRLهای توصیه شده توسط ایران و اتحادیه اروپا در جدول 4 ارائه شده است.

جدول (3) میزان باقیمانده آفت‌کش‌های موینفوس و اتیون در نمونه‌های سیب و انگور در تیمارهای مختلف

نوع میوه	نوع آفت‌کش	نوع تیمار	حداقل (mg/kg)	حداکثر (mg/kg)	میانگین (mg/kg)	انحراف معیار
سیب	موینفوس	شسته نشده	10/0	14/0	122/0	0131/0
	موینفوس	شسته شده	05/0	09/0	065/0	0117/0
	اتیون	شسته نشده	06/0	09/0	077/0	0115/0
	اتیون	شسته شده	03/0	06/0	042/0	0103/0
انگور	موینفوس	شسته نشده	05/0	25/0	126/0	0709/0
	موینفوس	شسته شده	04/0	16/0	073/0	0436/0
	اتیون	شسته نشده	05/0	16/0	09/0	0503/0
	اتیون	شسته شده	01/0	1/0	05/0	0326/0

جدول (4) توزیع آفت‌کش‌ها در نمونه‌های سیب و انگور و MRL‌های مربوط به ایران و اتحادیه اروپا

میوه	آفت‌کش	نوع تیمار	تعداد آفت‌کش‌های یافت شده در هر دامنه					MRL ایران	MRL اروپا
میوه	آفت‌کش	نوع تیمار	LOD >	LOQ > - LOD ≤	MRL IR≥ - LOQ ≤	IR< MRL	EU< MRL	MRL ایران	MRL اروپا
سیب	موینفوس	شسته نشده	0	0	0	10	10	05/0	01/0
	موینفوس	شسته شده	0	0	2	8	10	05/0	01/0
	اتیون	شسته نشده	0	0	10	0	10	1	01/0
	اتیون	شسته شده	0	0	10	0	10	1	01/0
انگور	موینفوس	شسته نشده	0	0	1	5	6	05/0	01/0
	موینفوس	شسته شده	0	0	2	4	6	05/0	01/0
	اتیون	شسته نشده	0	0	6	0	6	1	01/0
	اتیون	شسته شده	0	0	6	0	5	1	01/0

اثر فرایند شستشو

ضریب فرآوری برای شستشوی نمونه‌های سیب و انگور برای هر دو آفت‌کش مورد مطالعه کمتر از 1 بود و میانگین باقیمانده آفت‌کش‌های موینفوس و اتیون پس از شستشو در نمونه‌های سیب به ترتیب 47 و 45 درصد و در نمونه‌های انگور 44 و 42 درصد کاهش یافت. ضریب فر‌‌آوری و درصد کاهش آفت‌کش‌های موینفوس و اتیون پس از فرایند شستشو در نمونه‌های سیب و انگور در جدول 5 ارائه شده است.

ارزیابی ریسک و شبیه‌سازی مونت‌کارلو

نتایج ارزیابی ریسک نشان داد که میزان HQ ناشی از باقی‌مانده آفت‌کش‌های موینفوس و اتیون در 100 درصد نمونه‌های سیب و انگور بررسی شده برای گروه‌های سنی کودکان و بزرگسالان کمتر از 1 است و مصرف سیب و انگور در کوتاه‌مدت خطرات سلامتی قابل‌توجهی برای مصرف‌کنندگان ندارد. نتایج حاصل از ارزیابی ریسک ناشی از باقی‌مانده آفت‌کش‌های موینفوس و اتیون در نمونههای سیب و انگور در دو تیمار شسته نشده و شسته شده در جدول 6 نشان داده شده است. همچنین نتایج ارزیابی ریسک نشان داد که بالاترین مقدار HQ در میوه سیب و انگور مربوط به آفت‌کش موینفوس در گروه سنی کودکان است. توزیع احتمال HQ ناشی از آفت‌کش موینفوس برای گروه سنی کودکان در نمونه‌های سیب و انگور با استفاده از شبیه‌سازی مونت‌کارلو نشان به ترتیب در شکل‌های 2 و 3 نشان داده شده است. بر اساس تجزیه‌وتحلیل نتایج شبیه‌سازی مونت‌کارلو با اطمینان 95 درصد، بیشترین و کمترین محدوده HQ آفت‌کش موینفوس در نمونه‌های سیب برای گروه سنی کودکان به ترتیب برابر با41/0 و 29/0 بود. احتمال این‌که مقدار HQ برای این گروه بالاتر از 41/0 باشد تنها 31/2 درصد است و در 100 درصد مواقع مقدار HQ کمتر از 1 است. همچنین ارزیابی خطر تجمعی ناشی از مواجهه با بقایای آفت‌کش‌های موینفوس و اتیون در نمونه‌های سیب و انگور نشان می‌دهد که هیچ‌گونه خطر سلامتی قابل‌توجهی برای گروه‌های سنی بزرگسالان و کودکان وجود ندارد و مقادیر شاخص خطر (HI) کمتر از 1 است. مقادیر HI ناشی از ارزیابی خطر تجمعی آفت‌کش‌های موینفوس و اتیون در نمونه‌های سیب و انگور برای گروه‌های سنی کودکان و بزرگسالان در شکل 4 نشان داده شده است.

جدول (5) ضریب فر‌‌آوری و درصد کاهش آفت‌کش‌های موینفوس و اتیون در نمونه‌های سیب و انگور

آفت‌کش	انگور				سیب
	شسته نشده	شسته شده			شسته نشده	شسته شده
	میانگین (mg/kg)	میانگین (mg/kg)	ضریب فرآوری (PF)	کاهش (%)	میانگین (mg/kg)	میانگین (mg/kg)	ضریب فرآوری (PF)	کاهش (%)
موینفوس	126/0	073/0	58/0	42	122/0	065/0	53/0	47
اتیون	09/0	05/0	56/0	44	077/0	042/0	55/0	45

جدول(6) ارزیابی ریسک ناشی از باقی‌مانده آفت‌کش‌های موینفوس و اتیون در نمونههای سیب و انگور

میوه

آفت‌کش

نوع فرآوری

ADI

(mg/kg bw/day)

EDI (mg/kg bw/day)

کودکان

بزرگسالان

کودکان

بزرگسالان

میانگین

حداکثر

میانگین

حداکثر

میانگین

حداکثر

میانگین

حداکثر

سیب

موینفوس

شسته نشده

0025/0

0009/0

001/0

0002/0

00025/0

35/0

41/0

085/0

095/0

شسته شده

0005/0

0007/0

0001/0

00015/0

19/0

26/0

045/0

065/0

اتیون

شسته نشده

0002/0

0006/0

0007/0

0001/0

00015/0

28/0

33/0

065/0

075/0

شسته شده

0003/0

0004/0

0007/0

00097/0

15/0

22/0

035/0

05/0

انگور

موینفوس

شسته نشده

0025/0

00045/0

00095/0

00012/0

00024/0

18/0

35/0

048/0

095/0

شسته شده

00028/0

00060/0

000069/0

00015/0

11/0

24/0

028/0

060/0

اتیون

شسته نشده

002/0

00034/0

00060/0

000085/0

00015/0

17/0

30/0

043/0

076/0

شسته شده

00019/0

00038/0

000047/0

000095/0

094/0

19/0

024/0

047/0

$Description: C:\Users\Behzad\Desktop\Untitled.jpg$

شکل (2) توزیع احتمال HQ موینفوس برای گروه کودکان در سیب

$Description: C:\Users\Behzad\Desktop\2.jpg$

شکل (3) توزیع احتمال HQ موینفوس برای گروه کودکان در انگور

شکل (4) مقادیر HI ناشی از آفت‌کش‌های موینفوس و اتیون برای کودکان و بزرگسالان

بحث و نتيجهگيری

بر روی تصویر بزرگی تغییرات مناطقی که نشان دهنده تغییرات معنی‌داری نسبت به گذشته هستند با رنگ قرمز مشخص شده است؛ رنگهای این تصویر با کدبندی به دو طبقه تغییر یافته (رنگ قرمز) و بدون تغییر (رنگ سفید) گروهبندی شده است. بر روی تصویر نهایی تغییرات نیز می‌توان انواع مختلف تغییرات کاربری قابل پیش‌بینی را مشخص و درنهایت کدبندی کرد. روی این تصویر چهار گروه کد یا رنگ قابل پیشبینی است که نشاندهنده چهار پدیده مختلف هستند. در این نقشه چهار کد مناطق بدون تغییر، توسعه فعالیتهای شهری، تخریب جنگل و توسعه فعالیتهای کشاورزی نشان داده شده است. در کدبندی تغییرات، توسعه فعالیتهای شهرسازی با یک کد نمایش داده شده است. مناطقی که کاربری آن تغییر نیافتهاند و با رنگ کرم مشخص شدهاند، در این طبقه ارزشهای دو باند بین دو تاریخ تغییرات معنیداری را از خود نشان نمیدهند. رنگ قرمز که در آن ارزش باند قرمز از تاریخ اول به دوم افزایش و ارزش باند مادون قرمز کاهش نسبی دارد و نشاندهنده کاهش شدید تولیدات فتوسنتزی به دلیل تخریب پوشش جنگلی و نیز تغییر کاربری اراضی کشاورزی به غیر کشاورزی است. این مناطق که در آن تخریب جنگل صورت گرفته عمدتاً شامل شهرهای ساری، نکا و بهشهر یعنی مناطق شرق استان و نیز دربرگیرنده شهر تنکابن و سوادکوه نیز است و رنگ سبز تیره که در آن به ترتیب ارزشهای باند قرمز و باند مادون قرمز از تاریخ اول به دوم کاهش و افزایش نسبی دارند و بیانگر افزایش شدید فعالیتهای فتوسنتزی به دلیل تبدیل کاربری اراضی به کشاورزی است. این تبدیل در کل استان دیده میشود؛ اما عمدتاً شامل سوادکوه و غرب ساری است و همچنین شهرهای نور، گلوگاه و تنکابن را شامل میشود. رنگ آبی بیانگر کاهش و افزایش نسبی ارزش‌های هر دو باند بین دو تاریخ است، نشان‌دهنده توسعه انواع فعالیت‌های شهری هستند که شامل چالوس، نوشهر و بابلسر است یعنی عمدتاً شامل غرب استان است. این نتایج با نتایج پژوهش میرزایی و همکاران (1392) و رجایی و همکاران (1399) همخوانی دارد که هر دو پژوهش تغییرات کاربری اراضی مازندران را ارزیابی کرده و کاهش پوشش جنگلی و افزایش توسعه شهری را اعلام کردهاند. لازم به ذکر است در مناطق مسکونی به دلیل این‌که بازتابشها تحت تأثیر شرایط فیزیکی و زیستی (پوشش گیاهی، مواد ساختمانی و خاک) هستند، نمیتوان رفتار طیفی مشخصی را برای مناطق ساختمانی در نظر گرفت و انواع مناطق مسکونی (کم تراکم، متراکم و تجاری در هر باند رفتار طیفی متفاوت دارند (کلافام²⁷، 2005؛ ماخام²⁸ و بارکر²⁹، 1987). لذا دو منطقه جدید شهری با درصد ساختمان، پوشش گیاهی و خاک متفاوت در بررسی روند تغییرات، جهات مختلفی را نشان خواهند داد (کلافام، 2005).

روش آشکارسازی برداری تغییرات مزایا و محدودیتهایی دارد که به هنگام کاربرد بایستی به آن‌ها توجه کرد. از مزایای اصلی روش CVA نسبت به سایر روش‌ها این است که امکان استفاده از تمامی باندهای تصاویر ماهوارهای (یا باندهای انتخاب شده بر اساس ماهیت مطالعه برای آشکارسازی تغییرات وجود دارد (جنسن، 2005؛ مالیلا،1980؛ میکالک³⁰ و همکاران، 1993). بعضی از تکنیکهای آشکارسازی تغییرات نظیر تفریق یا تقسیم تصاویر فقط قادرند مناطق تغییریافته و بدون تغییر را نشان دهند، در حالی که CVA در کنار بعد تغييرات مسیر و جهت تغییرات را نیز مشخص میکند (لیو و همکاران، 2004 ؛ مالیلا،1980). از مزایای این روش میتوان به این مهم اشاره کرد که به‌واسطه مقایسه ارزشهای رقومی پیکسل‌ها هم موقعیت دو تصویر با یکدیگر، خطاهای هم‌پوشانی ناشی از مقایسه پس از طبقهبندی طیفی تصاویر ماهوارهای در این روش وجود ندارد (لیو و همکاران، 2004؛ وارنر³¹، 2006). همچنین این روش میتواند تمامی تغییرات ایجاد شده در منطقه را مشخص کند (کلافام، 2005؛ لامبین³²، 1996؛ مالیلا،1980). محققانی نظیر سفیانیان (1388)، میرزایی و همکاران (1392)، مهدوی و همکاران (1393)، فرجزاده و کاوسی (1393)، ناطقی و همکاران (1395)، رجایی و همکاران (1399)، اوسمار و همکاران (2011)، دوی و همکاران (2017)، ساها و همکاران (2019)، سهامی و همکاران (1400)، باقری و همکاران (1401)، نرماشیری و همکاران (1401) و آرخی و همکاران (1401)، مزایای این روش را در مطالعات خود تائید میکنند. روش CVA محدودیتهایی نیز دارد ازجمله این‌که برای تهیه مؤلفه جهت تغییرات فقط میتوان از دو باند استفاده کرد (وارنر، 2006؛ میکالک و همکاران، 1993) و در صورت افزایش تعداد باندها محاسبات بسیار پیچیده و نرم‌افزارهای پردازش تصویر موجود پتانسیل اجرای آن را ندارند (وارنر، 2006). در این تحقیق نیز با توجه به این محدودیت فقط از دو باند قرمز و مادون قرمز نزدیک که برای آشکارسازی تغییرات در محیطهای دارای پوشش گیاهی و مسکونی مناسب هستند (کلافام، 2005 ؛ جنسن، 2005) استفاده شد.

تحقیق حاضر نشان داد که آنالیز برداری تغییرات یک روش مناسب برای آشکارسازی و توصیف تغییرات رادیومتریک سری زمانی دادههای ماهواره‌ای چند طیفی است و به کمک آن و با استفاده از باندهای قرمز و مادون قرمز نزدیک میتوان تغییرات پوشش و کاربری اراضی یک منطقه را مشخص کرد (کلافام، 2005؛ ایستمن، 2003؛ جنسن و تول³³، 1982؛ لیو و همکاران، 2004). این روش قابلیت آشکارسازی و طبقهبندی انواع تغییرات محیطزیست را دارد (مالیلا،1980؛ میکالک و همکاران، 1993). از این تکنیک می‌توان برای آشکارسازی تغییرات بسیاری از پدیدهها مانند تغییرات جنگل (جنسن و تول، 1982)، تغییرات اجزای منظر (جنسن، 2005) و تغییرات کیفیت آب (میکالک و همکاران، 1993) استفاده کرد. در پایان لازم به ذکر است که روش تحلیل بردار تغییر، قابلیت آشکارسازی و طبقهبندی انواع تغییرات بزرگی و جهت در سیمای سرزمین را به‌صورت رضایت‌بخش دارد.

منابع

1. آرخی، صالح؛ شاهکویی، اسمعیل؛ عطا، بهنام (1401). ارزیابی تكنیکهای تغییرات پوشش گیاهی/ کاربری اراضی با استفاده از تصاویر ماهوارهای و GIS(مطالعه موردی: حوضه گرگان رود). برنامهریزی توسعه کالبدی، 2 (26)، 41-60.

2. باقری، سمانه؛ زهتابیان، غلامرضا؛ خسروی، حسن؛ حیدری علمدارلو، اسماعیل (1401). ارزیابی روند تغییرات بیابان‌زایی در کاربری‌های مختلف حوضۀ گاوخونی با استفاده از روش تحلیل بردار تغییر. مهندسی اکوسیستم بیابان،10(33)، 39-52.

3. رجایی، فاطمه؛ اسماعیلی ساری، عباس؛ سلمان ماهینی، عبدالرسول؛ دلاور، مجید؛ مساح بوانی، علی‌رضا (1399). ارزیابی تغییرات کاربری اراضی در حوضه آب‌خیز رودخانه تجن با تکیه بر سنجه‌های سیمای سرزمین. علوم و تکنولوژی محیطزیست، 22(1)، 351-366.

4. سفیانیان، علیرضا (1388). بررسی تغییرات کاربری اراضی محدوده شهر اصفهان با استفاده از تکنیک آشکارسازی برداری تغییرات طی سال‌های 1366 تا 1377. علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 13(49)، 153-164.

5. سهامی، گوران؛ نصرالهی، پرویز (1400). آشکارسازی تغییرات پوشش گیاهی با روش آنالیز بردار تغییرات: الرقه، سوریه، دومین کنفرانس بینالمللی علم اطلاعات جغرافیایی بنیادها و کاربردهای بین‌رشتهای، مشهد.

6. فرج‌زاده اصل، منوچهر؛ کاووسی، موسی (1393). ارزیابی و تحلیل روند تغییرات پوشش گیاهی بااستفاده از روشهای رگرسیون خطی و تحلیل بردار تغییر (CAV) مطالعه موردی: کانون طوفان‌های گردوغبار غرب تهران. جغرافیا و برنامه ریزی محیطی، 25(56)، 69-82.

7. مرکز ملی آمار ایران (1395). آمارنامه استان مازندران.

8. مهدوی، علی؛ فتحی‌زاد، حسن؛ شتایی، شعبان (1393). ارزیابی و تحلیل انواع روش‌های آشکارسازی تغییرات کاربری اراضی/ پوشش گیاهی (مطالعه موردی: جنگل‌های حفاظت شده مانشت استان ایلام .( پژوهش‌های علوم و فناوری چوب و جنگ، 21(4)، 187-210.

9. میرزایی، محسن، ریاحی بختیاری، علیرضا؛ سلمان ماهینی، عبدالرسول؛ غلامعلی فرد، مهدی (1392). بررسی تغییرات پوشش اراضی استان مازندران با استفاده از سنجه‌های سیمای سرزمین بین سالهای ۱۳۸۹-۱۳۶۳. بوم‌شناسي كاربردي، 2(4)، 37-55.

10. ناطقی، سعیده؛ نوحه‌‌گر، احمد؛ احسانی، امیرهوشنگ؛ بذرافشان، ام‌البنبن (1395). پایش تغییرات کاربری اراضی بیابان‌های ساحلی با استفاده از تکنیک تحلیل بردار تغییرات طی سال‌های 1380 تا 1393 (مطالعه موردی: جزیره قشم). تحقیقات مرتع و بیابان ایران، 23 (2)، 404-416.

11. نرماشیری، فاطمه؛ قربانی، مهدی؛ زهتابیان، غلامرضا؛ آذرنیوند، حسین؛ علم بیگی، امیر؛ شولز، رولند ورنر (1401). ارزیابی و تحلیل بیابان‌زایی با استفاده از روش تحلیل بردار تغییر (منطقه مورد مطالعه: شهرستان قلعه‌گنج. تحقیقات مرتع و بیابان ایران، 29 (1)، 53-65.

12. Clapham, W.B. (2005). Quantitative classification as a tool to show change in an urbanizing watershed. Intl. J. Remote Sensing, 26 (22), 4923-4939.

13. Dewi, R.S., Bijker, W., & Stein, A. (2017). Change Vector Analysis to Monitor the Changes in Fuzzy Shorelines. Remote Sensing, 9(2), 147.

14. Eastman, J.R. (2003). IDRISI Kilimanjaro: Guide to GIS and Image Processing. Clark Univ., Worcester, MA.

15. Eastman, J.; Ronald. (2011). Remote Sensing and Applied Geographic Information Systems with Idrisi Software (Salman Mahini, A. and Kamyab, H. R. Translators) Published by Mehr Mahdis (Published in the original language in 2003).

16. Jensen, J. R. (2005). Introductory Digital Image Processing: A Remote Sensing Perspective, Upper Saddle River. USA: Prentice & Hall Pub.

17. Jensen, J. R., & Toll, D.L. (1982). Detecting residential land use development at the urban frigine. Photogrammetric Engineering and Remote Sensing, 48: 629-643.

18. Lambin, E. F. (1996). Change detection at multiple temporal scales: seasonal and annual variation in landscape variables. Photogrammetric Engineering and Remote Sensing, 62: 931–938.

19. Lu, D. P., Mausel, E., Brondizio & Moran, E. (2004). Change Detection Techniques. Intl. J. Remote Sensing, 25(12), 2365-2407.

20. Makham, B. L., Barker, J. L. (1987). Thematic Mapper bandpass solar exoatmospheric irradiances. Intl. J. Remote Sensing, 8(3): 517-523.

21. Malila, W. A. (1980). Change Vector Analysis: An Approach for Detecting Forest Changes with Landsat. In Proceedings of the 6th Annual Symposium on Machine Processing of Remotely Sensed Data. PP: 326-335. Purdue Univ., West Lafeyette, USA.

22. Michalek, J. L., Wagner, T. W., Luczkovich J. J., & Stoffle, R. W. (1993). Multispectral change vector analysis for monitoring coastal marine environments. Photogrammetric Engineering and Remote Sensing, 59, 381-384.

23. Osmar, A., Carvalho, J., Renato, F., Alan R., Gillespie, Nilton, C., Silva, A., Roberto, T. (2011). A New Approach to Change Vector Analysis Using Distance and Similarity Measures. Remote Sensing, 3, 2473-2493.

24. Saha, S., Bovolo, F., Bruzzone, L. (2019). Unsupervised Deep Change Vector Analysis for Multiple-Change Detection in VHR Images. Geoscience and Remote Sensing, 57 (6), 1-10.

25. Singh, A. (1989). Digital change detection techniques using remotely-sensed data. Intl. J. Remote Sensing, 10(6), 989-1003.

26. Warner, T. (2006). Hyperspherical direction cosine change vector analysis. Intl. J. Remote Sensing, 26(6), 1201-1215.

[1] -Biomagnification

[2] -Food and Agriculture Organization

[3] -World Health Organization

[4] - Maximum Residues Limits

[5] -United States Environmental Protection Agency

[6] - Hazard quantity

[7] - Liquid-liquid extraction

[8] - Solid-phase extraction

[9] - Matrix solid-phase dispersion

[10] - Solid-phase micro extraction

[11] -Quick, Easy, Cheap, Effective, Rugged and Safe

[12] -Polycyclic Aromatic Hydrocarbon

[13] - International Agency for Research on Cancer

[14] -Preharvest Interval

[15] -Lethal Dose 50

[16] -Codex

[17] - Process Factor

[18] -Limit of Detection

[19] -Limit of quantification

[20] -Concentration

[21] -Daily Intake

[22] -Weight

[23] -Hazard Quotient

[24] -Estimate Daily Intake

[25] -Acceptable Daily Intake

[26] -Hazard Index

[27] - .Clapham

[28] - .Makham

[29] - Barker

[30] .- Michalek

[31] - Warner

[32] - Lambin

[33] - Toll

Share To

Article Url

Investigation of pesticide residues of Moinfos and Ethion in apple and grape and health risk assessment based on Monte Carlo Simulation

Rimag

Links

Related Centers

Technical Support

Official pages