Related Links
News
Statistics
| Number of Journals | 44 |
| Number of Issues | 1,877 |
| Number of Articles | 15,278 |
| Article View | 43,732,396 |
| PDF Download | 17,565,390 |
Forecasting Average Daily Temperature in the Southern Coast of the Caspian Sea and its Relationship with Geopotential Height | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| جغرافیا و برنامه ریزی محیطی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Article 9, Volume 28, Issue 2 - Serial Number 66, May 2017, Pages 129-144 PDF (725.42 K) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Document Type: Research Paper | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| DOI: 10.22108/gep.2017.97962.0 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Authors | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| abolfazl masoodain1; saeid movahdi2; mohamad hosseni3; abdolhosain adelzadeh* 4 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1*Professor, University of Isfahan, Iran | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2Assistant Professor, University of Isfahan, Iran | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 3Assistant Professor, Sayyed Jamal University, Hamedan, Iran | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 4M A, University of Isfahan, Iran. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Abstract | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Forecasting temperature as one of the important climatic parameters plays a major role in climate change research. Therefore, in this study, the surface data of the average daily temperature of selected stations in the Caspian Sea (Anzali, Gorgan, Rasht, Babolsar and Ramsar) and the data of Geopotential height of level of 500 hPa whose data were extracted from the website NCEP/DOE under the US National Oceanic and Atmospheric Organization in hours 00:00, 03:00, 06:00, 09:00, 12:00, 15:00, 18:00, and 21:00 in the Zulu. During the period from 01/01/1979 to 01/01/2011 AD, four observation days per day were extracted from the NCEP / DOE website for the whole of the northern hemisphere, and then the correlation between the average daily temperature and geopotential data of the 500 hPa equilibrium was calculated throughout the northern hemisphere. The results of the correlation showed that the US with 28, the northern China with 30, Africa with 53 and at last, Japan with 69 pixels have the most pixels. In general, in the northern hemisphere, there are 180 points whose correlation with the temperature of selected station is very high. Also, the forecasting model of stations shows that for each geopotential meter increase, the average daily temperatures of the stations of Anzali, Gorgan, Rasht, Babolsar, and Ramsar increases as 0.1, 1.1, 0.1, 0.1, and 0.1 respectively. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Keywords | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| : Forecasting; Temperature; Geopotential Height; Climate Changes; the Caspian Sea | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Full Text | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
مقدمه یکی از مسائل فراروی بشر در قرن حاضر، تغییرات اقلیمی[1] است؛ زیرا اینگونه تغییرات، سبب ایجاد پدیدههای فرین[2] مانند سیلابهای مخرب، گرماها و سرماهای پیشبینینشده، خشکسالیهای مکرر، نوسان شدید سطح آب اقیانوسها و دریاها، شیوع آفَت و بیماریهای گیاهی - جانوری، کاهش ضخامت لایۀ اُزُن، گرمشدن زمین و ذوب یخچالهای دائمی با سرعتهای گوناگون، کاهش سطح آب دریاچهها، کاهش میزان منابع آب شیرین، افزایش توفانهای گرمسیری، افزایش بیماریهای ناشی از گرما، کاهش تولید مواد غذایی، افزایش مرگومیر در کشورهای فقیر، انقراض گونههای گیاهی و جانوری بهدلیل نابودی زیستگاههای طبیعی شده است (چرچ و همکاران،[3] 2001: 639؛ یو و همکاران،[4] 2002: 161؛ سیلور،[5] 2008: 289؛ سانتوز و همکاران،[6] 2011: 1814؛ هافمن و همکاران،[7] 2011: 1106). در میان عناصر اقلیمی، اندازهگیری دما در مقایسه با سایر عنصرهای اقلیمی سابقۀ بیشتری دارد و از اهمیت ویژهای برخوردار است؛ زیرا دما، یک متغیر گرمایشی - پویشیِ[8] جوی است که تغییر آن، منشأ بسیاری از تغییرات فیزیکی، شیمیایی و زیستمحیطی است و دماهای فرین،[9] حاصل آن در کنش بین گردشهای جوی بزرگ و ویژگیهای محلی مکان (ناهمواری و ارتفاع از تراز دریا) است (گیونتچیو،[10] 2007: 2). ادبیات اقلیمشناسی جهان در باب دما و واکاوی همدید (آماری) آن بسیار غنی است. در اینباره، کلین و والش[11] (1983)، دو نوع تصریح[12] را با هم مقایسه کردند. روش کلین[13] که در آن، برای پیشبینی دمای سطحی از ناهنجاریهای ارتفاع تراز 700 هکتوپاسکال از غربال گامبهگام پیشرونده استفاده میشود و روش والش و همکاران (1982) که در آن، رابطۀ رگرسیون ناهنجاریهای دما با ضرایب چند بردار ویژۀ[14] اول محاسبه میشود. نتایج نشان داد روش کلین، پراش[15] زمستانی را حدود 15درصد بیشتر از روش متکی به بردارهای ویژه تبیین میکند. هارناک و لانزانته[16] (1985)، با استفاده از ارتفاع تراز 700 هکتوپاسکال، دمای سطح آب اقیانوس آرام شمالی، دمای سطح آب اقیانوس اطلس شمالی و میانگین پهنهای بارش ایالات متحده را بهروش تصریح بهدست آوردند و بر این باورند که ارتفاع تراز700 هکتوپاسکال برای پیشبینی بارش از دمای سطح آب مناسبتر است. هیوستون و کرین[17] (1996)، روش تصریح را با این فرض که در صورت دو برابرشدن دیاکسیدکربن، الگوهای همدید تغییری نخواهد کرد، برای پیشبینی دمای سطحی ایالات متحده به کار بردند. مطالعۀ آنها نشان میدهد دمای منطقۀ دشتهای بزرگ راکی در زمستان سردتر خواهد شد. چن[18] (2000)، ناهنجاریهای دمای زمستانی جنوب سوئد را وابسته به گونههای هوای جنکینسون - کولیسون[19] میداند؛ به طوری که هر گونه هوا، دمای کاملاً متمایزی از گونههای دیگر دارد. وی بهکمک نمایههای گردشی، توانست 84درصد پراش ناهنجاریهای دما را تبیین کند. همچنین یو و همکاران[20] (2003)، با استفاده از دادههای صدسالۀ مؤلفۀ سالانه و ماهانۀ دما، تغییرات این دو متغیر را برای سرتاسر ژاپن واکاوی کردند. آنها با به کارگیری روش من - کندال[21] به این نتیجه رسیدند که تغییرات دمای سالانه از 5/0 درجه در سال 1900 به 8/2 درجۀ سلسیوس در سال 1966 افزایش یافته است. در پژوهشی دیگر، یوهویی و همکاران[22] (2010)، بر اساس دادههای هیدرولوژیکی و هواشناسی و با به کارگیری روش ناپارامتری من - کندال و الگوی رگرسیون خطی به بررسی اثر اقلیم بر روانآب رودخانۀ اکسین جیانگدر شمال چین[23]پرداخته و نشان دادهاند که دما و بارش در بیش از پنجاه سال گذشته، بهطور گستردهای در تمام قسمتهای شمالی این منطقه افزایش یافته است. همچنین کاپت و همکاران[24] (2012)، معتقدند نوسان اطلس شمالی و نوسان شرق اطلس/ غرب روسیه،[25] بر اُفت دمای هوا در منطقۀ دریای سیاه در زمانهای مشخصی تأثیر میگذارد؛ به طوری که وردش سریع دمای هوا (از 1 تا 5 سال) از نوسان سامانههای پیوند از دور[26] است که خود نتیجۀ مؤلفۀ نصفالنهاری باد است. با توجه به رعایت اصل ایجاز، میتوان از پژوهشهای مرتبط با واکاوی تغییرات دمایی از اندیشمندانی همچون: برنت و همکاران[27] (2007) در اسپانیا، استبان و همکاران[28] (2008) در آندورا، اسلام و رحمان[29] (2008) در پاکستان، چوی و همکاران[30] (2009) در مناطق آسیایی و وانگ و همکاران[31] (2012) در رودخانۀ زرد چین نام برد. در ایران نیز ناظمالسادات و قاسمی (1383)، معتقدند که نوسانهای دمای سطح دریای خزر،[32] پایداری زمانی و مکانی سامانۀ پرفشار سیبری[33] را نشان میدهد. سردشدن و گرمشدن بیش از معمول دمای این دریا بهترتیب، نشاندهندۀ تقویت یا تضعیف این سامانه است. در همین زمینه، شبانکاری (1387)، با مقایسۀ نقش پرفشار سیبری بر دمای کمینه و بیشینۀ ایران نشان داد، تأثیر سامانۀ پرفشار سیبری بر دمای کمینه (دمای شبهنگام) بیشتر از دمای بیشینه است و رابطۀ معناداری بین تأثیر پرفشار سیبری بر رخداد دمای ایران وجود دارد. در پژوهشی دیگر، علیجانی و همکاران (1390) با بررسی یک دورۀ سیساله در ایستگاههای منتخب غرب و شمال ایران نشان دادند با توجه به جابهجایی هستههای مکانی و زمانی موج سرماهای فرین در این مناطق، دما روندی کاهشی داشته است و بهسمت سردتر شدن میرود. همچنین، مسعودیان (1390) معتقد است ایران از لحاظ دما بسیار متنوع است. به طوری که میانگین دمای ایران 18 درجۀ سلسیوس است و نسبت به میانگین جهانی (15 درجۀ سلسیوس) بزرگتر است و جدا از تغییرات مکانی، افتاهنگ عمودی دما در طول سال با تغییرات ضخامت وردسپهر تغییر میکند. در بحث واکاوی دما با الگوهای کلان مقیاس جوی، مسعودیان و دارند (1390) مهمترین الگوهای تراز دریا در سرماهای ایران را، 5 الگوی اصلی پرفشار سیبری - اروپا (پرفشارسیاه)، پرفشار سیبری - ایسلند، پرفشار سیبری، پرفشار خزر - سیبری و الگوی پرفشار شمال دریای خزر دانستهاند. ایشان بر این باورند که شدت سرمای حاصل از حاکمیت الگوی ادغامی پرفشار سیبری - اروپا بر ایران بهویژه شمالغرب آن زیاد است. همچنین، خوشاخلاق و همکاران (1391)، علت همدید سرماهای شدید خراسان را این چنین استنباط میکنند که در 70درصد از موارد، سامانۀ بندالی با تاوایی، مثبت و در بقیۀ موارد، استقرار ناوۀ عمیق روی شمال ایران، عامل اصلی فرارفت[34] سرماهای شدید شمال خراسان بوده است. پژوهشگران بسیاری با واکاوی آماری دما شامل روند، پیشیابی و الگوسازی با استفاده از روشهای پارامتری، ناپارامتری و سناریوهای آب و هوایی، به بررسی رفتار زمانی - مکانی این فراسنج مهم اقلیمی در بازه و برد[35] خُرد و کلان پرداختهاند (مارتینز و همکاران،[36] 2010: 268؛ عساکره و غیور، 1382: 99؛ صلاحی و همکاران، 1389: 57؛ جوان و همکاران، 1390: 117). امروزه یکی از ابزارها و روشهای مطرح دربارۀ پدیدۀ دما، پیشیابی و واکاوی همدید دما است؛ زیرا شناخت دقیق سازوکار و نحوۀ عمل الگوهای گردش جوی و بررسی رفتار دما در آینده بسیار مهم است. بنابراین، در این پژوهش سعی شده است که پیشیابی دما و ارتباط آن با تراز میانی جو (500 هکتوپاسکال) در ایستگاههای حوضۀ دریای خزر بهصورت واکاوی همدید - آماری بررسی شود.
پهنۀ دردستِ بررسی در این پژوهش، از میانگین روزانۀ دما در پنج ایستگاه همدید کرانههای جنوبی دریای خزر استفاده شده است. این ایستگاهها شامل گرگان، بابلسر، رامسر، رشت و انزلی است. موقعیت مکانی و جغرافیایی آنها در شکل (1) و جدول (1) نمایش داده شده است.
شکل 1. موقعیت جغرافیایی ایستگاههای همدید دردستِ بررسی
جدول 1. موقعیت مکانی ایستگاههای منتخب در کرانههای جنوبی دریای خزر
دادهها و روششناسی در پژوهش حاضر، از دو پایگاه داده استفاده شده است. پایگاه نخست شامل دادههای جوی است و چگونگی جریان جوی را مشخص میکند و دیگری، پایگاه دادههای رویداد محیطی (سطحی) است که در این راستا از دادههای سطحی میانگین روزانۀ دمای ایستگاههای منتخب در کرانههای جنوبی دریای خزر (انزلی، گرگان، رشت، بابلسر و رامسر) استفاده شده است. کمینه و بیشینۀ این ایستگاهها در بازۀ زمانی 11/10/1357 تا 11/10/1389 خورشیدی بهمدت 11689 روز از سازمان هواشناسی کشور دریافت شد که ویژگی آماری آنها در جدول (2) آورده شده است. جدول 2. دمای ایستگاههای منتخب حوضۀ دریای خزر (درجۀ سلسیوس)
پایگاه دوم، شامل دادههای ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال است که دادههای آن از تارنمای NCEP/DOE1 وابسته به سازمان ملی جو و اقیانوسشناسی ایالات متحده در ساعتهای 00:00، 03:00، 06:00، 09:00، 12:00، 15:00، 18:00 و 21:00 زولو استخراج شده است. بازۀ زمانی این دادهها از 01/01/1979 تا 01/01/2011 میلادی با شبکهبندی 5/2×5/2 درجۀ قوسی بوده است که سراسر نیمکره شمالی با طول جغرافیایی 0 تا 360 درجۀ شرقی و عرض جغرافیایی90 تا 90 درجۀ شمالی را در برمیگیرد. البته برای بررسی چگونگی گسترش و اثرگذاری سامانههای تراز 500 هکتوپاسکال، پهنۀ دردستِ بررسی، گستردهتر از قلمرو ایران انتخاب شده است (شکل 2). همچنین انتخاب تراز 500 هکتوپاسکال بهعنوان لایۀ میانی جو به این دلیل است که اغلب اغتشاشهای جوی در این تراز اتفاق میافتد و بیشترین ناپایداری جوی در این لایه صورت میگیرد (علیجانی، 1387: 12؛ کاویانی و همکاران، 1386: 3).
در این پژوهش از روش تصریح استفاده شده است. تصریح، یک روش آماری است که ابتدا سازمان هواشناسی ایالات متحده برای انجام پیشبینیهای ماهانه، آن را طراحی کرده است. هدف از این روش، پیشیابی اقلیم بهکمک نقشههای ژئوپتانسیل است و چون در روش تصریح ارتباط گردشهای جوی با اقلیم سطحی مطرح میشود (یارنال، 1993؛ برگردان: مسعودیان، 1385: 203)، این روش با تعریفی که از اقلیمشناسی همدید مطرح است، انطباق زیادی دارد. تصریح، در میان دو رویکرد آب و هواشناسی همدید قرار گرفته است؛ از یک سو رویکردی محیطی به گردشی دارد؛2[37]چون انتخاب متغیرهای پیشبینی (دادههای گردشی)، مستقل از متغیر معیار (دمای هوا) نیست. از سوی دیگر، چون روش تصریح از متغیر سطحی دردستِ مطالعۀ پیشبینیهای روزانه به دست میآید، میتوان آمارهای مقایسۀ الگوها را برای آن محاسبه کرد و از این رو، باید آن را رویکردی گردشی به محیطی3 دانست (همان: 206). بحث و نتایج معادلۀ پیشیابی هر معادلهای که در آن مشتقات زمانی نباشد و تنها ترازمندی میان چندین کمیت را در قلمرو مکانی، برای یک بارۀ زمانی معین نشان دهد، معادلۀ پیشیابی میگویند (واژهنامۀ انجمن هواشناسی ایالات متحدۀ آمریکا، 2012). برای ارائۀ الگوی پیشیابی، همبستگی میانگین روزانۀ دمای ایستگاههای منتخب با دادههای جو بالا (تراز 500 هکتوپاسکال) محاسبه شد. سپس همبستگی به دست آمده، وارد نرم افزار سرفر شد و خطوط همچند همبستگی ایستگاههای منتخب در کرانههای جنوبی خزر با نیمکرۀ شمالی ترسیم شد (شکل 3). چهار منطقه در نیمکرۀ شمالی به دست آمد که با ایستگاههای منتخب، همبستگی زیادی دارد. این چهار منطقه جغرافیایی عبارتند از: ایالات متحدۀ آمریکا با مختصات طول جغرافیایی 90- تا 100- و عرض جغرافیایی 41 تا 50 درجۀ شمالی، آفریقا با مختصات طول جغرافیایی 5- تا 16 و عرض جغرافیایی 21 تا 30 درجۀ شمالی، شمال چین با مختصات طول جغرافیایی 100 تا 110 و عرض جغرافیایی 30 تا 41 درجۀ شمالی، ژاپن با مختصات طول جغرافیایی 125 تا 156 و عرض جغرافیایی 45 تا 55 درجۀ شمالی.
شکل 3. همبستگی دما و ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال در ایستگاههای منتخب نیمکرۀ شمالی
پس از آن جداسازی، موقعیت یاختههای آنها مشخص شد. بررسیها نشان داد که ایالات متحدۀ آمریکا با 28، شمال چین 30، آفریقا 53 و در آخر ژاپن با 69 یاخته، بیشترین یاختهها را به خود اختصاص دادهاند. در نیمکرۀ شمالی 180 نقطه وجود دارد که همبستگی آنها با دمای ایستگاههای منتخب بسیار زیاد است. بنابراین به نظر میرسد میانگین وزنی ارتفاع ژئوپتانسیل بر روی این 180 یاخته بتواند، برآورد خوبی برای میانگین دمای ایستگاههای منتخب باشد. بنابراین ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال در مساحت یاختهها ضرب شد و میانگین وزنی ارتفاع ژئوپتانسیل به دست آمد (رابطۀ 1).
منبع: نویسندگان در این رابطه، (ai) مساحت هر یاخته و(hgt) ارتفاع ژئوپتانسیل هر یاخته است. به این ترتیب، آرایۀ نمایۀ چهارگانه به دست آمد. این نمایه، به این دلیل چهارگانه نامیده شده است، که نمایندۀ ارتفاع ژئوپتانسیل چهار قلمرو جغرافیایی مختلف است. در نهایت، الگو رگرسیون این نمایه با میانگین روزانۀ دمای ایستگاههای منتخب محاسبه شد و معادلۀ پیشیابی آن بهشرح زیر به دست آمد. الگوی پیشیابی میانگین روزانۀ دما در ایستگاه انزلی میانگین روزانۀ دمای ایستگاه انزلی بهشدت تابع تغییرات نمایۀ چهارگانه است. همبستگی دو متغیر (میانگین دما و ارتفاع ژئوپتانسیل)، 916/0 برآورد شده است؛ به بیان دیگر، نزدیک 84 درصد تغییرات میانگین روزانۀ دمای انزلی را میتوان بهکمک نمایۀ چهارگانه تبیین کرد. با این حال بررسی دقیقتر در ایستگاه انزلی نشان میدهد وابستگی این دو متغیر در دماهای زیاد نسبت به دماهای کم، بسیار نیرومندتر است؛ زیرا در دماهای کم پراکندگی بسیار زیاد است. در توجیه این، شاید بتوان گفت چون دماهای پایین بهشدت از موقعیت سطحی مانند نوع و پوشش زمین و ناهمواری اثر میپذیرند، وابستگی دمای پایین و ارتفاع ژئوپتانسیل اندک است؛ اما ممکن است با وجود یکسانبودن ارتفاع ژئوپتانسیل، ایستگاه انزلی دماهای بسیار متفاوتی را تجربه کرده باشد (شکل 4).
شکل 4. نمایۀ جوی اَنزلی: همبستگی دما (درجۀ سلسیوس) و ارتفاع ژئوپتانسیل (متر) تراز 500 هکتوپاسکال
برای مثال، ممکن است در دورۀ 3 تا 5 روز متفاوت، که نمایۀ چهارگانه برابر5700 تا 5750 ژئوپتانسیل متر بوده است، دمای ایستگاه انزلی بین 2 تا 28 درجۀ سلسیوس ثبت شده باشد. در روزهای سردی که دمای صفر درجۀ سلسیوس ثبت شده است، بهاحتمال بسیار زیاد، شرایط سطحی حاکم بر ایستگاهْ بر وضعیت همدید جو میانی غلبه داشته است. دماهای بین 8 تا 25 درجۀ سلسیوس، پراکندگی زیادی دارند که این پراکندگی بین ارتفاع 5660 تا5820 ژئوپتانسیل متر قرار دارد. بررسی بیشتر روی میانگین روزانۀ دمای ایستگاههای سواحل دریای خزر نشان میدهد، متوسط دمای شبانه حدود 5 تا 11 درجۀ سلسیوس سردتر از دمای بعدازظهرها است. نزدیکی ایستگاه انزلی به منبع رطوبتی دریای خزر از یک طرف و نزدیکبودن به سامانۀ پرفشار سیبری بهویژه در نیمۀ سرد سال از طرف دیگر، را میتوان از علتهای تأثیرگذار بر میانگین دمای این ایستگاه دانست. الگوی خطی پیشیابی میانگین روزانۀ دمای انزلی و نمایۀ چهارگانه چنین به دست آمده است (رابطۀ 2).
این الگو نشان میدهد با اطمینان 95درصد، میتوان میانگین روزانۀ دمای ایستگاه انزلی را بین 1/1 تا 4/26 درجۀ سلسیوس تخمین زد؛ همچنین، بهاِزای هر یک ژئوپتانسیل متر افزایشی که در نمایۀ چهارگانه ایجاد میشود، میانگین روزانۀ دمای انزلی نزدیک 1/0 درجۀ سلسیوس افزایش خواهد داشت. الگوی پیشیابی میانگین روزانۀ دما در ایستگاه گرگان میانگین روزانۀ دمای ایستگاه گرگان تقریباً تابع تغییرات نمایۀ چهارگانه است. همبستگی این دو متغیر (میانگین دما و ارتفاع ژئوپتانسیل) 898/0 برآورد شده است؛ یعنی نزدیک به 81 درصد تغییرات میانگین روزانۀ دمای گرگان را میتوان بهکمک نمایۀ چهارگانه تعیین کرد. بررسی بیشتر نشان میدهد در این ایستگاه، دماهای زیاد همبستگی بیشتری نسبت به دماهای کم دارند. بهدلیل آن که ایستگاه گرگان به دریای خزر و پرفشار سیبری نزدیک است، با وجود یکسانبودن ارتفاع ژئوپتانسیل، دماهای بسیار متفاوتی را تجربه میکند (شکل 5).
شکل 5. نمایۀ جوی گرگان: همبستگی دما (درجۀ سلسیوس) و ارتفاع ژئوپتانسیل (متر) تراز 500 هکتوپاسکال
در توجیه این موضوع، شاید بتوان گفت دماهای پایین بهشدت از موقعیت سطحی مانند پوشش و ناهمواری، اثر میگیرند. در چند روزی که دمای زیر صفر درجۀ سلسیوس ثبت شده است، بهاحتمال بسیار زیاد، وضعیت حاکم بر ایستگاه بر وضعیت همدید جو میانی غلبه داشته، که چنین دمای پایینی دیده شده است. برای مثال، ممکن است در چند روز متفاوت که نمایۀ چهارگانه برابر5720 ژئوپتانسیل متر بوده است، دمای ایستگاه گرگان بین 5/2+ تا 5/17 درجۀ سلسیوس ثبت شده باشد. این در حالی است که متوسط روزهای برفی در گرگان 5 تا 6 روز برآورد شده و از نظر فصلی، تابستان کمبارشترین فصل گرگان است. همین امر باعث افزایش دما بهویژه رخداد جوی شرجی است که برای آسایش اقلیمی مردم زیانآور است. الگوی خطی پیشیابی میانگین روزانۀ دمای گرگان و نمایۀ چهارگانه چنین به دست آمده است (رابطۀ 3).
این الگو با احتمال 95درصد اطمینان در نمایۀ چهارگانه، میتوان میانگین روزانۀ دمای گرگان را بین 9/1+ تا 4/31 درجۀ سلسیوس تخمین بزند. بهاِزای هر یک ژئوپتانسیل متر افزایشی که در نمایۀ چهارگانه ایجاد میشود، میانگین روزانۀ دمای گرگان 1/1 درجۀ سلسیوس افزایش خواهد داشت. الگوی پیشیابی میانگین روزانۀ دما در ایستگاه رشت نتایج نشان میدهد میانگین روزانۀ دمای ایستگاه رشت نیز تابع تغییرات نمایۀ چهارگانه است. همبستگی این دو متغیر (میانگین دما و ارتفاع ژئوپتانسیل) 895/0 برآورد شده است؛ یعنی نزدیک به 80درصد تغییرات میانگین روزانۀ دمای رشت را میتوان بهکمک نمایۀ چهارگانه تعیین کرد. با این حال بررسی کامل و دقیقتر نشان میدهد وابستگی این دو متغیر در دماهای زیاد بسیار بیشتر است تا دماهای کم (شکل 6). در نمایۀ چهارگانه رشت، دماهای زیر 20 درجۀ سلسیوس با تراز 500 هکتوپاسکال همبستگی زیادی نشان نداده است؛ ولی دماهای زیاد بهشدت از نمایۀ چهارگانه تبعیت کرده است. به احتمال بسیار زیاد میتوان گفت، دماهای پایین همانگونه که قبلاً اشاره شد، بهشدت از موقعیت نوع سطح مانند پوشش زمین و ناهمواریها اثر میگیرند. ممکن است با وجود یکسانبودن ارتفاع ژئوپتانسیل، ایستگاه رشت دماهای بسیار متفاوتی را تجربه کرده باشد (شکل 6).
شکل 6. نمایۀ جوی رشت: همبستگی دما (درجۀ سلسیوس) و ارتفاع ژئوپتانسیل (متر) تراز 500 هکتوپاسکال
برای مثال، ممکن است در چند روز متفاوت که نمایۀ چهارگانه برابر با5720 ژئوپتانسیل متر بوده است، میانگین دمای ایستگاه رشت بین 1+ تا 16 درجۀ سلسیوس ثبت شده باشد. در روز سردی که دمای 3- درجۀ سلسیوس ثبت شده است به احتمال زیاد، وضعیت حاکم بر ایستگاه بر شرایط همدید جو میانی غلبه کرده است که چنین دمایی دیده شده است. در توجیه این موضوع میتوان گفت، آب و هوای رشتْ خزری و شبهمدیترانهای است و دارای تابستانهای گرم و شرجی و زمستانهای سرد و مرطوب است. علت وضعیت خاص اقلیمی رشت را میتوان به دو شکل بررسی کرد. یکی پستیهای زیاد سواحل دریای خزر و دیگری بادهای منطقهای که از دریای خزر نشئت میگیرد و معمولاً بهصورت چرخند جریان مییابند و در سواحل جنوبی دریای خزر، بیشتر از مغرب به این ایستگاه میوزد. رطوبت بسیار زیاد، یکی دیگر از عوامل تأثیرگذار بر میانگین دمای ایستگاه رشت به شمار میآید. در تمام نیمۀ سرد سال، این ایستگاه تحت تأثیر مراکز پرفشار سیبری و قطب شمال قرارگرفته است و جریان هوا و باد سرد را از سمت شمال به این شهر میآورد. در فصول سرد سال، استان گیلان گاهی بهعلت استقرار مراکز پرفشار دریای سیاه و جهت و وزش باد، تغییر میکند و از سمت جنوبِ غرب شروع به وزیدن میکند که این جریان، پدیدۀ فون یا گرمباد را به استان میآورد. به صورتی که گاه، ظرف چند ساعت، دمای ایستگاههای استان گیلان از جمله رشت، 20 درجۀ سلسیوس افزایش مییابد. این بادها هر ساله 3 تا 7 مرتبه در فصل زمستان و 1 تا 3 مرتبه در فصل بهار، حداکثر 2 تا 3 روز میوزند و سرعت آنها 20 تا 30 متر بر ثانیه است که طی این مدت، دمای هوا را 10 تا20 درجۀ سلسیوس افزایش میدهند. الگوی خطی پیشیابی میانگین روزانۀ دمای ایستگاه رشت و نمایۀ چهارگانه چنین به دست آمده است (رابطۀ 4).
این الگو نشان میدهد بهاحتمال 95درصد، میانگین روزانۀ دمای رشت را بتوان در نمایۀ چهارگانه بین 4/1 تا 9/28 درجۀ سلسیوس تخمین زد. بهاِزای هر یک ژئوپتانسیل متر افزایشی که در نمایۀ چهارگانه ایجاد میشود، میانگین روزانۀ دمای رشت 1/0 درجۀ سلسیوس افزایش خواهد داشت. الگوی پیشیابی میانگین روزانۀ دما در ایستگاه بابلسر نتایج الگوی پیشیابی میانگین روزانۀ دمای ایستگاه بابلسر نیز بهشدت تابع تغییرات نمایۀ چهارگانه است. به طوری که همبستگی بین دو متغیر (میانگین دما و ارتفاع ژئوپتانسیل) 925/0 برآورد شده است؛ یعنی نزدیک به 86درصد تغییرات میانگین روزانۀ دمای بابلسر را میتوان بهکمک نمایۀ چهارگانه تبیین کرد. با این حال بررسی دقیق و کاملتر نشان میدهد وابستگی این دو متغیر در دماهای زیاد بسیار بیشتر از دماهای کم است. همچنین در ایستگاه بابلسر علاوه بر اینکه دماهای زیاد تابع نمایۀ چهارگانه است، میتوان گفت در دماهای کم، همبستگی خوبی نشان داده است. در چند روز سردی که دمای زیر صفر درجۀ سلسیوس ثبت شده است، بهاحتمال زیاد وضعیت حاکم بر ایستگاه، بر وضعیت همدید جو میانی غلبه داشته است (شکل 7).
شکل 7. نمایۀ جوی بابلسر: همبستگی دما (درجۀ سلسیوس) و ارتفاع ژئوپتانسیل (متر) تراز 500 هکتوپاسکال
کمترین انرژی در سواحل دریای خزر به زمین میرسد. از یک طرف، بهدلیل وجود عرض جغرافیایی بالا و اینکه بیشتر ایام سال پوشیده از ابر هستند و از طرف دیگر، حاکمیت پرفشار سیبری و هوای سرد شمالی بر آب و هوای بابلسر تأثیر زیادی دارد. عوامل درونی و بیرونی یادشده، بر دمای این ایستگاه چه در نیمۀ گرم و چه در نیمۀ سرد غلبه کرده است. الگوی خطی پیشیابی میانگین روزانۀ دمای بابلسر و نمایۀ چهارگانه چنین به دست آمده است (رابطۀ 5).
این الگو نشان میدهد با احتمال 95درصد، میتوان میانگین روزانۀ دمای ایستگاه بابلسر را با توجه به نمایۀ چهارگانه بین3/2 تا 9/29 درجۀ سلسیوس تخمین زد و نشان میدهد بهاِزای هر یک ژئوپتانسیل متر افزایشی که در نمایۀ چهارگانه ایجاد میشود، میانگین روزانۀ دمای ایستگاه بابلسر 1/0 درجۀ سلسیوس افزایش خواهد داشت. الگوی پیشیابی میانگین روزانۀ دما در ایستگاه رامسر همچنین نتایج این پژوهش نشان داد میانگین روزانۀ دمای ایستگاه رامسر بهشدت تابع تغییرات نمایۀ چهارگانه است. همبستگی متغیر میانگین دما و ارتفاع ژئوپتانسیل حدود 925/0 برآورد شده است؛ یعنی نزدیک به 86درصد تغییرات میانگین روزانۀ دمای رامسر را میتوان بهکمک نمایۀ چهارگانه تعیین کرد. با این حال بررسی کامل و دقیقتر نشان میدهد که وابستگی این دو متغیر در دماهای زیاد نسبت به دماهای کم بسیار بیشتر است. با احتمال بسیار زیاد میتوان گفت که دماهای کم بهشدت از وضعیت نوع سطح مانند پوشش زمین و ناهمواریها اثر میگیرند. ممکن است با وجود یکسانبودن ارتفاع ژئوپتانسیل، ایستگاه رامسر دماهای بسیار متفاوتی را تجربه کرده باشد (شکل 8).
شکل 8. نمایۀ جوی رامسر: همبستگی دما (درجۀ سلسیوس) و ارتفاع ژئوپتانسیل (متر) تراز 500 هکتوپاسکال
برای نمونه، ممکن است در چند روز متفاوت که نمایۀ چهارگانه برابر با5730 ژئوپتانسیل متر بوده است، میانگین دمای ایستگاه رامسر بین 3+ تا 15 درجۀ سلسیوس ثبت شده باشد. در روز سردی که دمای زیر صفر درجۀ سلسیوس ثبت شده است، بهاحتمال زیاد وضعیت حاکم بر ایستگاه بر وضعیت همدید جو میانی غلبه کرده است که چنین دمایی دیده شده است. آب و هوای رامسر در نیمۀ سرد تحت تأثیر سیستمها و عوامل کنترلکنندۀ زیادی قرار میگیرد؛ ولی در نیمۀ گرم، آب و هوای آرامتر و باثباتتری دارد. همچنین الگوی خطی پیشیابی میانگین روزانۀ دمای ایستگاه رامسر و نمایۀ چهارگانه چنین به دست آمده است (رابطۀ 6).
این الگو نشان میدهد بهاحتمال 95درصد، میانگین روزانۀ دمای رامسر را بتوان در نمایۀ چهارگانه بین
نتیجهگیری با توجه به رخداد گرمایش جهانی و به تبع آن تشدید تغییرات اقلیمی، روند افزایش دمای ایران نسبت به میانگین جهانی بسیار بیشتر است. به همین علت، پژوهش دربارۀ پیشیابی دما ارزشمند خواهد بود. نتایج نشان میدهد باد در وردایی دما و جریانهای دریایی مؤثر است. هوای دریای خزر در زمستان ثبات منطقی ندارد و اغلب دریا توفانی است و جهت بادها و دمای هوا بهطور دائم تغییر میکند. دربارۀ عنصر اقلیمی باد میتوان گفت، جهت و سرعت باد در دریای خزر، بستگی به وضع زمین سواحل، اختلاف میزان گرمای خشکی و دریا، فشار بارومتری و تفاوت آن در فصلهای گوناگون دارد. در زمستان، بادهای سرد در نواحی شمالی روسیه با شدت بهسمت جنوب میآیند و در برخورد با رشتهکوه البرز متوقف میشوند. دریای خزر بهسبب فراوانی واچرخندها (آنتی سیکلونها) اغلب با وزش باد همراه است. انزلی نیز، در فصل گرم سال جهت باد شمال شرقی است و در فصل سرد این جهت از جنوب غربی تا شمال غربی تغییر میکند؛ اما در رشت و بابلسر، جهت باد غالب در طول سال، غربی و در رامسر جهت باد غالب در فصل گرم، شرقی و در فصل سرد سال، شمال غربی است. این وضعیت باعث شده است که دمای کرانههای جنوبی دریای خزر در اغلب اوقات از بادها تأثیر بپذیرد. همچنین نتایج این پژوهش نشان میدهد میانگین دما در هر 5 ایستگاه بررسیشده، بهشدت تابع نمایۀ چهارگانه است. همبستگی بین دو متغیر (میانگین دما و ارتفاع ژئوپتانسیل) در انزلی 916/0، گرگان 898/0، رشت 895/0، بابلسر 925/0 و رامسر 925/0 برآورده شده است. به بیان دیگر، در انزلی نزدیک به 84، گرگان 81، رشت 80، بابلسر86 و رامسر 86درصد تغییرات میانگین روزانۀ دما را میتوان بهکمک نمایۀ چهارگانه تبیین کرد. همچنین، وابستگی متغیرهای میانگین دما و ارتفاع ژئوپتانسیل در دماهای زیاد بسیار بیشتر است تا در دماهای کم. در توجیه این موضوع، شاید بتوان گفت چون دماهای کم بهشدت از موقعیت سطحی مانند نوع پوشش زمین و ناهمواری اثر میگیرند، ممکن است با وجود یکسانبودن ارتفاع ژئوپتانسیل، ایستگاهها دماهای بسیار متفاوتی را تجربه کرده باشند. نزدیکبودن ایستگاهها به منبع رطوبتی دریای خزر، قرارگرفتن در عرض جغرافیایی بالا و استقرار سامانۀ پرفشار سیبری بهویژه در فصلهای سرد را میتوان از دلایل تأثیرگذار بر افزایش و کاهش دماهای ایستگاههای منتخب حوضۀ دریای خزر به شمار آورد. همچنین نتایج الگوهای پیشیابی نشان داد دمای دو متری سطح زمین وابسته به ارتفاع ژئوپتانسیل تراز میانی هواسپهر است و بهاِزای هر یک ژئوپتانسیل متر افزایشی که در نمایۀ چهارگانه رخ دهد، میانگین روزانۀ دمای ایستگاههای انزلی، گرگان، رشت، بابلسر و رامسر بهترتیب 1/0، 1/1، 1/0، 1/0، 1/0 افزایش را نشان خواهد داد؛ بنابراین، مشاهده میشود یافتههای این پژوهش، توانسته است نتایج دیگر پژوهشگران را دربارۀ افزایش روند دما در سطح جهان و ایران مانند هیوستون و کرین (1996) در آمریکا، یو و همکاران (2003) در ژاپن، یوهویی و همکاران (2010) در شمال چین، مسعودیان (1390) و مسعودیان و دارند (1390) در ایران را تأیید کند. همچنین، ممکن است این نتایج با یافتههای حاصل از پژوهش علیجانی و همکاران (1390) در ایستگاههای منتخب غرب و شمال ایران، یکسان نباشد. [1] Climate Changes [2] Extreme Phenomena [3] Church et al [4] Yu et al [5] Silver [6] Santos et al [7] Hofmann et al [8] Thermodynamic [9] Extreme Temperature [10] Guentchev [11] Makin and Walsh [13] Klein Method [14] Specific Vector [15] Variance [16] Harnack and Lanzanth [17] Hewitson and Crane [18] Chen [19] Jenkinson-Colison [20] Yue et al [21] Mann-Kendall [22] Yuhui et al [23] Northemn Xinjiang of China [24] Capet et al [25] North Atlantic Oscillation (NAO) and East Atlantic/West Russia Oscillation (EA/WR) [26] Teleconnection [27] Brunt et al [28] Esteban et al [29] Islam and Rehman [30] Choi et al [31] Wang et al [32] Caspian Sea Surface Temperature (SST) [33] Siberian High Pressure System (SHPS) [34] Advection [35] Interval and Range [36] Martinez et al | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| References | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Amrican Meteorological Society (AMS), (2012), http://amsglossary.allenpress.com.
Brunt, M., J. Sigro, P. D. Jones, O. Saladdie, E. Agurilar, A. Moberg, D. Lister., A. Walther., (2007), Long - term changes in extreme temperatures and precipitation in Spin, Institute Estudis ,Catalans, Barcelona.
Capet, A., Barth, A., Beckers, J. M., Marilaure, G., (2012), Interannual Variability of Black Sea’s Hydrodynamics and Connection to Atmospheric Patterns, Deep-Sea Research II, 77-80: 128–142.
Chen, D., (2000), A monthly circulation climatology for Sweden and its application to a winter temperature case study, International Journal Climatology, 20:1067-76.
Choi, G, Collins, D, R, Guoyu , T, Blair, B, Marina, F, Yoshikazu, Muhammad, A, Theeraluk, P, Purevjav, G, Pham , T T H, Norlisam, L, Won-Tae K, Kyung-On , B, Yu-Mi, C and Yaqing, Z., (2009): Changes in Means and Extreme Events of Temperature and Precipitation in the Asia-Pacific Network Region, 1955 - 2007, international journal of climatelogy, 29:1906-1925.
Church, J. A., Gregory, J. M., Huybrechts, P., Kuhn, M., Lambeck, K., Nhuan, M.T., Qin, D., Woodworth, P.L., (2001), Changes in sea level. In: Houghton, J.T., Ding, Y., Griggs, D.J., Noguer, M., van der Linden, P.J., Xiaosu, D. (Eds.), Climate Change 2001, The Scientific Basis. Cambridge University Press, Cambridge, 639-693.
Esteban, P., M. Ninyerola., M. Prohom., (2008), Spatial Modeling of Air Temperature and Precipitation for Andora, Theor. Appl. Climatol. 96:43-56.
Guentchev, G. S., (2007), Changes in Atmospheric Circulation over Europe and the Relationship to Temperature Extreme in Bulgaria, a Dissertation Submitted to Michigan State University for degree of doctor of philosophy department of geography. The Period 1929-1999, International Journal of Climatology, 22.
Harnack, R. P., lanzanth, H., (1985), Investigation of Upper-Air Conditions Occurring with Heavy Summer Rain in Utah, International Journal of Climatology, 18: 701–723.
Hewitson, B. C., Crane, R. G., (1992), Climate Downscaling: Techniques and Application. Climate Research, 7: 85–95.
Hofmann, M. E., Hinkel, J., Wrobel, M., (2011), classifying Knowledge on Climate Change Impacts, Adaptation, and Vulnerability in Europe for Informing Adaptation Research and Decision-Making: A Conceptual Meta-Analysis, Global Environmental Change, 21: 1106-1116.
Islam, S. U., Rehman, N., (2008), Future Change in the Frequency of Warm and Cold Spells Durations over Pakistan Simulated by the PRECIS Regional Climate Model, Young Scientist Conference, November 5 -12, 2006, Beijing China.
Martinez, M. D., Serra, C., Burgneno, A., Lana, X., (2010), Time Trends of Daily Maximum and Minimum Temperature in Catalonia for the Period 1975-2004, International Journal of Climatology, 30: 267-290.
Miken, L., Walsh, K., (1983), Climate Change Simulations of Tasmanian Precipitation Using Multiple Nesting. Journal of Geophysical Research, 99: 20889–20905.
Santos, C. A. C., Neale, C. M. U., Rao, T. V. R., Silvaa, B. B., (2011), Trends in Indices for Extremes in Daily Temperature and Precipitation over Utah USA, International Journal of Climatology, 31: 1813–1822.
Silver, J., (2008), Global Warming and Climate Change Demystified, Mc Grow Hill Companes, 289.
Walsh, K., McGregor J., (1982), An Assessment of Simulations of Climate Variability over Australia with a Limited Area Model, International J. of Climatology, 17: 201-223.
Wang, W., (2012), Changes in daily temperature and precipitation extremes in the Yellow River Basin China, Stochastic Environmental Research and Risk Assessment, DOI:10.1007/s00477-012-0615-8.
Yu, P. S., Yang, T. C., Wu, C. K., (2002), Impact of Climate Change on Water Resources in Southern Taiwan, Journal of Hydrology, 161-175.
Yue, S., Hashino, M., (2003), Temperature Trends in Japan: 1900-1996, Theoretical and Applied Climatology, 75: 15-27.
Yuhui, Y, C., liweihong, W., Andsun, G., (2010), Impacts of Climatic Change on River Runoff in Northemn Xinjiang of Chin over Last Fiftiy Years, Chin. Gogra, sci, 20 (3): 193-201. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Statistics Article View: 1,903 PDF Download: 809 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||