مقدمه

بعضی سازوکارهای تغییر اقلیم به‌ویژه تغییرات حاکم بر بارش حاصل تغییر سازوکارهای محلی و بعضی حاصل برهم‌کنش رویدادهایی در مقیاس‌های بزرگ‌تر (مثلاً مقیاس‌های منطقه‌ای، همدید، نیمکره‌ای یا سیاره‌ای) است (Goudi, 1992: 102)؛ اما در تمامی این تغییرات، واکنش عوامل مکانی در مقیاس‌های محلی (نظیر مختصات جغرافیایی شامل طول و عرض جغرافیایی و ویژگی‌های توپوگرافیک شامل ارتفاع، میزان و جهت شیب) بازتاب مناسبی از تغییرات کلان به شمار می‌آید؛ به‌ویژه اینکه در پژوهش‌های بی‌شماری (Singh et al., 1995: 259-284؛ Glazirin, 1997: 141-145؛ غیور و مسعودیان، 1375: 2-60؛ مجرد و مرادی‌فر، 1382: 163-182؛ عساکره، 1383: 213-231؛ عساکره، 1386: 145-164؛ عساکره و سیفی‌پور، 1391: 15-30؛ علیجانی، 1395: 126-128) نشان داده شده است که تغییرات مکانی و نیز وردایی زمانی بارش، تابعی از مختصات مکانی (طول جغرافیایی و عرض جغرافیایی) و توپوگرافی (ارتفاع، جهت و میزان شیب دامنه‌ها) است؛ با وجود این از این واقعیت غفلت شده است که تا چه حد تغییرات زمانی بارش در نقش متغیرهای مکانی بازتاب می‌یابد.

پژوهش حاضر با به‌کارگیری شگرد شبکة عصبی مصنوعی (ANN)^[1] از روی تظاهرات معینی (تغییرات مکانی بارش)، دربارة تغییرات دهه‌ای پیوندهای آشکار و نهان عوامل مکانی با اقلیم بارشی ایران استنباط‌هایی ارائه کرده است؛ بدین ترتیب با استفاده از داده‌های شبکه‌ای ملی (اسفزاری) نسخۀ سوم، توزیع مکانی بارش برای چهار دهۀ اخیر و براساس متغیرهای مکانی مقایسه شد؛ بنابراین در پژوهش حاضر تلاش می‌شود وردایی دهه‌ای بارش در ارتباط با نقش عوامل مکانی و به‌مثابة نمود و نمایه‌ای از تغییرات اقلیمی و نیز یکی از زمینه‌های پژوهشی ضروری دربارة بارش‌های ایران در مرکز توجه قرار گیرد؛ بدین ترتیب تغییرات دهه‌به‌دهۀ بارش و میزان تأثیر این عوامل مکانی بر تغییرات بارش مدنظر قرار خواهد گرفت.

داده‌ها و روش‌ها

برای انجام این پژوهش از دو گروه پایگاه داده‌ای استفاده شد؛ پایگاه نخست، نسخۀ سوم پایگاه دادة اسفزاری بارش است. پایگاه دوم، داده‌های مدل رقومی ارتفاع (DEM) ^[2] مربوط به ایران است.

پایگاه داده‌ای اسفزاری نسخۀ سوم حاصل میان‌یابی داده‌های بارش روزانۀ 2188 ایستگاه همدید، اقلیمی و باران‌سنجی سازمان هواشناسی از 01/01/1349 تا 29/12/1394 به‌مدت 16801 روز و با تفکیک مکانی 10 کیلومتر است (مسعودیان، 1398: 14-19). توزیع مکانی ایستگاههای استفاده‌شده در شکل 1 ارائه شده است. با توجه به مشخصات کارتوگرافیک سیستم تصویر استفاده‌شده در این روش میان‌یابی (لامبرت مخروطی هم‌شکل) و با توجه به مختصات جغرافیایی ایران (بین مدار 25 تا 40 درجۀ شمالی و 44 تا 64 درجة شرقی) براساس بیضوی مرجع (WGS84) و تفکیک مکانی، ده کیلومتر شبکۀ جغرافیایی پایگاه داده به ابعاد 205×167 به دست آمد. تعداد کل یاخته‌های درون این شبکه 34235 است که 16203 از آنها در درون مرزهای خاک اصلی ایران جا می‌گیرد. از سوی دیگر با توجه به زمان آغاز و پایان پایگاه داده که بر 16801 روز مشتمل است، ابعاد نهایی پایگاه داده 16801×205×167 خواهد بود. به کمک این پایگاه داده می‌توان رفتار زمانی و مکانی بارش را در درون مرزهای ایران‌زمین بررسی کرد.

داده‌های مدل رقومی ارتفاع (DEM) با قدرت تفکیک 10متری به سازمان زمین‌شناسی ایالات متحدة آمریکا مربوط است که از تصاویر ماهواره‌ای Astet برای پوشش جهانی دردسترس است. این داده‌ها از آدرس زیر دردسترس است:

https://earthexplorer.usgs.gov/fgdc/4220/ASTGDEMV20_0S37E175

برای محاسبۀ متغیرهای مکانی متناظر با یاخته‌های نقشۀ بارش، داده‌های ارتفاعی با توان تفکیک 10 کیلومتر ایجاد شد.

شکل 1. توزیع مکانی ایستگاههای استفاده‌شده در ایجاد پایگاه داده‌ای بارش اسفزاری نسخة سوم

(مسعودیان، 1398)

Figure 1. Spatial distribution of station used in third version of Asfazari dataset

براساس دو گروه دادة یادشده در بالا برای انجام پژوهش حاضر مراحل و روش‌های زیر انجام شد:

1. ابتدا میانگین بارش برای کل دوره (1349- 1394) محاسبه و روابط مکانی برای این دوره بررسی شد. به‌منظور بررسی وردایی دهه‌ای بارش، میانگین بارش دهه‌های منتهی به دهۀ 1385- 1394 محاسبه شد. بدین ترتیب 6 سالۀ اول (1349- 1354) در بررسی، مقایسه و مطالعۀ دهه‌ها جای نگرفت؛ بنابراین ویژگی‌های مکانی بارش ایران طی چهار دورۀ ده‌ساله (1355-1364، 1365-1374، 1375-1384 و 1385-1394) بررسی و مطالعه شد.
2. بارش یکی از عناصر، پدیده‌ها و فرایندهای اقلیمی و نمایه‌ای مهم در ردیابی تغییر اقلیم به شمار می‌رود. یکی از ویژگی‌های قابل تأمل بارش، رابطۀ قوی و غالباً غیرخطی با مختصات جغرافیایی (طول و عرض جغرافیایی) و عوامل توپوگرافیک (ارتفاع، شیب و جهت شیب) است. روش‌های بی‌شماری برای مطالعۀ این رابطه وجود دارد. در این زمینه می‌توان به روش‌های رگرسیونی، روش‌های کنترل، روش‌های شبکة عصبی مصنوعی و... اشاره کرد. طی چند سالة اخیر استفاده از شگردهای رگرسیونی (برای نمونه در پژوهش علیجانی، 1395: 121- 124؛ غیور و مسعودیان، 1375: 2- 60؛ مجرد و مرادی‌فر، 1382: 163- 182؛ عساکره، 1386: 145- 164؛ Singh et al., 1995: 259-284؛ Glazirin, 1997: 141-145) رایج‌ترین روش‌ها بوده است.

مدل‌سازی سری‌های زمانی اقلیمی نظیر بارش و روابط آشوبناک مکانی این سری‌های غیرخطی به دلیل دینامیک جوّ و روابط غیرخطی آن با متغیرهای مکانی، کاری بسیار دشوار و پیچیده است؛ زیرا تغییر(پذیری) زمانی بارش در دستگاه پیوسته و آشوبناک جوّ، رفتاری پیچیده و غیرخطی را در «فضای جغرافیایی» بازتاب می‌دهد؛ به طوری که تحلیل‌های مکانی نشان داده است روابط این عنصر با مختصات جغرافیایی و عوامل توپوگرافیک نیز دچار تغییر(پذیری) می‌شود؛ از این رو الگوریتم‌های مدل‌سازی رایج (نظیر رگرسیون‌های خطی، غیرخطی، منطقی و...) اگرچه از قابلیت‌های زیادی برخوردارند (Maduako, 2016: 1-7)، توانایی دقیق و کاملی در بیان ویژگی‌های زمانی‌مکانی فرم و فرایندهای غیرخطی (نظیر بارش) ندارند؛ از این رو ابزارهای مفید، ابزارهایی خواهند بود که به‌شکل واضح‌تری پیچیدگی‌های حاکم بر الگوها و روابط زمانی‌مکانی را بازتاب دهند. از این میان، روش‌های شبکۀ عصبی مصنوعی (ANN) برای مدل‌سازی فرایندهای اساسی‌ به‌خوبی شناخته‌نشده مناسب هستند (پیری صحراگرد و همکاران، 1395: 2).

اگر هریک از اجزای تحریک‌پذیر آب‌وهوا را یک نرون^[3] تلقی کنیم و نیز عوامل مؤثر بر هریک از این اجزا را یک محرک بیرونی در نظر بگیریم، آنگاه دستگاه اقلیم را می‌توان یک پیکرۀ زنده تجسم و تصور کرد که قوانین حاکم بر دستگاه عصبی موجود زنده بر آن روا خواهد بود؛ بنابراین کاربرد شبکه‌های عصبی مصنوعی در آب و هواشناسی به‌منظور شناخت محرک‌های آب‌وهوایی، تأثیر آنها بر عناصر، پدیده‌ها و رویدادهای آب‌وهوایی در جهت الگوسازی و شبیه‌سازی آنهاست؛ از این رو شبکه‌های عصبی مصنوعی درزمینۀ الگوسازی خطی و غیرخطی، پویا و ایستای رفتار عناصر، پدیده‌ها و فرایندهای آب‌وهوایی کاربرد فراوان دارند. در این زمینه می‌توان از الگوسازی و شبیه‌سازی عوامل مؤثر بر انواع دگرگونی‌های زمانی (روند، چرخه، افت‌وخیز و...) و تنوع مکانی و نیز ردیابی و تشخیص نقاط عطف در مشاهدات آب‌وهوایی، پیش‌بینی ترتیب، شدت، دوام و فراوانی رویدادها و همچنین الگوسازی پویا از فرایندها، عناصر، رویدادها و مخاطرات آب‌وهوایی و نیز تیپ‌بندی و طبقه‌بندی زمانی‌مکانی مشاهدات آب‌وهوایی یاد کرد. در این زمینه‌ها برای نمونه پژوهش‌های فلاح قالهری و همکاران (1388)، خوشحال دستجردی و حسینی (1389)، مهدوی و همکاران (1390)، عزیزی و منتظری (1394)، عساکره و حسامی (1398) و خورشیددوست و همکاران (1399) را ببینید. شناخت حاصل از این مدل‌ها، تصویر ذهنی قابل قبولی را از توزیع مکانی تغییرات احتمالی آینده و تجسم پاسخ‌های احتمالی بارش به آن تغییرات ارائه می‌کند و راهگشای برنامه‌ریزی و سیاست‌گذاری مبتنی بر دانسته‌های اقلیمی است. بدین‌ترتیب شبکه‌های عصبی مصنوعی، ابزار بسیار مناسبی برای برازش توابع و تشخیص الگوهاست. هنگامی که هدف، برقراری ارتباط و تخمین یک مجموعة عددی (در اینجا برای نمونه بارش به‌عنوان بردار هدف) از یک مجموعة ورودی (در اینجا مختصات جغرافیایی- متغیرهای توپوگرافیک) است، رویکرد برازش منحنی (الگوسازی) در این مدل‌ها مدنظر قرار می‌گیرد (کوثری و اسماعیل‌زاده، 1395: 255).

در پژوهش حاضر به‌منظور بررسی ویژگی‌ها و مقایسة روابط مکانی بارش و تعبیر و تفسیر آنها، نخست توزیع مکانی بارش برای کل دورۀ 1349- 1394 و نیز در مقیاس دهه‌ای بررسی و وردایی دهه‌ای بارش وارسی شد. با کمک شبکة عصبی مصنوعی و وزن‌های مربوط به نرون‌های بارش، مدل مبتنی بر متغیرهای مکانی- توپوگرافیک بر بارش برازش یافت. براساس الگوی ارائه‌شده در شکل 2، متغیرهای مکانی منتخب (شامل طول جغرافیایی، عرض جغرافیایی، ارتفاع، شیب و جهت شیب) در تمامی یاخته‌های روی نقشۀ ایران (16203 یاخته) به‌عنوان ورودی هوشمند شبکة عصبی مصنوعی، به شبکة عصبی وارد شدند تا بتوان مناسب‌ترین معماری، آموزش، برآورد و درنهایت خروجی را برای هر یاخته به دست آورد. در این نوشتار بارش ایران، متغیر هدف برای مقایسه با خروجی‌ها در نظر گرفته شد.

شکل 2. معماری شبکة عصبی مصنوعی به‌کاررفته در پژوهش حاضر

Figure 2. The artificial neural network architecture used in the present study

بسیاری از شبکه‌های عصبی که درآب‌وهواشناسی به کار رفته‌اند (برای نمونه عساکره و صیادی، 1395؛ عساکره و مطلبی‌زاده، 1396؛ عساکره و حسامی، 1398) یک لایۀ ورودی و یک لایۀ خروجی دارند که در آن فعال‌سازی هر واحد برابر با نشان‌گر ورودی بیرونی آن لایه است. شبکه‌های عصبی با توابع سیگموئید در لایۀ اول و تابع خطی در لایة دوم می‌توانند هر تابع خطی دلخواه و بسیاری توابع غیرخطی را با تعداد محدود نقاط ناپیوستگی تخمین بزنند. براساس اصل امساک^[4] تلاش شد شبکۀ مدنظر با کمترین شمار لایه و نرون طراحی شود؛ زیرا با زیادشدن فراسنج‌های طراحی، تعبیر و تفسیر شبکه و نیز محاسبات مربوط بسیار دشوار به نظر خواهد رسید.

براساس روش‌های آزمون و خطا در طول اجرا، آموزش و اتصالات بین نرون‌ها بهینه شده است تا خطای حاصل کمینه شود. به‌منظور آزمون شبکه از دو ملاک «ضریب همبستگی» بین بردار هدف و خروجی مدل‌سازی‌شده و «میانگین مربعات خطا (MSE)^[5]» استفاده شد. بیشینۀ ضریب همبستگی و کمینۀ میانگین مربعات خطا بیان‌کنندة آموزش مناسب شبکه است.

درنهایت پس از آموزش^[6] (با استفاده از الگوریتم آموزش شبکة لونبرگ- مارکواردت^[7])، نتایج مناسب آزمون و تثبیت معماری و ساختار شبکه، معماری شبکه با یک لایة پنهان شامل 10 نرون و تابع انتقال سیگموئید اختیار شد (شکل 2). یک لایة خروجی نیز با یک متغیر و یک تابع خطی (همانی) انتخاب شد. خروجی حاصل از این مدل، نزدیک‌ترین مقادیر به مشاهدات بارش ایران بوده است. تمام مراحل ساخت شبکة عصبی شامل انتخاب تعداد نرون‌ها و لایه‌های پنهانی، وزن‌دهی، تعیین تابع شبکه‌ای، تقسیم داده‌ها، آموزش، راستی‌آزمایی و آزمون مدل اجرا شد. شایان یادآوری است که در تمام این روش‌ها در مرحلۀ تقسیم داده‌ها، 70 درصد از کل ورودی‌ها (11343 یاختۀ نقشه) برای آموزش، 15 درصد برای راستی‌آزمایی (2430 یاختۀ نقشه) و 15 درصد به‌منظور آزمون مدل (2430 یاختۀ نقشه) در نظر گرفته شده‌اند.

یافته‌های پژوهش

ویژگی‌های عمومی بارش سالیانه

شکل 3. الف توزیع مکانی متوسط بارش سالیانۀ ایران را برای دورۀ 1349- 1394 نشان می‌دهد. میانگین مکانی بارش حدود 5/250 میلی‌متر است. انحراف معیار مکانی بارش نیز حدود 5/170 میلی‌متر است؛ یعنی تفاوت‌های مکانی بارش ایران بسیار زیاد است. در کشور ایران روند عمومی کاهش میزان بارندگی از غرب به شرق و شمال به جنوب است؛ همچنین تمرکز بارش بیشینه در دو ناحیة خزری و ستیغ‌های زاگرس از غرب تا جنوب غرب کشور است. کاهش بارندگی به سمت شرق کشور و آن هم به دلیل کاهش توان بارشی سامانه‌های باران‌زاست. ارتفاعات، قدرتمندترین عامل در توزیع مکانی بارش کشور به شمار می‌آید (غیور و مسعودیان، 1375: 27- 60؛ مسعودیان، 1398: 10- 16؛ علیجانی، 1395: 20- 23؛ عساکره و سیفی‌پور، 1391: 15- 30). توجیه تنوع مکانی بارش براساس مجموع مختصات جغرافیایی- متغیرهای توپوگرافیک و با استفاده از شگرد شبکة عصبی مصنوعی برآورد شد. نتیجۀ این برآورد در شکل 3. ب ارائه شده است. آماره‌های ارزیابی برای این مدل به شرح جدول 1 است:

شکل 3. الف. توزیع مکانی مجموع بارش سالیانة ایران، ب. مقادیر حاصل از برازش مدل شبکة عصبی مصنوعی و ج. خطای مدل برای دورۀ 1349-1394

 Figure 3. a. Spatial distribution of Iran annual precipitation, b. the fitted values and c. the error of model for the period of 1970-2016

میزان خطای مدل جالب توجه است، اما از مقادیر ضریب همبستگی ارائه‌شده در جدول 1 می‌توان استنباط کرد که الگوی توزیع مکانی بارش برآوردشده و بارش رخ‌داده بسیار شبیه به هم است. این شباهت حدود 90 درصد (ضریب تعیین) و در سه ملاک (آموزش، ارزیابی و آزمون) قابل مشاهده است. برمبنای شکل 3.ج، خطای بیش‌برآوردی در نواحی پرباران (ناحیة خزری، زاگرس، شمال غرب ایران و ارتفاعات کرمان) و خطای کم‌برآوردی در حاشیه‌های این نواحی و به‌طور پراکنده دیده می‌شود. با وجود این، عمدة نواحی کشور با خطاهای کم‌مقدار قابل مشاهده هستند.

جدول 1. آماره‌های نیکویی برازش شبکة عصبی مصنوعی بارش حاصل از مختصات جغرافیایی- عوامل توپوگرافیک

برای دورۀ 1349-1394

Table 1. Best fitting statistics of neural network of precipitation based on geographical coordinate and topographic factors for the period of 1970-2016

ضرایب مربوط به نرون‌های هریک از متغیرهای ورودی در جدول 2 ارائه شده است. قدر مطلق این ضرایب نقش هریک از متغیرها در نرون‌های ده‌گانه را در توجیه بارش نشان می‌دهد. علاوه بر قدر مطلق مقادیر، علامت آنها نیز جالب توجه است. می‌توان دید که بیشترین نقش را به‌ترتیب طول جغرافیایی، عرض جغرافیایی و ارتفاع دارند. کمترین نقش در توجیه بارش را جهت شیب داشته است. می‌دانیم و در بالا نیز اشاره شد که ارتفاعات نقش عمده‌ای در توزیع مکانی بارش کشور دارند، اما به دلیل تمرکز ارتفاعات در نواحی غربی و نیز شمالی کشور، تأثیر ارتفاعات در ضرایب به‌دست‌آمده که برای کل پهنه محاسبه شده است، جالب توجه به نظر نمی‌رسد. این نقش در ضرایب مربوط به طول جغرافیایی بازتاب یافته است.

جدول 2. ضرایب مربوط به نرون‌های ده‌گانة مختصات جغرافیایی- متغیرهای توپوگرافیک مؤثر بر بارش

Table 2. The neuron's coefficients of geographic coordinate and topographic factors effecting precipitation

تغییرات دهه‌ای بارش و مدل‌سازی آن

شکل 4. الف توزیع مکانی بارش ایران‌زمین، ب. ناهنجاری بارش نسبت به دورۀ 1349- 1394، ج. میزان بارش براساس مدل برازنده و نیز د. خطای مدل را برای چهار دهۀ بررسی‌شده نشان می‌دهد. مشخصات پهنه‌ای بعضی از این ویژگی‌ها در جدول 3 ارائه شده‌است.

جدول 3. ویژگی‌های آماری بارش، ناهنجاری بارش و همبستگی بارش واقعی- برآوردشده مربوط به شکل 4

Table 3. Statistical features of precipitation, precipitation anomaly, and correlation coefficient of real precipitation- estimated precipitation for data of figure 4

از شکل 4 و جدول 3 می‌توان دریافت که از دهۀ اول (1364-1355) به سمت دهۀ چهارم (1394-1385) میانگین بارش کشور کاهش زیادی (از 1/268 به 3/220 میلی‌متر) داشته است. در این میان دهۀ دوم (1374-1365) افزایشی نسبتاً زیاد را تجربه و روند عمومی کاهشی را مختل کرده است. انحراف معیار مکانی بارش نشان می‌دهد با کاهش میانگین بارش، تباین مکانی بارش کاهش می‌یافته است. مقایسة این آماره و ناهنجاری بارش دهه‌ها (شکل 4. ب) بر این واقعیت گواهی می‌دهد که کاهش میانگین بارندگی عمدتاً حاصل کاهش بارندگی در نواحی پربارش است. این ویژگی در پژوهش عساکره (1386) نیز مشاهده شده است. توجه کنید که در دو دهۀ انتهایی میانگین ناهنجاری بارش منفی بوده است. این امر گواهی بر تأثیرپذیری تمامی نواحی کشور (نواحی کم‌باران و پرباران) از روند کاهشی بارش است؛ به طوری که در دو دهة انتهایی به ترتیب 1/76 و 81 درصد از پهنۀ ایران بارشی کمتر از متوسط بارش دورۀ 1394-1349 دریافت داشته است. این مقادیر در قیاس با دو دهۀ اول (به ترتیب 5/20 و 4/22 درصد) بسیار شایان تأمل و توجه است.

میزان بارش حاصل از مدل‌های برازش‌یافته در هریک از دهه‌ها در شکل 4. ج ارائه شده است. از این نقشه‌ها و نیز ضریب همبستگی بین این نقشه‌ها و نقشه‌های بارش واقعی (ستون آخر جدول 3) می‌توان دریافت که تغییرات مکانی بارش با مدل برازش‌یافته از حداقل 75% (برای دهۀ اول) تا حدود 83% (برای دهۀ سوم) توجیه‌پذیر است. عموماً در دو دهۀ انتهایی که همزمان با کاهش بارش بوده، میزان همبستگی به‌طور نسبی افزایش داشته است؛ بنابراین نقش عوامل مکانی در برآورد بارش در دهه‌های انتهایی افزایش داشته است. در شکل 4. د می‌توان دید که عمدۀ خطاهای مدل در بخش‌های پربارش کشور (عمدتاً در ارتفاعات زاگرس و سواحل خزر) رخ می‌داده است.

شکل 4. الف. توزیع مکانی بارش ایران‌زمین، ب. ناهنجاری بارش نسبت به دورۀ 1349- 1394، ج. میزان بارش براساس مدل برازنده و د. خطای مدل برای چهار دهۀ بررسی‌شده

Figure 4. a. Spatial distribution of Iran precipitation, b. precipitation anomaly, c. model estimated precipitation, and d. the model error for the foure under study period

تغییرات دهه‌ای نقش عوامل مکانی

برای بررسی نقش مختصات جغرافیایی و عوامل توپوگرافی در دهه‌های مختلف و همزمان با وردایی بارش، شکل‌های 5 و 6 ارائه شده است. شکل 5 تغییرات دهه‌ای ده نرون مربوط به ضرایب مختصات جغرافیایی (عرض و طول جغرافیایی) را نشان می‌دهد. شکل 5. الف تغییرات ضرایب ده نرون مربوط به عرض جغرافیایی را برای چهار دهۀ بررسی‌شده نشان می‌دهد. می‌توان دید که هم الگو و هم مقادیر ضرایب برای سه دهۀ اول، سوم و چهارم مشابه بوده است. برای دهۀ اول، سوم و چهارم میانگین ضرایب به‌ترتیب تقریباً 3/1-، 3/0- و 1/2- بوده است. به‌نظر می‌رسد نقش منفی عرض جغرافیایی به سمت دهۀ انتهایی افزایش می‌یابد. برای دهۀ دوم که با افزایش نسبی بارش همراه بوده، ضرایب با ضرایب بقیة دهه‌ها متفاوت بوده است. در این دهه جز برای نرون ششم و دهم (به ترتیب با ضرایب 7/99- و 5/304)، کمترین ضریب 2/4- و بیشترین آن حدود 5/5 بوده است. میانگین ضرایب نرون‌های عرض جغرافیایی حدود 1/22 بوده است. ضرایب این دهه با ضریب تغییرات زیادی مواجه بودند.

شکل 5. ب نقش ضرایب طول جغرافیایی را در الگوی مکانی بارش ایران برای چهار دهۀ بررسی‌شده نشان می‌دهد. میانگین ضرایب ده نرون برای این عامل برای چهار دهه به‌ترتیب 76/1، 35/29، 91/0 و 19/1- بوده است. رفتار تقریباً قرینۀ ضرایب دهۀ اول و دهۀ آخر به‌خوبی مشهود است، همچنان که نقش منحصربه‌فرد دهۀ دوم نمایان است؛ علاوه بر این قرینه‌بودن نسبی رفتار ضرایب برای ده نرون این دهه با دهۀ سوم نیز قابل مشاهده است.

شکل 5. ضرایب نرون‌های ده‌گانۀ مختصات جغرافیایی برای مدل‌های برازش‌یافته بر بارش چهار دهۀ بررسی‌شده

Figure 5. Neuron's coefficient of geographical coordinate for the fitted models on decadal precipitation

شکل 6 تغییرات دهه‌ای ده نرون مربوط به ضرایب عوامل توپوگرافیک (ارتفاع، شیب و جهت شیب) را نشان می‌دهد.

شکل 6. ضرایب نرون‌های ده‌گانۀ عوامل توپوگرافی برای مدل‌های برازش‌یافته بر بارش چهار دهۀ بررسی‌شده

Figure 6. Neuron's coefficient of topographic factors for the fitted models on decadal precipitation

شکل 6. الف تغییر ضرایب نرون‌ها را برای چهار دهۀ مدنظر نشان می‌دهد. میانگین ضرایب نرون‌ها در چهار دهه به ترتیب حدود 87/2-، 3/7-، 1/0 و 75/3 است. می‌توان دید که ضرایب دهۀ اول پس از یک جهش به ثبات نسبی رسیده است. این جهش موجب شده است ضرایب این دهه پس از دهۀ دوم، بیشترین تغییرات را متحمل شود. دهۀ دوم با بیشترین تغییرات و نیز بزرگ‌ترین قدر مطلق ضرایب (منفی) مشخص می‌شود. کمترین ضرایب و نیز نوسانات نرون به نرون مربوط به دهۀ سوم است. دهۀ چهارم نیز پس از دهۀ سوم، کمترین ضرایب و کمترین تغییرپذیری را دارد.

تغییرات دهه‌ای ضرایب نرون‌های ده‌گانۀ شیب در شکل 6. ب ارائه شده است. میانگین چهار دهه به‌ترتیب 29/2-، 91/29، 3/0 و 22/0- است. می‌توان دید که بیشترین تغییرات ضرایب به ترتیب مربوط به دهۀ دوم، اول، چهارم و سوم است. الگوی تغییر ضرایب شیب تقریباً مشابه الگوهای ضرایب ارتفاع است. به نظر می‌رسد این دو عامل (ارتفاع و شیب) تغییرات بارش را به‌طور مشابه متأثر می‌سازند؛ با وجود این میزان تأثیرگذاری (مقدار ضرایب) و جهت آن (علامت) برای این دو عامل بسیار متفاوت است.

شکل 6. ج تغییرات دهه‌ای ضرایب جهت شیب را برای نرون‌های ده‌گانه نشان می‌دهد. میانگین برای این چهار دهه به‌ترتیب حدود 71/0-، 18/31، 34/0 و 83/2- است. میزان تغییرات دهۀ دوم همچنان بیش‌از دهه‌های دیگر است و دهۀ اول در مرتبۀ بعد قرار دارد. دهۀ آخر مقام سوم را دارد؛ علاوه بر این می‌توان دید که عموماً (به‌جز در جهش‌های انجام‌شده در نرون‌ها) مقادیر حول صفر و نیز منفی بوده‌اند؛ بنابراین هرچند جهت شیب نقش زیادی در میزان بارش ندارد، متناسب با تغییرات بارش تغییر می‌یابد.

نتیجه‌گیری

تنوع عوامل مکانی (نظیر موقعیت جغرافیایی و ویژگی‌های توپوگرافیک) موجبات تنوع مکانی عناصر اقلیمی ازجمله بارش را فراهم کرده است. همزمان با تغییرات زمانی بارش، عوامل مکانی نقش‌های مختلفی ایفا می‌کنند؛ از این رو با وجود ثبات نسبی عوامل مکانی، می‌توان استنباط کرد که این عوامل در بستر تغییرات بارش، نقش‌های مختلف ایفا می‌کنند. به‌منظور ردیابی نقش موقعیت (مختصات جغرافیایی)- عوامل توپوگرافیک (ارتفاع، شیب و جهت شیب) در ارتباط با تغییرات بارش، از مدل شبکة عصبی مصنوعی استفاده شد. با هدف دستیابی به شبکه‌ای با معماری و ساختار مناسب به‌منظور مدل‌سازی فضایی بارش ایران، متغیرهای مکانی منتخب (طول و عرض جغرافیایی، ارتفاع، شیب و جهت شیب) به‌مثابة ورودی و بارش به‌مثابة بردار هدف، به شبکه معرفی و تمام مراحل ساخت یک شبکة عصبی شامل انتخاب تعداد نرون‌ها و لایه‌های پنهانی، وزن‌دهی، تعیین تابع شبکه‌ای، تقسیم داده‌ها، آموزش، راستی‌آزمایی و آزمون مدل اجرا شد. در تمام این روش‌ها در مرحلۀ تقسیم داده‌ها، 70 درصد از کل ورودی‌ها برای آموزش، 15 درصد برای راستی‌آزمایی و 15 درصد به‌منظور آزمون مدل در نظر گرفته شدند؛ سپس خروجی حاصل (مقادیر مدل‌سازی‌شده) از هر روش براساس ضریب همبستگی، میانگین مربعات خطا مقایسه شدند. این عملیات برای کل دورۀ آماری و برای چهار دهة منتهی به 1385- 1394 انجام شد.

یافته‌های پژوهش در دو گروه به شرح زیر ارائه شد:

1. از دهۀ اول (1355- 1364) به سمت دهۀ چهارم (1385- 1394) میانگین بارش کشور کاهش یافته است؛ به طوری که در دو دهۀ انتهایی میانگین ناهنجاری بارش برای کل کشور منفی بوده است. در دو دهة انتهایی به ترتیب 1/76 و 81 درصد از کشور بارشی کمتر از متوسط کل دوره دریافت داشته است. در این میان، دهۀ دوم (1365- 1374) افزایشی نسبتاً زیاد را تجربه و روند عمومی کاهشی را مختل کرده است. تغییرات مکانی‌زمانی بارش با مدل برازش‌یافته، تطبیق خوبی با تغییرات مکانی‌زمانی بارش واقعی داشته است.
2. براساس مدل‌های برازش‌یافته معلوم شد نقش بعضی از متغیرهای موقعیت جغرافیایی- عوامل توپوگرافیک از دهه‌ای به دهۀ دیگر بسیار تغییرپذیر بوده است و بعضی از متغیرها به‌ندرت نقش‌های نسبتاً ثابتی داشته‌اند. این امر گواهی بر این واقعیت است که تغییر کاهندۀ اثر یک متغیر با تغییر فزایندۀ اثر متغیرهای دیگر جبران می‌شود و نیز متناسب با تغییرات دهه‌ای بارش شکل می‌گیرد. در این میان عرض جغرافیایی تغییرات شدیدی داشته است. بیشترین و کمترین نقش این متغیر به‌ترتیب در دهۀ اول و دوم بوده است. در دهۀ انتهایی، بزرگ‌ترین اثر را پس از دهۀ اول برای عرض جغرافیایی می‌توان مشاهده کرد؛ بنابراین در دو دهۀ انتهایی، نقش عرض جغرافیایی در میزان میانگین دهه‌ای بارش بسیار چشمگیرتر از دو دهۀ میانی است. این واقعیت را می‌توان به تغییرات رخ‌داده در مسیر چرخندها نسبت داد. این تغییر مسیر در مطالعات پیشین بررسی و تأیید شده است. در این زمینه برای نمونه آلپرت و همکاران^[8] (1990)، آلپرت و همکاران (2004)، بلندر و شابرت^[9] (1999)، بنگسون و همکاران^[10] (2006)، فلوکاس و همکاران^[11] (2010)، گنگ و ساگی^[12] (2001)، لیونلو و همکاران^[13] (2002) را ببینید. این تغییرات برای ایران نیز مطالعه و تأیید شده است. در این زمینه پژوهش‌های عساکره و همکاران^[14] (2019)، عساکره و خجسته (1400)، و جهانبخش و همکاران (1400) را ببینید.

دامنة تأثیرگذاری عمومی طول جغرافیایی طی چهار دهۀ بررسی‌شده کاهش داشته و نیز از نمایه‌ای مثبت به منفی تغییر یافته است. ضرایب مربوط به ارتفاع نیز متناسب با کاهش بارش کاهش می‌یابند؛ اما این رابطه خطی و کامل نیست. همچنین در دوره‌های پربارش، نقش این عامل عموماً با ضرایب منفی و در دوره‌های کم‌بارش به‌صورت مثبت نشان داده شده است. این قضیه را می‌توان به این واقعیت نسبت داد که در دوره‌های پربارش نواحی کم‌ارتفاع نیز از بارش‌ها سهم دارند و ارتفاعات تباین شدیدی با نواحی کم‌ارتفاع ندارند؛ اما در دوره‌های کم‌بارش نواحی مرتفع اختلاف زیادی با نواحی کم‌ارتفاع نشان می‌دهند که با ضرایب مثبت رخنمون می‌یابند. به نظر می‌رسد دو عامل ارتفاع و شیب، تغییرات بارش را به‌طور مشابه، اما با میزان و جهت تأثیرگذاری (مقدار و علامت ضرایب) بسیار متفاوت متأثر می‌سازند. الگوی تغییر ضرایب شیب تقریباً مشابه الگوهای ضرایب ارتفاع است. به نظر می‌رسد این دو عامل (ارتفاع و شیب) تغییرات بارش را به‌طور مشابهی متأثر می‌سازند؛ با وجود این، میزان تأثیرگذاری (مقدار ضرایب) و جهت (علامت) این دو عامل بسیار متفاوت هستند؛ بنابراین جهت شیب هرچند نقش زیادی در میزان بارش ندارد، متناسب با تغییرات بارش تغییر می‌یابد.

سپاسگزاری

نگارندگان این مقاله از تمامی کسانی که به هر شکل در این پژوهش آنها را یاری کرده‌اند، سپاسگزارند؛ به‌ویژه قدردانی خود را از زحمات جناب آقای دکتر کوهزاد رئیس‌پور ابراز و اعلام می‌دارند.

[1]. Artificial Neural Network

[2]. Digital Elevation Model

[3]. نرون (Neuron) واژه‌ای یونانی به معنی سلول عصبی است. نرون واحد اساسی دستگاه عصبی به‌ویژه مغز و یک ترکیب بیوشیمی پیچیده و عامل اساسی واکاوی نشانگرهای (سیگنال‌های) الکتریکی است. مجموعۀ شبکۀ (به‌هم پیوسته و پیچیدۀ) عصبی در بدن انسان از شمار بسیاری نرون عصبی زنده تشکیل شده است که خود با واسطۀ نرون‌ها به هم وصل هستند. درواقع نرون‌ها ساختاری از بافت‌ها و فعل و انفعالات شیمیایی دارند. وظیفۀ نرون‌ها، انتقال پیغام از محرک‌های درونی یا بیرونی به مغز انسان است. بعضی از ساختارهای عصبی (نرون‌ها) از همان ابتدای تولد تعریف می‌شوند و بعضی دیگر در طول زندگی با کسب تجربیات و با فرایند یادگیری شکل می‌گیرند، توسعه می‌یابند و وظایف خود را انجام می‌دهند. در شبکه‌های عصبی مصنوعی، گرههایی بین شبکه‌ها وجود دارد که درحقیقت مدلی محاسباتی از نرون‌های عصبی واقعی انسان است.

[4]. براساس اصل امساک (Law of Parsimony)، ساده‌ترین توضیحی که قادر به توضیح اطلاعات علمی دردسترس است، بر سایر توضیحات پیچیده‌تر برتری دارد؛ به بیان دیگر در میان مدل‌های متعدد با توان توجیه یکسان، آن مدل که کمترین پیش فرض‌ها و پیچیدگی را دارد، بر دیگر مدل‌ها ارجح است.

[5]. Mean Squared Error

[6]. یادگیری (آموزش) به معنای آغاز برقراری یک ارتباط جدید بین نرون‌ها یا تغییر ارتباط موجود است. درواقع یادگیری عبارت از ایجاد اتصال‌های جدید یا قطع‌کردن بعضی اتصالات قدیمی است. قابلیت یادگیری نحوة انجام وظایف برپایة اطلاعات داده‌شده برای تمرین و تجربه‌های مقدماتی از برتری‌های شبکۀ عصبی مصنوعی است. مزیت اصلی استفاده از شبکة عصبی مصنوعی، قابلیت فوق‌العادة شبکة عصبی در یادگیری و نیز پایداری شبکة عصبی درمقابل اغتشاشات است. محاسبات شبکة عصبی مصنوعی می‌تواند به‌صورت موازی انجام شود. در شبکة عصبی مصنوعی ورودی به شکل اعداد حقیقی تعریف می‌شود. تنوع بسیار زیادی (به‌لحاظ میزان و علامت وزن‌های یک شبکة عصبی به‌عنوان انتقال‌دهندۀ خروجی و به‌لحاظ توابع آستانه‌گذاری نظیر ، تعداد گرههای ورودی و...) وجود دارد. به این دلیل شبکه با استفاده از قواعد و داده‌ها آموزش داده می‌شود و با استفاده از قابلیت یادگیری شبکه، الگوریتم‌های متنوعی پیشنهاد می‌شود که همگی سعی در نزدیک‌کردن خروجی تولیدشده با شبکه به خروجی ایدئال و مورد انتظار دارند. این کار با واسطۀ فرایندی با نام تنظیم وزن انجام می‌شود. تنظیم وزن به معنی انتخاب کارآمدترین شیوۀ آموزش و تلفیق آن با مناسب‌ترین شبکۀ عصبی است. به‌طورکلی آموزش فرایندی است که پس از تعدیل مناسب فراسنج‌های شبکه پاسخ مطلوب را ارائه دهد. درواقع شبکه در فرایند آموزش، فراسنج‌های خود (یعنی وزن‌های سیناپسی) را در پاسخ به ورودی محرک تعدیل می‌کند؛ به نحوی که خروجی واقعی شبکه به خروجی مطلوب همگرا شود. هنگامی که خروجی واقعی همان خروجی مطلوب شود، آموزش شبکه خاتمه می‌یابد و به اصطلاح شبکه دانش را فراگرفته است. در شبکه‌های عصبی مصنوعی قوانین آموزش به شکل ریاضی بیان می‌شود که به «معادلات آموزش» موسوم‌اند. معادلات آموزش، شیوة فراگیری شبکه (نحوة تبدیل وزن‌ها) را بیان می‌دارد که برای هر شبکه منحصربه‌فرد است.

[7]. Train Network Algorithm Levenberg - Marquardt

[8]. Alpert et al.

[9]. Blender and Schubert

[10]. Bengtsson et al.

[11]. Flocas et al.

[12]. Geng and Sugi

[13]. Lionello and Elvini

[14]. Asakereh et al.