ارتباط بین بارش های فصلی ایران و دمای پهنه های آبی منطقه ای

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد گروه جغرافیای طبیعی، دانشکده علوم انسانی و اجتماعی، دانشگاه تبریز

2 دانشجوی دکتری اقلیم شناسی، دانشگاه تبریز

3 استاد هواشناسی، سازمان هواشناسی کشور

4 استاد گروه جغرافیا، دانشکده علوم، دانشگاه کانتربری، نیوزلند

چکیده

در تحقیق حاضر با استفاده از تحلیل مولفه اصلی، الگوهای میانگین فصلی دمای سطح پهنه های آبی منطقه شامل دریاهای خزر، سیاه، مدیترانه، سرخ، عمان، عرب، خلیج فارس و بخش های شمالی اقیانوس هند استخراج گردید و ارتباط بین بارش های فصلی کشورمان با دمای سطح پهنه های آبی در دوره 2009-1980 محاسبه گردید. از طریق آنالیز مولفه های اصلی، 483 متغیر اولیه دمای سطح آب به کمتر از 10 عامل که بیش از 90 درصد واریانس کل داده ها را تبیین می کردند، تقلیل یافتند. نتایج نشان دادند که مهمترین کانون های تغییر در آبهای غرب اقیانوس هند در مجاورت سواحل کشور سومالی، سواحل جنوبی هند، شرق مدیترانه - دریای سیاه و شمال دریای عرب واقع شده اند و اقیانوس هند و دریای عرب اولین و مهمترین کانون تغییر در تمامی فصول سال بوده اند. پس از اقیانوس هند دومین کانون تغییر بر روی دریای مدیترانه واقع شده است. مشخص شد که بخش کمی از تغییرپذیری های فصل بهار (با 9/2 درصد واریانس) مربوط به دریای خزر می باشد. هرچند اقیانوس هند بعنوان مهمترین کانون تغییر در فصل تابستان می باشد، اما نقش دریاهای مدیترانه،  سیاه و خزر در این فصل تقویت شده و به بعنوان اولویت دوم ظاهر می شود.

همبستگی بین مقادیر نرمال شده بارش های فصلی ایران با الگوهای میانگین مولفه اصلی دمای همان فصل نشان می دهند که بالاترین همبستگی های معنی دار مربوط به فصل بهار است،  به طوریکه در این فصل تعداد کل ایستگاههای با همبستگی معنی دار 105 ایستگاه از کل 141 ایستگاه می باشد که معادل 75 درصد کل ایستگاههای مورد مطالعه می باشد. میانگین همبستگی های معنی دار در فصول پاییز، زمستان، بهار و تابستان به ترتیب 9/42، 7/42، 1/47 و 1/44 درصد می باشد. بنابراین بخش قابل ملاحظه ای از تغییرپذیری های بارش کشورمان به دمای میانگین سطح  پهنه های آبی منطقه وابسته است.

 

 

کلیدواژه‌ها


عنوان مقاله [English]

On the relationship between seasonal precipitation of Iran and Sea Surface Temperature of regional water bodies,

نویسندگان [English]

  • Ali Akbar Rasuli 1
  • Iman Babaeian 2
  • Hushang Ghaemi 3
  • Peyman Zawar Reza 4
چکیده [English]

Introduction

Sea Surface Temperature (SST) is a critical factor in humidity providing and climatic structure of the regions mainly surrounded by oceans and seas. Major amount of humidity resources of Iran provides by regional water bodies of Caspian, Oman, Mediterranean and Black Seas, Persian Gulf and North of Indian Ocean (Alijani 1999: 221).  Colder than normal of winter time Caspian Sea surface temperature can increase winter precipitation of South-West and South-Central parts of Caspian Sea, Central and Southern parts of Fars province and all regions of the Khuzestan province. Usually above normal sea surface temperature of Caspian Sea accompany by 20% decrease in winter precipitation in Southern beach of Caspian Sea, North of Fars and all regions of Khuzestan provinces. Warm winter SST of Caspian Sea increases spring precipitation of all weather stations located in the Southern beach of the Caspian Sea (Nazemosadat 2004: 1-14). There are other studies that investigated the impact of sea surface temperature over seasonal precipitation of Iran (Moosavi baygi et. al. 2008: 217-224, Nazemosadat and Shirvani 2005: 1-10, Ghasemi and Khalili 2008: 116-133). Relation between sea surface temperature of Pacific Ocean and precipitation over America, Caribbean Sea countries, Southeast Asia, Australia and Africa have been studied by many scientists (Markovsky and North 2003: 856-877, Wear 1987: 2687-2698, Lim et al 2007: 33-39, Li and Zhang 2008: 237-243, Misra 2003, 2408-2418).

Different statistical methods of principal component analysis, canonical correlation and empirical orthogonal function are widely used in recent studies for investigation the relation between sea surface temperature and precipitation. Principal component analysis has been used for analysis the relation between large scale weather patterns and winter droughts over Iran (Ghasemi and Khalili 2008: 116-133). Principal component of Persian Gulf SST are extracted for seasonal sea surface temperature prediction (Nazemosadat 2005:1-10).

 

Methodology and Data

Two types of data including sea surface temperature and precipitation are used in this research. We used ERSST v.2 grided sea surface temperature in the period of 1980-2009 with 2*2 latitude and longitude resolution and seasonal precipitation of 141 synoptic stations of Iran. EERSST data is extended reconstructed sea surface temperature data that have been obtained by using various observed in-situ marine data and remote sensing data from satellite observations. Precipitation data have been extracted from I. R. of Iran Meteorological Organization in the same period of 1980-2009. Area of study for sea surface temperature all water bodies in Middle East including Caspian, Black, Mediterranean, Red and Oman Sea, Persian Gulf and north of Indian Ocean. We applied Principal Component Analysis (PCA) to the seasonal Sea Surface Temperature over six main water bodies around Iran. Number of 483 initial SST parameters has been reduced to less than 10 orthogonal SST modes having around 90% of initial SST variance.

 

Discussion and Results

The results of the monthly and seasonal SST PCAs over the period 1980-2009 are presented first. There are 9 significant center of SST change which is located over southern beach of India, Sudan beach, East of Mediterranean-Black Sea, north of Arabian Sea, west of Mediterranean Sea, Bay of Bengal, Caspian Sea, and Yemen beach. Major part of variances is concentrated in the first seasonal modes, varying from 29.9% in autumn over southern beach of India to 37.2% in winter near water bodies around Sudan. The results are summarized in table 1.

 

Table 1. Principal components of the Sea Surface Temperature of the regional water bodies

PCAs

Autumn

Winter

Spring

Summer

Change Center

Variance

Change Center

Variance

Change Center

Variance

Change Center

Variance

PCA1

South of India

29.9

Sudan beach

37.2

Sudan beach

34.8

Yemen beach and Sudan

32.8

PCA2

Sudan beach

21.6

East of Med. and Black Seas

13.9

South of India

16.4

East of Med., Black and Caspian

20.7

PCA3

East of Med., Black and Caspian

15.4

North of Arabian Sea

12.7

North east of Arabian Sea

13.4

South of India

15.5

PCA4

North of Arabian Sea

8.1

Bay of Bengal

9.3

East of Med. And Black Sea

13.1

Sudan beach

10.6

PCA5

West of Med. Sea

5.5

South of India

6.4

West of Med.

6.3

North of Arabian Sea

3.1

PCA6

Bay of Bengal

4.2

West of Med.

5.8

Caspian Sea

2.9

West of Central African beach

3

 

Regarding to the amount of variance presented in table 1, it is clear that the most of SST variability are concentrated over the water bodies around South of India, Sudan and Yemen beaches. Cluster analysis was used to obtain mean seasonal SST patterns. The first and important seasonal patterns of SST are shown in figure 1. In the figure, circles with + and - signs inside show positive and negative anomalies, respectively. Figure 1 shows that the important mode of SST variability in the autumns is bellow normal temperature in all water bodies under study, especially over Caspian Sea. The first mode of SST in winters accompanies by above normal SST over Caspian, Black and East of Mediterranean Sea and bellow normal SST around Sudan beaches and West of Mediterranean Sea.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Fig 1. The first seasonal SST anomaly patterns of autumn (top-left), winter (top-right), spring (bellow-left) and summer (bellow-right).

 

In the sprigs the first mode of SST variability is characterized by more than normal over all water bodies, but the maximum SST increase is located over Caspian Sea. SST variability in summers is same with spring but amount of positive SST anomaly is significant over Red sea as well as Caspian Sea.

Seasonal precipitations of all 141 synoptic stations of Iran were correlated with 6 first SST PCAs of regional water bodies. Numbers of stations with significant precipitation correlation with regional SST patterns are shown in figure 2. Maximum and minimum number of stations with significant correlation was found to be in spring and autumn with 105 and 57 stations out of 141, respectively.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Fig 2. Number of stations with significant correlation between precipitation and different SST PCAs of regional water bodies.

Conclusion

The thermodynamic interaction between Sea Surface Temperature and precipitation takes place through the process of SST and humidity exchange at the sea-atmosphere-land interface. In this process, SST plays an important role, particularly in providing atmospheric water content and humidity resources of adjacent continental area. In this paper, seasonal precipitation of 141 synoptic stations of Iran are correlated to the SST PCAs patterns of regional water bodies consists of Caspian, Mediterranean, Black, Red, Oman and Arabian seas, Persian Gulf and north of Indian ocean. We found that the most important center of seasonal SST variability is located over water bodies nearing to Sudan beach and western-north part of Indian Ocean (winter and spring), South of India (autumn), East of Arabian sea, from Yemen to Sudan adjacent water bodies (summer). We found that water bodies near North of Indian Ocean and the Caspian Sea have maximum and minimum role in regional SST variability, among all water bodies around Middle East, respectively. Mean seasonal SST patterns were extracted using cluster analysis.

The study reveals that correlation between normalized precipitations between 141 synoptic stations of Iran and mean seasonal SST patterns over regional water bodies are significant in large number of weather stations. Numbers of stations with significant correlation out of 141 are 105, 83, 73 and 58 in spring, summer, winter and autumn, respectively. The results concluded that there are significant high correlations between SST of regional water bodies and precipitation of Iran, so, the major amount of precipitation variability over Iran can be explained by SST anomalies of regional water bodies. Linkage between SST and precipitation presented in this paper can be used as one of important components for seasonal precipitation prediction over Iran stations.

 

کلیدواژه‌ها [English]

  • Seasonal precipitation
  • regional water bodies
  • ERSST
  • Principal component analysis

مقدمه

منابع رطوبتی بارش های ایران از پهنه های آبی مجاور مانند دریای خزر، خلیج فارس و دریای عمان و  منابع  آبی دوردست  منطقه ای مانند دریای مدیترانه، سیاه، سرخ، خلیج بنگال و اقیانوس هند تامین می گردد (علیجانی 1379: 221). در این بین دمای سطح آب (SST [1])  پهنه های آبی مذکور نقش به سزایی در تبخیر آب و افزایش رطوبت جو دارد. ناظم السادات و همکاران (1383) نشان دادند که سردی بیش از حد سطح دریای خزر در زمستان منجر به افزایش بارش زمستانه در ناحیه غربی و مرکزی این دریا، مناطق مرکزی و جنوبی استان فارس و تمام ایستگاههای استان خوزستان می شود. وقوع شرایط گرم در دمای دریای خزر عموما موجب کاهش 20 درصدی در بارش فصل زمستان در سواحل دریای خزر و نواحی شمالی استان های فارس و خوزستان می گردد. در فاز گرم دمای زمستانه، تمام ایستگاههای مورد بررسی در نواحی ساحلی دریای خزر با افزایش بارش بهاره همراه می باشند، بطوریکه وقوع فاز گرم موجب افزایش 80 درصدی در بارش دو ایستگاه بندر انزلی و آستارا می گردد. علاوه بر این مطالعات مختلفی نیز به بررسی اثر دمای سطح پهنه های آبی مجاور و دوردست منطقه ای بر بارش های ناحیه ای ایران پرداخته اند (موسوی بایگی و همکاران 1387: 224-217، ناظم السادات و شیروانی 1384: 10-1 و قاسمی و خلیلی 2008: 133-116) که در این بین مطالعات ناظم السادات (1384) و قاسمی(2008) بر روی پهنه های آبی مجاور کشورمان و مطالعات موسوی بایگی(1387) با استفاده از شبکه عصبی و شامل پهنه های آبی دوردست هم بوده است.  نتایج تحقیقات یادشده حاکی از تاثیر دمای سطح پهنه های آبی بر بارش های فصلی ایران می باشند.

            تحقیق غیور و خسروی(1380) نشان می دهد که در جنوب شرق کشورمان میزان بارش فصل پاییز در فازهای گرم بطور معنی داری بیشتر از شرایط عادی و فاز سرد انسو بوده و حداکثر بارش های پاییزه در اکثر ایستگاههای منطقه با قویترین ال نینو های سال های 1982 و 1997 منطبق است. آنها دریافتند که در فازهای گرم انسو مسیر رودباد جنب حاره ای به عرض های جنوبی تر جابجا شده و هسته بیشینه سرعت این رودباد به جنوب شرق ایران تا دریای سرخ کشیده می شود. اما در فاز های سرد هسته مرکزی رودباد به سمت مرزهای شمالی منطقه هدایت شده، بطوریکه در لانیناهای قوی سال های 1997 و 1999 (همراه با خشکسالی) موقعیت متوسط منطقه رودباد به شمالی ترین حد خود جابجا گردیدند. هر چند برخی محققین تاثیر پدیده مذکور را بر بارش های ایران ضعیف یافته اند، اما بطور کلی یافته های آنها نشان می دهند که در هنگام وقوع پدیده النینو بارش های کشورمان، بخصوص در فصل پاییز، متمایل به بیش از نرمال می گردند و در هنگام رویداد لانینا شرایط به سوی کم بارشی و وقوع خشکسالی پیش می رود (ناظم السادات و کوردری b2000: 62-47 و ناظم السادات و شیروانی 1383: 24-11). برخی از این پژوهش ها علیرغم تایید افزایش بارش کشورمان در حین رویداد النینو، این افزایش را معنی دار ندانسته اند(احمدی و همکاران 1388: 113-95). پژوهش های دیگری بر روی ارتباط بین سایر پدیده های دورپیوندی مانند نوسان اطلس شمالی با بارش کشورمان انجام شده است(صلاحی 1386: 156-147، خوش اخلاق و همکاران 1387: 70-57). پژوهش های یادشده عمدتا بر افزایش بارش ایران در حین رویداد فاز منفی نوسان اطلس شمالی تاکید دارند.

ارتباط بین دمای پهنه های اقیانوسی و بارش مناطق مختلف کره زمین مورد توجه محققین زیادی بوده است که از جمله می توان به بررسی همبستگی بین دمای اقیانوس آرام و بارش بخش هایی از قاره آمریکا، کشورهای واقع در دریای کارائیب، جنوب شرق آسیا، استرالیا و آفریقا (مارکوفسکی و نورث 2003: 877-856 ، ویر  1987: 2698-2687 ، لیم و همکاران 2007: 39-33 ، لی و ژنگ 2008: 243-237 و میسره 2003: 2418-2408)، دمای سطح آب اقیانوس هند با بارش های مونسون هندوستان، آفریقا و استرالیا (آنامالایی 2005: 4167-4150 ، راکسی و تانیموتو 2007: 358-349 ، کریشنان 2003: 1194-1177 ، کوزوما و همکاران 1987: 568-558) و دمای اقیانوس اطلس با بارش غرب آفریقا، آمریکای جنوبی و مرکزی(یه 2001: 3155 -3140 ، دیاز 1998: 271-251 ، شوبرت و دیگران 2009 : 5272-5251 ، پلو و همکاران 2008 : 6475-6457 و لوف 1986: 570-561) اشاره کرد.

اخیرا از روش های گوناگون آماری مانند PCA[2]، CCA[3] و EOF[4] برای بررسی همبستگی و تبیین ارتباط بین دمای سطح پهنه های آبی و بارش استفاده شده است . . ناظم السادات و همکاران (1384) روش PCA را برای استخراج مولفه های اصلی و کاهش حجم داده های دمای سطح آب خلیج فارس(PGSST)[5] مورد استفاده قرار دادند و چهار سری زمانی جدید PC1)، PC2، PC3 و (PC4 که 5/73 درصد از واریانس کل را شرح می دادند را  به عنوان مولفه های اصلی انتخاب کردند. این مولفه ها به ترتیب معرف تغییرات دما در فصل زمستان، پاییز، بهار و تابستان بودند. قاسمی و خلیلی(2008) با استفاده از آنالیز مولفه اصلی ارتباط بین الگوهای چرخش جوی و بارش های زمستانه ایران را در شرایط ترسالی و خشکسالی بررسی کردند. آنها نشان دادند که در شرایط خشک (تر) آنومالی دمای سطح آب در غرب اقیانوس هند منفی (مثبت) و در شرق مثبت (منفی) استموناهان و دای (2004) با استفاده از آنالیز مولفه اصلی رفتارهای غیرخطی را بین چهار نوع داده های دمای سطح پهنه های آبی کره زمین شامل [6]HadISST، Kaplan، ERSST v.1[7] و ERSST v.2 که توسط مراکز مختلف اقلیمی تهیه شده و به دفعات مورد استفاده محققین قرار می گیرند را مورد تجزیه و تحلیل قرار دادند. آنها نشان دادند که همبستگی بسیار زیادی بین رفتار های غیرخطی داده های HadISST، Kaplan و ERSST v.2 و داده های دیدبانی شده از سال 1871 تا کنون وجود دارد. محققین دیگری (ترکیش و همکاران 2009 : 1074-1056، ناظم السادات و شیروانی 1385: 77-65 ، ناظم السادات و همکاران 1382: 71-61 ، بهرنگی و همکاران 2009 : 1429-1414 و مالمگرین و وینتر 1999 : 985-977) نیز روش های آماری یاد شده را در مطالعات اقلیمی مورد استفاده قرار داده اند.

تاکنون مطالعات مرتبط با بارش های کشورمان و دمای سطح پهنه های آبی یا در قالب پدیده انسو بوده و یا اینکه محدود به دو یا سه پهنه آبی از جمله دریای خزر و خلیج فارس بوده اند. این مطالعه سه تفاوت عمده با مطالعات قبلی دارد: الف- گستره پهنه های آبی بسیار وسیع تر انتخاب شده است، ب- کانون های اصلی تغییر دما در پهنه های یادشده شناسایی شده اند و ج- ارتباط بین الگوهای میانگین دمای پهنه های آبی منطقه ای به صورت فصلی با بارش کشور محاسبه شده اند. در این مطالعه ابتدا به معرفی منطقه مورد مطالعه، داده ها و روش کار می پردازیم و سپس به تحلیل مولفه های اصلی دمای پهنه های آبی، طبقه بندی الگوهای دمایی و در نهایت به بررسی ارتباط بین بارش های فصلی کشورمان و دمای سطح پهنه های آبی منطقه خواهیم پرداخت.

 

مواد و روش ها

الف. منطقه مورد مطالعه

منطقه مورد مطالعه تمامی پهنه های آبی محصور بین عرض جغرافیایی 0 تا 50 درجه شمالی و طول جغرافیایی 10 تا 100 درجه شرقی را در بر می گیرد که شامل دریاهای خزر، سیاه، مدیترانه در نواحی شمالی این منطقه و خلیج فارس، دریاهای عمان، عرب، سرخ و نواحی شمالی اقیانوس هند در جنوب این ناحیه می شود. در شکل 1 میانگین دمای سالانه بین دوره 2009-1980 دیده می شود. اختلاف دمای سطح آب بین گرمترین (جنوب دریای عرب) و سردترین (شمال دریای خزر) نقطه بیش از 14 درجه سانتیگراد است. در بین پهنه های آبی مورد بررسی دریای خزر هیچ گونه ارتباطی با آبهای آزاد ندارد و دریای سیاه هم دارای کمترین ارتباط با دریای مدیترانه می باشد که خود از طریق باریکه جبل الطارق به اقیانوس اطلس متصل است. به همین دلیل دمای سطح آب دریاهای خزر و سیاه متاثر از دمای اقیانوس های آزاد نمی باشد. اما سایر پهنه های آبی از طریق جریان های اقیانوسی با اقیانوس تبادل حرارتی دارند. در فصل زمستان در حالیکه آب های کرانه های شمالی دریای خزر یخ بسته است آبهای سطحی آن در کرانه های جنوبی حرارتی بین 8 تا 10 درجه سانتیگراد دارند. دریای سیاه میانگین دمایی در حدود 5/15 درجه در طول سال دارد. میانگین بارش ترکیه در سواحل دریای سیاه حدود 800 میلیمتر است که بیشترین بارش در این کشور است. در دوره سرد سال با استقرار جبهه قطبی بر سواحل شمالی دریای مدیترانه و بوجود آمدن گرادیان دمایی بین دریا و خشکی، این دریا در تشکیل سیکلون ها شرکت می کند. اختلاف دمای بیشتر بین دمای سطح آب و جبهه قطبی فرآیند تشکیل سیکلونزائی در این منطقه را تشدید می نماید.

 

 

 

 

 

 

 

 

 

 


شکل1. میانگین دمای سطح آب پهنه های آبی مورد مطالعه طی دوره پایه

 

سواحل دریای سرخ از دو طرف بوسیله ارتفاعات بلندی احاطه شده است. لذا در دوره سرد سال سبب می شود در نیمه جنوبی جریانهای جنوب – جنوب شرق و در نیمه شمالی آن جریانهای هوایی شمال – شمال غرب ایجاد شود. این دو جریان مخالف در منطقه ای بین عرض 18 تا 22 درجه شمالی بر روی دریای سرخ به هم رسیده و همگرا می شوند. این همگرایی موجب سیکلونزائی بر روی این دریا می گردد که با جابجایی به سمت فلات ایران بارش های سنگینی را موجب می گردد.  میانگین دمای خلیج فارس و دریای عمان به ترتیب حدود 5/25 و 26 درجه سانتیگراد می باشد. در سال های اخیر با افزایش دمای دریای عرب و دریای عمان شرایط برای ایجاد چرخندهای حاره ای بر روی این دریا و نفوذ آن به سواحل کشور های همجوار مهیا شده است (جداری عیوضی 1380: 60-54 ، علیجانی 1383: 113-86 ، لشکری 1379: 184-167 ، سازمان اقیانوس شناسی و هواشناسی آمریکا).

 

ب. داده ها

در این مطالعه از داده های ماهانه شبکه ای  ERSSTv.2 استفاده شده است.  این داده ها  با استفاده از داده های فراگیر دیدبانی شده جوی – اقیانوسی(COADS)[8] تهیه شده اند و دارای قدرت تفکیک 2×2 درجه می باشند. داده های فراگیر جوی اقیانوسی شامل کلیه داده های واقعی اندازه گیری شده توسط کشتی ها، بویه های شناور و ایستگاههای ثابت دریایی و سنجنده های ماهواره سازمان اقیانوس شناسی و هواشناسی آمریکا می باشد. بر روی این داده ها فرآیند های کنترل کیفی، بهبود و بازسازی انجام شده است. علاوه بر آن در تهیه آنها خطا و عدم قطعیت به دو روش نمونه ای و تحلیلی مد نظر قرار گرفته است. از آنجا که داده های دیدبانی قبل از سال 1880 بصورت بسیار پراکنده هستند، لذا واریانس دوره 1880-1854 با بکارگیری رفتار داده های دیدبانی های انجام شده بعد از این دوره و بکارگیری روش های آماری بهبود یافته است. داده های دمای سطح آب ERSST با داده های HadISST که توسط مرکز هادلی سازمان هواشناسی انگلیس تهیه شده است، همخوانی خوبی دارند (رینولدز و اسمیت، 2002).  دوره زمانی مورد مطالعه برای داده های بارش کشور و داده های دمای سطح پهنه های آبی 2009- 1980(30 سال) می باشد که شامل 141 ایستگاه سینوپتیک کشور است.  برای تحلیل و ترسیم داده ها بر روی پهنه های آبی مورد بررسی از نرم افزار های Excell، و GrADS و SPSS استفاده گردید.

 

ج. روش تحقیق

آنالیز مولفه اصلی: در این مطالعه از روش آنالیز مولفه اصلی(PCA) برای کاهش حجم 483 متغییر دما در تلاقی های 2×2 درجه در سطح پهنه های آبی استفاده شده است.   آنالیز مولفه اصلی یک روش آماری است که مجموعه ای از متغیر ها را به تعداد کمی از مدهای متعامد تقلیل می دهد که می تواند بخش زیادی از واریانس داده ها را تشریح نماید.  روش آنالیز مولفه اصلی بطور گسترده ای در پژوهش های اقلیمی بکار برده شده است(ناظم السادات و همکاران 1384: 10-1، بهرنگی و همکاران 2009 : 1429-1414، موناهان و دای 2004: 3036-3026). در اینجا به اختصار به معرفی این روش با استفاده از مراجع فوق می پردازیم.

وقتی که در مسائل اقلیمی با حجم زیادی از داده ها مواجه هستیم، بکارگیری PCA موجب می شود متغیرهای اولیه به مولفه های جدید و مستقل از همدیگر که ترکیب خطی از متغیرهای اولیه هستند، تبدیل شوند. مولفه های جدید تمام اطلاعات متغیرهای اولیه را با کمترین تلفات دارا بوده که با دنباله زیر مشخص می شود:

 

(1)                                                                               

که در آن معرف مولفه اصلی ،  ضریب مربوط به متغیرهای اولیه و  متغیر اولیه می باشد. ضرایب متغیرهای اولیه از فرمول (2) بدست می آیند:

(2)                                                                                              

که در آن I ماتریس واحد، R ماتریس همبستگی بین متغیرهای اولیه و  نیز مقدار ویژه می باشد.

با حل رابطه (2) ویژگی های هر مولفه  شامل مقدار و بردارویژه بدست می آیند. هر مولفه نیز درصدی از اطلاعاتی که توسط متغیرهای اولیه بیان می شود را در بر می گیرد و معادل بخشی از اطلاعات مسئله است که به صورت عدد و رقم در متغییرهای اولیه نهفته است. بعبارت دیگر وقتی که گفته می شود مولفه اول بیش از 90 درصد اطلاعات متغیرهای اولیه را به ما می دهد، بدین معنی است که با استفاده از این مولفه به جای متغیرهای اولیه می توان در عین این که 90 درصد اطلاعات مسئله را حفظ کرد، از حجم و پیچیدگی مسئله نیز کاست. هر چه کمیت عددی مقادیر ویژه بزرگتر باشد، بیانگر آنست که مولفه مربوطه از آن نیز درصد بیشتری از اطلاعات متغیرهای اولیه را در بر می گیرد. چون در تشکیل هر مولفه از تمام مقادیر اولیه استفاده می شود، لذا تفسیر آن را با مشکل مواجه می سازد. از اینرو برای رفع این مشکل و تفسیر ساده تر مولفه ها آنها را چرخش می دهند. در بیشتر مطالعات علمی از چرخش واریماکس[9] استفاده می شود.

برای استخراج مولفه های اصلی ماتریس ها را بصورتی که سطرهای آن نمایانگر دیدبانی های لحظه ای و ستون های آن متغیر های دیدبانی در مکان های مختلف باشد، مرتب می کنیم و ماتریس کوواریانس X را به صورت زیر محاسبه می کنیم:

 

(3)                                                                                    

 

که در آن E عملگر امید ریاضی است. بایستی توجه داشت که مولفه های اصلی تحت تبدیلات مقیاس ناوردا[10] نیستند. ماتریس تجزیه متعامد Sxx را می توانیم به شکل زیر بنویسیم:

 

(4)                                                                                       

 

در فرمول فوق ماتریس Ux   در بر گیرنده مقادیر ویژه متعامد ماتریس کواریانس Sxx و Dx= diag(λ1, . . . . . λk) ماتریس قطری مقادیر ویژه Sxx بر اساس مقادیر کاهشی است. مولفه های اصلی با کمک معادله 5 محاسبه می شود:

 

(5)                                                                                         

 

 در فرمول 5 هر یک از ستون های Vx نشاندهنده مولفه های اصلی منفرد هستند. ماتریس X را می توان به شکل زیر بازسازی کرد:

 

(6)                                                                                           

 

مقادیر  فاکتور  KMO[11] برای بررسی امکان اجرای روش مولفه اصلی محاسبه گردید که در تمامی موارد این مقدار از 8/0 بالاتر بوده است. در صورتیکه مقادیر KMO بالای 5/0 باشد امکان بکارگیری روش مولفه اصلی وجود دارد (نوری و دیگران 1386: 69-6 ، ترکیش و همکاران 2009 : 1074-1056). 

 روش بررسی ارتباط بین بارش های فصلی و دمای پهنه های آبی: در این تحقیق با استفاده از روش آنالیز مولفه اصلی تعداد متغیر های دمای سطح پهنه های آبی از 483 متغیر به 6 عامل اصلی کاهش یافتند که حداقل 90 درصد از واریانس دمای فصول مختلف را تبیین می کنند.  ارتباط بین عامل های اصلی و متغیرهای اولیه از طریق بارگویه ها[12] که نشان دهنده میزان همبستگی بین متغیرهای اولیه و مولفه های اصلی می باشند، مشخص شد. برای تحلیل الگوهای اصلی دمای سطح پهنه های آبی، توزیع مکانی بارگویه ها به تفکیک فصل ترسیم شدند و از این طریق کانون های اصلی تغییر در بین پهنه های آبی مشخص شدند. کانون های تغییر مکان هایی هستند که در آن بیشترین همبستگی بین عامل اصلی و متغیرهای دما در آن مناطق وجود دارد. با محاسبه نمرات عاملی، به هر یک از عامل های اصلی یک ارزش عددی نسبت داده شد که مقدار آن از طریق حاصلضرب نمرات استاندارد داده های اولیه در ماتریس بارگویه ها بدست می آید(علیجانی 1381 : 200-180).  برای برآورده کردن استقلال خوشه بندی متغیر ها، عامل ها چرخش داده می شوند و سپس با استفاده از روش خوشه بندی وارد[13]، الگو های دمای سطح متوسط دریا بر اساس نمرات عاملی تهیه می شوند. ارتباط بین بارش های فصلی کشور با دمای پهنه های آبی با تعیین همبستگی های معنی دار (در سطح 5 درصد) بین مقادیر نرمال شده بارش های ایران با الگوهای میانگین دمای سطح پهنه های آبی که قبلا نمرات عاملی آنها محاسبه شده اند، بدست آمد.

 

تحلیل نتایج

برای کاهش حجم داده ها، شناسایی کانون های تغییر، الگوهای غالب دمای سطح پهنه های آبی ، موقعیت و دوره های استیلای هر کدام از الگوها، میانگین فصلی(پاییز، زمستان، بهار و تابستان) ماتریس دمای سطح آب در 483 تلاقی های 2×2 درجه جغرافیایی در یک دوره 30 ساله 2009-1980 از داده های ERSST تهیه و با استفاده از تحلیل عاملی، مولفه های اصلی به تفکیک فصول مختلف استخراج شدند. بر اساس این روش 483 متغیر اولیه به کمتر از 10 عامل تقلیل یافتند که  عمدتا بیش از 90 درصد از واریانس داده های اولیه را تبیین می کردند.

 

الف. تحلیل مولفه های اصلی دمای فصلی

در شکل های 2 تا 5 الگوهای مربوط به بارگویه ها و کانون های اصلی تغییر در فصول مختلف آورده شده است. در فصل پاییز شش مولفه اصلی اولیه در مجموع 6/84 درصد از واریانس داده های اولیه را تبیین می کنند که این مقدار به ترتیب برای مولفه های اول تا ششم 9/29، 6/21، 4/15، 1/8، 5/5 و 2/4 درصد می باشند (شکل 2). در فصل زمستان مهمترین کانون های تغییرات دما در اقیانوس هند و دریای عرب (مولفه های اصلی اول و دوم) قرار دارند که در مجموع  3/60 درصد واریانس کل را تبیین می کنند(شکل 3). در این فصل  چهار مولفه اصلی  1/73 درصد واریانس کل را پوشش می دهند. در فصل بهار مهمترین کانون تغییرات دما در غرب اقیانوس هند، در مجاورت سواحل سومالی واقع است. در فصل بهار بخشی از واریانس های دما را غرب دریای مدیترانه و دریای خزر پوشش می دهند (شکل 4). مطابق شکل 5، اولین عامل تغییر دما در فصل تابستان در جنوب غرب دریای عرب و در سواحل شرقی یمن واقع شده است. دومین عامل تغییر دما بر روی شرق دریای مدیترانه، دریای سیاه و دریای خزر متمرکز است. در حالیکه در فصول پاییز، زمستان و بهار بخش قابل توجهی از واریانس کل در شمال دریای عرب واقع شده است، اما در فصل تابستان نقش این ناحیه کمتر شده است. در جدول 1 مشخصات شش مولفه اول، درصد واریانس و کانون های تغییر به تفکیک فصل آورده شده است.

 

 

 

 

 

 

 

 


شکل2. الگوهای بارگویه های دو مولفه اصلی دمای فصل پاییز. کانون های تغییر با علامت + یا – نشان داده شده اند.

مقادیر بارگویه ها در 10 ضرب شده اند.

 

 

 

 

 

 

 

 

 

 


شکل3. الگوهای بارگویه های دو مولفه اصلی دمای فصل زمستان

 

 

 
   
 

 

 

 

 

 

 

 

 


شکل4. الگوهای بارگویه های دو مولفه اصلی دمای فصل بهار

 

 

 

 
   
 

 

 

 

 

 

 

 

 


شکل5. الگوهای بارگویه های دو مولفه اصلی دمای فصل تابستان

 

بررسی الگوهای فصلی بارگویه های دما نشان می دهد که بطور کلی 9 کانون تغییر دمای سواحل جنوبی هند، سواحل سومالی، شرق مدیترانه-دریای سیاه،شمال دریای عرب، غرب مدیترانه، خلیج بنگال، دریای خزر و سواحل یمن در منطقه وجود دارد که در این بین کانون های تغییر در سواحل جنوبی هند، سواحل سومالی، شرق مدیترانه - دریای سیاه و شمال دریای عرب در تمامی فصول بعنوان یکی از مولفه های اصلی و موثر دیده می شود. باستثنای تابستان کانون غرب مدیترانه در تمامی فصول دیگر دیده می شود. کانون خلیج بنگال در دو فصل پاییز و زمستان وجود دارد. دریای خزر بعنوان کانون تغییر مهم در فصل زمستان دیده نمی شود ولی در سایر فصول بطور مشترک با شرق دریای مدیترانه و دریای سیاه حضور دارد، اما در فصل بهار بعنوان یک کانون مستقل ظاهر شده است. سواحل یمن تا سومالی نیز مهمترین کانون تابستانه می باشد.

 

جدول1. مشخصات عامل های اصلی دمای پهنه های آبی منطقه

مولفه اصلی

پاییز

زمستان

بهار

تابستان

کانون تغییر

واریانس

کانون تغییر

واریانس

کانون تغییر

واریانس

کانون تغییر

واریانس

PCA1

سواحل جنوبی هند

9/29

سواحل سومالی

2/37

سواحل سومالی

8/34

سواحل یمن تا سومالی

8/32

PCA2

سواحل سومالی

6/21

شرق مدیترانه و دریای سیاه

9/13

سواحل جنوبی هند

4/16

شرق مدیترانه، دریای سیاه و دریای خزر

7/20

PCA3

شرق مدیترانه، دریای سیاه و دریای خزر

4/15

شمال شرق دریای عرب

7/12

شمال شرق دریای عرب

4/13

سواحل جنوبی هند

5/15

PCA4

شمال شرق دریای عرب

1/8

خلیج بنگال

3/9

شرق مدیترانه و دریای سیاه

1/13

سواحل سومالی

6/10

PCA5

غرب مدیترانه

5/5

سواحل جنوبی هند

4/6

غرب مدیترانه

3/6

شمال دریای عرب

1/3

PCA6

خلیج بنگال

2/4

غرب مدیترانه

8/5

دریای خزر

9/2

سواحل غربی آفریقای مرکزی

3

 

ب. طبقه بندی الگوهای فصلی دمای پهنه های آبی

برای تهیه نقشه الگوهای فصلی دمای سطح پهنه های آبی،  دو روش خوشه بندی نمرات عاملی و تنظیم صعودی نمرات عاملی و تهیه الگو برای بالاترین و پایینترین نمرات عاملی از روش های متداول است  (علیجانی 1381 : 200-180).  در اینجا نمرات عاملی شش مولفه اصلی اولیه به تفکیک فصل خوشه بندی گردیدند، سپس نقشه های متوسط الگوهای آنومالی دمای فصلی تهیه شدند که در ادامه به توضیح هر کدام از آنها می پردازیم.

  • پاییز

اولین الگوی فصلی پاییز با آنومالی منفی دما بر روی کل پهنه های آبی منطقه همراه است که بیشترین کاهش بر روی دریای خزر به مقدار 5/0- درجه سانتیگراد نسبت به میانگین دوره 2009-1980 می باشد(شکل 6). 30 درصد الگوهای فصل پاییز در این طبقه شناسایی شده اند. با توجه به نبود ارتباط بین دریای خزر و آبهای آزاد، بنظر می رسد این کاهش دما ناشی از تاثیر حضور الگوی پرفشار سیبری در این فصل از سال باشد. دومین الگوی میانگین فصلی با آنومالی مثبت دما به میزان 6/0 درجه سانتیگراد بر روی خزر همراه است. در تمامی این الگو میانگین دما بر روی پهنه های آبی مثبت می باشد. مهمترین مشخصه الگوهای سوم و چهارم وجود دوقطبی دمایی بین غرب و شرق اقیاوس هند می باشد. در الگوی سوم غرب اقیانوس هند (سواحل شرقی آفریقا) دارای آنومالی منفی و شرق آن دارای آنومالی مثبت می باشد که این حالت با فاز مثبت پدیده دوقطبی اقیانوس هند همراه است. 

در این الگو دمای میانگین دریای های خزر، سیاه و مدیترانه تا 3/0 درجه سانتیگراد از نرمال کمتر است. فاز منفی دوقطبی هند و آنومالی مثبت دما بر روی شمال شرق دریای عرب دو مشخصه مهم الگوی چهارم می باشد که حدود 10 درصد از کل الگوهای میانگین این فصل را تشکیل می دهند. علاوه بر آن در این الگو آنومالی مثبت در شمال دریای عرب در مجاورت سواحل پاکستان و آنومالی منفی در غرب دریای مدیترانه وجود دارد. در الگوی پنجم مجددا دوقطبی منفی بر روی اقیانوس هند دیده می شود که حاکی از اهمیت و حاکمیت این پدیده بعنوان مد غالب نوسانات این اقیانوس می باشد. علاوه بر آن شرایط مشابهی بین خلیج فارس و شمال دریای عرب دیده می شود، بطوریکه دمای خلیج فارس بیش از نرمال می باشد. همچنین بین شرق و غرب دریای مدیترانه نیز دوقطبی دمایی شکل گرفته است که با آنومالی مثبت در شرق آن همراه است. در الگوی ششم آنومالی مثبت دمایی بر روی دریای آدریاتیک، آبهای سواحل سومالی و جنوب شبه قاره هند و همچنین آنومالی منفی بر روی خلیج فارس و شرق دریای سیاه وجود دارد(به دلیل کمبود فضا، فقط دو الگوی آنومالی دما در شکل آورده شده است).

 

 

 

 

 

 

 

 

 

 


شکل 6. الگوهای آنومالی میانگین دمای فصل پاییز. ATM1a  و ATM2a به ترتیب الگوهای اول و دوم را نشان می دهند. مقادیر آنومالی دما در 10 ضرب شده اند.

 

 

  • زمستان

دو الگوی اول و دوم آنومالی دمایی فصل زمستان در شکل 7 نشان داده شده اند. این دو الگو در مجموع 47 درصد از الگوهای فصل زمستان را در دوره مورد مطالعه پوشش می دهند که هر کدام دارای سهم مساوی هستند. الگوی اول با اختلاف دمای حدود 7/0 درجه سانتیگراد بین شرق و غرب دریای مدیترانه همراه است که به شکل یک دوقطبی بر روی نقشه نمایان شده است. الگوی دوقطبی دریای مدیترانه مد غالب نوسانات فصلی این دریا می باشد. در این الگو دمای دریای خزر حدود 4/0 درجه سانتیگراد نسبت به نرمال گرمتر است، اما در سواحل سومالی دما تا بیش از 5/0 درجه نسبت به نرمال سردتر شده است. دومین الگوی این فصل با کاهش 5/0 درجه ای دما بر روی دریای سیاه و افزایش دما بر روی شمال دریای عرب همراه است.  شرایط دمایی بر روی دریا های مدیترانه، سیاه و خزر در الگوی سوم کم و بیش مشابه الگوی اول می باشد، اما در این الگو آبهای شمال دریای عرب تا 4/0 درجه نسبت به نرمال سردتر شده است. در الگوی چهارم دمای دریای خزر و خلیج فارس با کاهش دما نسبت به نرمال همراه است، ولی غرب دریای سیاه و آبهای اقیانوس هند در منطقه باب المندب نسبت به میانگین گرمتر شده اند. الگوی پنجم با اختلاف دمایی بیش از یک درجه بین شرق و غرب دریای مدیترانه همراه است.در این الگو دمای اقیانوس هند در مجاورت سواحل سومالی حدود 5/0 درجه و در مجاورت سواحل غربی آفریقای مرکزی تا 4/1 درجه نسبت به میانگین گرمتر شده است. مهمترین مشخصه الگوی ششم اختلاف شدید بین غرب و شرق دریای مدیترانه تا 6/1 درجه می باشد که در هیچکدام از الگوهای فصلی دیده نمی شود. در این الگو دمای دریای خزر تا 1 درجه کاهش یافته است.

 

 

 

 

 

 

 

 

 

 

 

شکل7. الگوهای اول و دوم (Win1a  و Win2a) آنومالی میانگین دمای فصل زمستان

  • بهار

بطور کلی الگوهای میانگین فصل بهار نسبت به دو فصل پاییز و زمستان نوسانات کمتری دارند. اولین الگوی فصل بهار که 27 درصد از الگوهای فصلی این فصل را پوشش می دهد، با آنومالی مثبت دمایی به میزان 4/0 درجه سانتیگراد بر روی دریای خزر همراه است. در این الگو در تمامی پهنه های آبی افزایش دما مشاهده می شود که بیشترین افزایش بر روی دریاهای خزر، سیاه و مدیترانه قرار می گیرد(شکل 8).

 

 

 

 

 

 

 

 

 


شکل 8. الگوهای  اول و دوم (SPR1a  و SPR2a) آنومالی میانگین دمای فصل بهار

در دومین الگو دریای خزر با آنومالی مثبت و دریاهای سیاه و مدیترانه با آنومالی منفی مواجه هستند و دمای پهنه های آبی جنوب نیز نسبت به نرمال کاهش یافته است. می توان گفت وجه مشخصه الگوی سوم کاهش دما در مقایسه با میانگین در تمامی پهنه های آبی است که در این بین بیشترین کاهش در دریای خزر به میزان 9/0 درجه رخ داده است.

  • تابستان

اولین الگوی میانگین فصل تابستان که 27 درصد از الگوهای فصلی را تشکیل می دهد، با افزایش حدود یک و 5/0 درجه سانتیگراد دما به ترتیب بر روی دریای سیاه و دریای سرخ مشخص می شود، اما در دومین الگو دما بر روی دریای خزر حدو 5/0 درجه نسبت به میانگین دوره کاهش را نشان می دهد. در این الگو به استثنای آبهای سواحل سومالی، در تمامی پهنه ها دما کاهش یافته است(شکل 9).

 

 

 

 

 

 

 

 

 


شکل 9. الگوهای اول و دوم (SMR1a  و SMR2a) آنومالی میانگین دمای فصل تابستان

 

 در سومین الگو میانگین دما بجز در آبهای غرب اقیانوس آرام، در سایر پهنه ها افزایش یافته است که بیشترین افزایش بر روی دریای سیاه به میزان 4/0 درجه است. هر کدام از الگوهای دوم و سوم 23 درصد از نوسانات این فصل را پوشش می دهند. مهمترین مشخصه الگوی چهارم که به میزان 10 درصد در الگوهای فصلی تابستان سهیم است، وجود دوقطبی دمایی بین غرب و شرق اقیانوس هند می باشد که دارای اختلاف دما در حد 9/0 درجه سانتیگراد می باشد. در این الگو دما در آبهای مجاور سومالی حدود 4/0 درجه نسبت به میانگین گرمتر شده است. در این الگو دما در پهنه های آبی شمالی نسبت به میانگین کاهش یافته است که بیشترین کاهش بر روی دریای خزر به میزان 7/0 درجه می باشد. الگوی پنجم با کاهش دما در تمامی پهنه های آبی همراه است که بیشترین کاهش بر روی دریای خزر با 1/1 درجه سانتیگراد می باشد. کاهش دمای این الگو بر روی دریای خزر در هیچکدام از الگوهای فصلی دیده نمی شود. این الگو 10 درصد از الگوهای فصلی تابستان را تشکیل می دهد. در ششمین الگو یک دوقطبی بین آبهای مجاور سومالی و آبهای جنوب هند تشکیل شده است که  7/0 درجه اختلاف بین هسته های این دوقطبی وجود دارد. در این الگو دمای شرق مدیترانه و شمال دریای عرب نسبت به میانگین کاهش یافته است.

 

ج. بررسی همبستگی بین بارش های فصلی  ایران و SST

پس از طبقه بندی الگوهای فصلی دمای سطح پهنه های آبی منطقه ای، همبستگی بین مقادیر نرمال شده بارش های فصلی ایران با الگوهای میانگین دمای همان فصل محاسبه شدند که در شکل های 10 تا 13 همبستگی های مکانی آنها(بر حسب درصد) آورده شده است. مناطق با هاشورپررنگ نشاندهنده همبستگی مثبت و نواحی کم رنگ تر نشاندهنده  همبستگی کمتر و یا منفی می باشند. در این بخش نتایج هرکدام از همبستگی های همزمان فصلی بین بارش ایران و میانگین دمای پهنه های آبی منطقه ای مورد تجزیه و تحلیل قرار می گیرد.

 

  • پاییز

در اولین الگوی فصل پاییز بیشترین همبستگی مثبت بین بارش های شمال شرق کشور شامل استان های خراسان رضوی، شمال خراسان جنوبی، یزد و شرق اصفهان دیده می شود. الگوی دوم همبستگی های نسبتا مناسب را در شرق، جنوب شرق و تا حدودی بخش های مرکزی کشور را نشان می دهد. در الگوی سوم ناحیه همبستگی بالا در منطقه زاگرس مرکزی و  استان گلستان دیده می شود. در الگوی چهارم همبستگی های مثبت چندان مناسب نبوده اما در غرب کشور همبستگی های منفی نسبتا بالایی بین بارش پاییز و الگوهای دمای پهنه های آبی در این فصل وجود دارد. در الگوی پنجم بیشترین همبستگی ها در یک سوم شمالی کشور و زاگرس مرکزی دیده می شود که بالاترین آن در ایستگاههای جنوب رشته کوه البرز قرار دارد. الگوی ششم که نماینده  کمترین درصد الگوهای فصلی بارش می باشد، همبستگی خوبی بین بارش فصلی و الگوی دمایی این فصل را نشان نمی دهد، هر چند همبستگی نسبتا مناسبی در جنوب غرب خزر ملاحظه می شود.

 

  • زمستان

در اولین الگوی زمستانه، همبستگی های مثبت بالایی دیده نمی شود، ولی بیشترین همبستگی منفی در سواحل جنوب شرقی خزر قرار دارد. در الگوی دوم همبستگی مثبت در باند جنوب غرب به شما ل شرق کشور مشاهده می شود که بیشترین آن بر روی استان خوزستان، فارس، کهکیلویه و بویر احمد و اصفهان می باشد. در سومین الگو، همبستگی های منفی بین بارش نواحی واقع در بین استانهای بوشهر تا خراسان رضوی وجود دارد که در برخی موارد به بیش از 40 درصد می رسد. الگوی چهارم مشابه الگوی سوم ولی مقادیر همبستگی در آن مثبت می باشد. در الگوی پنجم همبستگی های بالایی بین بارش و مولفه های اصلی دمای پهنه های آبی وجود دارد که مقادیر مثبت در شمال خط واصل بین استان فارس تا خراسان رضوی قرار دارد. در این الگو همبستگی های بالای 50 درصد نیز در غرب و سواحل جنوبی خزر محاسبه شده است. در الگوی ششم نیز همبستگی های منفی غالب است که عمدتا در استان خراسان شمالی متمرکز شده اند.

 

  • بهار

اولین الگوی این فصل با همبستگی بالا با بیش از 50 درصد در شمال شرق کشور قرار دارد. همبستگی بین مولفه اصلی دوم فصل بهار با بارش های این فصل مقادیر مثبت و بالا را در منطقه زاگرس، غرب و نواحی شمالی کشور نشان می دهد. در همین الگو همبستگی های منفی نسبتا بالایی نیز بطور محلی در جنوب شرق کشور مشاهده می شود.  در الگوی سوم بالاترین همبستگی ها در شمال کشور و بخش هایی از زاگرس می باشد که بالاترین آن در استان گلستان با بیش از 50 درصد است. در چهارمین الگو همبستگی های منفی بالا تا حد 60 درصد در اکثر نقاط کشور دیده می شود. این مقدار بالاترین همبستگی بین تمامی الگوهای مورد بررسی است. در پنجمین الگو همبستگی بین بارش و مولفه اصلی پنجم عمدتا منفی است. بیشترین هماهنگی بین بارش و مولفه اصلی در استان های خراسان و یزد می باشد. بارش های نوار جنوبی کشور با ششمین مولفه اصلی هماهنگ است (در اینجا فقط الگوهای اول تا چهارم ترسیم شده اند).

 

  • تابستان

میزان همبستگی بین مولفه اصلی اول دما با بارش تابستانه ایران در اغلب نقاط کشور در حدود 30 درصد و بالاتر می باشد. دومین الگوی همبستگی، توزیع معنی داری را در کل کشور نشان نداده و مقادیر آن بین 20 تا 20- درصد متغیر است. در الگوی سوم همبستگی های منفی مقادیر نسبتا بالایی دارند که ایستگاههای مربوط به آنها در استان های واقع در زاگرس شمالی، بخش هایی از استان های خراسان رضوی و یزد و استان های بوشهر و هرمزگان قرار دارند. در الگوی چهارم همبستگی های مثبت بالا در بین ایستگاههای خراسان رضوی، یزد و استان های واقع بر حاشیه البرز شرقی دیده می شود، اما در همین الگو همبستگی های منفی بالای 40 درصد نیز در استان های فارس و بوشهر مشاهده می شود. نقشه همبستگی بارش با مولفه اصلی پنجم دمای سطح آب در تابستان حاکی از وجود همبستگی های بالا در مناطق کوهستانی شمال و شرق  کشور می باشد. در سایر نقاط و بخصوص در جنوب و غرب کشور همبستگی ها پایین است. الگوی ششم با بخش هایی از بارش های شرق کشور و استان یزد هماهنگ است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


      شکل10. همبستگی بین مولفه های اصلی SST و بارش  فصل پاییز       

 

 

 

 

 

 
   

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

   شکل11.   همبستگی بین مولفه های اصلی SST و بارش  فصل زمستان

 

 

 

 

 

 

 

 

 

 

 

 
   

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

    شکل12.   همبستگی بین مولفه های اصلی SST و بارش  فصل بهار    

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

        شکل13. همبستگی بین مولفه های اصلی SST و بارش  فصل تابستان

 

            به طور کلی در فصل پاییز بارش های فصلی بیش از نیمی از کشور (نیمه شرقی و زاگرس مرکزی) با الگوهای دمای سطح پهنه های آبی منطقه ای دارای همبستگی مثبت معنی دار و بارش بخش هایی از استان خوزستان و جنوب شرق سواحل خزر با الگوهای دمای پهنه های آبی دارای همبستگی منفی معنی دار هستند. در فصل زمستان همبستگی های مثبت معنی دار در استان های واقع در زاگرس جنوبی و همبستگی های منفی معنی دار در استان های واقع در خط واصل بین بوشهر تا خراسان رضوی قرار دارند. در فصل بهار الگوهای دما با بارش های نواحی یک سوم شمالی کشور دارای همبستگی مثبت و با بارش های غرب و بخش هایی از جنوب کشور دارای همبستگی منفی هستند. در فصل تابستان بیشترین همبستگی های مثبت در استان های شما ل غرب کشور، خراسان رضوی، یزد و شمال سیستان و بلوچستان واقع شده اند. در همین فصل بارش بخش هایی از جنوب غرب و غرب کشور با الگوهای دمای سطح پهنه های آبی دارای همبستگی های منفی معنی دار هستند.

بررسی میزان معنی داری همبستگی ها نشان می دهد که بالاترین همبستگی معنی دار در سطح 5درصد بین مقادیر نرمال شده بارش های فصل بهار با نمرات عاملی مولفه های اصلی دمای سطح پهنه های آبی می باشد. در این فصل تعداد کل ایستگاههای با همبستگی معنی دار 105 ایستگاه از کل 141 ایستگاه مورد بررسی می باشد که معادل 75 درصد کل ایستگاههای مورد مطالعه می باشد. تعداد کل ایستگاههای دارای همبستگی معنی دار در فصول تابستان، زمستان و پاییز به ترتیب 6/58، 4/51 و 7/40 درصد از مجموع ایستگاههای مورد مطالعه می باشد (جدول 2).

 

جدول2. تعداد ایستگاههای با همبستگی معنی دار در سطح 5 درصد به همراه ضرایب همبستگی و تبیین

 

فصل

ایستگاههای با همبستگی معنی دار (در سطح 5 درصد)

میانگین ضریب همبستگی

ضریب تبیین

تعداد

درصد

بهار

105

75

1/47

22/0

تابستان

83

59

1/44

20/0

پاییز

57

40

9/42

19/0

زمستان

73

52

7/42

18/0

 

 

در شکل 14 تعداد ایستگاههای با همبستگی معنی دار بین بارش فصلی و مولفه های اصلی دمای سطح پهنه های آبی منطقه ای در همان فصل آورده شده است. بیشترین تعداد ایستگاههای با همبستگی معنی دار مربوط به فصل بهار می باشد که در آن بارش  75 درصد از ایستگاههای کشور با الگوی دمای پهنه های آبی دارای همبستگی معنی دار است.

 

 
   

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 14. تعداد ایستگاههای با همبستگی معنی دار بین بارش فصلی و مولفه های اصلی دمای پهنه های آبی منطقه

 

 بحث و نتایج

در این تحقیق ابتدا مولفه های اصلی دمای سطح آب پهنه های آبی دریاهای خزر، سیاه، مدیترانه، سرخ، عرب، خلیج فارس و بخش هایی از اقیانوس هند در فصول مختلف استخراج گردیدند. بر اساس این روش تعداد 483 متغیر اولیه به کمتر از 10 عامل تقلیل یافتند که  عمدتا بیش از 90 درصد از واریانس داده های اولیه را تبیین می کردند. بررسی مولفه های اصلی  نشان می دهند که مهمترین کانون های تغییر در آبهای مجاور کشور سومالی، سواحل جنوبی هند، شرق مدیترانه - دریای سیاه و شمال دریای عرب واقع هستند.  در فصل پاییز مهمترین کانون های تغییرات دما در اقیانوس هند و دریای عرب  قرار دارند که به تنهایی 3/60 درصد واریانس کل این فصل را تبیین می کنند. پس از آن دریای مدیترانه با 4/15 درصد واریانس کل قرار دارد. در فصل زمستان اولین کانون تغییر غرب اقیانوس هند و دومین آن شرق دریای مدیترانه و دریای سیاه می باشد. در فصل بهار مهمترین کانون های تغییر در اقیانوس هند و دریای مدیترانه واقع هستند و دریای خزر تنها 9/2 درصد از تغییرات را تبیین می کند. در فصل تابستان هرچند اقیانوس هند بعنوان مهمترین کانون تغییر می باشد، اما نقش دریاهای مدیترانه،  سیاه و خزر تقویت شده و به بعنوان اولویت دوم دیده می شود.

با خوشه بندی نمرات عاملی الگوهای آنومالی دمای فصلی سطح پهنه های آبی تهیه شدند. اولین الگوی فصلی میانگین دمای فصل پاییز که 30 درصد از الگوهای فصلی را تشکیل می دهد،  با آنومالی منفی دما بر روی کل پهنه های آبی منطقه ای همراه است که بیشترین کاهش بر روی دریای خزر به مقدار 5/0- درجه سانتیگراد نسبت به میانگین دوره 2009-1980 می باشد. با توجه به نبود ارتباط بین دریای خزر و آبهای آزاد، به نظر می رسد این کاهش ناشی از گسترش سامانه پرفشار سیبری بر روی این منطقه باشد. در فصل زمستان مهمترین الگو وجود دو قطبی دمایی بین شرق و غرب دریای مدیترانه می باشد که موجب شده است دمای شرق این دریا حدود 8/0 درجه از غرب آن بیشتر باشد. در فصل بهار در تمامی پهنه های آبی افزایش دما مشاهده می شود که بیشترین افزایش به میزان 4/0 درجه سانتیگراد بر روی دریای خزر می باشد. اولین الگوی میانگین فصل تابستان با افزایش حدود یک و 5/0 درجه سانتیگراد دما به ترتیب بر روی دریای سیاه و دریای سرخ مشخص می شود. در الگوهای پاییز و تابستان یک دو قطبی دمایی بین غرب و شرق اقیانوس هند دیده می شود که با آنومالی دمایی در غرب آن همراه است.

همبستگی بین مقادیر نرمال شده بارش های فصلی ایران با الگوهای میانگین مولفه های اصلی دمای همان فصل نشان می دهند که بالاترین همبستگی های معنی دار بین بارش های فصل بهار با مولفه های اصلی دمای سطح پهنه های آبی وجود دارد. به طوریکه در این فصل تعداد کل ایستگاههای با همبستگی معنی دار 105 ایستگاه از کل 141 ایستگاه می باشد که معادل 75 درصد کل ایستگاههای مورد مطالعه می باشد. در سایر فصول تعداد کل ایستگاههای دارای همبستگی معنی دار به ترتیب 6/58، 4/51 و 7/40 درصد در فصول تابستان، زمستان و پاییز می باشند. میانگین همبستگی های معنی دار به ترتیب در فصول پاییز، زمستان، بهار و تابستان 9/42، 7/42، 1/47 و 1/44 درصد می باشد. این همبستگی نسبتا بالا بین بارش های فصلی کشورمان با الگوهای میانگین دمای سطح پهنه های آبی نشان می دهد که بخش قابل ملاحظه ای از تغییرپذیری های بارش کشورمان توسط دمای میانگین سطح آب های منطقه تبیین شود. نتایج این تحقیق از این نظر حائز اهمیت است که عمده مطالعاتی که تا کنون در کشورمان انجام شده و به نوعی با دمای سطح پهنه های آبی مرتبط بوده اند، متمرکز بر بررسی ارتباط بین بارش بخش هایی از کشورمان با پدیده دورپیوندی انسو و یا دمای سطح آب دریای خزر و خلیج فارس بوده اند. در این مطالعه گستره پهنه های آبی منطقه ای وسیع تر انتخاب گردید و مشخص شد که ارتباط قابل توجهی بین دمای سطح آب پهنه های منطقه ای و بارش کشور مان وجود دارد. برخی یافته های این تحقیق با نتایج سایر محققین همخوانی دارد. از جمله بر اساس یافته های ناظم السادات و قاسمی (1383: 13-12) با کاهش دمای فصل زمستان بارش در نواحی جنوبی خزر افزایش می یابد که در این تحقیق نیز کاهش دمای دریای خزر در دومین الگوی مولفه اصلی دمای سطح پهنه های آبی ملاحظه شد که با افزایش بارش در نواحی جنوبی دریای خزر و مرکز کشور همراه است.  نتایج این تحقیق می تواند بعنوان یکی از مولفه های مهم و تاثیرگذار در پیش بینی بارش های فصلی کشور مورد استفاده قرار گیرد.



[1] Sea Surface Temperature

[2] Principal Component Analysis

[3] Canonical Correlation Analysis

[4] Empirical Orthogonal Function

[5] Persian Gulf Sea Surface Temperature

[6] Hadley center Interpolated Seas Surface Temperature

[7] Extended Reconstruction Sea Surface Temperature version 1

[8] Comprehensive Ocean-Atmosphere Data Set- release 2

[9] Varimax

[10] Invariant

[11] Kaiser-Meyer-Olkin

[12] Loading

[13] Ward

 

  1. احمدی ف.، پرهیزکار د. و حجام س.، 1388، بررسی اثر انسو بر توزیع بارش فصلی ایران در دوره 2000-1971، مجله فیزیک فضا و زمین، دوره 35، شماره 4، صص 113-95.
  2. جداری عیوضی ج.، 1380، جغرافیای آبها، انتشارات دانشگاه پیام نور، 230 صفحه.
  3. خوش اخلاق ف.، قنبری ن. و معصوم پور سماکوش ج.، 1387، مطالعه اثرات نوسان اطلس شمالی بر رژیم بارش و دمای سواحل جنوبی دریای خزر، مجله پژوهش های جغرافیای طبیعی، شماره 66 (زمستان 1387)، صص 70-57.
  4. صلاحی ب.، خورشیددوست ع. م. و قویدل رحیمی ی.، 1386، ارتباط بین نوسان های گردش جوی-اقیانوس اطلس شمالی با خشکسالی های آذربایجان شرقی، مجله پژوهش های جغرافیایی، شماره 60 (تابستان 1386)، صص 156-147.
  5. علیجانی ب.، 1379، آب و هوای ایران، انتشارات دانشگاه پیام نور، 221 صفحه.
  6. علیجانی ب.، 1381، اقلیم شناسی سینوپتیک، انتشارات سمت، 257 صفحه.
  7. غیور ح. و خسروی م.، 1380، تاثیر پدیده انسو بر نابهنجاری های بارش تابستانی و پاییزی منطقه جنوب شرق ایران، فصلنامه تحقیقات جغرافیایی، شماره 62، صص 174-141.
  8. قویدل رحیمی ی.، 1384، اثر الگوی بزرگ مقیاس جوی-اقیانوسی انسو بر تغییرپذیری فصلی اقلیم ایران: آثار النینو و لانینا بر تغییرپذیری بارش های بهاری در آذربایجان شرقی، فصلنامه مدرس علوم انسانی، دوره 9 ، شماره 4، زمستان 1384، صص 88-71.
  9. لشکری ح.، 1379، مکانیسم تکوین منطقه همگرایی دریای سرخ، مجله تحقیقات جغرافیایی، سال 15، شماره 58و59، صص 184-167.
  10. موسوی بایگی م.، فلاح قالهری غ. و حبیبی نوخندان م.، 1387، بررسی ارتباط نشانه های پهن مقیاس اقلیمی با بارش خراسان، مجله علوم کشاورزی و منابع طبیعی، جلد پانزدهم، شماره دوم (خرداد – تیر 1387)، صص 224-217.
  11. ناظم السادات س. ج. و شیروانی ا.، 1383، کاربرد CCA به منظور ارزیابی و مقایسه توانایی SOI و  Nino’s SST در پیش بینی بارش زمستانه سواحل دریای خزر، مجله علوم و فنون کشاورزی و منابع طبیعی، سال هشتم، شماره اول (بهار 1383)، صص 24-11.
  12. ناظم السادات س. م. ج. و شیروانی ا.، 1384، پیش بینی دمای سطح آب خلیج فارس با استفاده از رگرسیون چندگانه و تحلیل مولفه اصلی، مجله علوم و فنون کشاورزی و منابع طبیعی، سال نهم، شماره 3 (پاییز 1384)، صص 10-1.
  13. ناظم السادات س. م. ج. و شیروانی ا.، 1385، پیش بینی بارش زمستانه مناطق جنوبی ایران با استفاده از دمای سطح آب خلیج فارس: مدل سازی تحلیل همبستگی متعارف، مجله علمی کشاورزی ، جلد 9، شماره 2 ، سال1382، صص 77-65.
  14. ناظم السادات س. م. ج. و قاسمی ا. ر.، 1383، تاثیر نوسان های دمای سطح آب دریای خزر بر بارش فصول زمستان و بهار نواحی شمالی و جنوب غربی ایران، مجله علوم و فنون کشاورزی و منابع طبیعی، سال هشتم، شماره چهارم، زمستان 1383، صص 14-1.
  15. ناظم السادات س. م. ج.، بیگی ب. و امین س.، 1382، پهنه بندی بارندگی استان های بوشهر، فارس و کهگیلویه و بویراحمد با استفاده از روش تحلیل مولفه اصلی، مجله علوم و فنون کشاورزی و منابع طبیعی، سال هفتم، شماره 1 (بهار 1382)، صص 71-61.
  16. نوری ر.، کراچیان ر.، خدادادی دربان ا. و شکیبایی نیا ا.، 1386، ارزیابی اهمیت ایستگاههای پایش کیفی رودخانه ها با استفاده از آنالیز مولفه های اصلی و آنالیز فاکتور، مطالعه موردی: رودخانه کارون، مجله آب و فاضلاب، شماره 63، صص69-60.
  17. Annamalai H., Ping L. And Shang-Ping X., 2005, Southwest Indian Ocean SST Variability: Its Local Effect and Remote Influence on Asian Monsoons, Journal of Climate, Vol. 18, PP.4150-4167.
  18. Behrangi, A., Kuo-lin H., Bisher I., Sorooshian S., Huffman G. J., Kuligowski R. J., 2009, PERSIANN-MSA: A Precipitation Estimation Method from Satellite-Based Multispectral Analysis, Journal of  Hydrometeorology, Vol. 10, PP.1414-1429.
  19. Diaz, Alvaro F., Caarem D. Studzinski, Carlos R. Mechoso, 1998, Relationships between Precipitation Anomalies in Uruguay and Southern Brazil and Sea Surface Temperature in the Pacific and Atlantic Oceans, Journal of Climate, Vol.11, PP.251-271.
  20. Ghasemi A. R. and Khalili D., 2008, The association between regional and global atmospheric patterns and winter precipitation in Iran, Journal of atmospheric research, Vol. 88, PP. 116-133.
  21. http://www.ncdc.noaa.gov/sotc/?report=global (National Oceanic and Atmospheric Administration).
  22. Krishnan R., Mujumdar M., Vaidya V., Ramesh K. V. and Satyan V., 2003, The abnormal Indian summer Monsoon of 2000, Jurnal of Climate, Vol. 16 (15 April 2003), PP. 1177-1194.
  23. Kusuma, G.R., Goswaami, B. N., 1987, Interannual variations of sea surface temperature over the Arabian Sea and the Indian Monsoon: A new perspective, Monthly Weather Review, Vol. 116, PP. 558-568.
  24. Li  F. and Zeng Q., 2008, Statistical prediction of East Asian summer Monsoon rainfall based on SST and sea ice concentration, Journal of the Meteorological Society of Japan, Vol. 86, No. 1, PP. 237-243.
  25. Lim E., Hendon H., Alves O., 2007, Seasonal forecast of the tropical Indo-Pacific SST and Australian rainfall, Bureau of Meteorology of Australia, Project report No, 3.2.2. 33-39.
  26. Lough J. M., 1986, Tropical Atlantic Sea surface temperature and rainfall variations in Subsaharan Africa, Monthly weather review, Vol. 114, PP. 561-570.
  27. Malmgren B. and Winter A., 1999, Climate zonation in Puerto Rico based on principal components analysis and an artificial neural network, Journal of Climate, Vol. 12 (April 1999), PP. 977-985.
  28. Markowski G. R. and North G. R., 2003, Climatic influence of Sea Surface Temperature: evidence of substantial precipitation correlation and predictability, Journal of Hydrometeorology, Vol. 4, October 2003, PP. 856-877.
  29. Misra V., 2003, The influence of Pacific SST variability on the precipitation over Southern Africa, Journal of Climate, Vol. 16 (July 2003), PP. 2408 – 2418.
  30. Monahan A. H. and Dai A., 2004, The spatial and temporal structure of ENSO nonlinearity, Journal of Climate, Vol. 17, PP. 3026-3036.
  31. Nazemosadat M. J. and Cordery I., 2000a, On the relationships between ENSO and autumn rainfall in Iran, International Journal of Climatology, Vol. 20, PP. 47-62.
  32. Polo I., Belen R., Losadam T. and Garcia-Serrano J., 2008, Tropical Atlantic Variability Modes (1979–2002) Part I: Time-Evolving SST Modes Related to West African Rainfall, Journal of Climate, Vol.21, PP.6457-6475.
  33. Smith T. M., Reynolds R. W., 2002, Extended reconstruction of global seas surface temperature based on CODAS data (1854-1997), Journal of Climate, Vol. 16, pp1495-1510.
  34. Roxy M. and Tanimoto Y., 2007, Role of SST over the Indian Ocean in influencing the intraseasonal variability of the Indian summer Monsoon, Journal of meteorological society of Japan, Vol. 85, No. 3, PP. 349-358.
  35. Schubert, Siegfried, and Coauthors, 2009, A U.S. CLIVAR Project to Assess and Compare the Responses of Global Climate Models to Drought-Related SST Forcing Patterns: Overview and Results, Journal of Climate, Vol.22, PP.5251-5272.
  36. Turkes M., Koc T and Saris F., 2009, spatiotemporal variability of precipitation totals series over Turkey, International journal of climatology, Vol. 29, PP. 1056-1074.
  37. Uvo C. B., Repelli C. A., Zebiak S. E., Kushnir Y, 1998, The relationships between tropical Pacific and Atlantic SST and northeast Brazil monthly precipitation, Journal of climate Vol. 11, PP. 551-562.
  38. Weare B. C., 1987, Relationship between monthly precipitation and SST variations in the tropical pacific region, Monthly Weather Review, Vol. 115, November 1987, PP. 2687-2698.
  39. Ye, Hengchun, 2001, Characteristics of Winter Precipitation Variation over Northern Central Eurasia and Their Connections to Sea Surface Temperatures over the Atlantic and Pacific Oceans, Journal of Climate, Vol.14, PP.3140-3155.