نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشیار گروه جغرافیای دانشگاه تربیت مدرس
2 دانشجوی دکتری دانشگاه تربیت مدرس
3 استاد گروه جغرافیای دانشگاه خوارزمی تهران
4 استادیار گروه جغرافیای دانشگاه تربیت مدرس
5 استادیار گروه جغرافیای دانشگاه فردوسی مشهد
6 استادیار مرکز ملی اقلیم شناسی کشور
چکیده
کلیدواژه‌ها
عنوان مقاله [English]
نویسندگان [English]
Introduction: In this study, the effects of some leading Teleconnection Patterns of atmospheric circulation, on regional-scale for Middle East, along with precipitation over Iran have been investigated. Different types of data including Teleconnection Indices and monthly precipitation data weather stations have been used. One of important parameters is Precipitation that has change from a year to other year. Teleconnection Patterns and Indices are remote controller of precipitation amount variation in Iran and the entire world. So in this paper on of main goal is relationship between teleconnection patterns and precipitation data in main meteorological station of IRAN that have long term data base. Material and Methods: By using Statistical analysis (Correlation and linear regression) over Precipitation data via 25 Weather Station from 1951-2005 in whole Country and Teleconnection Indices from NOAA, we analysis and notice to archive component that have up most impact on Precipitation variation in Iran. Results and Discussion: According to the relationship between major teleconnection indices and Iran's rainfall, we investigate to recognition of their effects and phenomena on climate of Iran. As a results the Sum of 24 stations, the precipitation of Iran have decrease trend. Eventually changes in some Teleconnection indices cause decreasing rainfall as SCAND index, GlobLandTA, NH ssta+Land, NH ta Land, NTA and EA in spite of intensifying of some indices that increasing rainfall as SST4, MEI, PDO, NOI. Conclusion: In resent decade, Global increasing temperature causes change over most atmospheric parameters in whole world and the other hand these atmospheric parameters themselves have impact as feedback over other branches of Climate and weather machine. One of important results in current paper is showing effect of Global Warming that cause decreasing in average of Iran's precipitation by means of change in some teleconnection pattern in time series. Also the results indicate that ENSO is the most effective factor and it can influence on variation of precipitation, temporally and spatially, on all type of climate regimes in Iran.
کلیدواژه‌ها [English]
مقدمه
با توجه به پیچیدگی سازوکار اقلیم به ویژه در تغییرات سال به سال و دهه ای، لزوم تحقیق روی آشکارسازی فرایندهای اثرگذار بر این تغییر و نوسانات ضروری می باشد. یکی از مهمترین عوامل اثر گذار بر نوسانات آب و هوایی سال به سال هر منطقه، نقش الگوها و شاخصهای آب و هوایی دور از منطقه مورد نظر است. شاخص ها و الگوهای آب و هوایی معیارهایی هستند که بوسیله آنها تغییرات زمانی شدت و تغییرات مکانی الگوهای گردش جو اندازه گیری می شود و حسن مهم آن خلاصه شدن توان یک الگوی گسترده سینوپتیکی در یک عدد خواهد بود و رابطه و همبستگی معنی دار بین تغییرات زمانی دو الگو یا سیستم گردش دور از هم خاص «پیوند از دور»[1] نامیده می شود (علیجانی، 1381). تحقیقات زیادی روی شناخت اقلیم از راه شناخت نمایه‌های آن طی قرن بیستم و قرن حاضر صورت گرفته است: با توجه به اینکه رویداد های النینو و لانینو به تغییرات فشار الاکلنگی دو طرف اقیانوس هند در ارتباط است و این اختلاف به شاخص نوسان جنوبی[2] (SOI) موسوم گشته و اولین بار بطور رسمی واکر آن را معرفی کرد ولی بطور کلی سیر کارهای انجام شده را می‌توان اینگونه بطور خلاصه بیان داشت[3] که: شاخص نوسان جنوبی اولین بار توسط هیلده برندسون (Brandsson, 1987) شناخته شد و بوسیله والکر و بلیس (Walker & Bliss, 1932) بطور رسمی معرفی گردید و توسط تروپ (Troup, 1965) و رایت (Right, 1977) با مطالعاتی جدیدتر تایید گردید. در ادامه مطالعات بیرکنس (Birkens, 1969)، کروگر و گری (Kruger & Gray, 1969)، رمیج (Ramag, 1975)، مدلسازی رونتری (Runtery, 1972) و دیگران بینش ما را درباره آن زیاد کرد. شاخص نوسان شمالی [4](NAO)به عنوان یکی دیگر از شاخصهای مهم اولین بار توسط ون لون و راجرز (Loon & Rogers, 1978) شناسایی شد، به گفته آنها سابقه این نوسان به قرن 18 میلادی برمی‌گردد. از جمله محققینی که روی شاخصهای فشاری کار کرده‌اند: دیفانت (Defant, 1924)، والکر و بلیس (Walker & Bliss, 1932) و کوتزباخ (Kutzbach, 1970) می‌باشند. واکر و بلیس (Walker & Bliss, 1932) نوسان فشار و دمای منطقه اقیانوس اطلس را به عنوان شاخص نوسان شمالی نام نهادند. براساس کار آنها ترکیب کم فشار ایسلند[5] قوی و کم فشار آلئوشین[6] ضعیف (آنتی‌نودها یا مراکز عمل در شمال دو اقیانوس) سبب کاهش ضخامت منطقه خاورمیانه و افزایش ضخامت در شمال غرب اروپا می‌شود. بطور رسمی اولین بار راجرز (Ragers, 1981) شاخص PNA[7] را که ابتداNPO نام نهادند معرفی نمود در حالی که شاخص PNA پیش از این نیز توسط واکر و بلیس (Walker & Bliss, 1933) و بیرکنس (Bjerknes, 1969) ارایه شده بود. همچنین اولین بار لورنز (Lorenz, 1951) تقارن فشار بین شمال اقیانوس‌های اطلس و آرام را شناسایی نمود. والاس و گوتزلر (Wallace & Gutzler, 1980) با استفاده از داده‌های تراز 500 هکتوپاسکال و سطح زمین در یک دوره 15 ساله چند شاخص پیوند از دور به روش ماتریس همبستگی بین هر نقطه شبکه با نقاط شبکه‌های دیگر و بردارهای ویژه ارائه نمودند. آنها دریافتند که فشار سطح دریا بین قطب و عرض‌های میانه‌داری همبستگی منفی می‌باشد در حالی که در تراز 500 هکتو پاسکال خود را بصورت الگوهای باروتروپیک منطقه‌ای که با افزایش ارتفاع تقویت می‌شوند نشان می‌دهد. ژانگ و همکاران (Zhang et al., 2005) با بررسی 52 ایستگاه شاخص در 15 کشور منطقه خاورمیانه در دوره آماری 2003-1950 دریافتند که دمای سالانه، دمای بیشینه روزانه، دمای کمینه، تعداد شب‌های تابستانه و تعداد روزهایی دمای روزانه بالاتر از از نودمین صدک دوره آماری منطقه با معناداری آماری، در حال افزایش می‌باشد. سنسوی و همکاران (Sensoy et al., 2004) در یک بررسی که نتایج آن کمک به تکمیل گزارش ارزیابی چهارم هیئت بین المللی تغییر اقلیم [8](IPCC) بوده و با توجه به آمار کم و ناقص منطقه دریافتند که بررسی ایستگاه‌های چند کشور همسایه درک بهتری از نحوه تغییر اقلیم بدست می‌دهد. همچنین بیشتر گرمایش در دمای کمینه رخ داده است و تغییرات بارش منطقه دارای رفتار پیچیده‌ای می‌باشد. کریچاک و آلپرت (Krichak & Alpert, 2007) با برقراری همبستگی بین بارش ماهانه و شاخص EAWR)[9]) بر روی آمار 1950 تا 2000 به نتایج زیر رسیدند که بطور معنا داری شاخص EAWR در دوره‌های با مقادیر بالا و پایین اثرات خود را به صورت تغییر گردش منطقه‌ای جو روی جنوب اروپا و شرق مدیترانه می‌گذارد.
در مطالعه یانگ و همکاران (Yong et al., 2004) هنگامی که پشته روی شمال هند، که موقعیت آن فرود روی هند را تحت تاثیر قرار می‌دهد، جنوبی تر از مکان هنجار قرار گیرد شمال و مرکز هندوستان تحت تاثیر هجوم بادهای غربی از عرض‌های شمالی قرار می‌گیرد که سبب تاخیر بارش در منطقه در فصل بارشی پیش روی می‌شود. دوگام و همکاران (Dugam et al., 2009) در یک مطالعه روی داده‌های 1948تا 2006 بوسیله روش تحلیل مولفه‌های اصلی میانگین باد مداری در روی فلات تبت را بررسی نمودند نتیجه آنکه بین شاخص وزش باد زونالی در سطح 200 هکتوپایسکالی در فصل قبل از باران‌های موسمی و بارش‌های موسمی همبستگی معکوس و معناداری وجود دارد که می‌تواند به عنوان یک سیگنال پیش بینی به کار رود. نصرا... و همکاران (Nasrallah et al., 2001) بر اساس داده‌های 1958 تا 1998 مدل پیش بینی بارش زمستانه برای کویت بشرح زیر ارائه نمودند: گردش زمستانی جریان‌های آب در اقیانوس هند و دریای عرب پاد ساعتگرد است که سبب انتقال آب گرم به خلیج فارس و افزایش رطوبت منطقه می‌گردد. در سال‌های النینو ماه‌های آوریل تا جون سرعت بادهای جنوبی در کل منطقه افزایش پیدا می‌کند و در سال‌های لانینا برعکس. دمای سطح اقیانوس‌ها روی احتمال بارش اثر قابل توجهی دارد بطوریکه مستقیم روی شدت ITCZ[10] و حرکات نیمروزی آن اثر می‌گذارد (Williamse & Balling 1996). چن (Chen, 2002) در مطالعه خود به این نتیجه رسید که در منطقه حاره فرارفت گرما ناکافی است بنابراین گرمایش در رو از اولین واداشته‌هایی است گردش واگرایی منطقه را تداوم می‌بخشد. موناهان و همکاران (Monahan et al., 2003) با یک مطالعه به روش تحلیل عاملی دریافتند که النینو و لانینو به ترتیب از طریق اثر در فاز +PNA) و (–PNA بر گردش عمومی جو نیمکره شمالی و تاوه قطبی اثر می‌گذارند. کالوو و همکاران (Calvo et al., 2007) و کالوو و همکاران (Calvo et al., 2009) در مطالعه‌ای با شبیه‌سازی مدل MAECHAM5) (دریافتند که گرمایش و تضعیف تاوه قطبی وابسته به فاز گرم انسو در آخر زمستان در طول هر دو فاز نوسان[11] (QBO) رخ می‌دهد. هنگ چون و همکاران (Hengchun et al., 1995) با استفاده از روش تحلیل عاملی و کلاسترینگ بروی اثر دمایی تاوه قطبی و هشت شاخص اقلیمی نشان دادند که اولین عامل از شش عامل، تاوه قطبی به تنهایی 30 درصد واریانس دما را توجیه می‌کند. یکی دیگر از نمایه‌های اقلیمی مهم شاخصPDO است که یک الگوی «شبه انسو» می‌باشد. در کل این دو نوسان اقلیمی شبیه به هم از نظر رفتار زمانی کاملا با هم اختلاف دارند. در سال 1996 استیون هار[12] که دانشمند امور شیلات بود اختصار PDO را پیشنهاد نمود، وی در حالی که ارتباط تولید ماهی آزاد را در آلاسکا با آب و هوای اقیانوس آرام بررسی می‌کرد (رساله دکتری به راهنمایی رابرت فرانسیس [13]) به این نوسان پی برد. کریستفر و همکارن (Christopher et al., 2003) با استفاده از 23 سال داده‌ها و نقشه‌های ([14]OLR و HRC[15] وQBO )به نتایج زیر دست یافتند: وزش باد در فاز (+QBO): باد غربی، گرمایش در تروپوپاز، کاهش ارتفاع تروپوپاز در تروپیک، سرعت‌های باد مثبت و وزش باد در فاز (-QBO): باد شرقی، سرمایش در تروپوپاز، کاهش ارتفاع تروپوپاز در جنب تروپیک، سرعت‌های باد مثبت، کاهش قدر مطلق نمایه SOI و تمایل به مقادیر منفی. چوآ و نلین (Chou & neelin, 2004) در مطالعه‌ای با مدل میان مقیاس اقیانوسی- جوی روی مکانیزم اثر گذاری گرمایش جهانی روی بارش منطقه‌ای حاره به این نتیجه رسیدند که افزایش گازهای گلخانه‌ای سبب جذب بیشتر امواج بلند زمین و کاهش مقدار OLR شده است. ساجی و همکاران ( 2005) تاثیرات انسو و نوسان "دوقطبی اقیانوس هند [16](IOD) را با استفاده از مدل‌های گردش عمومی جو بررسی کردند. هنگامی که همزمان با النینو فاز IOD مثبت رخ می‌دهد، اثرات منفی النینو بر مونسون جنوب غرب آسیا کاهش می‌یابد. در واقع نوسان الگوی «دوقطبی اقیانوس هند» روی پدیده «انسو» اثر تعدیل کننده دارد. راکوول[17] و همکاران (2000) با بررسی کم فشارهای بریده و با استفاده از 41 سال داده از 1958 تا 1998 دریافتی از مرکز داده (NCEP/NCAR) سه منطقه را در نیم کره شمالی که محل بیشینه تشکیل سیستم‌های کم ارتفاع بریده است را شناسایی نمودند. سابقه تحقیقات «انسو» و الگوهای پیوند از دور در ایران با مقالاتی در ارتباط با شناخت پدیده النینو شروع می‌شود (بیرقدار، 1368). در ادامه تحقیقات در این زمینه، با تحلیلی روی داده‌های ماهانه بارش، دما و فشار 15 ایستگاه کشور در ارتباط با شاخص SOI صورت گرفت، در این تحقیق مشخص شده که دمای فصل پاییز سال وقوع النینو در بخش های شمال شرق و جنوب غرب کشور، در فصل زمستان کل کشور بجز جنوب شرق کشور بیشتر از نرمال است (مدرس پور، 1376). در فاز AO مثبت بادهای غربی در شمال اقیانوس اطلس تقویت می شود در نتیجه اروپای شمالی هوای گرم و مرطوب تری را تجربه می کند. در بخش دیگر مشخص گردید که شدیدترین بارش های تابستانه جنوب شرق کشور در فاز سرد انسو و فاز AO مثبت روی می دهد )غیور ،1380). النینوی دوره 1998-1997 یکی از قوی ترین النینوها بوده به نحوی که دمای منطقه حاره اقیانوس آرام حدود 2 تا 5 نسبت به نرمال بیشتر بوده است. همچنین سرعت تشکیل و افزایش دمای آن نیز بی سابقه بوده است. این النینو سبب شد دمای میانگین کره زمین حدود 44/0 بیشتر از نرمال گردد. این النینو بتدریج در ژانویه 1998 ضعیف شد، با وجود این، سطح آب های گرم آن هنوز حدود 10میلیون کیلومتر مربع (10برابر مساحت ایران) بود (عسکری، 1377). بین شاخص NINO1.2 و NINO3 و بارش بهاره آذربایجان ارتباط مستقیم وجود دارد. بنابراین در فازهای گرم انسو (النینو) بارش فصل بهار این بخش از کشور افزایش می‌یابد. بیشترین ضریب همبستگی از ایستگاه‌های استان آذربایجان شرقی مربوط به مراغه و میانه و کمترین همبستگی مربوط به ایستگاه سراب می‌باشد (قویدل، 1384). همچنین ارتباط شاخص چند متغیره انسو (MEI[18]) فقط با بارش پاییزه منطقه معنادار می‌باشد (خورشید دوست و قویدل، 1385). با توجه به گسترش روش‌های نوین از جمله شبکه‌های عصبی امکان پیش بینی دبی رودخانه‌ها بوجود آمده است. به طوری که با استفاده از داده‌های شاخصهای SOI و NAO در یک فصل قبل از فصل بهار مورد نظر، می‌توان دبی رودخانه نازلوچای ارومیه را تا 80% دبی پیش بینی نمود (برهانی و فاتحی، 1387). فاز النینو موجب افزایش دبی رودخانه‌های استان فارس در اکثر ماه‌ها بویژه در بهار و تابستان می شود در حالی که فاز لانینو سبب افزایش دبی در فصل زمستان و کاهش در سایر فصول می‌شود (ناظم السادات و همکاران، 1385). بین شاخص SOI و بارش سالانه کشور ارتباط قوی و معکوس وجود دارد. از بین 29 ایستگاه کشور بیشترین همبستگی برای قزوین و کمترین همبستگی برای بیرجند محاسبه شده است (عزیزی، 1379). بارش و دمای استان خراسان نیز تحت تاثیر انسو می‌باشد. این ارتباط معکوس با شاخص SOI برای مناطق شمالی و مرکزی استان معنی‌دارتر است معتمدی و همکاران، 1386). ارتباط بارش 25 ایستگاه اصلی کشور و شاخصهای اقلیمی (SOI، AO، NAO، SST3.4، MEI، PDO و TNI) در فصل بهار از کمترین میزان همبستگی برخوردار است (یاراحمدی و عزیزی، 1386). نوسان اطلس شمالی با 35% بارش ماه‌های اکتبر، نوامبر، دسامبر، مارس و اوت ایران رابطه دارد (مسعودیان، 1387). ناهنجاری فشار در قطب و عرض‌های میانه با شاخص AO تبیین می‌شود. این نوسان با دمای کمینه ایستگاه شهرکرد رابطه معکوس و معناداری دارد (خسروی و همکاران، 1386). ارتباط معکوس، ضعیف ولی معناداری بین شاخص NAOو بارش ایستگاه‌های تبریز، جلفا و اهر دیده شده است (صلاحی و همکاران، 1386). ارتباط بین شاخص خشکسالی (SPI) 18 ایستگاه هواشناسی حوضه آبریز دریاچه ارومیه و 5 شاخص پیوند از دور مهم بصورت ارتباط بارز SOIبا بارش پاییزه و NAO با بارش زمستانه می‌باشد (فاتحی، 1385). در نیمکره شمالی 14 الگوی پیوند از دور شناساسی شده اند، هیچیک از این الگوهای پیوند از دور توان تبیین درصد بزرگی از تغییرات دمای قلمرو وسیعی از ایران را در همه ماه‌های سال ندارند (اکبری و مسعودیان، 1386). نوسان اطلس شمالی و نوسان جنوبی تا 40% نوسان دمای ایستگاه جاسک را توجیه می‌کند (غیور و عساکره، 1380و1381). در تابستان سال‌هایی که کجی محور قائم کم فشار جنوب آسیا به سمت جنوب شرق کمتر شود و جریانات مساعد سطح 500 و 200 هکتوپاسکال برقرار شود، نفوذ جریانات موسمی جنوب شرق کشور را بیشتر تحت تاثیر قرار می‌دهد (نجار سلیقه،1380 ،1382). در منطقه جنوب شرق بارش‌های بیشتر از نرمال تابستانه در سال‌های لانینو و کمترین بارش‌ها در سال‌های النینو رخ می‌دهند. در این منطقه بارش پاییزه بصورت معکوس بدین صورت که بارش‌های بیشتر از نرمال در فاز گرم و کمتر از نرمال در فاز سرد رخ داده است. از نظر علل در فاز النینو جابجایی جنوب سوی رودبادها از مهمترین عوامل بارش‌های بالاتر از نرمال می‌باشد (غیور و خسروی، 1380). بارش ایستگاه شهرکرد بویژه بارش پاییزه با یک تاخیر 4 ماهه با دمای منطقه نینو 3 اقیانوس آرام همبستگی معکوس دارد (کریمی خواجه لنگی، 1385). نوسان مونسون جنوب شرق کشور از اقلیم جهانی تاثیر می‌پذیرد. در سال‌های هجوم مونسون به علت بزرگی شار گرمای نهان در فرایند تبخیر دمای سطح دریای عرب کاهش می‌یابد (بشردوست ممقانی، 1377). حرکت محور پر فشار جنب حاره‌ای بستگی به تغییرات نورد قطبی، محور جت استریم و پرفشار سیبری دارد. در سال‌هایی که محور پرفشار سیبری شرقی- غربی است و در نوار شمالی ایران گسترش دارد سال‌های ترسالی و برعکس در سال‌هایی که محور آن شمال شرقی جنوب غربی باشد تا عرض حدود 20 درجه هوای قطبی کشور را در بر گرفته و کم فشارها بیشتر از روی اروپا عبور می‌کنند و الگوی کم بارشی حاکم است (حبیبی، 1377). بررسی به روش همبستگی (SCA[19]) متوالی دمای سطح خلیج فارس با بارش ایستگاه‌های جنوبی و جنوب غربی کشور در فصل زمستان همبستگی معکوس و معناداری را نشان می‌دهد. همچنین بین انحراف منفی دمای خلیج فارس و افزایش نسبی فشار در شبه جزیره عربستان رابطه معکوس وجود دارد (ناظم السادات، 1377). در النینو رودباد نزدیک حاره (STJ) مسیر جنوبی‌تری را می‌پیماید و در شروع فصل پاییز زودتر عقب نشینی می‌کند (غیور و خسروی، 1380). نکته مهم براساس یافته محققین اخیر اینکه فصل تابستان 1389 همزمان شد با وقوع یک لانینای نسبتاً قوی با رشد سریع از اواخر فصل بهار که سبب نفوذ پر فشار نزدیک حاره به عرض‌های بالا گردید. براساس تحقیقات نگارندگان و بخشی از بررسی (بابائیان و کریمیان، 1389) این ناهنجاری سبب وقوع موج گرما و آتش سوزی در روسیه و سیل کم سابقه در پاکستان (تقویت مونسون در فاز سرد اقیانوس آرام) شده است. بنابراین با مروری مختصر بر تحقیقات انجام شده، اهمیت الگوهای دورپیوندی و لزوم شناخت و بررسی آنها بیش از پیش نمایان می‌گردد.
مواد و روش ها
گستره کشور ایران به عنوان منطقه مورد مطالعه معرفی می‌گردد. در این تحقیق از داده‌های بارش ماهانه 24 ایستگاه اصلی کشور که دارای آمار بلندمدت در کشور بودند از سال 1951 تا 2005 از سازمان هواشناسی دریافت شد (شکل 1). به منظور بررسی ارتباط بارش با شاخصهای بارز اقلیمی، اقدام به محاسبه مجموع بارش کشور و میانگین آن شد. برای درستی استفاده از عدد بارش مجموع در شکل 2 توزیع نسبتا بهنجار بارش تجمعی کشور دیده می‌شود. بارش میانگین زراعی کشور با استفاده از 24 ایستگاه 363 میلیمتر با کرانه پایین 250 میلیمتر در سال 2000 و 518 در سال 1969 می‌باشد. در این مطالعه از روش همبستگی پیرسن به منظور اثر و برهمکنش شاخص‌ها و بارش استفاده گردید. پیش از بحث اصلی در قسمت بعد، به دلیل آشکار شدن ویژگی های بارش کشور خلاصه‌ای از وضعیت و روند بارش کشور به عنوان یکی از داده‌های مورد استفاده، آمده است. به منظور آشکارسازی روند کلی بارش در شکل 3 سری زمانی بارش تجمعی کشور در فصول مختلف سال و در شکل 4 سری زمانی بارش تجمعی سالانه آورده شده است. هر چند روند معنی دار نیست ولی روند بارش فصل بهار و تابستان کاهشی و فصول پاییز و زمستان افزایشی است. آنچه از نمودار پیداست تمرکز بارش کشور در فصل سرد سال و کاهش بارش در فصل گرم سال می باشد.ن در واقع فصول بهار و تابستان و همزمان فصول پاییز و زمستان در حال شبیه شدن از نظر مقادیر و رژیم بارش، بهم می‌باشند.
سری زمانی بارش کشور نشان دهنده هماهنگی مکانی- زمانی در خشک سالی‌ها و ترسالی‌ها در بیشتر سال‌ها است، به طوری که در سال‌های 1957، 1969 و 1973 این هماهنگی بسیار مشخص می‌باشد. این هماهنگی‌ها نشان دهنده ساز و کار کنترل کننده بارش کشور در یک مقیاس بزرگ سینوپتیکی است که تنها می‌تواند در کنترل واداشت‌ها جوی- اقیانوسی و گردش‌های پیچیده نیم کره‌ای و سیاره‌ای باشد (شکل 3).
شکل 1- ایستگاه‌های مورد استفاده
شکل 2- توزیع نرمال بارش میانگین کشور
شکل 3- سری زمانی بارش سالانه ایستگاه‌های مورد بررسی کشور
آن چه از روی نمودار سری زمانی استنباط می گردد گویای سیکل‌های نسبتا منظم افزایش و کاهش بارش از سال 1966 تا 1996 می‌باشد، نکته مهم تغییر و روند کاهشی بارش از سال 1996 تا کنون می‌باشد. در شکل 4 روند کاهشی بارش فصول بهار- تابستان و افزایش بارش فصول پاییز- زمستان البته بصورت چشمی قابل مشاهده است. با توجه به شکل‌های 4 و5 بارش فصل پاییز و زمستان کشور با هم حالت معکوس دارند بطوری که در سال‌هایی که پاییز پر بارشی سپری شده بارش فصل زمستان کاهش پیدا کرده است، همچنین در سال‌هایی که پاییز مرطوبی داشته‌ایم بهار سال بعد نیز مرطوب بوده و برعکس. در یک دهه گذشته کشور دچار خشکسالی‌های متعددی شده است؛ به منظور درک این تغییر و پی بردن به علل آن از بررسی ارتباط بارش کشور و الگوهای پیوند از دور استفاده شده است.
شکل 4- سری زمانی و روند بارش میانگین فصلی کشور، به ترتیب از بالا بارش زمستان، پاییز، بهار و تابستان
شکل 5- میانگین لغزان سه ساله بارش میانگین فصلی کشور به ترتیب از بالا بارش زمستان، پاییز، بهار و تابستان
در این تحقیق از 55 شاخص و الگوی دورپیوندی موجود استفاده شده که شرح و معرفی آنها به دلیل گستردگی در متن آورده نشده‌اند، بیشتر این شاخص‌ها از قسمت شاخصهای آب و هوایی و پیوند از دور مرکز اقیانوسی- جوی NOAA قابل دریافت و تعریف می‌باشند (شکل 6).
شکل 6- موقعیت نسبی شاخصهای مطالعه شده، در این نقشه دوقطبی‌های هر شاخص نیز نمایش داده شده‌اند (نمونه: NAO).
در این تحقیق به دلیل حجم بالای مطالب، فقط همبستگی هم فاز زمانی محاسبه و تحلیل گردیده است؛ البته در صورت تشکیل ماتریس همبستگی با تاخیر یک تا سه ماه، نتایج متفاوت خواهد بود و بیشتر برای پیش بینی بارش ماهانه و فصلی کاربرد خواهد داشت. همچنین در این تحقیق اثر تک تک شاخص‌ها به طور جداگانه بر بارش کشور بررسی شده و اثر ترکیبی آنها از اهداف این تحقیق خارج بوده و موضوع مهم تحقیق دیگری خواهد بود. در واقع این تحقیق با هدف آشکارسازی اثرات دورپیوندهای سیاره‌ای ابرماشین اقلیم، بر بارش کشور ایران و به عنوان مقدمه‌ای بر مطالعه جامع پیوند از دورها می‌باشد. با توجه به اینکه بیش از 70 درصد از کره زمین را آب فرا گرفته، بدیهی به نظر می رسد که هرگونه تغییر در این بخش بزرگ زمین که در بیشتر شاخصهای پیوند از دور انعکاس می‌یابد؛ بر سایر مناطق اثر گذار خواهد بود. با توجه به اینکه ویژگی اصلی بارش‌های ایران تغییرپذیری آن است و این تغییرات نیز ناشی از تغییرات عوامل تولید کننده آن می‌باشد و همچنین بی نظمی موجود در عوامل ایجاد بارش به توزیع مکانی و زمانی بارش منجر می‌شود (علیجانی، 1380)، بنابر این در این تحقیق در واقع بدنبال تغییر یا وردایی در عوامل تولید کننده نوسانات هستیم.
یافته‌های تحقیق
در ادامه به منظور درک بهتر ساز و کار اثرگذاری نمایه‌های پیوند از دور، به صورت جداگانه در پنج مقیاس زمانی سالانه، فصل زمستان، فصل بهار، فصل تابستان و فصل پاییز ضرایب همبستگی همزمان بین تمامی شاخصهای پیوند از دور و بارش تجمعی کشور محاسبه گردید که به ترتیب معنی‌داری در جدول‌های 1 تا 6 آمده است، به طوری که جدول 1 سطح معنی‌داری و همبستگی به ترتیب معنی‌داری همبستگی بارش سالانه کشور با 26 شاخص معنادار پیوند از دور جهانی از بین تمامی شاخص‌ها را نشان می‌دهد.
با توجه به جدول 1 شاخصهای مشخص شده باتوجه به همبستگی آنها با بارش، نشان دهنده نوع اثر مثبت یا منفی هر شاخص بر بارش کشور می‌باشند. در شکل 7 توزیع آماری ضریب همبستگی بین بارش تجمعی سالانه کشور با شاخصهای پیوند از دور مهم نشان داده شده است. همزمان با مشخص شدن تغییرات معنی دار در شاخص‌ها، نوع تغییرات الگوهای گردش عمومی اثرگذار بر کشور مشخص می‌شود. با توجه به جدول 1 بیشترین ضریب همبستگی بارش سالانه کشور با شاخصهای شرق آرام- و شمال آرام (EPNP)، و وزش باد نصف النهاری اقیانوس اطلس (AMMwnd) و نوسان دمایی و فشاری در بخش‌های مختلف اقیانوس آرام بدست آمد. با توجه به جدول 1 ارتباط قوی بارش سالانه کشور با دمای آب منطقه گرمسیری اقیانوس آرام نیز دیده می‌شود. در مرحله بعد اقدام به روندیابی و مشخص نمودن تغییر معنادار در سری زمانی شاخصهای جدول 1 گردید که نتیجه آن در جدول 2 آمده است، نتیجه مهم اینکه از بین مهمترین شاخصهای اثرگذار بر بارش سالانه کشور، تغییر معنادار در شاخصهای (AMMwnd ، SOI، SST4، MEI، NOI) و تا حدودی شاخصهای (PDO و NAO) در جهت بهبود شرایط بارشی کشور و شاخصهای (NTA, CAR, SCN) و تا حدودی (PACWarm, EA, MJO 20E) و الگوی گرم شدن جهانی (GlobTA) در جهت کاهش بارش کشور رخ داده است. در واقع آنچه در حال رخ دادن است موازنه منفی در جهت کاهش بارش بین تغییر در الگوهای مختلف دورپیوندی به ویژه در منطقه اقیانوس اطلس تا روسیه می‌باشد که دلایل و بررسی علل آن از سطح این بررسی مختصر خارج بوده و پیشنهاد می‌شود در تحقیقات بعدی همکاران محقق مد نظر قرار گیرد. بطور نمونه یکی از شاخصهای اثرگزار بر بارش کشور، شاخص نوسان اسکاندیناوی است (SCN)، در صورتی که مقادیر این شاخص مثبت باشد نشان‌دهنده افزایش فشار نسبت به شرایط نرمال روی اروپای شمالی و مرکزی و همزمان آنومالی منفی فشار روی حوضه مدیترانه (تقویت کم فشار مدیترانه) می‌باشد، بنابراین بطور کلی مقادیر بالای آن برای افزایش نسبی بارش کشور مساعد خواهد بود، اما با توجه به تغییر معنی‌دار در جهت کاهش این شاخص در سری زمانی و همزمان کاهش بارش کشور در دوره آماری مشابه، به خوبی تبیین کننده بخشی از تغییرات نابهنجار و نامساعد درالگوهای فشار در منطقه اوراسیا دردهه‌های اخیر می‌باشد.
جدول 1- ضریب همبستگی و سطح معنی داری شاخصهای معنی دار از بین کل شاخص‌ها، به ترتیب معنی داری
|
|
شاخص/ الگو |
ضریب همبستگی بین بارش میانگین کشور و شاخص |
سطح معنی داری |
تعریف و منطقه |
تعریف لاتین |
|
1 |
EPNP |
0.407 |
0.002 |
الگوی شرق آرام- شمال آرام |
East Pacific-North Pacific |
|
2 |
AMMwnd |
-0.401 |
0.002 |
الگوی باد نیم روزی اطلس |
Atlantic Meridional Mod (Wind) |
|
3 |
Atltri |
-0.417 |
0.002 |
بی هنجاری دمای نقاط سه گانه اطلس |
Atlantic Tripole |
|
4 |
AMO |
-0.388 |
0.003 |
نوسان چند دهه ای اطلس |
Atlantic Multidecadal Oscillation |
|
5 |
SST3 |
0.385 |
0.004 |
نوسان دمای اقیانوس آرام در منطقه نینو 3 (مرکز اقیانوس) |
Sea Surface Temperature in Niño 3 regional |
|
6 |
SST3.4 |
0.376 |
0.005 |
نوسان دمای اقیانوس آرام در منطقه نینو 4/3 (مرکز اقیانوس) |
Sea Surface Temperature in Niño 3.4 regional |
|
7 |
SSTs |
0.368 |
0.006 |
نوسان دمای اقیانوس آرام (تمام اقیانوس) |
Sea Surface Temperature in all Niño regional |
|
8 |
ONI |
0.369 |
0.006 |
نمایه نینوی اقیانوسی |
Oceanic Nino Index |
|
9 |
MJO 120W |
-0.506 |
0.006 |
نوسان مادن-جولین در 120 درجه غربی |
Madden and Julian Oscillation |
|
10 |
AMMsst |
-0.363 |
0.007 |
الگوی دمای سطح نیم روزی اطلس |
Atlantic Meridional Mod (SST) |
|
11 |
MJO 80E |
0.491 |
0.008 |
نوسان مادن-جولین در 80 درجه شرقی |
Madden and Julian Oscillation |
|
12 |
PMMwnd |
0.35 |
0.009 |
الگوی باد نیم روزی آرام |
Pacific Meridional Mod (Wind) |
|
13 |
MJO 40W |
-0.485 |
0.009 |
نوسان مادن-جولین در 40 درجه غربی |
Madden and Julian Oscillation |
|
14 |
MJO 70E |
0.465 |
0.013 |
نوسان مادن-جولین در 70 درجه شرقی |
Madden and Julian Oscillation |
|
15 |
MJO 100E |
0.458 |
0.014 |
نوسان مادن-جولین در 100 درجه شرقی |
Madden and Julian Oscillation |
|
16 |
SOI |
-0.322 |
0.017 |
نوسان جنوبی |
Southern Oscillation index |
|
17 |
SST1.2 |
0.317 |
0.018 |
نوسان دمای اقیانوس آرام در منطقه نینو 2/1 (شرق اقیانوس) |
Sea Surface Temperature in Niño 1.2 regional |
|
18 |
TNA |
-0.317 |
0.018 |
الگوی گرمسیری اطلس شمالی |
Tropical North Atlantic |
|
19 |
NTA |
-0.306 |
0.023 |
|
|
|
20 |
DMI |
0.321 |
0.026 |
الگوی دوقطبی اقیانوس هند |
Dippole of |
|
21 |
CAR |
-0.295 |
0.029 |
شاخص کارائیب |
Caribbean Pattern |
|
22 |
SST4 |
0.293 |
0.03 |
نوسان دمای اقیانوس آرام در منطقه نینو 4 (غرب مرکزی اقیانوس) |
Sea Surface Temperature in Niño 3.4 regional |
|
23 |
SCN |
0.277 |
0.041 |
الگوی اسکاندیناوی |
Scandinavian Pattern |
|
24 |
MEI |
0.277 |
0.041 |
شاخص چند متغییره انسو |
Multi ENSO Index |
|
25 |
MJO 120E |
0.378 |
0.047 |
نوسان مادن-جولین در 120 درجه شرقی |
Madden and Julian Oscillation |
|
26 |
NOI |
-0.266 |
0.05 |
نوسان شمالی اقیانوس آرام |
North Oscillation Index |
جدول 2- ضرایب همبستگی و سطح معنی داری بین بارش سالانه کشور و الگوهای دورپیوندی سالانه دارای روند معنی دار
|
|
شاخص |
ضریب همبستگی بین بارش کشور و شاخص مورد نظر |
سطح معنی داری |
ضریب همبستگی تغییرروند شاخص |
سطح معنی داری |
تغییر معنی دار در سری زمانی شاخص پیوند از دور |
|
1 |
AMMwnd |
↓-0.401 |
0.002 |
↓-0.31 |
0.021 |
تغییر در جهت افزایش بارش کشور |
|
2 |
SOI |
↓-0.322 |
0.017 |
↓-0.24 |
0.078 |
تغییر در جهت افزایش بارش |
|
3 |
NTA |
↓-0.306 |
0.023 |
↑0.331 |
0.014 |
تغییر در جهت کاهش بارش |
|
4 |
CAR |
↓-0.295 |
0.029 |
↑0.232 |
0.088 |
تغییر در جهت کاهش بارش |
|
5 |
SST4 |
↑0.293 |
0.03 |
↑0.307 |
0.022 |
تغییر در جهت افزایش بارش |
|
6 |
SCN |
↑0.277 |
0.041 |
↓-0.298 |
0.027 |
تغییر در جهت کاهش بارش |
|
7 |
MEI |
↑0.277 |
0.041 |
↑0.34 |
0.011 |
تغییر در جهت افزایش بارش |
|
8 |
NOI |
↓-0.266 |
0.05 |
↓-0.301 |
0.026 |
تغییر در جهت افزایش بارش |
|
9 |
PacWarm |
↓-0.249 |
0.067 |
↑0.81 |
0 |
تغییر در جهت کاهش بارش |
|
10 |
EA |
↓-0.235 |
0.084 |
↑0.609 |
0 |
تغییر در جهت کاهش بارش |
|
11 |
PDO |
↑0.218 |
0.11 |
↑0.487 |
0 |
تغییر در جهت افزایش بارش |
|
12 |
MJO 20E |
↑0.271 |
0.163 |
↓-0.388 |
0.041 |
تغییر در جهت کاهش بارش |
|
13 |
NAO |
↑0.19 |
0.164 |
↑0.304 |
0.024 |
تغییر در جهت افزایش بارش |
|
14 |
GlobTA |
↓-0.183 |
0.182 |
↑0.792 |
0 |
تغییر در جهت کاهش بارش |
شکل 7- توزیع آماری سطح معنی داری همبستگی (منحنی) و ضریب همبستگی بین بارش میانگین سالانه کشور
با شاخصهای پیوند از دور
در ادامه، دامنه محاسبه ضریب همبستگی بصورت فصلی به ترتیب آمده است: بطوریکه در جدول 3 همبستگی بارش تجمعی زمستان کشور با مهمترین شاخص های پیوند از دور محاسبه شده است. در این فصل همانند محاسبه شاخص سالانه بیشترین ارتباط بین بارش فصل با نمایه نوسان اسکاندیناوی و نوسان غرب دریای مدیترانه بدست آمده است.
همبستگی بارش تجمعی بهار کشور با مهمترین شاخصهای پیوند از دور در این فصل در جدول 4 آمده است. در این فصل بیشترین شاخص اثر گزار روی بارش کشور الگوی اسکاندیناوی و نوسان مادن- جولین در 100 درجه طول شرقی بوده است.
همبستگی بارش تجمعی تابستان کشور با مهمترین شاخصهای پیوند از دور در این فصل در جدول 5 آمده است. در این فصل بیشترین شاخص اثرگزار روی بارش کشور الگوی نوسان مادن- جولین در منطقه 20 و 140 درجه طول شرقی می باشد.
جدول 3- شاخصهای با همبستگی معنی‌دار در فصل زمستان
|
شاخص |
تغییرات بهینه |
ضریب همبستگی |
سطح معنی داری |
|
SCN |
+ |
.57 |
.00 |
|
PMMwnd |
+ |
.27 |
.04 |
|
PNA |
- |
.26 |
.051 |
|
WMO |
- |
.48 |
.00 |
جدول 4- شاخصهای با همبستگی معنی‌دار در فصل بهار
|
شاخص |
تغییرات بهینه |
ضریب همبستگی |
سطح معنی داری |
|
SCN |
+ |
.25 |
.06 |
|
PMMsst |
+ |
.23 |
.09 |
|
MJO 100E |
+ |
.33 |
.08 |
جدول 5- شاخصهای با همبستگی معنی‌دار در فصل تابستان
|
شاخص |
تغییرات بهینه |
ضریب همبستگی |
سطح معنی داری |
|
TNI |
+ |
.27 |
.05 |
|
MJO 20E |
- |
.46 |
.013 |
|
MJO 10E |
- |
.4 |
.028 |
|
MJO 140E |
+ |
.52 |
.0004 |
|
MJO 160E |
+ |
.4 |
.032 |
|
RMM2 |
- |
.48 |
.005 |
همبستگی بارش تجمعی پاییز کشور با مهمترین شاخصهای پیوند از دور در این فصل در جدول 6 آمده است. در این فصل بیشترین شاخص اثرگزار روی بارش کشور الگوی چند متغیره انسو (MEI)، شاخص فشاری نوسان جنوبی و نوسان‌های دمایی مناطق مختلف نینو در اقیانوس آرام، اطلس و هند می‌باشند. بنابرین با توجه به بررسی جداول مختلف همبستگی در بالا، هرچند سایر فصول نیز زیر تاثیر مستقیم و غیر مستقیم انسو هستند ولی با توجه به جدول 6 بیشترین اثر انسو روی بارش پاییز کشور می‌باشد که این نتیجه را همانگونه که در بخش مقدمه آمده محققین مختلف نیز در تحقیقات پیشین خود اثبات نموده اند.
نتیجه گیری
نتایج بدست آمده در این تحقیق با رویکرد ویژه آن، برای نخستین با در کشور ارایه گردیده است. با توجه به جداول بالا و الگوهای فصلی، مشخص شد که فصل پاییز بیشترین ارتباط را با بیشتر نمایه‌های پیوند از دور دارد، در حالی که سایر فصل‌ها، بویژه بهار زیر تاثیر پسخورندی نوسانات ترکیبی شاخصهای این فصل قرار می‌گیرند. بنابراین با توجه به آغاز دوره بارش جدید در هر سال در فصل پاییز به نظر می‌رسد با توجه به شکل 6 می‌توان استنباط نمود که در صورت شروع شدن یک پاییز نرمال از نظر بارش در کشور بیشتر اوقات ادامه سال زراعی نیز تا حدودی نرمال خواهد بود. این نتایج با نتایج محققین داخلی مبنی بر ارتباط معنی‌دار تر شاخصهای پیوند از دور با بارش فصل پاییز به ویژه شاخصهای خانواده انسو تطابق دارد.
شکل 8 نشان دهنده شاخص‌هایی است که با بارش سالانه کشور همبستگی معنی‌دار منفی یا مثبت دارند (شبیه شکل 7). در صورتی که شاخصهای این نمودار در جهت مقدار همبستگی نشان داده شده تغییر یابند یا به عبارت بهتر این الگو در الگوهای فشار منطقه‌ای دارای فراوانی بیشتری باشند؛ بصورت یک مدل آماری، تاثیر مثبت در بهبود بارش تجمعی کشور خواهند داشت. با توجه به شکل 8 و جدول 2 به عنوان یکی از مهمترین یافته‌های این تحقیق آشکارسازی نقش افزایش دمای کره زمین[20] (شکل 9) در کاهش بارش کشور بدیهی به نظر می‌رسد، به نحوی که در شکل 8 دیده می‌شود از بین تمام الگوهای پیوند از دور دارای ارتباط معنی‌دار با افزایش بارش تجمعی کشور، شش شاخص در جهت کاهش بارش (ستون‌های با رنگ آبی) و پنج شاخص در جهت افزایش بارش (ستون‌های هاشور خورده) در سری زمانی تغییر معنی‌دار یافته‌اند. نکته مهم اینکه از بین پنج شاخص یاد شده، کاهنده بارش سه شاخص مربوط به نوسانات شاخصهای دمای کره زمین می‌باشد. یعنی دمای خشکی و دریای نیمکره شمالی (NHSSTa+ Land)، دمای خشکی‌های جهان (GlobLand Tano) و دمای نیمکره شمالی (NHTaLand). نکته مهم افزایش بیشتر دمای خشکی‌ها نسبت به پهنه‌های آبی است که این می‌تواند سبب کاهش گرادیان دمایی و فشاری در کره زمین و در نهایت تضعیف گردش عمومی جو گردد که این خود می‌تواند در برخی مناطق منجر به کاهش بارش گردد (شکل 9). آنچه مشخص است اقلیم ایران در حال تغییر است، و سوای طبیعی بودن یا غیر طبیعی بودن آن، آنچه از این تحقیق مختصر نتیجه گرفته می‌شود این است که تغییر در پراکنش دمایی در سطح دریا و خشکی طی نیم قرن گذشته سبب تغییر در الگوهای فشار جهانی و ایجاد نوسان در بارش دست کم در قلمرو این تحقیق شده است. با توجه به اینکه از شش نمایه در حال تغییر در جهت کاهش بارش کشور و هر پنج نمایه در حال تغییر در جهت افزایش بارش کشور، همگی توابع دمایی هستند بنابر این به نظر می‌رسد گرمایش جهانی می‌تواند یکی از عوامل اصلی کاهش بارش ایران دست کم در دهه‌های اخیر باشد.
جدول 6- شاخصهای با همبستگی معنی‌دار در فصل پاییز
|
شاخص |
تغییرات بهینه |
ضریب همبستگی |
سطح معنی داری |
|
MEI |
+ |
0.52 |
0.000 |
|
SST4 |
+ |
.47 |
.000 |
|
SST3.4 |
+ |
.52 |
.000 |
|
SST3 |
+ |
.49 |
.000 |
|
SOI |
- |
.52 |
.000 |
|
DMI |
+ |
.4 |
.005 |
|
MJO 80E |
+ |
.47 |
.009 |
|
MJO 100E |
+ |
.45 |
.013 |
|
MJO 120E |
+ |
.43 |
.021 |
|
MJO 40W |
- |
.45 |
.015 |
|
MJO 120W |
- |
.46 |
.012 |
|
MJO 10W |
- |
.37 |
.045 |
|
All MJOs |
+ |
.4 |
.03 |
|
RMM2 |
- |
.56 |
.001 |
|
AMMsst |
- |
.4 |
.000 |
|
NOI |
- |
.34 |
.012 |
|
SST1.2 |
+ |
.42 |
.001 |
|
NAO |
+ |
.34 |
.012 |
|
AMMwnd |
- |
.39 |
.003 |
|
EAWR |
+ |
.42 |
.002 |
|
شکل8- توزیع شاخصهای دارای ارتباط معنی دار با تغییرات بارش تجمعی سالانه کشور و تغییر معنی‌دار در سری زمانی برخی از آنها
|
|
|
|
|
|
شکل 9- سری زمانی آنومالی دمای سطح خشکی، دریا و کل کره زمین (روند افزایشی) |
|
)