سید اسعد حسینی

گردشگری پدیده ای است که با سازوکاری در هم تنیده و پنهان در زمان ها و مکان های مختلف اشکال گوناگونی به خود می گیرد و به همین خاطر تأثیرات کاملاً متفاوتی را بر جوامع انسانی بر جای می نهد. یکی از مهم ترین راه کارهای گسترش صنعت گردشگری در یک منطقه شناخت و بررسی وضعیت اقلیمی آن در ماه های مختلف سال است و شرایط اقلیمی مقصد یکی از مهم ترین اطلاعات مورد نیاز گردشگران برای سفر می باشد. لذا در این پژوهش، شرایط اقلیمی شهر پیرانشهر با استفاده از داده های اقلیمی دوره 30 ساله (2018-1989) و بهره گیری از شاخص اقلیم گردشگری (TCI) و شاخص اقلیمی تعطیلات (HCI) جهت تعیین ماه های مطلوب از نظر گردشگری مورد ارزیابی قرار گرفت. این شاخص ها از طریق رتبه بندی و وزن دهی به متغیرهای دما، رطوبت، بارش، ساعات آفتابی و سرعت باد به ارزیابی تناسب شرایط اقلیمی برای گردشگری می پردازند. نتایج حاصل از شاخص های مورد بررسی نشان داد که هر دو شاخص، در فصل زمستان از نظر امتیاز تقریباً یکسان هستند و کمترین امتیازهای هر دو شاخص مربوط به این فصل است. در اواخر فصل بهار و تابستان وجه تمایز شاخص TCI و HCI آشکار می گردد به طوری که برعکس شاخص TCI بیشترین امتیاز HCI در فصل تابستان مشاهده می شود. علت این امر مقادیر بالای امتیازدهی به دما در این شاخص است. در فصل تابستان تقریباً از نظر نمایش وضعیت گردشگری شبیه هم هستند و تنها تفاوت در مقدار امتیاز می باشد در اواسط و اواخر فصل پاییز نیز تقریباً وضعیت مثل یکدیگر است. در مجموع مقایسه دو شاخص مورد بررسی نشان داد که شاخص TCI حاکی از طیف وسیع شرایط اقلیمی از نظر گردشگری در طول سال است. در حالی که شاخص HCI تغییرپذیری و نوسان کمتری را نشان می دهد. لذا شاخص TCI نمود بهتری نسبت به شاخص HCI برای وضعیت اقلیمی پیرانشهر دارد. در مجموع بر طبق نتایج حاصل مشخص گردید ماه های اردیبهشت، خرداد، شهریور و مهر از بیشترین مطلوبیت شرابط اقلیمی برای گردشگری در شهر پیرانشهر برخودارند.

در سال های اخیر با افزایش جمعیت، توسعه صنعتی، برداشت بی رویه غیرمجاز، افزایش سطوح زیر کشت و خشکسالی، بهره برداری از منابع آب زیرزمینی چندین برابر شده است. با استمرار این عمل، سطح آب های زیرزمینی روزبه روز کاهش یافته است؛ بنابراین شناسایی منابع آب زیرزمینی، استفاده بهینه و مدیریت آن به معنای برداشت پایدار و همیشگی از این منابع گران بها است. در این مطالعه برای پتانسیل یابی منابع آب زیرزمینی در حوضه آبخیز شهرستان سقز از روش تحلیل همپوشانی وزنی با استفاده از تکنیک های تصمیم گیری چندمعیاره (MCDM) فرایند تحلیل سلسله مراتبی فازی (FAHP)همراه با علم سیستم اطلاعات مکانی (GIS) و دانش سنجش از دور (RS) استفاده شد. جهت پیاده سازی، داده های ۷۴۰ حلقه چاه و 14 معیار زمین شناسی، هواشناسی، توپوگرافی، هیدرولوژی و محیطی در بستر GIS برای تولید نقشه پتانسیل یابی منابع آب زیرزمینی تهیه و پردازش شد. با استفاده از منحنی عملکرد سیستم (ROC) برای صحت سنجی نقشه پتانسیل منابع آب زیرزمینی برآوردشده با تجزیه و تحلیل توزیع سازی از چاه های باز موجود، مقدار  83.7%AUC =  به دست آمد که نشان می دهد مدل مورد بررسی با موفقیت آب های زیرزمینی را پیش بینی کرده است. تجزیه و تحلیل های آماری نیز نشان داد، 7/8 درصد و 5/18 درصد از کل مساحت شهرستان سقز به ترتیب در منطقه با پتانسیل بسیار خوب و خوب، 5/31 درصد در پتانسیل متوسط، 3/34 درصد به ترتیب در منطقه با پتانسیل ضعیف و 7 درصد نیز در منطقه با پتانسیل بسیار ضعیف قرار دارند. یافته های این پژوهش می تواند به سیاست گذاران و مدیران در برنامه ریزی و مدیریت پایدار منابع آب زیرزمینی کمک کند.  

ایران کشور است که هرساله با طوفان های تندری زیادی روبه رو است. لذا در پژوهش حاضر به توزیع زمانی و مکانی و همچنین واکاوی همدیدی و ترمودینامیکی وقوع طوفان های تندری در بخش وسیعی از فلات ایران پرداخته شد. بدین منظور از داده های مربوط به روزهای همراه با طوفان تندری، 20 ایستگاه همدید در فلات ایران با تأکید بر نیمه شرقی کشور و همچنین داده های ارتفاع ژئوپتانسیل (hgt)، امگا (Omega) و رطوبت ویژه (Shum) در طول دوره آماری 2010 تا 2015 استفاده شد. پس از استخراج روزهای همراه با طوفان تندری، با استفاده از نرم افزار GIS Arc و روش IDW نقشه های توزیع زمانی و مکانی تهیه گردید. سپس با استفاده از نرم افزار GrADS نقشه های همدیدی لازم در ترازهای مختلف جو تهیه و تحلیل گردید. بررسی های ترمودینامیکی نیز با استفاده از نمودارهای Skew-t و شاخص های CAPE و PWAT انجام شد. نتایج حاصل از توزیع زمانی و مکانی نشان داد که در مقیاس ماهانه، از ایستگاه جیرفت در استان کرمان به سمت عرض های بالا در ماه های آوریل و می، بیشترین فراوانی طوفان تندری وجود داشته و به طرف عرض های پایین تر از ماه دسامبر تا فوریه فراوانی طوفان های تندری بیشتر می گردد. در مقیاس فصلی نیز در نیمه شمالی منطقه موردمطالعه بیشترین رخداد طوفان های تندری در فصل بهار دیده می شود؛ درحالی که در نیمه جنوبی بیشترین فراوانی مربوط به فصل زمستان است. درمجموع در همه مناطق موردمطالعه در طول سال کم و بیش پتانسیل رخداد طوفان تندری وجود دارد. نتایج حاصل از واکاوی همدیدی نیز نشان داد که در روزهای همراه با طوفان تندری، اُمگای منفی و صعود و ناپایدار هوا حاکم بوده و از سوی دیگر، نفوذ رطوبت به جو منطقه و قرارگیری در زیر سرد چال ها و جلوی ناوه، شرایط را برای رخداد این پدیده فراهم می کند. بررسی نمودارهای skew-t و شاخص های CAPE و PWAT نیز بیانگر وجود رطوبت بیشتر در روز طوفان نسبت به روز قبل از طوفان و ناپایداری ناشی از صعود همرفتی شدید (حدود دو برابر) در روز رخداد طوفان تندری است.

یش بینی تعداد افراد مراجعه کننده به بیمارستان ها در ارتباط با پارامترهای اقلیمی از موضوعات قابل بحت و تأمل است که با تغییرات اقلیمی و گسترش شهرنشینی و آلودگی هوا در دهه های اخیر دامن گیر بسیاری از جوامع بشری شده است. استفاده از مدل های پیش بینی می تواند بعنوان ابزاری کارآمد در مدیریت و کنترل بیماری ها، کاهش مرگ و میر و برنامه ریزی ها مورد توجه قرار گیرد که در این پژوهش دو مدل شبکه عصبی مصنوعی و رگرسیون لوجستیک (لاجیت) به عنوان ابزاری کارآمد در پیش بینی فرآیندهای غیرخطی و پیچیده جهت پیش بینی میزان مراجعه کنندگان بیماری آسم در شهر سنندج در ارتباط با پارامترهای اقلیمی مورد بررسی قرار گرفت. داده های مورد بررسی در بازه زمانی 8 ساله (2008-2001) از ایستگاه هواشناسی سینوپتیک سنندج و بیمارستان های توحید و بعثت در سطح شهر سنندج اخذ گردید. سپس، پارامترهای اقلیمی به عنوان ورودی و میزان مراجعه کنندگان بیماری آسم بعنوان خروجی مدل ها در نظر گرفته شدند. نتایج حاصل از بررسی نشان داد که مدل شبکه عصبی با ورود پارامترهای متوسط فشار QFE و میانگین های حداقل و حداکثر دمای ماهانه و همچنین میانگین دمای ماهانه با دقت قابل قبولی میزان مراجعه کنندگان بیماری آسم را پیش بینی می کند به طوری که ضریب همبستگی داده های واقعی و پیش بینی شده برابر با 99/0 است که در سطح 01/0 معنی دار هستند. پارامترهای ورودی در روش لاجیت نیز نشان می دهد که میزان مراجعه کنندگان بیماری آسم از پارامترهای میانگین حداقل دما، متوسط فشار QFF و متوسط سرعت باد (نات) تأثیر می پذیرند. نسبت لگاریتمی هر کدام از پارامترهای فوق بر روی تعداد مراجعه کننده به ترتیب با ضریب بتای 517/0-، 734/0- و 977/0- معنی دارند و از میان پارامترهای اقلیمی نیز عنصر باد به مراتب بیشتر از سایر پارامترها بر روی میزان تعداد افراد مراجعه کننده به بیمارستان تأثیر گذار است. در مجموع از بین دو مدل غیرخطی مورد بررسی، مدل شبکه عصبی مصنوعی، قابلیت و دقت بیشتری را نسبت به مدل لاجیت نشان داد.

گردوغبار یکی از مخاطرات محیطی و از پدیده های جوی آشنا برای ساکنان مناطق جنوب و جنوب شرقی کشور است. که هر ساله خسارات فراوانی را به بخش های مختلف وارد می سازد. لذا در این پژوهش به بررسی و شناسایی منابع گردوغبار منطقه، شدت و فرکانس گردوغبار، الگوهای حاکم بر آن و مناطق تحت سیطره گردوغبار در طول دوره آماری 30 ساله (2013-1984) پرداخته شد . بدین منظور از ترکیب تحلیل های آماری، همدیدی و سنجش ازدوری و داده های GDAS ، داده های دما، سمت و سرعت باد و ارتفاع ژئوپتانسیل، تصاویر MODIS و داده های ساعتی ایستگاه های هواشناسی بهره گرفته شد. نتایج حاصل نشان داد که ماه های ژوئن، جولای ، اوت و می به ترتیب از نظر فراوانی و شدت با دید کمتر از 1000 متر بیشترین رخداد و ماه دسامبر کمترین رخداد گردوغبار را دارند و دریاچه خشک شده هامون، بیابان های افغانستان، حاشیه ها جنوبی و شرقی لوت، بیابان ربع الخالی، مناطق مرکزی و شمال شرقی عربستان و جنوب عراق، منابع اصلی و مولد گرد وغبار منطقه مورد مطالعه هستند. همچنین مسیر شمال – شمال غربی و شمال غربی - جنوب شرقی و در موارد محدودی غربی- شرقی مسیرهای اصلی ورود این پدیده به منطقه مورد مطالعه هستند. نتایج واکاوی همدیدی نیز نشان داد که در دوره گرم سال کم فشار موسمی و کم فشار جنوب شرق ایران با هم تلفیق شده و در نهایت در تقابل با پرفشار مستقر بر دریای خزر و شمال ایران سبب شیو فشار شدید و ایجاد بادهای پرسرعت بر روی جنوب شرق ایران می شود که با توجه به نبود رطوبت و خشکی منطقه، هسته گردوغبار شکل می گیرد و موقعیت مکانی کم فشار سبب مکش شدید هوا و انتقال این پدیده به جنوب شرق ایران می شود. در دوره سرد سال نیز با ورود بادهای غربی ناوه عمیقی بر روی مدیترانه در تراز میانی و پیرو آن ایجاد همگرایی سطحی و فعالیت بین دو مرکز واگرایی بالایی و همگرایی سطحی سبب ناپایداری شدید و صعود هوا روی عراق و عربستان می شود. نتیجه چنین سازوکاری ایجاد جریان های پر سرعت باد و در صورت کم بودن رطوبت، هسته گردوغبار بر روی منطقه شکل می گیرد.

    یکی از روش های نوین در زمینه پیش بینی فرآیندهای هیدرولوژیکی و ژئومورفولوژیکی  شبکه های عصبی مصنوعی از مؤلفه های هوش مصنوعی است که در جهت پیاده سازی ویژگی های شگفت انگیز مغز انسان در یک سیستم مصنوعی می کوشند و ابزاری قدرتمند در زمینه ی مدل سازی و پیش بینی پارامترهای ژئومورفولوژی اند که در این پژوهش جهت برآورد میزان رسوب حوضه رود ارس استفاده شده است. بدین منظور از آمار دبی، رسوب و بارش ماهانه ایستگاه هیدرومتری بران واقع در حوضه آبریز دره رود از زیر حوضه های مهم حوضه رود ارس در دشت مغان در طول دوره آماری 34 ساله (سال آبی 54-53 تا 87-86) استفاده گردید. بدین صورت که میزان دبی و بارش به عنوان ورودی های شبکه عصبی مصنوعی و میزان رسوب به عنوان خروجی شبکه در نظر گرفته شدند. به منظور پیاده سازی مدل از امکانات و توابع موجود در محیط برنامه نویسی نرم افزارهای MATLAB/2010 و SPSS/21 بهره گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، ضریب همبستگی و همچنین میانگین درصد نسبی خطا پرداخته شد. نتایج به دست آمده ضمن تأیید توانایی مدل شبکه عصبی مصنوعی نشان داد که انطباق خوبی بین مقادیر پیش بینی شده و مشاهداتی وجود دارد به طوری که میانگین خطای این مدل با داده های مشاهداتی برابر 9/0 درصد  و ضریب همبستگی 99/0 است که در سطح 01/0 نیز معنی دار گشته است. نتایج حاصل از این پژوهش نشان داد که مدل شبکه عصبی مصنوعی از دقت بالایی در برآورد میزان رسوب در حوضه مورد بررسی برخوردار است. نتایج حاصل می تواند در مدیریت و برنامه ریزی حوضه های آبخیز و  مدیریت منابع آبی و طبیعی بویژه در بخش های کشاورزی، صنعت، شرب و همچنین  پیش بینی وضعیت رسوب گذاری در مخزن سدها مفید باشد.  

افزایش دما و گرمایش جهانی از بزرگ ترین چالش هایی است که بشر در قرن بیست و یکم با آن مواجه است. تغییرات در پارامترهای اقلیمی به ویژه دما و بارش به عنوان مهم ترین پارامترهای اقلیمی می تواند فرایندهای هیدرولوژیکی، کشاورزی، محیط زیست، بهداشت، صنعت و اقتصاد را تحت تاثیر قرار دهد. بنابراین چشم انداز تغییرات آن، کمک فراوانی به چالش های مدیران و برنامه ریزان محیطی خواهد نمود. لذا در این پژوهش به منظور بررسی روند تغییرات دماهای حداکثر در طول دوره آماری پایه (2005-1961) و همچنین چشم انداز تغییرات آتی دماهای حداکثر در یک دوره ی 30 ساله (2051-2021) در ایستگاه سینوپتیک ارومیه با کاربست مدل ریزمقیاس گردانی SDSM پرداخته شد. بدین منظور ابتدا با استفاده آزمون ناپارامتری من- کندال و تخمین گر شیب سن، روند تغییرات این پارامتر بررسی شد. سپس میزان کار آیی مدل SDSM با استفاده از داده های مشاهداتی و مدل شده مرکز ملی پیش بینی محیطی (NCEP) و شاخص های MSE، RMSE، MAE و همچنین ضریب تعیین و همبستگی مورد ارزیابی قرار گرفت. بعد از اطمینان از دقت مدل، با استفاده از مدل گردش عمومی CanESM2 تحت سه سناریوی RCP2.6 و RCP4.5 و RCP8.5 چشم انداز آتی دماهای حداکثر و حدی در دوره (2051-2021) بررسی گردید. نتایج نشان داد که در طول دوره آماری پایه، دما دارای روند افزایشی است اما معنی داری روند مورد تأیید قرار نگرفت. نتایج حاصل ارزیابی مدل SDSM نیز نشان داد که مدل مذکور توانایی لازم جهت مدل سازی دمای حداکثر را دارد. بر اساس نتایج بدست آمده از داده های مدل CanESM2 میزان دماهای حداکثر افزایش خواهد یافت که این میزان برابر با 7/۰ درجه سلسیوس نسبت به دوره ی پایه می باشد. از نظر فصلی نیز بیشترین و کمترین تغییرات مربوط به تابستان با 6/1 درجه سلسیوس و فصل زمستان با 1/0 درجه سلسیوس می باشد.

تأثیر پدیده های جوی بر کره ی خاکی و به تبع آن زندگی بشر به حدی رسیده است که بی دانشی و عدم مدیریت در این بخش باعث تحمل هزینه های بسیار زیاد خواهد بود. محدوده ی مورد مطالعه با توجه به توپوگرافی و اقلیم حاکم بر آن، از این قاعده مستثنی نبوده و سالانه (در مواقع پر آبی) بارش های رگباری و شدید باعث وقوع سیلاب ها، لغزش در دامنه ها و فرسایش خاک های حاصلخیز آن می شود. لذا برآورد میزان پراکنش بارش در منطقه می تواند به اتخاذ برنامه ریزی های مناسب توسط مدیران در جهت جلوگیری از خسارات کمک اساسی کند. در پژوهش حاضر ابتدا با استفاده از روش های زمین آماری ضمن اینکه میانگین بارش دریافتی مناطق فاقد ایستگاه در محدوده ی مورد مطالعه برآورد شد، میزان دقت آنها نیز با استفاده از انواع مختلف روش های آماری (خطای قدر مطلق میانگین، میانگین خطای بایاس، درصد نسبی خطا و میانگین مربعات خطا) محاسبه گردید. بر اساس نتایج حاصله، روش های معکوس وزنی فاصله، کریجینگ آستانه خطی، دایره ای و نمایی در محدوده ی مورد مطالعه، به ترتیب نتایج درون یابی بهتری را نسبت به سایر روش ها دربر داشته اند لذا در پژوهش حاضر به منظور الگوسازی بارش و همچنین برآورد میزان بارش مناطق فاقد ایستگاه در محدوده ی مورد مطالعه از روش معکوس وزنی فاصله استفاده شد. بدین صورت که لایه های ماهانه، فصلی و سالانه ی بارش دریافتی برای محدوده ی مورد مطالعه ترسیم گردید. نتایج حاصل از این بررسی نشان داد که سامانه های خزری در ماه های اکتبر، نوامبر و دسامبر (فصل پاییز) بیشترین تأثیر و نفوذ را در محدوده ی مورد مطالعه داشته و منجر به ریزش بارش های زیاد در منطقه می گردد.

با توجه به تغییرات اقلیمی، گرمایش جهانی و خشکسالی­های اخیر، پیش­بینی دماهای حداکثر به عنوان یکی از مهمترین پارامترهای اقلیمی فرصت مناسبی را برای برنامه­ریزی و ارائه تمهیدات لازم در اختیار برنامه­ریزان قرار می­دهد. بررسی و تحلیل دماهای حداکثر به عنوان یکی از پارامترهای اقلیمی در مدیریت منابع آبی و طبیعی، کشاورزی، گسترش آفات و بیماری­ها، ذوب برف و سیلاب، تبخیر و تعرق، خشکسالی و غیره اهمیت زیادی دارد. امروزه با گسترش مدل­های هوشمند و تجربی در علوم مختلف، از جمله اقلیم شناسی و لزوم پیش­بینی­های دقیقتر، جایگزینی آنها به جای مدل های قدیمی اهمیت پیدا می­کند. یکی از این روش­ها، شبکه­های عصبی مصنوعی از مؤلفه­های هوش مصنوعی است که یکی از مهمترین کاربردهای آن ­در زمینه علوم جوی، پیش بینی و محاسبه پارامترهای اقلیم­شناسی است. در این تحقیق با استفاده از متغیرهای میانگین رطوبت نسبی، میانگین سرعت باد، مجموع ساعات آفتابی، میانگین حداقل و حداکثر دمای ماهانه به عنوان ورودی شبکه پرسپترون چندلایه (MLP)، میانگین حداکثر دمای ماهانه ایستگاه سینوپتیک اردبیل پیش­بینی شد. پارامترهای مذکور سال­های آماری 1985 تا 2005 را در بر می­گیرند. از 21 سال دوره آماری موجود، حدود 85 درصد آن یعنی 18 سال (216 ماه) برای آموزش شبکه و 3 سال (36 ماه) باقیمانده در مرحله آزمون شبکه به کار برده شده است. بدین منظور از امکانات و توابع موجود در نرم افزار MATLAB بهره­گرفته شد و برای هر ماه یک شبکه با خطای کمتر از 5 درصد طراحی گردید. پس از بررسی شاخص­های عملکرد شبکه، از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد خطا و ضریب همبستگی مشاهده شد که پیش­بینی دمای حداکثر با دقت قابل قبولی انجام شده است؛ به گونه­ای که میزان ضریب همبستگی آن 99/0 و بیشترین اختلاف آن با داده­های واقعی برابر 83/0 درجه سانتیگراد بوده است.