محمدحسین قلی زاده

حرکت گسل ها باعث رها شدن انرژی ذخیره شده، بروز زلزله، تلفات جانی و خسارت های مالی فراوان به ویژه در مناطق شهری می شود. در این راستا مدل فضایی چند معیاری، که دارای ساختاری تحلیلی بر مبنای مکان می باشد، می تواند به طور نامحدود متغیرهای رخداد زمین لرزه را با ارایه ی وزن های درون گروهی و بین گروهی بررسی نماید. این مدل بر اساس ارزیابی چند متغیره که در علوم ریاضی و آمار برای تحلیل بین متغیرهای مختلف به کار می رود، فراهم شده است. از آنجایی که در برآورد توان لرزه خیزی یک محیط عناصر و عوامل متفاوت فراوانی تاثیرگذار هستند در نتیجه اثر هر کدام از پارامترها، بر روی توان لرزه خیزی محیط متفاوت است. ارزیابی چند متغیره فضایی، توان همدیده بانی همه ی عناصر و عوامل مؤثر در برآورد توان لرزه خیزی را به صورت یکجا دارا است و نتایج مطلوب و منطقی را به صورت مکانی و نقشه ارایه می دهد. در این پژوهش با استفاده از این مدل و استفاده از اطلاعات زمین مرجع موجود و همچنین استفاده از تئوری های حاکم در خصوص پتانسیل رخداد زمین لرزه در محیط، رخداد زمین لرزه در استان کردستان به تفکیک شهرستان پهنه بندی شده است. در مجموع از تمام مساحت استان 23/26 درصد در پهنه با خطر بالا، 65 درصد در پهنه با خطر پایین قرار می گیرد. نتایج نشان می دهد که نوار غربی در پهنه با خطر بالا، نوار مرکزی در پهنه با خطر متوسط و نوار شرقی در پهنه با خطر کم واقع شده است. پارامترهای مورد استفاده در این پهنه بندی شامل تعداد گسل، فاصله از خطوط گسل، جهت گسل، کانون های رخداد زمین لرزه، بررسی تمام ویژگی های برداشت شده از یک نقطه ی کانونی لرزه ای مانند بزرگای زمین لرزه، عمق رخداد زمین لرزه، تراکم زمین لرزه در یک محیط و وضعیت ساختار لیتولوژیکی می باشد.

گسترش سریع استفاده از شبکه های عصبی مصنوعی ( ANN) به عنوان مدل تجربی و کارآمد در علوم مختلف از جمله هواشناسی و اقلیم شناسی نشان دهنده ضرورت ارزش بالای مطالعه این مدل هاست. پیش بینی بارش برای اهداف مختلفی نظیر برآورد سیلاب، خشکسالی، مدیریت حوضه آبریز، کشاورزی و ... دارای اهمیت بسیاری است. هدف این مقاله پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی در شهر تهران می باشد. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1951-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینی بارش استفاده شده است. نتایج این تحقیق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 1/0 و مومنتم 7/0 مدل نسبتاً بهتری را ارائه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک برابر با 88/0 و ضریب تعیین برابر با 77/0 می باشد. همچنین بعد از آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه برابر با 91/0 و ضریب تبیین برابر با 83/0 می باشد.

از میان ویژگی های بارش، تداوم آن به دلیل تاثیراتش بر روی بسیاری از فعالیت های انسانی از اهمیت ویژه ای برخوردار است. این پژوهش، با هدف شناخت الگوهای همدید بارش های یک روزه در استان کردستان، طی دوره زمانی 2011-1961 انجام شد. روز بارشی براساس آستانه میانگین بارش 1 میلیمتر و بیش از آن در استان کردستان تعیین گردید. هم چنین فراگیر بودن بارش در استان(رخداد بارش در بیش از 50 درصد از استان) به عنوان شاخصی برای تعیین بارش هایی با منشأ همدید استفاده شد. برای این رویدادها، الگوهای اصلی فشار تراز دریا و ضخامت جو با استفاده از روش تحلیل خوشه ای بدست آمد. برای هر گروه، یک روز به عنوان نماینده انتخاب شد. روز نماینده بالاترین همبستگی را با روزهای همگروه خود داشت. نتایج این تحقیق نشان داد که بارش های همدید یک روزه در استان کردستان تقریباً در تمام طول سال(به استثنای مرداد ماه) رخ می دهند. فراوانی این رویدادها در اردیبهشت و بهمن ماه به اوج خود می رسند. در نهایت شش الگوی اصلی فشار تراز دریا عامل ایجاد این رویدادها هستند و هم چنین دو الگوی اصلی ضخامت لایه 500-1000 هکتوپاسکال در رخداد آنها موثر بوده اند. الگوی اول ضخامت لایه 500 - 1000 هکتوپاسکال در بارش های همدید یک روزه دوره سرد سال و الگوی دوم نیز در رخداد دوره گرم سال آنها موثر است.

هدف از این مطالعه واکاوی وردش های جوی بارش های بهاری فراگیر ایران طی نیم قرن اخیر است. بدین منظور داده های بارش روزانة 283 ایستگاه سینوپتیکی طی دورة آماری 1961 تا 2010 از سازمان هواشناسی کشور استخراج و مرتب شد. پس از استخراج بارش های روزانة فصل بهار (فروردین، اردیبهشت، و خرداد)، به منظور شناسایی الگوهای بارش فراگیر، داده های فشار سطح زمین از پایگاه دادة مرکز ملی پیش بینی محیطی و مرکز ملی پژوهش های جوی استخراج شد. سپس با اجرای تحلیل خوشه ای بر روی داده های فشار سطح زمین الگوهای همدید بارش های فراگیر بهاره شناسایی، بررسی، و تجزیه و تحلیل شد. نتایج حاصل از این مطالعه بیانگر آن است که بارش های بهاره، ضمن برخورداری از افت وخیز روزانه، ضریب تغییرات مکانی بسیار زیادی دارند؛ در این بین، به سمت ماه خرداد این تغییرات چشم گیرتر خواهد بود. نتایج حاصل از واکاوی وردش های جوی بارش های بهاری فراگیر ایران نشان داد که چهار الگوی کم فشار عربستان- کم فشار ایران مرکزی، کم فشار اروپا- کم فشار سودان، کم فشار خلیج فارس- پُرفشار سیبری، و الگوی چندهسته ای کم فشار خاورمیانه بیشترین نقش را در بارش های بهاری فراگیر ایران ایفا می کنند.

بررسی ارتباط بین سلامت روحی و رفتار انسان با شرایط اقلیمی و جوی مورد توجه بسیاری از محققان علوم رفتاری و اجتماعی قرار دارد. در این پژوهش ارتباط آب و هوا، با میزان پرخاشگری بالقوه افراد در استان کردستان بررسی شد. با استفاده از داده های روزانه هواشناسی 25 ایستگاه همدید در محدوده استان و خارج از آن پایگاه داده ای تا سال 2012 فراهم شد. با انجام تحلیل خوشه ای بر روی این داده ها دو پهنه اقلیمی در استان کردستان شناسایی شد. سپس در هر کدام از نواحی اقلیمی متناسب با تعداد جمیعت، نمونه ای انتخاب گردید. برای سنجش میزان پرخاشگری از پرسش نامه باس و پری استفاده شد. در نهایت نتایج حاصل از پرسشنامه ها نیز در نرم افزار SPSS مورد تحلیل گرفت. جهت تجزیه و تحلیل داده ها، از آزمون t گروه های مستقل استفاده شد. نتایج نشان داد که در استان کردستان ساکنان نواحی سردسیر از میزان پرخاشگری کل، بدنی، کلامی، خشم و خصومت بیشتری نسبت به ساکنان نواحی گرمسیر برخوردارند و میزان پرخاشگری در مردان بیشتر از زنان است. پرخاشگری در مردان بیشتر به صورت بدنی ظاهر می شود، در حالی که پرخاشگری زنان بیشتر به صورت کلامی است. در نواحی گرم و مرطوب استان، میزان پرخاشگری از نوع خشم و خصومت در زنان بیشتر از مردان بود.

ین پژوهش به منظور ارزیابی تغییرپذیری تداوم بارش در استان کردستان انجام گرفت. یک پایگاه داده در ابعاد ۸×۹۶۲۰ با استفاده از داده های روزانه ی بارش ایستگاه های همدید استان کردستان در بازه زمانی ۱/۱/۱۹۸۹ تا ۳۱/۱۲/۲۰۱۴ تهیه شد و به کمک آزمون ناپارامتریک من کندال در سطوح اطمینان ۹۰، ۹۵ و ۹۹ درصد، معناداری روند داده ها ارزیابی شده است. تخمین گر شیب سن برای برآورد شیب و آزمون انحرافات تجمعی و بیشینه ورسلی برای شناسایی سال جهش در سری زمانی مقادیر بارش ماهانه استفاده شده است. همچنین معناداری تفاوت در میانگین سری زمانی، قبل و بعد از سال جهش به کمک آزمون من ویتنی بررسی گردید. یافته ها نشان دهنده کاهش تداوم بارش هادر ماه های پربارش و افزایش آن در ماه های خشک استان کردستان است. نرخ تداوم بارش ها در ماه های فصل زمستان در اغلب ایستگاه ها کاسته شده و بیشترین کاهش این فصل در ماه مارس بوده است. نتایج در سطح اطمینان ۹۵ درصد نشان داد به ازای هر دهه یک روز از تدوام بارش در ماه ژانویه کاسته شده است. در فصل بهار نیز تداوم بارش در اغلب ایستگاه ها کاهش یافته است. به طوری که نرخ کاهش تداوم بارش در ماه می، به طور متوسط ۵/۰روز در هر دهه است. اما در فصل تابستان در سطح اطمینان ۹۹ درصد تداوم بارش در اغلب ایستگاه ها ۲/۰ روز در هر دهه افزایش داشته است. در ماه اکتبر، بیشینه روند افزایشی تداوم بارش در سطح اطمینان ۹۹ درصد، ۸/۰ روز در هر دهه به دست آمد. در دیگر ماه های فصل پاییز از تدوام بارش ها کاسته شده است. نتایج حاصل از آزمون من ویتنی نشان داد که در اغلب ایستگاه ها طی دهه اخیر، تداوم بارش جهش معناداری داشته است. به طور کلی تداوم بارش در ماه های جولای، اوت، سپتامبر و اکتبر روند افزایشی و در سایر ماه های سال در محدوده مورد مطالعه روند کاهشی داشته است.

تحقیق حاضر با هدف ارزیابی دقت داده های ماهواره ای سنجنده مادیس در پایش ریزگردها (ذرات PM 10 )، به منظور مقایسه با داده های ایستگاه زمینی سنجش آلودگی در شهر سنندج انجام گرفته است. بدین ترتیب، میزان عملکرد داده های ماهواره ای در اندازه گیری ریزگردها، در ایستگاه زمینی سنندج، مشخص می شود. ابتدا داده های ماهواره ای عمق نوری (ذرات PM 10 ) سنجنده مادیس، متناظر با داده های PM 10 زمینی تهیه شده از ایستگاه زمینی پایش آلودگی واقع در شهر سنندج، به دست آمد؛ آنگاه ضریب همبستگی دو سری داده محاسبه شد. برای پیش بینی دقیق داده های PM 10 ، دو مدل آریما و شبکه عصبی مصنوعی به کار رفت. داده های AOD سنجنده مادیس با استفاده از روش حداکثر برآورد احتمال و وزن به دست آمده از ریشه میانگین مربعات خطا، به منظور استفاده در این دو مدل، ترکیب شدند. در نهایت، روش مقایسه منفرد برای هریک از مدل ها و نیز مقایسه مدل ها، با هدف شناسایی مدل بهتر در تشخیص و پیش بینی داده های PM 10 حاصل از سنجنده مادیس، اعتبارسنجی شد. در مدل شبکه عصبی، ضریب همبستگی در مرحله آموزش 52%، در مرحله آزمون 53%، RMSE برابر با 62/1 و MAE برابر 62/2 به دست آمد. طبق محاسبات، مدل آریمای 1-0-3 تنها مدل مورد قبول با R برابر با 46/0و 06/0MAE= و 69/0RMSE= است. این بیان می کند مدل آریما مدل مناسبی برای پیش بینی داده هاست اما دقت مدل شبکه عصبی، در ارزیابی میزان همبستگی بین داده ها، بیشتر تشخیص داده شد. نتایج تحقیق نشان داد که بین داده های عمق نوری ریزگرد سنجنده مادیس با داده های زمینی رابطه مستقیمی وجود دارد و این الگوریتم قادر به شناسایی گردوغبار است و می تواند جایگزین مناسبی برای محصولات PM 10 تولیدشده از سوی ایستگاه زمینی باشد.

کمبود بارش در یک دوره می تواند سبب کاهش تغذیه شود که به دنبال آن کاهش جریان سطحی و افت آب های زیرزمینی را سبب می شود. با توجه به اهمیت منابع آب در زندگی بشر, ایجاد تنش در دستیابی به منابع پایدار و قابل اطمینان اهمیت زیادی در میزان توسعه و پیشرفت جامعه دارد. این تنش ها می تواند به دلایل طبیعی و یا استفاده نادرست و غیر معقولانه از منابع آبی باشد و همراهی این دو عامل با هم سبب تشدید این تنش ها می شود. هدف از این پژوهش بررسی فراسنج های مؤثر در تغییرات دبی ماهانه در حوضه آبی دهگلان است. داده های مورد استفاده در این تحقیق شامل بارش ، تبخیر (حاصل از تشت تبخیر), دما و دبی ایستگاه های واقع در حوضه آبی دهگلان می باشد که از سازمان هواشناسی و شرکت آب منطقه ای استان کردستان اخذ شده است. ابتدا داده های مربوط به بارش در سطح حوضه با استفاده از شاخص SPI استاندارد شده و سایر داده های اقلیمی و هیدرولوژیکی نیز نرمال سازی شد. سپس با استفاده از شبکه های عصبی مصنوعی و به روش پرسپترون چند لایه مدل های مختلفی از این داده ها مورد بررسی قرار گرفت. نتایج حاصل از بررسی مدل های مختلف نشان می دهد که بیشترین همبستگی و حداقل مربعات خطا در شرایطی بدست می آید که شاخص SPI در مقیاس 6 ماهه, دبی در ماه قبل و دما وتبخیر در ماه حاضر به عنوان ورودی شبکه و دبی ماه حاضر به عنوان خروجی به مدل معرفی شود. مقایسه روش شبکه های عصبی مصنوعی و رگرسیون چند متغییره حاکی از نتایج بهتر در پیش بینی دبی ماهانه با استفاده از شبکه های عصبی مصنوعی است.

دمای خاک یکی از پارامترهای مهم در مطالعات هیدرولوژی، هواشناسی کشاورزی و اقلیم شناسی است. در این پژوهش تغییرات دمای خاک ایران در عمق های 5 تا 30سانتی متری زمین با هدف شناسایی رفتار زمانی و مکانی دما در گستره ی ایران بررسی شده است. بدین منظور داده های دمای خاک ۱۵۰ ایستگاه هواشناسی ایران استفاده شده است. پس از کنترل کیفی داده ها و انجام تحلیل های آماری مقدماتی، تغییرات روزانه و ماهانه ی دما برای کل ایران بررسی شد. در ادامه روند دمای خاک با استفاده از آزمون ناپارامتری من-کندال و شیب خط سن بررسی شده است. نتایج نشان داد رابطه ی مستقیم میان افزایش و کاهش دمای خاک در طول سال و ضریب تغییرات روزانه ی آن دیده می شود. روند مثبت دما در دو فصل تابستان و زمستان در گستره ی ایران فراگیر بوده است. در فصل تابستان روندهای قوی با اطمینان ۹۹ درصد غالبا در مناطق کوهستانی فراوانی بیشتری دارد در حالی که در فصل زمستان ایستگاه های واقع در نیمه ی جنوبی ایران بیشترین روند مثبت دمای خاک را در عمق های مختلف تجربه کرده اند. بررسی مقادیر روند دما گویای این است که روندهای بالاتر از ۱ درجه ی سلسیوس غالبا تا عمق ۲۰ سانتی متری خاک دیده می شود. روند افزایشی دمای خاک در فصل زمستان گسترش مکانی بیشتری را نشان می دهد که گویای افزایش دماهای کمینه ی سالانه است و در حالت کلی روند افزایشی دمای خاک ایران را در بلندمدت نشان می دهد.