ابراهیم مسگری

خبندان یکی از پدیده های مهم مورد مطالعه در اقلیم شناسی است که وقوع ناگهانی آن در ابتدا و انتهای فصل سرما، می تواند بسیار خطرزا برای بخش کشاورزی باشد. لذا برای مدل سازی و پهنه بندی شاخص های آماری یخبندان ها در استان کردستان، داده های مربوط به دمای حداقل روزانه 6 ایستگاه همدید برای یک دوره 16 ساله (2016 – 2001) از سازمان هواشناسی ایران اخذ گردیدند. در ادامه با استفاده از مدل های رگرسیونی چند متغییره رابطه بین پنج شاخص آماری یخبندان ها یعنی متوسط تاریخ آغاز یخبندان، متوسط تاریخ خاتمه یخبندان، متوسط تعداد سالانه روزهای یخبندان، متوسط طول فصل یخبندان و متوسط طول فصل رشد با سه عامل ارتفاع، طول و عرض جغرافیایی مدل سازی گردید. در ادامه بر اساس مدل های رگرسیونی به دست آمده برای هر شاخص، نقشه های پهنه بندی آنها برای استان کردستان تهیه شدند. نتایج حاصل از مدلسازی رگرسیونی بین شاخص های مختلف یخبندان با سه عامل ارتفاع، عرض و طول جغرافیایی در استان کردستان نشان داد که این سه عامل به ترتیب می توانند 95، 90، 88، 80 و 72 درصد تغییرات مربوط به طول دوره رشد، وقوع اولین روز یخبندان، طول دوره یخبندان، فراوانی وقوع روزهای یخبندان و وقوع آخرین روز یخبندان را تبیین کنند. آرایش فضایی شاخص های مختلف یخبندان در استان کردستان نیز نشان از یک آرایش غربی به شرقی در مقادیر شاخص های مختلف یخبندان دارد. یعنی هر چه از جانب غرب به سمت شرق حرکت می کنیم تعداد فراوانی روزهای یخبندان و همچنین طول دوره یخبندان کاهش پیدا می کند و متعاقب آن فصل رشد افزایش پیدا می کند. متناسب با این تغییرات وقوع اولین روز و آخرین روز یخبندان نیز با تاخیرهای زیادی در بین نیمه شرقی و غربی این استان قابل مشاهده است.

در این پژوهش، با هدف آشکارسازی روابط الگوهای پیوند از دور با دمای ماهانه، رابطه بین دماهای ماهانه 24 ایستگاه سینوپتیک شمال غرب ایران با هفده الگوی پیوند از دور با استفاده از تحلیل همبستگی پیرسون و مدل رگرسیون گام به گام در دوره آماری (2011-1992) برای سنجش روابط استفاده شد و در نهایت، توزیع فضایی میزان همبستگی الگوها با ایستگاههای مورد مطالعه در محیط GISبا روش درون یابی کریجینگ پهنه بندی و ترسیم گردید. نتایج این پژوهش نشان داد که ارتباط معنی داری بین الگوها و دمای منطقه وجود دارد که در این بین، الگوهای پیوند از دور EA/WR، MEI، SOI، EP/NPو AOبیشترین رابطه را با دمای منطقه از خود نشان داده و به عنوان تأثیرگذارترین الگوها شناسایی شدند. با توجه به محاسبات انجام شده در تأخیرهای زمانی 1 ماهه، 2 ماهه و 3 ماهه، بیشترین همبستگی متعلق به تأخیر زمانی 1 ماهه بوده و قویی ترین ارتباط معنی دار، مربوط به ایستگاه سردشت در ماه فوریه با ضریب همبستگی 771/0- با الگوی EA/WRاست.

هدف: هدف از این پژوهش، پیش بینی دماهای حداقل به عنوان یکی از عناصر مهم اقلیمی در پیش بینی سرمای دیررس بهاره و یخبندان است. روش: از شبکه های عصبی مصنوعی برای پیش بینی دماهای حداقل ایستگاه های پیرانشهر و سردشت استفاده شده است. بدین منظور، از دورة آماری 18 ساله (1391-1374) ایستگاه سینوپتیک پیرانشهر- سردشت و توابع و امکانات موجود در نرم افزار MATLAB برای آموزش و آزمون این مدل ها بهره گرفته شد. سپس، به بررسی شاخص های عملکرد شبکه، ازجمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، درصد نسبی خطا و ضریب همبستگی پرداخته شد. یافته ها: علاوه بر تأیید توانایی شبکه های عصبی مصنوعی، یافته ها نشان داد که حداکثر خطای این مدل با داده های واقعی در ایستگاه های پیرانشهر و سردشت، به ترتیب 35/0 و 15/0 درجة سانتی گراد است که توانایی قابل توجه این مدل را در مدل سازی پیش بینی سرمای دیررس بهاره و یخبندان نشان می دهد. نتیجه گیری: استفاده از روش شبکه های عصبی مصنوعی در پیش بینی دماهای حداقل برای تعیین سرمای دیررس بهاره با توجه به تعیین خطای آموزشی، می تواند به عنوان گزینه ای سودمند موردتوجه و بررسی قرار گیرد.