مطالب

در سال های اخیر مطالعاتی در مورد شناسایی آثار ژئومورفیکی بزرگ مقیاس مرتبط با تغییرات اقلیمی کواترنری در منطقه صورت گرفته است. با این حال، بسط دانسته ها در مورد چگونگی تکامل اشکال دامنه ای منطقه در گذشته، بدون تحلیل های دقیق اشکال ژئومورفیکی دامنه ای امکان پذیر نیست و بدون این تحلیل ها، اطلاعات مرتبط با چنین مناطقی ناقص خواهد بود. رودسنگ ها از جمله اشکال مرتبط با اقلیم های گذشته در دامنه شمالی توده نفوذی کوه کیامکی در شمال غرب هستند که در کنار سایر اشکال پریگلاسیری منطقه، آثاری از تغییرات اقلیمی هولوسن را در خود دارند. رودسنگ قلعه به طول 630 متر و عرض متوسط 80 متر، مهم ترین و کامل ترین این رودسنگ ها به شمار می آید. در پژوهش حاضر سعی شده است که تغییرات اقلیمی هولوسن بر اساس داده های حاصل از کار های میدانی و تفسیر ویژگی های رودسنگ قلعه مورد ارزیابی قرار گیرد. رویش و استقرار درختچه ها در دورتادور رودسنگ های منطقه، ساختمان رودسنگ و وجود سه لایه مجزا، از جمله شواهد قابل استناد برای این تغییرات هستند. بر اساس نتایج این تحقیق، رودسنگ مورد مطالعه در واقع مشابه همنوعان خود در سایر مناطق دنیاست و در زمره رودسنگ های ارتفاعات پایین تر و دامنه های پرشیب و رودسنگ هایی که بر روی بستری از خاک سطح دامنه قرار گرفته اند، واقع شده است. باوجود ناچیز بودن تغییرات اقلیمی هولوسن، وجود عواملی همچون شرایط مناسب هوازدگی سنگ های سازنده دامنه در ناحیه منبع، فعال بودن سازوکار های حمل نظیر بهمن های سنگی و فرایند جریان دانه ای با پوشش یخی، و شدت فعالیت فرایند ذوب و یخبندان در شرایط عاری از پوشش یخی، فعالیت رودسنگ را در دوره های سرد هولوسن شدت بخشیده است. در زمان حاضر چهار دوره گرم کنونی، دوره همزمان با عصر کوچک یخبندان، دوره گرم هولوسن فوقانی و دوره سرد همزمان با عصر آهن از روی ویژگی های رودسنگ مذکور قابل شناسایی است.

در پژوهش حاضر به بررسی سیل در حوضه ماسوله پرداخته شده است. ابعاد مطالعه به دبی ایستگاه کمادول در دوره 18 ساله 2003-1984 (81-1363) و بررسی علل سیلاب های دوره موردنظر و الگوهای همدیدی ایجاد سیل محدود می شود. به منظور تحلیل سیل، دبی های متوسط روزانه و حداکثر لحظه ای ایستگاه کمادول بررسی شده و برای کنترل صحت داده ها از ایستگاه چومثقال در پایین دست حوضه و گزارش های ستاد حوادث غیرمترقبه استان کمک گرفته شده است. در دوره مطالعاتی 181 سیل استخراج گردید و از بین سیلاب های موردنظر 61 سیل در فاصله زمانی 81-1375 به منظور بررسی انتخاب شد. پس از بررسی سیلاب ها با توجه به عوامل مؤثر در ایجاد آنها به دو گروه اصلی تقسیم شدند. گروه اول، سیلاب های ناشی از ناپایداری هوا و استقرار سامانه باران زا در سطح حوضه است و گروه دوم سیلاب هایی است که میزان بارش در آنها اندک است اما دبی در فاصله کوتاهی از آبراهه اصلی طغیانی و وحشی قرار دارد، که البته در ایستگاه کمادول میزان آن حتی کمتر از میانگین دوره است. 49 درصد سیلاب های حوضه مربوط به این دسته است. برای بقیه سیل ها نیز با بررسی نقشه های سینوپتیکی مربوط به سطح زمین و تراز 700 و 500 هکتوپاسکال 3 الگوی سیل زا شناسایی گردید. تفاوت عمده این الگوها از نظر موقعیت سامانه های چرخندی و واچرخندی نسبت به حوضه و مسیر حرکت آن از روی منابع رطوبتی است. منشا مدل های چرخندی، دریای مدیترانه و سیاه است و مدل های واچرخندی نیز عمدتاً بر روی دریای خزر و به ندرت نیز از دریای سیاه است. نتایج مطالعه نشان می دهد که سامانه های مذکور برحسب ویژگی و یا توقف خود بر روی حوضه ماسوله از یک تا حداکثر سه روز پی در پی ایجاد سیل کرده اند. و از کل سیلاب های انتخابی 34 مورد آن یک روزه، 13 مورد دو روزه و 14 مورد آن سه روزه است. از نظر توزیع زمانی نیز بیشترین سیل ها در فاصله ماه های سپتامبر (شهریور) تا اکتبر (مهر) و در اواخر زمستان تا اوایل بهار به ثبت رسیده است.

هدف از پژوهش حاضر، بررسی ارتباط سیگنال های بزرگ مقیاس اقلیمی با بارش استان خراسان رضوی است. در این مطالعه، با استفاده از شبکه های عصبی مصنوعی، پیش بینی بارش در بازه زمانی آوریل تا ژوئن 2007-1970 (فروردین تا خرداد) در استان خراسان رضوی ارائه شده است. برای این منظور ارتباط بین تغییرات سیگنال های اقلیمی شامل فشار سطح دریا، اختلاف فشار سطح دریا، دمای سطح دریا، اختلاف دما بین سطح دریا و سطح 1000 میلی باری، دمای سطح 700 میلی بار، ضخامت بین سطوح 500 و 1000 میلی بار، رطوبت نسبی سطح 300 میلی بار و آب قابل بارش با بارش متوسط منطقه ای مورد بررسی قرار گرفت. در انتخاب این مناطق، تاثیرپذیری بارندگی منطقه شمال شرق ایران از سیگنال های بزرگ مقیاس اقلیمی مورد توجه قرار گرفته است. سپس، مدل شبکه های عصبی مصنوعی در دوره 1997-1970 آموزش داده شده است و در پایان، پیش بینی بارش در دوره 2007-1998 انجام شده است. نتایج نشان می دهد که شبکه های عصبی مصنوعی در تمامی سال ها می تواند بارش را با دقت قابل قبولی پیش بینی کند. ریشه میانگین مربعات خطا برای مدل، 5/2 میلی متر به دست آمد.