رادیوسوند

اطلاع از پروفایل های قائم دما و دمای نقطه شبنم در زمرة مهم ترین پارامترها در مدل های عددی پیش بینی وضع آب وهوا جای دارند. در زمان حاضر در ایران پروفایل های قائم دما و دمای نقطه شبنم با رادیوسوندها تهیه می شوند؛ اما به دلیل گرانی رادیوسوندها، ارسال آنها به جو تنها محدود به زمان ها و مکان های خاصی است. به همین دلیل به کار بردن روش های جدید با قابلیت هزینه کم و پوشش وسیع برای تولید پروفایل ها اهمیت بسیار دارد. امروزه تلاش می شود تا با استفاده از ماهواره ها و فناوری سنجش از دور، کاستی های مربوط به اندازه گیری های رادیوسوند مرتفع گردد. در این تحقیق از محصول MYD07-L2 تصاویر سنجنده مادیس ماهواره Aqua با قدرت تفکیک مکانی 5 کیلومتر برای استخراج پروفایل های دما و دمای نقطه شبنم استفاده شده است. برای این کار با برنامه نویسی در محیط IDL، پروفایل های ایستگاه مهرآباد تهران از محصول MYD07-L2 سنجنده مادیس برای روزها و شب های مختلفی از سال 2007 استخراج گردید و سپس میزان Bias و RMSE داده های مذکور با داده های رادیوسوند محاسبه و مقایسه شد. نتایج نشان دادند که داده های پروفایل دمایی مادیس مطابقت مناسبی با داده های رادیوسوند دارند؛ و برای آنها Bias کل 95/1 و RMSE41/2 درجه کلوین، برای سطوح بالاتر از 780 میلی بار، به دست آمد. در سطوح بالاتر از 780 میلی بار پروفایل های دمای نقطه شبنم اختلاف بیشتری را با داده های رادیوسوند نشان دادند و برای آنها نیز مقدار Bias کل 77/5 و RMSE58/6 درجه به دست آمد.

از جمله مخاطرات محیطی مهم می توان به پدیده های آب و هوایی مخرّب اشاره کرد که سالانه خسارات مالی و جانی بسیاری به بار می آورند. برای پیش بینی و مقابله با آثار زیانبار این پدیده ها، علاوه بر روش های همدیدی معمول، بررسی ساختار ترمودینامیکی جو در لایه های مختلف و تحلیل شاخص های ناپایداری ضروری است. در پیش بینی های عملی هواشناسی، شاخص های بسیاری برای ارزیابی پایداری اتمسفر و پیش بینی ناپایداری به کار می رود. تلاش های کمی برای بررسی این شاخص ها در ایران انجام شده و برای کالیبره کردن و معرفی آستانه ها، کاری انجام نشده است. در این مطالعه، سعی شده جمع بندی کاملی از حدود و آستانهٔ شاخص های ناپایداری برای پیش بینی انواع پدیده های مخرّب تهیه شود. بدین منظور، دقت مجموعه ای از پارامترها و شاخص ها، به طور ویژه برای مشهد محاسبه و بررسی شده است که عبارت اند از: شاخص شوالتر، شاخص مجموع مجموع ها و فشار سطح تعادل، آب قابل بارش، عدد ریچاردسون، شاخص صعود LI، شاخص K، SWEAT، CAPE و CIN. پدیده های آب و هوایی مخرّبی که در طی سال های 1980 تا 2009 در ایستگاه مشهد رخ داده، استخراج و در سه دسته برق، توفان تندری، تگرگ، دسته بندی و استفاده شده اند. روزهایی که این معیارها را نداشته اند، در دسته ای به نام بدون ناپایداری قرار گرفته اند. برای محاسبه مقادیر شاخص ها، از داده های جو بالای حاصل از ارسال رادیوسوند در ایستگاه مشهد استفاده شده است. این داده ها نسبت به وجود یا عدم پدیده های مخرّب تحلیل، و نتایج این تحلیل ها بصورت نمودارهای باکس پلات و نقاط پراکنده برای نمایش بصری روابط و آستانه ها، در پدیده های مختلف ارائه شده است. درنهایت آستانه هر شاخص برای پیش بینی انواع پدیده ها در مشهد معرفی شده، و ترکیب شاخص صعود (LI) و انرژی پتانسیل در دسترس همرفتی (CAPE) و همچنین شاخص صعود و سطح تعادل، به عنوان بهترین شاخص های ترکیبی معرفی شدند.

لایه مرزی به علت پیوند مستقیم با زندگی انسان اهمیت بسزایی دارد. در این پژوهش با دریافت داده های ساعتی و میانگین روزانه از مرکز اروپایی پیش بینی میان مدت هوا و دپارتمان علوم جوی دانشگاه وایومینگ برای دوره 1988 تا 2017، با کاربرد نرم افزارهای Excel و R و با به خدمت گیری توابع محاسباتی روش بسته پیشرفته، مجموعه توابع چندبُعدی و ابزار ECMWF در محیط ArcMap تغییرات ارتفاعی لایه مرزی شهر تهران در بازه سالانه تهیه شد. نتایج نشان داد که سقف متوسط ارتفاع لایه مرزی در حدود 850متری سطح زمین قرار دارد و در شرایط شبانه به طور متوسط تا حدود 80متری و در شرایط روزانه تا حدود 2300متری سطح زمین پایین و بالا می رود. این متغیر در کل دوره سالانه در حدود 5 متر افزایش ارتفاع داشته است. به لحاظ الگوی فضایی، کمینه ارتفاع در هر یک از سه متغیر موردبررسی در شمال شرقی تهران و بیشینه آن در جنوب و جنوب غربی تهران رخ داده است. ضمن اینکه این متغیر با برخی متغیرهای اقلیمی دیگر نظیر دمای سطحی رابطه معناداری (8143 / 0) دارد. همچنین، براساس یافته ها، روش بسته پیشرفته مقبولیت بسیار زیادی در محاسبه ارتفاع لایه مرزی با استفاده از داده های رادیوسوند دارد.

در این مقاله با استفاده از روش های مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی-زمانی مدل سازی شده و سپس پیش بینی می شود. از سه مدل شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و مدل رگرسیون بردار پشتیبان (SVR) برای انجام این کار استفاده شده است. برای مقایسه کارایی و دقت این سه مدل، نتایج حاصل با مشاهدات بخار آب قابل بارش حاصل از ایستگاه رادیوسوند (PWV radiosonde() و بخار آب قابل بارش به دست آمده از مدل تجربی ساستامنین (PWV Saastamoinen) نیز مقایسه شده است. مشاهدات 23 ایستگاه GPS مابین روزهای 300 الی 305 (6 روز) از سال 2011 در منطقه شمال غرب ایران برای ارزیابی مدل ها، به کار گرفته شده است. دلیل انتخاب این منطقه و بازه زمانی مورد نظر، در دسترس بودن مجموعه کاملی از مشاهدات ایستگاه های GPS ، رادیوسوند و ایستگاه های هواشناسی است. از 23 ایستگاه مورد نظر، مشاهدات دو ایستگاه KLBR و GGSH به منظور انجام تست نتایج حاصل کنار گذاشته می شود. در مرحله اول، تأخیر تر زنیتی (ZWD) از مشاهدات 21 ایستگاه GPS محاسبه و سپس تبدیل به مقدار PWV می شود. مقادیر PWV حاصل از این مرحله به عنوان خروجی هر سه مدل در نظر گرفته شده است. همچنین چهار پارامتر طول و عرض جغرافیایی ایستگاه، روز مشاهده (DOY) و زمان (min .) به عنوان ورودی های سه مدل هستند. هر سه مدل با استفاده از الگوریتم پس انتشار خطا (BP) آموزش داده شده و کمینه خطای حاصل در محل ایستگاه رادیوسوند تبریز (38/08N وE 46/28) ، به عنوان معیار پایان آموزش در نظر گرفته شده است. پس از مرحله آموزش، مقدار بخار آب قابل بارش در ایستگاه های تست با هر سه مدل محاسبه و سپس با مقدار بخار آب قابل بارش حاصل از GPS (PWVGPS) مقایسه می شوند. میانگین ضریب همبستگی محاسبه شده برای چهار مدل ANN ، ANFIS ، SVR و Saastamoinen در 6 روز مورد مطالعه به ترتیب برابر با 0/85، 0/88، 0/89 و 0/69 است. همچنین، میانگین RMSE برای چهار مدل در 6 روز به ترتیب برابر با 2/17، 1/90، 1/77 و 5/45 میلی متر شده است. نتایج حاصل از این مقاله نشان می دهد که مدل SVR از قابلیت بسیار بالایی در برآورد مقدار بخار آب قابل بارش برخوردار بوده و از نتایج آن می توان در مباحث مرتبط با هواشناسی و پیش بینی بارش استفاده نمود.