تیپ های هوا و اثر آنها بر اقلیم ایران

نوع مقاله : نمایه

نویسنده

دانشیار گروه جغرافیای دانشگاه تربیت معلم تهران

10.29252/kavosh.2002.2198

چکیده

الگوهای فشار حاکم بر ایران و سرزمین‌های مجاور (۲۰ تا 5/47 درجه شمالی و ۳۵ تا 5/67 درجه شرقی) با استفاده از آمار فشار بازسازی شده NCEP در ساعت 12، روزانه با فاصلة 5/2درجة جغرافیایی واقع در محدودة مطالعه و در دورة نوامبر تا مارس سالهای 1966 تا ۱9۹۵ طبقه‌بندی و شناسایی گردید. برای طبقه‌بندی داده‌های فشار، از روش تحلیل عاملی با ماتریس همبستگی آرایة S و چرخش واریماکس استفاده شد. در نتیجه، تعداد 168 متغیر (تلاقی) به ۶ عامل اصلی تبدیل شدند. نقشه‌های فشار روزهای دورة مطالعه براساس نمرات عاملی هرکدام از شش مؤلفة اصلی، به سه گروه نمرات بالا، نمرات میانی، و نمرات پایین تقسیم شدند. براین اساس، ۱۸ نقشة مرکبه تهیه شد. براساس شباهت‌های بین نقشه‌های مرکب، ٩ نقشة متمایز یا تیپ هوا، شناسایی شد. هرکدام از تیپ‌های نهایی براساس محل استقرار نامگذاری شد. نقشه‌های مرکب سطح ۵۰۰ هکتو پاسکال این تیپ هم ترسیم گردید. فراوانی ماهانه و سالانه و اهمیت تیپ‌ها در بارش ایران محاسبه شد.
نتایج این تحقیق نشان داد که داده‌های بازسازی شدة NCEP از دقت و صحت بالایی برخوردار و برای مطالعه پراکندگی فشار ایران مناسب هستند. در بین تیپ‌های هوا، تیپ مداری فراوان­ترین و مداوم‌ترین تیپ است و تیپ‌های پرفشار شمالی و کم فشار غربی به ترتیب، در درجة دوم قرار دارند. شدیدترین بارش‌های روزانه را در همه جای ایران در جنوب البرز تیپ کم فشار غربی تولید می‌کند. سواحل دریای خزر، تیپ پرفشار غربی شدیدترین بارش ها را پدید می­ آورد. هر تیپ هوا در یک ماه معین بیشترین فراوانی را دارد و در هر ماه هم تیپ هوایی خاصی فراوان­تر است.

کلیدواژه‌ها


عنوان مقاله [English]

Weather Types and their Influence on the Precipitation of Iran

نویسنده [English]

  • Bohloul Alijuni
Associate Professor, Department of Geography, Tarbiat Moallem University, Tehran
چکیده [English]

Weather typing of surface pressure patterns over Iran and the surrounding region (20°N to 47.5°N and 35°E to 67.5°E) has been accomplished through the use of daily 12 GMT grid - point pressure values of the NCEP reanalysis data for the months November to March during the 1966-1995 period. The NCEP data were checked against reality by comparison with observed station data. The results showed excellent agreement with correlations >0.85 on the daily time scale.
The complete data set was divided into two halves and 5 monthly sub-periods. Principal component analysis with S-mode and Varimax rotation of the correlation matrix was applied to the standardised series. Because of the high spatial correlation of all the sub-period series, only the full 30-year series was selected for subsequent studies. Using the scree test, 6 orthogonal factors were retained. Factor scores of these components were then used to classify the daily pressure patterns of the study period by assigning each day to the factor with the highest absolute score. Days with each factor were then divided into three clusters based on factor scores. The resulting 18 cluster maps were then compared by their spatial correlation. They highly correlated maps were combined and 9 final weather types were produced. Each of the nine resulting weather types were named according to the location of the dominant system relative to Iran. The monthly and annual frequencies of the types were computed and their related 500 hpa composite flow patterns were produced. The significance and importance of the surface weather types to the climate of Iran were checked by analyzing their contribution to the frequency and daily intensity of precipitation.
Among the weather types, the Zonal (Z) type was the most frequent and persistent representing the mean distribution of pressure over the area. Then Northeastern high (NEH) and Western low (WL) types were the next most frequent and persistent types. In terms of contribution to precipitation, the cyclonic type of WL showed the highest contribution all over Iran except the Caspian area where the Northwestern high (NWH) was the most important type. Each type showed a monthly preference and each month had one dominantly frequent weather type.

کلیدواژه‌ها [English]

  • Iran
  • Classification of pressure patterns
  • principal component analysis
  • clustering
  • ground pressure