مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Estimation of layered earth conductivity with electromagnetic induction data in the low induction number range using the genetic algorithm method تخمین رسانندگی زمین لایه‌ای با داده‌های القای الکترومغناطیسی در محدوده عدد القای پایین با روش الگوریتم ژنتیک 289 307 101743 10.22059/jesphys.2025.385912.1007646 FA مجتبی بابایی گروه ژئوفیزیک، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران. سید منوچهر حسینی پیلانگرگی گروه مهندسی برق، دانشکده مهندسی، دانشگاه بوعلی‌سینا، همدان، ایران. Journal Article 2024 11 26 Estimating the electromagnetic parameters of the subsurface is crucial for the non-invasive characterization of soil properties such as clay content, water content, contaminants and aquifers. It is also of significant importance in agriculture for managing water resources. In this context, several geophysical methods, including electromagnetic (EM) techniques, have been developed to measure parameters such as the conductivity of subsurface layers. In this study, the conductivity of horizontal subsurface layers within the exploration depth of the EM-38 device was estimated using electromagnetic data in the low induction number (LIN) range. The data were acquired using the EM-38 device, depending on the horizontal and vertical orientation of the transmitter and receiver dipoles, and were received at the receiver coil. Additionally, the combined data obtained from both horizontal and vertical modes could be used as combined-mode data. To perform the inversion process, synthetic data for three modes (horizontal, vertical, and combined) were first generated. Subsequently, the electrical conductivity of the horizontal layers in the model was estimated using linear inversion for each of these three datasets in the low induction number range. Ordinary least squares, Tikhonov regularization (of zeroth, first, and second orders), and genetic algorithms (GA) were employed to estimate the parameters. The results demonstrated that, for this problem, Tikhonov regularization of zeroth, first, and second orders does not significantly improve the solution, and the model obtained using these techniques deviates considerably from the true model. Genetic algorithms, which are intelligent optimization techniques, have been applied to solve nonlinear inverse problems in various fields of geophysics. Genetic algorithms (GA), inspired by the concept of evolution, represent a class of search and optimization methods. These algorithms encode potential solutions to a specific problem in chromosome-like data structures.<br />By applying recombination operators to these chromosomal data structures, genetic algorithms preserve the critical information stored within these structures. The inversion results showed that, for the employed model, genetic algorithms and the ordinary least squares method with combined-mode data provided the conductivity of the layers with errors of less than 4% and 5%, respectively. In the inversion using both the ordinary least squares method and genetic algorithms, the parameters estimated using combined-mode data exhibited the lowest root mean square error (RMSE) compared to the other two modes, while the horizontal mode had the highest error. Therefore, for this problem, the genetic algorithm was identified as a more robust and accurate method compared to ordinary least squares, and the combined-mode data proved to be more suitable than the other two modes. The data resolution matrix and the model resolution matrix were both identity matrices, indicating the uniqueness of the data and the model parameters. Moreover, the model covariance matrix revealed that noise in the data was strongly mapped, particularly onto the second parameter of the model. تخمین پارامترهای الکترومغناطیسی سطح زیرین زمین برای تعیین ویژگی‌های خاک مانند محتوای رس یا متغیرهای هیدرولوژیکی و در حوزه کشاورزی برای مدیریت منابع آب، بسیار مورد توجه هستند. در این راستا چندین روش ژئوفیزیکی، از جمله الکترومغناطیسی (EM) برای اندازه‌گیری رسانندگی لایه‌های زیر سطحی توسعه یافته است. در این مطالعه رسانندگی لایه‌های افقی زمین، در عمق قابل کاوش دستگاه EM-38 با استفاده از داده‌های الکترومغناطیسی در محدوده عدد القای پایین برای مدل مصنوعی به‌دست می‌آید. داده‌های دستگاه EM-38 بسته به جهت‌گیری دوقطبی‌های پیچه‌های فرستنده و گیرنده در سه مد افقی، قائم و ترکیبی از داده‌های دو مد مذکور در پیچه گیرنده قابل دریافت هستند. در این تحقیق، با استفاده از هر سه دسته داده و کاربست دو روش کمترین‌ مربعات معمولی و الگوریتم ژنتیک، پارامترهای رسانندگی زمین مدل محاسبه و نتایج جهت تعیین توانایی هر یک از سه مد پیچه‌ها و دو روش به‌کار رفته در دقت پارامترهای به‌دست‌آمده مقایسه می‌شوند. نتایج تحقیق نشان داد برای مدل به‌کار رفته، استفاده از الگوریتم ژنتیک و روش کمترین‌مربعات معمولی با داده‌های مد ترکیبی، رسانندگی لایه‌ها به‌ترتیب با خطای کمتر از 4 و 5 درصد به‌دست می‌آورد. مسئله تخمین رسانندگی در این حوزه، یک مسئله وارون خطی بدوضع است. لذا از منظم‌سازی مرتبه صفر، اول و دوم تیخونوف برای تخمین پارامترها با داده‌های هر سه مد نیز استفاده و نشان داده می‌شود که منظم‌سازی در این مسئله کمکی به بهبود کیفیت پارامترها نمی‌کند و اساساً منجر به بازتولید مدل اصلی نمی‌شود. https://jesphys.ut.ac.ir/article_101743_31cfd4601ffa51cae56d72e319e86940.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Total Water Storage Changes in Iran's Main Basins According to the GRACE Gravimetry Mission تغییرات ذخایر کلی آب در حوزه‌های آبریز اصلی ایران بر اساس داده‌های ثقل‌سنجی گریس 309 324 102942 10.22059/jesphys.2025.389004.1007663 FA امیررضا مرادی گروه مهندسی نقشه برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران. Journal Article 2025 02 23 The GRACE gravimetry mission included two satellites measuring Earth's gravity field changes from 2002 to 2017. These changes are primarily due to variations in groundwater and surface water storage. Due to its high accuracy and extensive coverage, GRACE data enables more precise and comprehensive monitoring of water resources compared to classical hydrological monitoring methods. This mission has continued with the post-GRACE mission since 2018. The GRACE mission data has provided a 15-year snapshot of total water storage changes on global and regional scales. This long-term dataset is invaluable for understanding the dynamics of water resources, especially in regions experiencing significant water stress. The mission's data have been extensively used in research and policy-making to better manage water resources and address issues related to droughts, floods, and other water-related challenges. This study presents a comprehensive summary of these changes across the major watershed basins of Iran, including the Caspian Basin, Eastern Border Basin, Qareh Qum Basin, Central Plateau, Persian Gulf and Oman Sea Basin, and the Urmia Lake Basin, from May 2002 to September 2017. Utilizing conventional signal processing techniques, such as the Mann-Kendall test, least squares trend analysis, autocorrelation analysis, and discrete and continuous wavelet transforms, this research seeks to address the following questions: From the perspective of the GRACE mission, what patterns do long-term, short-term, and periodic trends and changes in total water storage exhibit across Iran’s main basins, and how can these be liked to climatic and management parameters?<br />The extracted linear and nonlinear trends from the time series confirm the reduction of total water storage in all main basins of Iran and the alarming water stresses in these areas. According to the results, mean annual reductions in total water storage of 19, 4, 5, 9, 9, and 13 millimeters were observed in the Caspian Sea, Eastern Border, Qara Qum, Central Plateau, Persian Gulf and Oman Sea, and Lake Urmia basins, respectively. Alongside the intensity and variability of components derived from wavelet transforms, these findings demonstrate that climate change and water resource management have significantly impacted water storage trends across Iran’s main basins. The annual components of water storage changes in the basins are recognized as the most important part extracted from the time series of water resource changes in these regions. These components reveal noticeable variation in the intensity of the annual component in drier basins, indicating the significant impact of seasonal variation on water availability. Although in many basins, the occurrence and persistence of droughts after 2007 have led to changes in water storage, the non-weakening of the annual component in most studied areas indicates the significant impact of poor water resource management, in addition to drought, in the basins.<br />In conclusion, the GRACE mission data has provided valuable insights into the changes in total water storage in Iran's main basins. The results highlight the importance of effective water resource management and the need for appropriate strategies to tackle the issues posed by climate change and water scarcity. The continuation of the mission through GRACE-FO ensures that we can continue to monitor and understand these vital changes, enabling more informed decision-making for sustainable water resource management. مأموریت ثقل سنجی گریس تغییرات میدان ثقل زمین را که به‌طور عمده ناشی از دگرگونی‌های ذخایر آبی زمین هستند از سال 2002 تا 2017 اندازه‌گیری و تصویری 15 ساله از تغییرات ذخایر کلی آب در مقیاس‌های جهانی و منطقه‌ای ارائه داده است. داده‌های گریس به‌دلیل دقت بالا و پوشش گسترده، امکان پایش دقیق‌تر و جامع‌تر منابع آب را در مقایسه با روش‌های سنتی پایش هیدرولوژیک فراهم می‌کنند. این مأموریت از سال 2018 با مأموریت پساگریس ادامه یافت. این تحقیق یک جمع‌بندی از این تغییرات را در گستره حوزه‌های آبریز اصلی ایران، در بازه فعالیت گریس و مبتنی‌بر تکنیک‌های متداول پردازش سیگنال، به‌ویژه آزمون من-کندال، روندیابی کمترین مربعات‌، تحلیل خودهمبستگی و تبدیلات موجک ارائه می‌دهد تا بدین پرسش پاسخ دهد که از منظر مأموریت گریس، روندها و تغییرات بلندمدت و کوتاه‌مدت و تناوبی ذخایر کلی آب در حوزه‌های آبریز اصلی ایران یعنی حوزه‌های خزر، مرزی شرق، قره‌‌قوم، فلات مرکزی، خلیج‌فارس و دریای عمان و دریاچه ارومیه چه الگویی را نشان می‌دهند و چگونه می‌توان آنها را به عوامل اقلیمی و مدیریتی منتسب کرد؟ کاهش سالیانه، معادل 19، 4، 5، 9، 9 و 13 میلی‌متر از ذخایر کلی آب به‌ترتیب در حوزه‌های خزر، مرزی شرق، قره‌‌قوم، فلات‌مرکزی، خلیج‌فارس و دریاچه ارومیه، به روایت مأموریت گریس، در کنار شدت و ضعف مؤلفه‌های مختلف منبعث از تبدیل موجک، نشان می‌دهدکه تغییرات اقلیمی و مدیریت منابع آب تأثیر قابل‌توجهی بر ذخایر آب در حوزه‌های آبریز ایران داشته‌اند؛ اگرچه روندها و رفتار مؤلفه‌ها در همه حوزه‌ها یکسان نبوده‌اند. https://jesphys.ut.ac.ir/article_102942_706f2da0b81bb162e3960c84b7404452.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Full Waveform Inversion Using a Physics-based Recurrent Neural Network وارون‌سازی شکل موج کامل با استفاده از یک شبکه عصبی بازگشتی مبتنی ‌بر فیزیک مسئله 325 338 101742 10.22059/jesphys.2025.390086.1007668 FA مهدی سعادت گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. حسین هاشمی گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. مجید نبی بیدهندی گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. Journal Article 2025 02 08 Full-waveform inversion (FWI) is an advanced technique used to estimate the elastic properties of subsurface environment based on the seismic data. This method incorporates all available information from the amplitude, phase, and frequency of seismic waves, also referred to as the full-waveform. By considering the full waveform, FWI reconstructs the high-resolution models, which play a significant role in seismic imaging and are crucial for accurate subsurface characterization. However, achieving such high-resolution models comes with its own set of challenges, including the need for extensive computational power, long processing times, high dependency to the initial model, and stability and non-uniqueness problems which can sometimes limit the accuracy of the inversion process.<br />Considering the area of machine learning (ML) and deep learning (DL) which have been revolutionized in the recent years, researchers have increasingly concentrated on these methods to improve the efficiency and accuracy of FWI. Wavefield simulation in time domain is intrinsically recursive, so that wavefield in a certain point on time axis depends on the past history of the propagation. Considering this specification, we propose a deep recurrent neural network (RNN) block, corresponding to wave equation which can be used for forward modeling. In this approach, the velocity model of the medium is proportional to a learnable weight matrix in one of the deep network layers. The proposed method operates in an iterative scheme in which the deep learning block is used to predict seismic data. The difference between the predicted data and the observed seismic data is then computed at each iteration, and the gradient of the loss function with respect to the learnable parameters is calculated. This gradient is then used to update the model, effectively refining the velocity model to better match the observed seismic data. This process continues until the model converges to a solution that best fits the observations. One of the most important advantages of the proposed method is to increase the calculation speed. By leveraging the parallel computing capabilities of Graphics Processing Units (GPUs) and by mapping different seismic sources onto the mini-batch property of the deep recurrent neural network, the computation time is decreased by a factor hundreds of times.<br />The proposed algorithm was applied to the Marmousi model, both for synthetic data simulation and for full-waveform inversion. The results showed that the method was capable of accurately reconstructing the subsurface velocity model. The algorithm was assessed using quantitative metrics including L1 norm, L2 norm, Peak signal to noise Ratio (PSNR), and Structural Similarity Index Measure (SSIM), demonstrating a high degree of accuracy in model reconstruction. Conventional optimization methods which are commonly used in training of deep learning methods including Stochastic Gradient Descent Method (SGDM), RMSProp, and Adaptive Momentum (ADAM), were also applied to this problem. Among them, ADAM showed the best performance in terms of fitting the model to the observed data and its power in searching the model space. This optimization technique helped ensure that the inversion process converged more quickly and accurately. So that, SSIM between reconstructed and true models increased from 0.73 for Gradient Descent method (which is conventional optimization algorithm in FWI) to 0.77 for ADAM. وارون‌سازی شکل موج کامل روشی برای تخمین خواص الاستیک محیط است که همه اطلاعات موجود در داده‌های لرزه‌ای، شامل اطلاعات دامنه، فاز و فرکانس، را برای تخمین مدل‌هایی با قدرت تفکیک بالا به‌کار می‌گیرد. این روش در تصویرسازی صحیح لرزه‌ای اهمیت ویژه‌ای دارد، اما با چالش‌هایی چون نیاز به زمان و توان محاسباتی بالا و وابستگی به مدل اولیه مواجه است. پژوهشگران متعددی سعی در استفاده از روش‌های یادگیری عمیق برای غلبه بر چالش‌‌های مسئله وارون‌سازی شکل موج کامل داشته‌اند. این مقاله نیز یک بلوک یادگیری عمیق بازگشتی مبتنی‌بر معادله موج ارائه می‌دهد که سرعت محیط با ماتریس وزنی یکی از لایه‌های آن، مرتبط است. در فرایندی تکراری، از این بلوک برای پیش‌بینی داده‌ لرزه‌ای استفاده می‌شود و سپس با مقایسه با داده مشاهده‌ای، تابع خطاو گرادیان آن محاسبه و وزن‌های شبکه، شامل مدل سرعتی، به‌روزرسانی می‌شود. مزیت این روش، سرعت بالای محاسبات است، چراکه استفاده همزمان از واحد پردازش گرافیکی و شبیه‌سازی دسته‌ای و موازی چشمه‌های مختلف موجب تسریع چند صد برابری فرایند می‌شود. الگوریتم پیشنهادی بر مدل مارموزی برای شبیه‌سازی داده‌های مصنوعی و وارون‌سازی شکل موج کامل اعمال شد. همچنین، روش‌های بهینه‌سازی مرسوم در یادگیری عمیق مورد ارزیابی قرار گرفتند که از این بین روش مومنتوم انطباقی بهترین عملکرد را از خود نشان داد، به‌طوری‌که شاخص شباهت ساختاری مابین مدل صحیح و مدل باز‌سازی‌شده، از 73/0 برای روش سریع‌ترین شیب، که روش متداول بهینه‌سازی در مسئله وارون‌سازی شکل موج است، به 77/0 برای روش مومنتوم انطباقی افزایش یافته است. https://jesphys.ut.ac.ir/article_101742_e27b4d329a39e6ce076ff4fa4dc6fde2.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Evaluation of seismic migration process before volcanic eruption using modified SARA method ارزیابی روند مهاجرت لرزه‌ای قبل از فوران آتشفشان با استفاده از روش اصلاح‌شده SARA 339 352 102930 10.22059/jesphys.2025.390333.1007669 FA غزاله رسانه گروه فیزیک، واحد فلاورجان، دانشگاه آزاد اسلامی، اصفهان، ایران. علیرضا حاجیان گروه فیزیک، واحد نجف آباد، دانشگاه آزاد اسلامی، اصفهان، ایران. مریم هدهدی گروه فیزیک، واحد نجف آباد، دانشگاه آزاد اسلامی، اصفهان، ایران. روح الله کیمیایی فر گروه فیزیک، واحد نجف آباد، دانشگاه آزاد اسلامی، اصفهان، ایران. Journal Article 2025 02 24 Volcanic eruptions represent significant natural hazards, posing considerable risks to both the environment and human populations. Accurate prediction of these events remains a complex challenge due to the inherent intricacies of volcanic systems and the uncertainties inherent in their monitoring data. Traditional methods for analyzing seismic activity often necessitate the identification of seismic phases, a process that can be both time-intensive and subject to interpretation errors.<br />This study presents an advanced approach to the seismic monitoring utilizing Seismic Amplitude Ratio Analysis (SARA), a technique designed to infer seismic activity patterns through the examination of amplitude variations in continuous seismic data recorded across a network of stations. SARA obviates the requirement for phase identification, thereby enhancing the efficiency of volcanic activity monitoring. However, a primary limitation of SARA lies in its reliance on visual and qualitative assessment for determining the onset time and trends of amplitude ratio changes, potentially compromising precision, particularly in cases of subtle variations or low signal-to-noise ratios. To mitigate the effects of these limitations, an enhanced methodology termed Automatic Seismic Amplitude Ratio Analysis (ASARA) has been introduced. This approach leverages a time series of amplitude ratios from all station pairs and incorporates Seasonal Trend Decomposition using Loess (STL) to establish an automated anomaly detection system. ASARA offers the capability to automatically identify the onset time of changes in seismic amplitude ratios and the frequency of these anomalies, thus providing a more robust and quantitative analytical framework. A sudden increase in seismic amplitude ratios across multiple stations suggests a shift in the location of the seismic source and the migratory behavior of seismicity, which can serve as a precursor to volcanic eruptions. This method was applied to seismic data acquired from Mount Etna over a five-year period. Through the analysis of observed anomalies in amplitude ratios, the patterns of seismic activity were successfully identified and the magma migration pathway leading up to an eruption was traced. Findings indicate that an increase in seismic amplitude ratios at specific frequencies is strongly correlated with the movement of magma and the increase in pressure within the volcanic system. These changes were interpreted as evidence of seismic migration toward the surface, indicative of impending volcanic activity. Furthermore, our analyses demonstrate that the refined ASARA method exhibits a high degree of effectiveness in detecting early warning signs of volcanic unrest and forecasting the potential timing of eruptions. This study underscores the potential of ASARA as a valuable tool for enhancing the accuracy and reliability of volcanic eruption forecasts. By automating the detection of seismic anomalies and providing quantitative insights into magma dynamics, ASARA represents a significant advancement in volcanic monitoring and hazard mitigation efforts.<br />The evaluation results using error metrics including mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R2) show that the accuracy of the modified model is improved compared to the original model. Finally, a modified model was introduced to evaluate the pre-eruption seismic migration process for continuous monitoring and surveillance of volcanoes. Considering its advantages and results, this model can serve as a suitable alternative approach, especially in volcanic environments with sparse seismic station distribution, where conventional monitoring infrastructure is limited (Rasaneh et al., 2022). فوران‌های آتشفشانی یکی از پدیده‌های طبیعی و خطرناک هستند. پیش‌بینی این فوران‌ها، به‌دلیل پیچیدگی‌های ذاتی فعالیت‌ آنها و نیز عدم‌قطعیت‌ موجود در داده‌ها، چالش‌برانگیز است. اگرچه با استفاده از روش تحلیل نسبت دامنه امواج لرزه‌ای می‌توان روند مهاجرت ماگما را با استناد به تحلیل پیوسته داده‌های ثبت شده در ایستگاه‌های مختلف شبکه، تشخیص داد، ولی همچنان تشخیص بصری و کیفی زمان شروع ناهنجاری‌ها، یکی از محدودیت‌های این روش می‌باشد. در این مطالعه با استفاده از الگوریتم تشخیص زمان شروع ناهنجاری بر مبنای تحلیل تجزیه روند فصلی، روش تعمیم‌یافته‌ای معرفی شده است که این الگوریتم خودکار می‌تواند زمان شروع تغییرات در نسبت دامنه‌های لرزه‌ای و همچنین فراوانی این ناهنجاری‌ها را به‌عنوان پیش‌نشانگری برای وقوع فوران تعیین کند. در این تحقیق، روش اصلاح‌شده بر روی داده‌های لرزه‌ای آتشفشان اتنا در یک بازه‌زمانی 5ساله، آزمایش شد و الگوی فعالیت‌های لرزه‌ای قبل از وقوع فوران‌ها با موفقیت شناسایی شد. نتایج ارزیابی نشان می‌دهد که عملکرد مدل اصلاح‌شده بر اساس معیارهای خطای میانگین مربعات، جذر میانگین مربعات، میانگین قدرمطلق خطا، نسبت به مدل اولیه بهبود یافته است و افزایش 30 درصدی در ضریب تشخیص R² نیز نشانه قدرت برازش بالای مدل معرفی‌شده می‌باشد. با توجه به سرعت و کارایی این روش و عدم‌نیاز آن به ابزارهای پیچیده، می‌تواند جایگزین مناسبی برای روش‌های سنتی باشد. https://jesphys.ut.ac.ir/article_102930_c415d491d55d036c3832f43ae9875853.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 High-order finite difference methods on the cubed sphere: Application to passive scalar advection روش‌های تفاضل متناهی مرتبه‌بالا بر روی شبکه مکعب‌کره: کاربست به فرارفت کمیت نرده‌ای غیرفعال 353 375 101773 10.22059/jesphys.2025.382692.1007629 FA الیاد باقرزادگان گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. علیرضا محب الحجه گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. سرمد قادر گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. Journal Article 2024 09 23 The present work is part of our ongoing effort to make use of the cubed sphere for global atmospheric modeling applications. To this end, high-order numerical solutions of advection equation on the gnomonic cubed sphere grid are presented. Arbitrary-order one-dimensional interpolation based on spherical distance of the grid points have been used at the halo regions to bind the faces of the cubed sphere together. Although, the implementation of the model in this work is such that it makes using finite difference operators of various types and orders straightforward, we only discuss the results of 2nd-, 4th-, and 6th-order centered explicit operators. For time integration, the classical 4th-order Runge-Kutta method and the leapfrog method with a first-degree polynomial regression time filter with 2nd-order accuracy have been used. These methods have been compared by solving the advection equation using solid body rotations of  and  cosine bells. The long-range variant of this test is used to analyze the stability of the schemes. The methods and test cases have been chosen in such a way that facilitates the assessment of different components of the numerical scheme and factors affecting their accuracy.<br />Results of the advection test cases, demonstrate that although low differentiability class of the advected field or low order of accuracy of the time integration scheme, could limit the actual order of accuracy of the solution, conservation properties of the model could, nevertheless, be improved significantly by the use of high-order finite difference operators. All of the methods used in this work need some scale-selective artificial dissipation for stability which has been supplied in the form of high-order explicit filters. Single-parameter fractional filters (i.e. filters that remove only a fraction of the shortest waves) are used in the long-range integrations to determine the required amount of artificial dissipation for each method.<br />Results demonstrate that lower-order methods and lower resolutions require more artificial dissipation for stability. Since there is no systematic cascade of variance to smaller scales in the solid body rotation test-case, application of filter does not reduce the order of accuracy of the normalized variance. Also, the minimum required dissipation which has been calculated here might not be sufficient in cases where there is such a cascade. Time traces of 2-norm of error display a linear increase with time with no jumps or transient increases. Although such transient increases are present in time traces of normalized mean and variance, which might signify grid imprinting, this does not pose a problem since these non-conservation errors converge with or faster than the expected order. On the whole, the results demonstrate the superiority of the high-order methods in terms of accuracy and performance. In long-range integrations, high-order methods exhibit convergence of errors at low resolutions even after 100 revolutions of the cosine bells. در کار حاضر، پیاده‌سازی شبکه مکعب‌کره مرکزی و حل تفاضل متناهی مرتبه‌بالای معادله فرارفت بر روی آن ارائه شده‌اند. اگرچه این پیاده‌سازی به‌گونه‌ای است که به‌کارگیری عملگرهای تفاضل متناهی از نوع و مرتبه‌های مختلف را ممکن می‌کند، در این کار، صرفاً به مقایسه روش‌های تفاضل متناهی صریح مرکزی مرتبه ۲، ۴ و ۶ بسنده شده است. انتگرال‌گیری زمانی به دو روش رونگه-کوتای کلاسیک مرتبه ۴ و لیپفراگ با پالایه زمانی وایازش چندجمله‌ای درجه یک با مرتبه دقت ۲ انجام شده است. این روش‌ها در معادله فرارفت با استفاده از آزمون گردش جسم صلب زنگوله‌های کسینوسی با رده‌های مشتق‌پذیری  و  مورد مقایسه قرار گرفته‌اند. روش‌های مکانی، زمانی و آزمون‌های موردی به‌گونه‌ای انتخاب شده‌اند که امکان بررسی عملکرد اجزای مختلف روش عددی و عوامل مؤثر بر دقت آنها تسهیل شود. نتایج آزمون‌ها نشان می‌دهد که اگرچه رده مشتق‌پذیری پایین یا مرتبه پایین روش انتگرال‌گیری زمانی می‌توانند مرتبه دقت دست‌یافتنی را محدود کنند، بااین‌حال به‌کارگیری عملگرهای تفاضل متناهی مرتبه‌بالا می‌تواند خواص پایستاری مدل را به‌طور قابل‌توجهی بهبود دهد. تمامی روش‌های به‌کاررفته در اینجا برای پایداری نیاز به مقداری میرایی مصنوعی مقیاس‌گزین دارند که در این‌کار به‌وسیله پالایه‌های فضایی تأمین می‌شود. نتایج آزمون بلندمدت نشان می‌دهد که روش‌های مرتبه‌بالا‌تر و تفکیک‌های بالاتر به میرایی مصنوعی کمتری برای پایداری محاسباتی نیاز دارند. https://jesphys.ut.ac.ir/article_101773_2aab9c28e4cc0d04756c5bad235d2659.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Evaluation of Tropospheric Delay Interpolation Methods from Scattered GPS Station Observations ارزیابی روش‌های درون‌یابی تأخیر وردسپهری حاصل از مشاهدات ایستگاه‌های پراکنده سامانه تعیین موقعیت جهانی 377 392 101824 10.22059/jesphys.2025.385101.1007641 FA آیدا افشاری هرزویلی گروه ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین‌طوسی، تهران، ایران. یزدان عامریان گروه ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین‌طوسی، تهران، ایران. Journal Article 2024 11 18 This study comprehensively evaluates the effectiveness of five interpolation methods, Kriging, Support Vector Machine (SVM), Random Forest (RF), Natural Neighbor (NN), and Artificial Neural Network (ANN), in estimating Precipitable Water Vapor (PWV) based on GPS data collected from 25 strategically located stations across the diverse geographic region of Los Angeles. The predictors utilized in this study include critical factors such as latitude, longitude, elevation, and tropospheric delay components derived from high-precision GPS observations. The analysis primarily focuses on two representative dates, July 24, 2021 (summer), and January 28, 2022 (winter), specifically chosen for their contrasting meteorological conditions. These dates enable a detailed evaluation of seasonal variability in PWV distribution and provide an opportunity to test the robustness of the selected methods under varying atmospheric conditions.<br />Tropospheric delay, a key parameter in GNSS-based atmospheric studies, was computed by separating it into its hydrostatic (Zenith Hydrostatic Delay: ZHD) and wet (Zenith Wet Delay: ZWD) components. ZHD was accurately calculated using the well-established Saastamoinen model, which relies on meteorological variables such as surface pressure and station altitude. ZWD was subsequently derived as the difference between ZHD and the Zenith Total Delay (ZTD). The final PWV values were estimated by applying a region-specific coefficient that depends on the weighted mean temperature (T_m). This critical parameter, T_m, was determined using ERA-5 reanalysis data to ensure precise calculations.<br />The results demonstrate that SVM emerged as the most effective interpolation method, achieving the lowest Root Mean Square Error (RMSE) of 0.6 mm in winter and exhibiting remarkable robustness across diverse spatial and temporal conditions. Kriging, another reliable method, provided accurate results in regions with dense station coverage but encountered difficulties in sparsely populated areas. RF and NN exhibited better performance in winter conditions, benefiting from the reduced atmospheric noise and more stable meteorological conditions during this season. Conversely, ANN, while theoretically capable of modeling complex relationships, was limited in this study by suboptimal network configurations and sensitivity to sparse data distribution. This underscores the importance of careful architectural design and parameter tuning to unlock its full potential.<br />Seasonal differences in PWV distribution were clearly depicted in the high-resolution maps generated for the selected dates. During summer, PWV values exhibited significant diurnal fluctuations, with peaks in coastal regions during the afternoon due to elevated temperatures and humidity levels. In contrast, the winter maps displayed more stable distributions with lower peak values, reflecting cooler temperatures and reduced atmospheric moisture. These observations highlight the challenges posed by the dynamic summer conditions while emphasizing the critical role of meteorological parameters such as temperature, pressure, and humidity in influencing PWV estimation accuracy.<br />This study underscores the necessity of selecting appropriate interpolation methods tailored to specific conditions for accurate PWV estimation. SVM demonstrated exceptional capability in handling nonlinear relationships and scattered datasets, making it the most reliable method in this study. Furthermore, while ANN showed room for improvement, its performance could be significantly enhanced with better configurations and deeper architectures specifically tailored for atmospheric complexities. These findings provide valuable insights into GNSS-based atmospheric research and contribute to the advancement of meteorological modeling, weather forecasting, and climate science. این مطالعه به بررسی روش‌های درون‌یابی مقدار بخار آب قابل‌بارش PWV (Precipitable Water Vapor) با استفاده از داده‌های ایستگاه‌های GPS (Global Positioning System) پراکنده در منطقه لس‌آنجلس می‌پردازد. منطقه موردمطالعه به‌دلیل تنوع جغرافیایی و اقلیمی، <br />شامل مناطق ساحلی، کوهستانی و دشت‌ها، و همچنین تغییرات فصلی، برای ارزیابی روش‌های مختلف انتخاب شده است. روش‌های مختلف <br />درون‌یابی مورد بررسی، شامل عیارسنجی (Kriging)، ماشین بردار پشتیبان SVM (Support Vector Machine)، جنگل تصادفیRF  (Random Forest)، همسایگی طبیعی NN (Natural Neighbor) و شبکه عصبی مصنوعی ANN (Artificial Neural Network)، بودند. ابتدا تأخیر تروپسفری محاسبه و تأثیر پارامترهای هواشناسی مانند دمای سطح (Surface Temperature)، فشار سطح (Surface Pressure) و میانگین وزنی دما (Weighted Mean Temperature) بر PWV بررسی شد. نتایج نشان داد که مدل SVM به‌دلیل توانایی بالا در مدل‌سازی روابط غیرخطی، بهترین عملکرد را داشته و در مناطق کوهستانی دقت بیشتری ارائه داده است. همچنین، روش عیارسنجی نیز عملکرد مناسبی داشت، اما به‌دلیل فرض‌های ساده‌تر، ضعیف‌تر از SVM عمل کرد. جنگل تصادفی نیز به‌دلیل نیاز به داده‌های متراکم، نتایج مطلوبی ارائه نکرد. نتایج در تاریخ‌های 24 ژوئیه 2021 و 28 ژانویه 2022، با تحلیل‌های آماری تأیید شد. نقشه‌های توزیعPWV  جو نیز تهیه و تحلیل شدند که تغییرات زمانی و فضایی PWV را نشان دادند. این مطالعه به اهمیت انتخاب صحیح روش‌های درون‌یابی برای برآورد دقیقPWV  و کاربرد آنها در پیش‌بینی‌های جوی تأکید دارد. https://jesphys.ut.ac.ir/article_101824_ee027e68bf3ebbdf6244833b74a4ffa2.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Investigation of the Optical Properties of Atmospheric Aerosol Particles Using Handheld Sun-Photometer Data (CALITOO): A Case Study of Yazd City بررسی ویژگی‌های نوری ذرات معلق جوی با استفاده از داده‌های شیدسنج خورشیدی دستگاه کالیتو (مورد مطالعاتی شهر یزد) 393 407 101745 10.22059/jesphys.2025.385331.1007645 FA معصومه دهقان بهابادی گروه اتمی و ملکولی، دانشکده فیزیک، دانشگاه یزد، یزد، ایران. محمد جغتایی گروه اتمی و ملکولی، دانشکده فیزیک، دانشگاه یزد، یزد، ایران. علی بیات گروه فیزیک، دانشگاه زنجان، زنجان، ایران. Journal Article 2024 11 17 This study examines the optical and physical properties of aerosols in Yazd, Iran, under three distinct atmospheric conditions, clear, dusty, and urban-industrial pollution, using data from the CALITOO handheld sun photometer and MODIS satellite observations. The main metrics analyzed were Aerosol Optical Depth (AOD) and the Ångström Exponent (AE). Aerosol optical depth (AOD) is a measure of the amount of particles present in the vertical column of the Earth's atmosphere. Ångstrom exponent (AE) is a qualitative measure of the dimensions of the dominant aerosols. The research focused on February 15 (clear day), March 25 (dusty day), and November 23, 2021 (urban-industrial pollution day), with data collected at wavelengths of 465, 540, and 619 nm.<br />On the clear day of February 15, AOD values were low, ranging between 0.03 and 0.05, signifying minimal aerosol concentration and indicating a clean atmosphere dominated by fine particles. The corresponding AE was high at 1.60, supporting the presence of smaller particles. Visibility on this day exceeded 10 km, reflecting the low aerosol load. The concentrations of particulate matter (PM₁₀ and PM_2.5) were recorded at 10 and 6 µg/m³, respectively, well below the permissible limits, confirming the air quality.<br />In contrast, March 25, a dusty day, exhibited a substantial increase in AOD, with values ranging from 0.56 to 0.57, indicating a dense presence of coarse particles, predominantly dust. The AE for this day was approximately 0.10, which aligns with the dominance of larger particles typically associated with dust events. Visibility was notably reduced to below 5 km, corresponding to the high particle concentration and significant light scattering. On this day, PM₁₀ and PM_2.5 concentrations were 324 and 67 µg/m³, respectively, exceeding acceptable thresholds and highlighting the severe dust pollution event, affecting air quality. MODIS satellite data for this day showed an AOD close to 0.54, aligning well with ground-based CALITOO measurements, demonstrating the strong agreement between satellite and in-situ observations.<br />The urban-industrial pollution day on November 23 showed moderate AOD values between 0.30 and 0.32. The AE was 1.30, indicating a mixture of fine and medium-sized particles, typical of industrial emissions. Visibility remained below 5 km, pointing to significant airborne pollutants that restricted clarity. The particulate matter concentration for PM₁₀ was recorded at 66 µg/m³, and for PM_2.5at 58 µg/m³. The concentration of PM₁₀ was below the permissible limit, while the concentration of PM_2.5exceeded the limit, aligning with the remote sensing results.<br />Validation through MODIS satellite observations confirmed the ground-based CALITOO data's reliability, with close AOD correlations noted on March 25. The HYSPLIT model identified the Arabian Peninsula as the dust source for March 25, highlighting regional transport's impact on local air quality. Such findings underscore the importance of combining ground-based and satellite data for comprehensive aerosol analysis, aiding in accurate assessments of air quality and supporting informed environmental management.<br />In summary, clear days showed low AOD and high AE values, indicating fine particles and good visibility. Dusty conditions featured high AOD and low AE, reflecting the presence of coarse particles and reduced visibility. Urban-industrial pollution days had moderate AOD and higher AE, pointing to a mix of smaller particles from human-made sources. The inclusion of particulate matter concentrations (PM₁₀ and PM_2.5) provided additional evidence of air quality variations, confirming severe pollution levels on dusty and industrial polluted days. The consistency between CALITOO and MODIS data, complemented by HYSPLIT modeling, demonstrated the effectiveness of integrated remote sensing approaches in understanding aerosol concentration behavior and guiding air quality management strategies. عمق نوری هواویزها و نمای آنگستروم از ویژگی‌های مهم نوری و فیزیکی هواویزها هستند که اطلاعات مهمی درباره میزان و ابعاد ذرات به ما می‌دهند. در این پژوهش، با استفاده از داده‌های سطح 5/1 شیدسنج خورشیدی دستی کالیتو در سه طول موج (465، 540 و 619 نانومتر)، سه روز با وضعیت جوی متفاوت بررسی شدند: یک روز با هوای صاف (15 فوریه 2021)، یک روز گردوغباری (25 مارس 2021) و یک روز با آلودگی شهری-صنعتی (23 نوامبر 2021). میانگین عمق نوری هواویزها برای این سه روز به‌ترتیب در طول‌موج قرمز 03/0، 56/0 و 32/0، در طول‌موج سبز 05/0، 57/0 و 30/0 و در طول‌موج آبی 05/0، 57/0 و 32/0 ثبت شد. میانگین نمای آنگستروم برای 15 فوریه 60/1 (ذرات غالب جو از نوع بسیار ریزدانه)، برای 25 مارس 10/0 (درشت‌دانه) و برای 23 نوامبر 30/1 (ریزدانه) تعیین شد که با دید افقی ایستگاه هواشناسی تطابق خوبی داشت. داده‌های سنجنده مودیسِ ماهواره آکوا نشان داد که مقدار عمق نوری هواویزها در روزهای 15 فوریه، 25 مارس و 23 نوامبر به‌ترتیب 13/0، 54/0 و 30/0 بوده که همخوانی بالایی با داده‌های شیدسنج کالیتو داشت. همچنین، مقدار نمای آنگستروم در 15 فوریه و 23 نوامبر بالاتر از 1 و در 25 مارس نزدیک به صفر بود که تأییدکننده حضور ذرات ریزدانه در دو روز نخست و ذرات درشت‌دانه در روز گردوغباری است. علاوه‌بر این، نتایج مدل مسیریابی پسرو<strong> </strong>HYSPLIT<strong> </strong>برای جو یزد در روز گردوغباری 25 مارس 2021 نشان داد که گردوغبار از شبه‌جزیره عربستان به منطقه یزد منتقل شده است. https://jesphys.ut.ac.ir/article_101745_5eadb08c589bdbb9f2ed4a95e971061c.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 The spatial distribution of summer heat wave characteristics in Tehran Province from 1981 to 2020 توزیع مکانی ویژگی‌های موج‌های گرمایی تابستانی در استان تهران طی 2020-1981 409 429 102932 10.22059/jesphys.2025.389443.1007665 FA منصوره کوهی پژوهشکده اقلیم شناسی و تغییر اقلیم، پژوهشگاه هواشناسی و علوم جو، مشهد، ایران. ابراهیم اسعدی اسکویی پژوهشکده اقلیم شناسی و تغییر اقلیم، پژوهشگاه هواشناسی و علوم جو، مشهد، ایران. 0000-0002-5603-765X مهدی رهنما پژوهشگاه هواشناسی و علوم جو، تهران، ایران. فاطمه عباسی پژوهشکده اقلیم شناسی و تغییر اقلیم، پژوهشگاه هواشناسی و علوم جو، مشهد، ایران. Journal Article 2025 02 06 Temperature has undeniable effects on human activities and natural processes. In particular, an increase in temperature in the form of heatwaves affects all aspects of human life, including architecture, comfort, transportation, agriculture, and industry. Recently, both the frequency and intensity of heatwaves have increased globally, making them a major cause of weather-related deaths in many countries. The characteristics and intensity of heatwaves vary across locations. A heatwave is typically defined as positive fluctuations or peaks above the average daily maximum temperature that persist for several days or even weeks in specific geographical areas.<br />Several studies have analyzed long-term extreme warm events in Tehran Province, mostly at weather stations. However, no studies have focused on assessing the different aspects of heatwaves (HWs) using percentile indices (EHF, TX90, and TN90) as well as interpreting their climatological and spatiotemporal variations. Therefore, this study aims to (i) assess the decadal changes in the different HW aspects over Tehran Province during the last four decades, from 1981 to 2020, and (ii) interpret the spatiotemporal patterns and anomalies in the different HW aspects over the study area. The daily minimum and maximum temperatures (°C) from the ERA5-Land dataset have been used to calculate the aspects of heatwaves over Tehran province (Muñoz-Sabater et al., 2021).<br />Heat waves can be calculated based on three definitions (indices). These definitions are 1- based on the 90th percentile of TN (daily minimum temperature), which is called Tn90 heatwaves; 2- the 90th percentile of TX (daily maximum temperature), which is called Tx90 heatwaves; and 3- EHF, which are heatwaves calculated based on the Excess Heat Factor EHF. The number of heatwaves is calculated for the summer season (May to September). On days (at least three consecutive days) when one of the following conditions is observed, the heat wave has occurred: TN greater than the 90th percentile of the minimum temperature (TN90), TX greater than the 90th percentile of maximum temperature (TX90), the positivity of EHF (EHF). EHF is calculated daily and is a combination of two Excess Heat Indices (EHI) that indicate the potential for heat adaptation and the climatic significance of heat on a specific day.<br />In this study, the decadal trends, regional distribution, and anomalies in the heatwave aspects (HW) in Tehran Province over the past 40 years (1981-2020) were calculated. Across all indices, the decadal sum and standard deviation of the five HW characteristics in Tehran Province gradually increased from the first decade (1981–1990) to the highest values in the last decade (2011–2020). The results indicated that the decadal total number of summer heat waves based on the EHF index in the fourth decade (2011–2020) ranged from a maximum of 39 events to a minimum of 19 events across Tehran Province, whereas this characteristic in the first decade ranged between 8 and 16 events. In the last decade, 65.8%, 85.5%, and 44% of the province's area experienced 25-35 events according to the three indices EHF, TX90, and TN90, respectively. The magnitude and amplitude (highest recorded temperature during the most intense heat wave) have also increased in the later decades according to all three indices, reflecting hotter heat waves with increased duration and frequency. Using the EHF index, higher values were obtained for most characteristics (including HWN, HWD, and HWF) compared to the other two indices, indicating its greater sensitivity in detecting heat waves. The lowest values for HW characteristics were derived from the TN90 index. <br />The analysis of heatwave characteristics in Tehran Province over four decades (1981–2020) showed that not only the frequency but also the intensity, duration, and spatial extent of heatwaves have significantly increased over the four decades. A significant increase in the frequency and duration of heatwaves in the southern and southwestern regions of Tehran Province was observed in the recent decade (2011–2020). On the whole, ERA5-Land data, despite some limitations in high-altitude areas, are considered an effective tool for analyzing climatic trends and especially for assessing the spatiotemporal patterns of heatwaves on a regional scale, as mentioned in previous studies. Examining the spatial distribution, frequency, intensity, and duration of heatwaves and identifying the more vulnerable areas to these events is crucial for informing public health policies, agricultural planning, and crisis management strategies. The results of this study emphasize the need for special attention to the vulnerable areas of Tehran Province (the southern and southwestern regions) regarding heatwaves under global warming conditions. در این پژوهش، تغییرات دهه‌ای مکانی و زمانی ویژگی‌های موج‌های گرمایی تابستانی (Heat Waves) شامل تعداد، فراوانی، مدت، بزرگی و دامنه طی چهار دهه دوره 2020-1981 بر اساس سه نمایه آستانه‌ای عامل گرمای بیش از حد EHF (Excess Heat Factor)، صدک نودم دمای بیشینه TX (TX90) و صدک نودم دمای کمینه TN (TN90) بررسی شد. امواج گرمایی با استفاده از داده‌های دمای شبکه‌ای پایگاه داد بازتحلیل ERA5-Land (The fifth generation of European ReAnalysis) شناسایی شدند. نتایج نشان داد مجموع و انحراف معیار ده‌ساله پنج ویژگی HWs در استان تهران، از دهه اول تا بالاترین مقادیر در دهه آخر از نظر زمانی و از نظر مکانی با ناهنجاری مثبت بالاتر در نواحی جنوبی و جنوب غربی افزایش یافت. در دهه آخر به‌ترتیب ۸/۶۵، ۵/۸۵ و ۴۴ درصد از مساحت استان در هر سه نمایه EHF، TX90 و TN90 شاهد تعداد ۳۵-۲۵ رخداد بودند. شهرستان‌های پاکدشت، پیشوا، قرچک و ورامین طی دهه 1981-1990 نسبت به میانگین 40 ساله این نمایه، به‌ترتیب 8/17، 18 و 17 تعداد کمتر امواج گرمایی بر اساس نمایه‌های EHF، TN90 و TX90 تجربه کرده‌اند. در مقابل، برای دهه آخر، نمایه EHF با مقدار بیشینه 6/25 رخداد (8/20 برای TN90 و 24 رخداد برای TX90)، بیشترین تفاوت را با میانگین 40 ساله این ویژگی نشان داد. افزایش بزرگی و دامنه موج‌های گرمایی در دهه‌های پایانی، نشان‌دهنده داغ‌تر شدن موج‌های گرمایی در کنار افزایش مدت و فراوانی آنهاست. با توجه به روند افزایشی مشاهده شده، نیاز به برنامه‌ریزی شهری و کشاورزی برای سازگاری با این رخداد وجود دارد. https://jesphys.ut.ac.ir/article_102932_30c6d935300e753222175369505fc7f1.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Study of the variability of the monthly average chlorophyll a in the Caspian Sea in the period 2010-2022 based on some physical parameters بررسی تغییرپذیری میانگین ماهانه کلروفیل آ در دریای‌خزر در دوره 2022-2010 مبتنی بر برخی پارامترهای فیزیکی 431 451 103361 10.22059/jesphys.2025.391333.1007671 FA عباسعلی علی اکبری بیدختی گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. اصغر بهلولی گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. حامد عباس‌زاده آذر گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران. Journal Article 2025 03 03 Some of the algae bloom phenomena in marine environments are harmful and under increase due to climate change and marine degradation in most coastal areas of the world. Caspian Sea also is experiencing these phenomena, which can really harm this fragile ecosystem. In this paper, this phenomenon is studied for the Caspian Sea for the last decade. Data of sea surface color (as the concentration of chlorophyll), surface temperature, surface currents and surface winds data acquired from two sites, namely NASA and AVISO, including some data of surface color and temperature of MODIS satellite data have been used. Their spatial resolution is about half a degree and the time resolution is weekly for chlorophyll and sea surface temperature and surface currents data and monthly for wind data. Time series and spectra analyses were used to consider time and periodic variations of cholorophyll concenterations as well as surface currents in the midlle and southern Caspian Sea. Some Hovmöller diagrams for the concentrations of the cholorophyll and currents are used to consider the maps of changes for the whole period of study.<br />The results show that these phenomena occur often in the last months of summer and some time in winter. It occurs almost extensively every one to two year and mainly starting in the northern basin of the Caspian Sea. The upwelling due to wind, especially in the eastern coastal areas of the Caspian Sea seems to be very important in this event. The surface circulation can transport and redistribute the chlorophyll produced be the events of algae bloom. It also appears that the number of blooms has slightly decreased in recent decade but its intensity seems to have increased. This is particularly so for the events between 2015 and 2020, in which September 2017 and 2018 has experienced strong outbreak of algae blooms that have spread into the southern Caspian Sea as well. In some cases, as in September 2017, it might have reached the southern coast of the Caspian Sea that could have harmed the coastal facilities and fisheries. These are well shown on the Hovmöller diagrams for chlorophyll concentrations and surface currents for the whole period of study in the Caspian Sea.<br />There are 4 yearly, yearly and seasonal variability in the occurrence of algae blooms and long cyclic changes of the variability may be due to the large scale and long period oscillation, as Enso in the atmosphere-ocean system. The spectra of Nini 3.4 also shows that some 4 to 5 years’ cyclic variation exists in Enso signal. Although the Enso singal shows that following an El Nino event, there might be an algae bloom event in the Caspian Sea (as the event of September 2017). This is expected in face of present climate change and sea surface temperature increase in recent years. هدف کار حاضر مطالعه تغییرپذیری میانگین ماهانه غلظت کلروفیل آ از سال 2010 تا 2022 به‌همراه دمای سطحی، باد و جریان سطحی (میانگین هفتگی، استخراج‌شده از داده‌های ارتفاع‌سنجی) در دریای‌خزر با کمک داده‌های ماهواره‌ای، با بررسی سری‌های زمانی، همبستگی‌ها، تحلیل طیفی و نمودارهای هافمولر، برای ماه‌هایی که با بیشترین شکوفایی جلبکی همراه با افزایش کلروفیل آ است، می‌باشد. بر اساس نتایج، بیشترین شکوفایی‌ها در اواخر ماه‌های گرم رخ می‌دهد (به‌ویژه در سپتامبر 2017). از 2010 تا 2018 شکوفایی جلبکی افزایشی بوده، ولی از 2018 تا 2022 غلظت آن کمی کاهشی بوده است. در ماه‌های اوج شکوفایی، بادهای سطحی شمال شرقی بوده که انتقال اکمن جنوب-غرب‌سو را تقویت و فرایند فراچاهی را در سواحل شمال شرقی خزر ترغیب می‌کند. در فصل سرد نیز، با جهت باد عمدتاً جنوبی (فرارفت گرم)، شکوفایی ضعیف‌تر مشاهده شد. الگوی جریان‌ها با پیچک‌های میان‌مقیاس نیز نقشی مؤثر در انتقال افقی کلروفیل آ (در حد نامطلوب) به سواحل جنوب و غربی خزر دارند. به بیانی دیگر، کلروفیل آ تولیدشده در قسمت‌های شمال و مرکزی که در فصول گرم رخ می‌دهد، در اثر جریان‌ها به سواحل جنوب منتقل و موجب آسیب به شیلات و غیره می‌شود. غلظت کلروفیل آ (در تمام مقاله هر جا کلروفیل تنها آمده منظور کلروفیل آ است) در حوزه جنوبی هنگام شکوفایی فراگیر، حدود 17درصد مقدار میانگین آن در خزر میانی است. سر‌ی زمانی، تحلیل طیفی و همبستگی‌ها به‌همراه نمودارهای هافمولر تغییرات غلظت کلروفیل آ به‌همراه تغییرات جریان نشان داد که جریان‌های شمال-جنوبی نقش مهمی در انتقال کلروفیل آ دارند. تغییرات سیکلی، حدود چهارساله، یک‌ساله یک، شش‌ماهه و سه‌ماهه در غلظت کلروفیل آ، به‌ویژه در خزر میانی مشاهده شد. تغییرات بلندمدت احتمالاً مربوط به پدیده­های دور پیوند نوسان تغییرات جو-اقیانوس، همانند انسو هستند (احتمالاً با تأخیر زمانی). https://jesphys.ut.ac.ir/article_103361_0b6df532e5993c8aa3eb6c4679f6115a.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Projection of Heavy Rainfall in Northwestern Iran using the Statistical Downscaling Scaling of the Output of Selected CMIP6 Models by CMHyd Software پیش‌نگری رخدادهای بارش سنگین شمال‌غرب ایران با به‌کارگیری مقیاس‌کاهی آماری برونداد مدل‌های منتخب CMIP6 با نرم‌افزار CMHyd 453 476 102928 10.22059/jesphys.2025.394471.1007687 FA علی شاهی گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران. برومند صلاحی گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران. محمدسعید نجفی گروه مطالعات و تحقیقات منابع آب، موسسه تحقیقات آب، تهران، ایران. Journal Article 2025 05 04 Heavy rainfall is one of the types of environmental hazards that occur naturally and the role of humans in their aggravation is undeniable. In recent years, due to climate change, the occurrence of extreme weather events has increased. By using suitable climate models, it is possible to be prepared and reduce the harmful effects of climatic extremes through climate forecasting. In the northwest of Iran, the existence of mountainous topography provides the factor of ascent to create heavy convective rains, which is prone to flood phenomenon. In this research, two groups of observational and model data have been used daily to study heavy rainfalls. The daily rainfall data of 23 synoptic stations located in the northwest of Iran, including the provinces of East Azerbaijan, West Azerbaijan, Ardabil, North Kurdistan, and west of Zanjan province, were obtained from the Iranian Meteorological Organization (www.irimo.ir). The output of the CMIP6 models from the site https://esgf-node.llnl.gov/projects/cmip6/ for two periods 1990-2019 (historical period) and 2030-2059 (future period) based on three scenarios SSP1-2.6, SSP2 -4.5 and SSP5-8.5 were extracted as optimistic, medium and pessimistic scenarios, respectively. For this purpose, data of 8 AOGCM models (MIROC6, CANESM5, ACCESS-CM2, BCC-CSM2-MR, NORESM2-LM, IPSL-CM6A-LR, MRI-ESM2-0 and CNRM-CM6-1) from the CMIP6 model series were used. The raw rainfall output was first converted from NC to TXT format in the R software environment, and based on the coordinates of the stations in the study area, the output of the models was extracted for each station. After converting the unit to mm, the downscaling process was done by CMHyd software. The criterion of heavy rainfall in this research is the intensity of rainfall (99th percentile) and coverage of rainfall (simultaneous heavy rainfall in at least 30% of the stations). By calculating the PCC, KGE, RMSE, NSE, and R² statistical measures, the efficiency of the models was evaluated and the ranking of the models was determined based on their performance. Also, to select the appropriate downscaling method among the three methods of Precipitation Local Intensity, Power Transformation, and Distribution Mapping, statistical indices NSE, MAE, and Taylor's diagram were used. According to the heavy rainfall criteria used in this research, 43 extreme rainfall events were identified in the observation period (1990-2019). The verification of the raw output of the studied models with the downscaled results of the models by the KGE statistical measure indicates that the results of the models are optimized after downscaling compared to model output before downscaling. According to the results of this research, the CNRM model was identified as the best and the NORESM2 model as the worst model for simulation heavy rainfall in northwestern Iran. In the CNRM model, the highest and lowest values of the KGE index are assigned to Khalkhal and Sahand stations, respectively. The maximum and minimum measures of NSE also belong to Sahand and Kalibar stations, respectively. The maximum and minimum RMSE index belong to the Kalibar and Jolfa stations, respectively, and the maximum and minimum R index belong to the Zarineh and Parsabad stations, respectively. In the NORESM2 model, the maximum and minimum KGE index belong to the Saqez and Kalibar stations, respectively. The maximum and minimum values of NSE are assigned to Sahand and Mako stations, respectively, and the maximum and minimum RMSE indices are assigned to Kalibar and Jolfa stations, respectively. The maximum and minimum R measures are assigned to Piranshahr and Kalibar stations, respectively. In 23 synoptic stations and 8 models, the lowest RMSE value, and the highest NSE value jointly in all 8 models of the studied area belonged to Jolfa and Sahand stations, respectively based on 5 statistical measures. The produced ensemble model showed better performance than individual models. The results of the Mann-Kendall test in the base period (1990-2019) and the future period (2059-2030) based on z-statistics indicate a decreasing trend of heavy rainfall in the northwest of Iran, but it is not statistically significant. The results of the heavy rainfall projection in northwest Iran using 8 GCM models presented in the CMIP6 models at 23 synoptic stations, indicate that the number of heavy rainfall events in the studied area in the future period (2059-2030), compared to the previous period (1990-2019), will increase according to two pessimistic (SSP5-8.5) and moderate (SSP2-4.5) scenarios; but in the optimistic scenario (SSP1-2.6) there will be no change in the number of extreme precipitation events. این پژوهش پیش‌نگری بارش سنگین در 23 ایستگاه همدید شمال‌غرب ایران را در سه دهه آتی ارائه می‌کند. برای این منظور، از داده‌های 8 مدل AOGCM به نام‌های MIROC6، CANESM5، ACCESS-CM2، BCC-CSM2-MR، NORESM2-LM، IPSL-CM6A-LR، MRI-ESM2-0 و CNRM-CM6-1 از مجموعه مدل‌های سری CMIP6 تحت سه سناریو SSP1-2.6،SSP2-4.5  و SSP5-8.5 استفاده شد. دوره مشاهداتی 1990-2019 و دوره آینده 2030-2059 در نظر گرفته شدند. برونداد خام بارش در محیط نرم‌افزار R از فرمت NC به TXT تبدیل شد سپس خروجی مدل‌ها برای هر ایستگاه استخراج و بعد از تبدیل واحد به میلی‌متر توسط نرم‌افزار CMHyd مقیاس­کاهی شد. کارایی مدل‌ها با محاسبه سنجه‌های آماری PCC، KGE، RMSE، NSE و R² ارزیابی شدند و برای انتخاب روش مناسب مقیاس‌کاهی از میان سه روش Precipitation Local intesity، Power transformation و Distribution mapping از شاخص‌های آماری NSE، MAE و نمودار تیلور استفاده شد. به‌منظور کاهش عدم‌قطعیت با روش میانگین‌گیری وزنی، مدل همادی محاسبه شد. نتایج نشان داد که مدل همادی تولیدشده کارایی بهتری را نسبت به مدل‌های منفرد دارد. نتایج نشان داد که تعداد رخدادهای بارش سنگین در دوره آینده نسبت به دوره گذشته بر اساس دو سناریوی بدبینانه و متوسط افزایش خواهد یافت ولی در سناریو خوش‌‌‌بینانه تغییری در تعداد رخداد حدی بارش رؤیت نخواهد شد. https://jesphys.ut.ac.ir/article_102928_c1ac0760480959fff3c37209e0b105cd.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Analysis of Monthly Precipitation and Temperature Anomalies in Iran and Their Association with Atmospheric Circulations during Autumn and Winter 2024-2025 تحلیل بی‌هنجاری‌‌های ماهانه بارش و دمای ایران و الگوهای فشاری همراه‌شده با آن در پاییز و زمستان 1403 477 498 102931 10.22059/jesphys.2025.394264.1007684 FA عباس رنجبر سعادت‌آبادی پژوهشگاه هواشناسی و علوم جو، تهران، ایران. Journal Article 2025 04 30 Iran, situated within arid and semi-arid regions due to its geographical and general atmospheric circulation characteristics, has experienced intensified climatic extremes over recent decades. Extreme temperature variability and erratic precipitation patterns define these zones, but the past two decades have witnessed unprecedented drought frequency, severity, and their spatial extents. The autumn and first half of winter 2024–2025 stood out as exceptionally dry and warm, as revealed in this study.<br />Utilizing monthly data from 179 synoptic stations spanning 1951 to February 2025, alongside NCEP/NCAR reanalysis datasets (including sea-level pressure, geopotential heights at 850 mb, 700 mb, 500 mb, and 200 mb, and 200 mb wind components), this research calculated annual climatic indices for precipitation and temperature. Five-month averages (October–February) were analyzed to assess trends across two periods: 1951–2024 and 1991–2024. To evaluate the anomalous conditions of 2024–2025, monthly temperature and precipitation data were chronologically ranked within these sequences, and a spatiotemporal variation was derived by comparing station-level deviations against long-term averages.<br />Composite maps of monthly sea-level pressure and geopotential height, stratified into three layers (1991–2020 climatic averages, Study period (October 2024-February 2025), and anomalies), were analyzed alongside the 200 hPa jet stream dynamics. This approach identified spatial shifts in high/low-pressure systems and alterations in jet steam patterns, elucidating how atmospheric dynamics influenced nationwide precipitation and temperature distributions.<br />The analysis revealed pronounced climatic shifts during autumn and winter 2024–2025. Precipitation Changes (PC) ranged spatially from -91.27% to +40.37%, with 90% of stations reporting negative deviations. Monthly negative PC exceeding -50% thresholds are affected 70% (October), 81% (November), 95% (December), 94% (January), and 71% (February) of stations. Concurrently, 79% of stations recorded temperature increases, peaking at +2.05°C in November 2024. The five-month average temperature exceeded climatic norms by +1.8°C, with January 2025 and November 2024 exhibiting maximum warming, while February 2025 showed relative cooling.<br />These anomalies are correlated with Northern Hemisphere atmospheric shifts. The Icelandic Low (strengthened except in November [+13 mb]) and Aleutian Low (intensified in December/February [-13 mb over the North Pacific] but weakened in October/January [+13 mb over the eastern Pacific and western U.S.]) interacted with Siberian, Azores, and Canadian Highs under meridional anomaly regimes. Persistent geopotential ridges extended from Northwest Africa to Western Europe and Greenland, accompanied by positive anomalies over Europe and North America. This pattern is intensified in January 2025, the third-driest month in 74 years, with amplified ridges over the eastern North Pacific, eastern Atlantic jet stream, and Indian subcontinent. The November 2024 subtropical ridge expansion from the Bab-el-Mandeb Strait to Northern Iran (+500 hPa anomalies) resulted in the second-hottest month on record.<br />The clockwise rotation of the North Atlantic Jet Stream axis (shifted from SW-NW to W-E) induced severe contour gradients south of the Icelandic Low, and enhanced westerlies over the southwestern North Atlantic and 20ºN–35ºN latitudes, and suppressed Mediterranean transient eddies, collectively reducing precipitation over Iran. The convergence of long-term trends (declining precipitation and persistent warming) with anomalous atmospheric patterns has exacerbated aridity and temperature extremes across the Middle East, underscoring the compound impacts of climate change and atmospheric variability on regional hydroclimatic regimes. تحلیل داده‌های ماهانه دمای هوا و بارش ۱۷۹ ایستگاه همدیدی و داده‌های بازتحلیل، بیانگر خشکسالی بی‌سابقه ایران در پاییز و زمستان ۱۴۰۳ است. بارش پنج ماهه(اکتبر 2024 تا فوریه 2025) نسبت به دوره اقلیمی ۱۹۹۱-۲۰۲۰ با کاهش 2/37 درصدی (7/75 میلی‌متر) و دمای آن با افزایش °C8/1 همراه بود. روند بلندمدت ۶۰ ساله نیز روند کاهشی بارش (mm/yr103/0-) و افزایشی دما (/yr °032/0+) را نشان می‌دهد. در ماه‌های اکتبر، نوامبر، دسامبر، ژانویه و فوریه به‌ترتیب حدود 70، 81، 95، 94 و 71 درصد ایستگاه‌ها، درصد تغییرات بارش منفی را گزارش کرده‌اند، که نشانه‌ای از خشکسالی شدید و فراگیر است. ژانویه ۲۰۲۵ سومین ژانویه خشک در ۷۴ سال اخیر بود، در حالی که نوامبر ۲۰۲۴ با بی‌هنجاری‌ دمایی °C05/2+ پس از سال‌های ۲۰۲۳ و ۱۹۹۸ سومین نوامبر گرم این دوره بوده است. طی دوره مورد مطالعه، گسترش سامانه‌های پرفشار از دو محور، فلات تبت به‌سمت ایران و اروپا به‌سمت مدیترانه، همراه‌با تقویت پرارتفاع‌ جنب حاره، افزایش بادهای غربی ترازهای زبرین وردسپهر، بی‌هنجاری‌‌های مثبت قوی فشار سطح دریا و ارتفاع تراز 500‌ هکتوپاسکال بر روی اروپا و دریای مدیترانه قابل‌قابل‌ملاحظه بوده است. چرخش ساعتگرد محور جت اطلس شمالی نسبت به شرایط اقلیمی آن، افزایش بادهای غربی شدید در عرض‌های جغرافیایی جنب حاره و ارتقای همرفت در اقیانوس هند از مهم‌ترین ویژگی‌های الگوهای بزرگ مقیاس غالب بوده است که مجموع این عوامل، شرایطی جوی را ایجاد کرد که مانع فعالیت و عمیق شدن ناوه‌های ارتفاعی به عرض‌های جنوبی‌تر، به‌ویژه بر روی دریای مدیترانه طی این مدت شده است. https://jesphys.ut.ac.ir/article_102931_ac33627f762a11b1a3b78bd427ec7c67.pdf

مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 51 2 2025 09 20 Analysis of Tropospheric Precipitable Water Vapor Variations Using GNSS Radio Occultation Data and Radiosonde Observations (Case Study: Iran) تحلیل تغییرات بخار آب بارش‌شو وردسپهری با استفاده از داده‌های اختفای رادیویی سامانه‌های ماهواره‌ای ناوبری جهانی و مشاهدات رادیوسوند (مطالعه موردی: ایران) 499 516 102944 10.22059/jesphys.2025.396147.1007694 FA آرش طایفه رستمی گروه ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین‌طوسی، تهران، ایران. یزدان عامریان گروه ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین‌طوسی، تهران، ایران. Journal Article 2025 06 01 This study investigates the variations of precipitable water vapor (PWV) in Iran using data from the COSMIC satellite mission’s radio occultation (RO) events and radiosonde observations over the period 2007–2019. PWV plays a crucial role in atmospheric energy transfer, the water cycle, and climate variability, making its accurate monitoring essential for meteorological and climatic studies. Currently, PWV is measured through ground-based systems like radiosondes, sun photometers, and microwave radiometers, as well as space-based methods such as GNSS RO, MODIS, and AIRS. While radiosondes provide reliable reference data due to their high accuracy, they suffer from limitations such as sparse spatial coverage and low temporal resolution. In contrast, space-based techniques like COSMIC offer a global coverage and high vertical resolution without being affected by clouds or precipitation, making them particularly valuable in regions with limited ground-based infrastructure. This study utilized 2,398 COSMIC RO events within a 150-kilometer radius of 12 radiosonde stations distributed across Iran, spanning latitudes of 24°N to 41°N and longitudes of 43°E to 64°E. Radiosonde data were preprocessed to remove outliers based on predefined criteria, such as excessive altitude differences between consecutive pressure levels or insufficient vertical layers. PWV values were calculated from both datasets using numerical integration of atmospheric parameters, and statistical metrics like RMSE and MAE were employed to evaluate the agreement between the two sources.<br />Results indicate that COSMIC-derived PWV generally follows similar trends to radiosonde measurements, but the level of agreement varies across stations. Southern stations like Ahwaz and Bandar Abbas, characterized by humid climates, exhibited higher PWV values and greater discrepancies compared to northern and central stations. The RMSE values ranged from 4.69 mm (Kermanshah) to 7.92 mm (Ahwaz), with an overall mean RMSE of 5.65 mm. Similarly, MAE values varied between 3.72 mm (Kermanshah) and 6.30 mm (Ahwaz), yielding an average MAE of 4.48 mm. Correlation analysis revealed positive relationships between the two datasets, but regression slopes were consistently below 1, indicating that radiosonde measurements tend to underestimate PWV at higher values and overestimate it at lower values compared to COSMIC. The intercepts of the regression equations were positive across all stations, further confirming this trend. Spatially, southern stations demonstrated higher errors, likely due to the complex moisture patterns and high humidity levels in these regions. Despite these discrepancies, the findings suggest that COSMIC-derived PWV can serve as a reliable alternative or supplement to radiosonde measurements, especially in regions lacking sufficient ground-based observational networks. This research highlights the potential of COSMIC data to enhance numerical weather prediction (NWP) and climate studies in underserved areas, while also emphasizing the need for further investigation into the factors influencing the accuracy of COSMIC PWV retrievals under varying atmospheric conditions. Future studies should be focused on improving retrieval algorithms and integrating multi-source data to refine PWV estimation accuracy, particularly in challenging environments like Iran. This work provides a foundation for advancing atmospheric research and operational meteorology in regions with limited access to traditional ground-based data. این مطالعه به بررسی تغییرات بخار آب بارش‌شو (PWV) در مناطق مختلف ایران با استفاده از داده‌های اختفای رادیویی سامانه  COSMICو مشاهدات رادیوسوند طی بازه زمانی 2007 تا 2019 می‌پردازد. هدف اصلی پژوهش، ارزیابی دقت مقادیر  PWVحاصل از COSMIC در مقایسه با داده‌های مرجع رادیوسوند و تعیین میزان خطا در ایستگاه‌های مختلف است. در این راستا، از 2398 رخداد COSMIC در شعاع 150 کیلومتری 12 ایستگاه رادیوسوند استفاده شده است. نتایج نشان داد که مقادیر PWV حاصل از  COSMICالگوهای تغییرات مشابهی با داده‌های رادیوسوند دنبال می‌کنند، اما میزان انطباق در مناطق مختلف متفاوت است. میانگین خطای مطلق (MAE)، متوسط ریشه‌میانگین‌مربعات (RMSE)، و بایاس به‌ترتیب حدود 4.48، 5.65 و 3.44 میلی‌متر محاسبه شدند. ایستگاه اهواز با  RMSEبرابر با 7.92 میلی‌متر بیشترین خطا و ایستگاه کرمانشاه با RMSE  برابر با 4.69 میلی‌متر کمترین خطا را نشان دادند. تحلیل همبستگی نشان داد که شیب خط رگرسیون در اکثر ایستگاه‌ها کمتر از 1 است، که بیانگر این است که مقادیر PWV حاصل از رادیوسوند در مقادیر بالا کمتر از COSMIC است. علاوه بر این، عرض از مبدأ مثبت در تمام معادلات نشان داد که در مقادیر پایین PWV، اندازه‌گیری‌های رادیوسوند تمایل به بیشتر بودن نسبت به مقادیر COSMIC دارند. با توجه به نتایج به‌دست آمده، داده‌های COSMIC قابلیت ارائه برآوردی از PWV در مناطق فاقد داده‌های زمینی را دارند، اما میزان دقت این داده‌ها بسته به موقعیت جغرافیایی و شرایط مختلف متغیر است و نیازمند ارزیابی موردی برای هر منطقه و کاربرد خاص می‌باشد. https://jesphys.ut.ac.ir/article_102944_065c1c0c57a0e4cc59d74dc91d695027.pdf