الگوهای زمانی-مکانی جت استریم های نیمکره شمالی از غرب اقیانوس اطلس تا غرب آسیا

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.

چکیده

جت استریم‌ یکی از کلیدی‌ترین اجزای گردش جو بوده و نقش بسیار مهمی در سامانه‌های جوی و شرایط اقلیمی دارد. در این مطالعه با استفاده از داده‌‌های بازتحلیل روزانه باد NCEP/NCAR (1985 تا 2015) در تراز 250 هکتوپاسکال و تحلیل خوشه‌ای سلسه‌مراتبی، آرایش روزانه الگوهای جریان جت در محدوده‌ای از غرب اقیانوس اطلس شمالی تا غرب آسیا استخراج شد. همچنین با هدف شناسایی محدوده عمل، فراوانی و انحراف‌معیار جت در مقیاس ماهانه محاسبه شد. نتایج نشان داد که فراوانی و پراکنش مکانی جریان جت در دوره سرد سال بیش از دوره گرم بوده که می‌تواند بیانگر حوزه عمل متغییر و رخداد بیشتر جت در دوره سرد سال باشد. نتیجه تحلیل خوشه‌ای استخراج 9 خوشه مشخص از آرایش زمانی-مکانی جت بود. بیشترین فراوانی متعلق به خوشه 6 (الگوی تابستانه) و نمایانگر ثبات نسبتاً بالای جت با استقرار جت جنب‌حاره‌ای در شمالی‌ترین موقعیت خود برروی دریای خزر در دوره گرم سال است. خوشه‌های 2، 4، 8 و 9 که با دو جریان جت قطبی برروی اقیانوس اطلس و اروپا و جنب‌حاره برروی شمال افریقا و جنوب غرب آسیا مشخص شده، نمایانگر الگوی رخداد دوره سرد سال با تنوع بالا می‌باشند. قوی‌ترین جت‌ها در ماه‌های انتهای تابستان و زمستان دیده می‌شوند. افزایش در فراوانی خوشه کم‌تکرار ۳ (الگوی زمستانی جت قطبی قوی و جنوبی‌تر) و روند کاهشی خوشه‌های ۱ و ۸ (الگوهای پاییزه و زمستانه)، می‌تواند حاکی از تغییر آرایش جت استریم‌ها و رژیم‌های گردش جوی منطقه باشد. این تغییرات می‌تواند افزایش بی‌هنجاری‌های دمایی و بارشی سال‌های اخیر در منطقه را توجیه کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Spatial-temporal patterns of the Northern Hemisphere jet streams from the western Atlantic to western Asia

نویسندگان [English]

  • Bahram Asefi
  • Ghasem Azizi
  • Mostafa Karimi
  • Masoumeh Moghbel
  • Faramarz Khoshakhlagh
Department of Physical Geography, Faculty of Geography, University of Tehran, Tehran, Iran.
چکیده [English]

Jet streams are narrow and powerful bands of air flows located in the upper troposphere and lower stratosphere. They are formed as a result of meridional temperature gradients between polar and tropical air masses and also baroclinic instability and play a key role in atmospheric dynamics, weather systems formation, and the transfer of energy and momentum within the Earth's atmosphere (Barnes and Screen, 2015). In the Northern Hemisphere, the polar and subtropical jet streams are globally significant due to their influence on weather phenomena such as storms, heatwaves, and cold spells (Francis and Vavrus, 2012; Screen and Simmons, 2014). This study identifies daily jet stream patterns from the Atlantic to the Middle East for the first time using hierarchical clustering. The objective is to classify and analyze the spatiotemporal patterns of the jet stream across the North Atlantic to the Middle East region and to investigate their climatic trends using NCEP/NCAR reanalysis data and a hierarchical clustering method.
Daily zonal (u) and meridional (v) wind components at the 250 hPa level were obtained from the NOAA database, covering a 31-year period from January 1, 1985, to December 31, 2015. The study domain extends from 10° to 80°N and 80°W to 80°E with a spatial resolution of 2.5°. The dataset was processed in MATLAB, converting spatial map data into numerical matrices: 11,322 rows representing daily records and 1,885 columns representing grid points, forming a matrix of over 21 million data points.
Jet streams were defined as bands with wind speeds exceeding 30 m/s. Hierarchical clustering was performed using Euclidean distance for intra-cluster similarity and Ward’s method for inter-cluster linkage. A dendrogram was constructed, and a cut-off threshold was set to obtain nine optimal clusters. The spatial and temporal characteristics of each cluster were analyzed in Excel and GIS to compute variance, frequency, and the 95th percentile of wind speed values. Seasonal and monthly trends were assessed, and inter-cluster correlation matrices were generated using SPSS. For each cluster, a representative day was identified based on maximum internal correlation, and wind fields for those days were visualized using GrADS software.
Autumn patterns (Clusters 1 and 2) and spring patterns (Clusters 5 and 7) demonstrate high variability in jet stream intensity and position. Cluster 1 exhibits a decreasing trend and features a strong polar jet over the North Atlantic alongside a weakened subtropical jet over the Middle East, consistent with the projected weakening of subtropical jets under global warming (Archer & Caldeira, 2008; Overland & Wang, 2010). Cluster 2, is characterized by a strong subtropical jet over southern Iran, and reflects complex interactions between subtropical and polar jets and Rossby wave propagation, consistent with Hoskins and Ambrizzi (1993). Significant negative correlations—such as those between Cluster 1 and Clusters 5 and 7, or between Cluster 3 and Cluster 9—suggest opposing atmospheric regimes (Michelangeli et al, 1995; Corti et al. 1999). Observed trends including declines in Clusters 1, 8, and 9 and an increase in Cluster 3—support previous findings regarding the weakening of the polar vortex (Kim et al., 2014). The results are also consistent with the findings of Thompson & Wallace (2000) and Ambaum et al. (2001).
This research shows a gap in the direct analysis of jet stream patterns by, for the first time, applying spatiotemporal clustering across the North Atlantic to the Middle East. The main innovation of this study lies in the identification of nine distinct and recurrent jet stream patterns, each representing a specific atmospheric circulation regime in the region. These findings enhance our understanding of both seasonal and long-term atmospheric dynamics. The most significant quantitative outcome is the detection of contrasting and statistically meaningful trends in the frequency of these patterns over 31 years (1985-2015). Specifically, the increasing trend of cluster 3 (the winter pattern associated with a strong south-ward shifted polar jet) and the decreasing trends of clusters 1, 8, and 9 (autumn and winter patterns) provide a strong evidence of changing atmospheric circulation regimes in the region. The increased frequency of the pattern associated with extreme weather events (cluster 3) may represent one of the direct consequences of climate change on regional atmospheric dynamics. Furthermore, the discovery of significant negative correlations between certain clusters (e.g., clusters 3 and 9, and clusters 1 with 5 and 7) indicate competing and replacement among atmospheric regimes across different seasons in this area.

کلیدواژه‌ها [English]

  • Jet stream
  • hierarchical clustering
  • climate change
  • atmospheric circulation patterns

مراجع

پروین، ن. (1394). بررسی الگوهای بزرگ‌مقیاس گردش جوی مرتبط با وقوع توفان‌های شدید حوضه آبریز زاب، تحقیقات کاربردی علوم جغرافیایی، 39(14)، 33-56.
تقوی، ف.؛ ناصری، م.؛ بیات، ب.؛ متولیان، س. س. و آزادی‌فرد، د. (1390). تعیین الگوهای رفتار اقلیم در مناطق مختلف ایران بر اساس تحلیل طیفی و خوشه‌بندی مقادیر حدی بارش و دما. پژوهش های جغرافیای طبیعی، ۴۳ (3)، 109-124.
حاج‌محمدی، ح. (1400). بررسی سازوکار جت جنب حاره بر وقوع گردوغبارهای شدید جنوب غرب ایران، نشریه هواشناسی و علوم جو، 4(2)، 114-102.
حلبیان، ا. ح. و حسینعلی پور، ف. (1400). واکاوی بسامد رخداد رودبادها در زمان بارش های فرین در آذربایجان شرقی. مخاطرات محیط طبیعی، 10(29)، 1-18.
جلیلیان، آ.؛ ذوالفقاری، ح. و صحرایی، ج. (1398). الگوهای برهم‌کنش جت‌های جنب‌حاره و جبهه قطبی در بارش‌های سنگین بهار و پاییز ایران، فیزیک زمین و فضا، 45(2)، 383-400.
حنفی، ا. (1399). شناسایی تیپ‌های اقلیمی شمال‌غرب کشور و ارتباط آنها با سامانه‌های تراز فوقانی جو (مطالعه موردی: ایستگاه مراغه)، علوم جغرافیایی، 32(16)، 31-44.
خدادی، م.؛ آزادی، م.؛ مرادی، م. و رنجبر سعادت‌آبادی، ع. (1399). اثر نوسان شبه دوسالانه بر شکست امواج راسبی روی اروپا و غرب آسیا از دیدگاه فعالیت موج، فیزیک زمین و فضا، 46(3)، 621-642.
درخشنده، ع.؛ خورانی، ا. و رضازاده، م. (1402). روندیابی بارش در ایران بر اساس داده‌‌های MERRA2. فیزیک زمین و فضا، 49 (3)، 669-683.
درگاهیان، ف.؛ علجانی، ب. و محمدی، ح. (1393). شناسایی الگوی همدیدی سامانه‌های بندالی مؤثر بر دمای ایران. پژوهش‌های اقلیم‌شناسی، 1393(19)، 81-92.
رسولی، ع. ‌.؛ بابائیان، ا.؛ قائمی، ه. و زوار رضا، پ. (1390). ارتباط بین بارش‌های فصلی ایران و دمای پهنه‌های آبی منطقه‌ای. پژوهش‌های اقلیم‌شناسی، 1390(5)، 70-92.
رضیی، ط.؛ عزیزی، ق.؛ محمدی، ح. و خوش‌اخلاق، ف. (1389). الگوهای روزانه گردش جو زمستانه تراز 500 هکتوپاسکال برروی ایران و خاورمیانه. پژوهش‌های جغرافیای طبیعی.42(74)، 17-34.
رنجبر سعادت آبادی، ع. (1404). تحلیل بی‌هنجاری های ماهانه بارش و دمای ایران و الگوهای فشاری همراه شده با آن در پاییز و زمستان 1403. فیزیک زمین و فضا، 51(2)، 477-498.
رورده، ه.؛ قاسمی، ج.؛ یوسفی، ی. و قاسمی، ز. (1398). خوشه‌بندی بارش ایران با استفاده از روشی نوین مبتنی بر کاربرد نگاشت (SVD) و خوشه‌بندی فازی (FCM). مجله آمایش جغرافیایی فضا، 9(31)، 113-124.
ذکی‌زاده، م. ب. و سلیقه، م. (1399). بارش‌های ایران و ارتباط آنها با رودبادها. رشد آموزش جغرافیا، 126(34)، 51-57.
ذکی‌زاده، م. ب.؛ سلیقه، م.؛ ناصرزاده، م. ح. و اکبری، م. (1397). تحلیل آماری و سینوپتیکی مؤثرترین الگوی رودباد ایجاد کننده بارش های سنگین ایران. مخاطرات محیط طبیعی، 7(15)، 31-48.
زهرایی، ب. و روزبهانی، ع. (1385). خوشه‌بندی سیگنال‌های هواشناسی با توجه به تغییرات بارش در استان سیستان و بلوچستان. علوم و مهندسی آبخیزداری ایران.1(2)، 21-29.
صلاحی، ب. و عالی‌جهان، م. (1394). استخراج و تحلیل الگوهای سینوپتیک منجر به توفان‌های تندری دشت اردبیل. پژوهش‌های جغرافیای طبیعی، 47(3)، 399-419.
عساکره، ح.؛ قائمی، ه. و بیرانوند، آ. (1394). روند تغییرات فصلی رودباد جنب‌حاره در محدوده اقلیمی ایران طی دهه‌های اخیر. پژوهش‌های جغرافیای طبیعی، 47(1)، 57-72.
عساکره، ح.؛ بیرانوند، آ.؛ فتاحیان، م. و شادمان، ح. (1396). تحلیل روند جابجایی رودباد و پرفشار جنب حاره برفراز خاورمیانه و رابطه آن با اقلیم ایران. فضای جغرافیایی، 17(58)، 303-315.
عزیزی، ق. و علیزاده، ت. (1392). طبقه‌بندی همدید الگوهای گردشی مؤثر بر آب‌وهوای ایران در تراز دریا. جغرافیا و برنامه‌ریزی محیطی، 24(2)، 23-38.
علیجانی، ب. و نظاماتی، ح. (2017). بررسی تغییرات مکانی فرود مدیترانه. جغرافیا و برنامه‌ریزی محیطی، 28(2)، 79-92.
سینایی، ح.؛ سلیقه، م. و اکبری، م. (1401). بررسی بارش های حدی و نقش رودبادها در آن (مطالعه موردی: جنوب غرب ایران). اطلاعات جغرافیایی، 31(121)، 177-189.
فرزندی، م.؛ ثنایی‌نژاد، س. ح.؛ قهرمان، ب. و رضایی‌پژند، ح. (1391). الگوهای جدید برآورد رطوبت نسبی روزانه در ناحیه کوهستانی ایران. پژوهش‌های اقلیم‌شناسی، 1391(11)، 1-126.
قلی پور، ج.؛ ثنائی نژاد، س. ح.؛ مفیدی، ع. و علیزاده، ا. (1395). تعیین آغاز فصل تابستان در ایران بر اساس پرش ناگهانی شمال سوی جت جنب حاره بر روی خاورمیانه. جغرافیا و مخاطرات محیطی، 5(4), 57-71.
کدخدا، ا.؛ امیدوار، ک.؛ زرین، آ. و مزیدی، ا. (1402). تحلیل فصلی تنش گرمایی و روند آن در ایران با استفاده از داده‌های ERA5. فیزیک زمین و فضا، 49(3)، ۶۸۵-۶۹۸.
محمدی، ز. و لشکری، ح. (2019). تحلیل همدیدی، ترمودینامیکی جابجایی مکانی جت جنب‌حاره‌ای در فعالیت کم‌فشار سودانی (مطالعه موردی ترسالی‌های استان فارس). پژوهش‌های دانش زمین، 10(2)، 85-103.
مرادی، م. (1404). بررسی شاخص‌های جریان جتی در فصل‌های گرم و سرد سال در دو نیمکره شمالی و جنوبی (1948-2023). فیزیک زمین و فضا، 51(1)، 229-246.
میرزایی حسنلو، ا.؛ عبقری، ه. و عرفانیان، م. (1399). تأثیر الگوهای دورپیوند بر بارش و خشکسالی حوضة دریاچة ارومیه. فیزیک زمین و فضا، 46(3)، 537-559.
یارمرادی، ز.؛ نصیری، ب.؛ محمدی، غ. و کرم پور، م. (1398). بررسی و تحلیل جامع رخداد توفان‌های گردوغبار شدید در نیمه شرقی ایران با استفاده از مدل های عددی، تصاویر ماهواره‌ای و داده‌های مشاهداتی. کاوش های جغرافیایی مناطق بیابانی، 7(2)، 1-24.
Ambaum, M. H. P., Hoskins, B. J., & Stephenson, D. B. (2001). Arctic Oscillation or North Atlantic Oscillation?. Journal of Climate, 14(16), 3495-3507. https://doi.org/10.1175/1520-0442(2001)014<3495: AOONAO>2.0.CO;2
Archer, C. L., & Calderia, K. (2008). Historical trends in the jet streams. Geophysical Research Letters, 35(8), 1-6. https://doi.org/10.1029/2008GL033614
Aswad, F. K., Yusif, A. A., & Ibrahim, S. A. (2020). Trend Analysis Using Mann-kendall and Sen’s Slope Estimator Test for Annual and Monthly Rainfall for Sinjar District, Iraq. The Journal of the University of Duhok, 23(2), 501-508. https://doi.org/10.26682/CSJUOD.2020.23.2.41
Barnes, E.A. (2013). Revisiting the evidence linking Arctic amplification to extreme weather in mid-latitudes. Geophysical Research Letters, 40(17), 4734–4739. https://doi.org/10.1002/grl.50880
Barens, E. A., & Screen, J. A. (2015). The impact of Arctic warming on the midlatitude jet stream: Can it? Has it? Will it? Wiley Interdisciplinary Reviews. Climate Change, 6(3), 277–286. https://doi.org/10.1002/wcc.337
Beyene., W. T. (2017). Reduced-order modeling of high-speed channels using machine learning techniques: Partitional and hierarchical clusterings. 2017 IEEE 26th Conference on Electrical Performance of Electronic Packaging and Systems (EPEPS). Conference, 1-3. https://doi.org/10.1109/EPEPS.2017.8329767
Brönnimann, S., Franke, J., Valler, V., Hand, R., Samakinwa, E., Lundstad, E., Burgdorf, A.M., Lipfert, L., Pfister, L., Imfeld, N., & Rohrer, M. (2025). Past hydroclimate extremes in Europe driven by Atlantic jet stream and recurrent weather patterns. Nature Geoscience, 27(18), 246 - 253. https://doi.org/10.1038/s41561-025-01654-y
Christenson, J. (2017). A Synoptic Climatology of Northern Hemisphere, Cold Season Polar and Subtropical Jet Superposition Events. Journal of Climate, 30(18), 7231-7246. https://doi.org/10.1175/JCLI-D-16-0565.1
Cohen, J., Screen, J. A., Furtado, J. C., Barlow, M., Whittleston, D., Coumou, D., Francis, J., Dethlof, K., Entekhabi, D., Overland, J. E., & Jones, J. (2014). Recent Arctic amplification and extreme mid-latitude weather. Nature Geoscience, 7(9), 627–637. https://doi.org/10.1038/ngeo2234
Corti, S., Molteni, F., & Palmer, T. N. (1999). Signature of recent climate change in frequencies of natural atmospheric circulation regimes. Nature, 398(6730), 799–802. https://doi.org/10.1038/19745
Danandeh Mehr, A., & Vaheddoost, B.) 2020(. Identification of the trends associated with the SPI and SPEI indices across Ankara, Turkey. Theoretical and Applied Climatology, 139(3), 1531-1542. https://doi.org/10.1007/s00704-019-03071-9
Dee, D P., Uppala, S. M., Simmons, A. J., Berrisford, P., Poli, P., Kobayashi, S., Andrae. U.,  Balmaseda, M. A., Balsamo, G., Bauer, P., Bechtold, P., Beljaars, A., van de Berg, L., Bidlot, J., Bormann, N., Delsol, C., Dragani, R., Fuentes, M., Geer, A., Haimberger, L., Healy, S., Hersbach, H., Hólm, E., Isaksen, L., Kållberg, P., Köhler, M., Matricardi, M., McNally, A.,  Monge-Sanz, B., Morcrette, J., Park, B., Peubey, C., de Rosnay, P., Tavolato, C., Thépaut, J., & Vitart, F. (2011). The ERA-Interim reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society, 137(656), 553–597. https://doi.org/10.1002/qj.828
Dorji, N., Awange, J., & Zerihun, A. (2025). Reliability of satellite, reanalysis and observation-based gridded temperature datasets for climate change impact studies in Bhutan. Science of Remote Sensing, 12)2025), 1-19. https://doi.org/10.1016/j.srs.2025.100275
Iqbal, W., Leung, W. N., & Hannachi, A. (2018). Analysis of the variability of the North Atlantic eddy-driven jet stream in CMIP5. Climate Dynamics, 54, 235-247. https://doi.org/10.1007/s00382-017-3917-1
Francis, J. A., & Vavrus, S. J. (2012). Evidence linking Arctic amplification to extreme weather in mid-latitudes. Geophysical Research Letters, 39(6), 1-6. https://doi.org/10.1029/2012GL051000
Franzke, C., & Woollings, T. (2011). On the persistence and predictability properties of North Atlantic climate variability. Journal of Climate, 24(2), 466-472. https://doi.org/10.1175/2010JCLI3739.1
Freyhult, E., Landfors, M., Önskog, J., Hvidsten, T. R., & Rydén, P. (2010). Challenges in microarray class discovery: a comprehensive examination of normalization, gene selection and clustering. BMC Bioinformatics, 11(1), 1-14. https://doi.org/10.1186/1471-2105-11-503
Galvin, J. (2007). The weather and climate of the tropics Part 2 – The subtropical jet streams. Weather, 62(11), 295-299. https://doi.org/10.1002/wea.65
Garba, H., & Udokpoh, U. (2023). Analysis of Trend in Meteorological and Hydrological Time-series using Mann-Kendall and Sen’s Slope Estimator Statistical Test in Akwa Ibom State, Nigeria. International Journal of Environment and Climate Change, 13(10), 1017-1035. https://doi.org/10.9734/ijecc/2023/v13i102748
Gere, J. (2023). Recommendations for validating hierarchical clustering in consumer sensory projects. Current Research in Food Science, 6(1), 100522-100533.  https://doi.org/10.1016/j.crfs.2023.100522.
Hall, R., Erdélyi, R., Hanna, E., Jones, J. M., & Scaife, A. (2015). Drivers of North Atlantic Polar Front jet stream variability. International Journal of Climatology, 35(8), 1697-1720. https://doi.org/10.1002/joc.4121
Hallam, S., Josey, S., McCarthy, G. D., & Hirschi, J. J. (2022). A regional (land–ocean) comparison of the seasonal to decadal variability of the Northern Hemisphere jet stream 1871–2011. Climate Dynamics, 59(7), 1897 - 1918. https://doi.org/10.1007/s00382-022-06185-5
Han, X., Zhu, Y., Kai, M. T., Zhan, D., & Li, G. (2022). Streaming Hierarchical Clustering Based on Point-Set Kernel. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Conference, 525-533. https://doi.org/10.1145/3534678.3539323
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz‐Sabater, J., Nicolas, J., Peubey, C. Radu, R.  Schepers, D. Simmons, A. Soci, C. Abdalla, S. Abellan, X.  Balsamo, G. Bechtold, P.  Biavati, G., Bidlot, J., Bonavita, M., De Chiara, G., Dahlgren, P., Dee, D., Diamantakis. M., Dragani. R., Flemming, J., Forbes, R., Fuentes, M., Geer, A., Haimberger, L., Healy, S., Hogan, R. J., Hólm, E., Janisková, M., Keeley, S., Laloyaux, P., Lopez, P., Lupu, C., Radnoti, G., Rosnay, P., Rozum, I., Vamborg, F., Villaume, S., & Thépaut, J. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999–2049. https://doi.org/10.1002/qj.3803
Hannachi, A. (2007). Pattern hunting in climate: A new method for finding trends in gridded climate data. Journal of Climate, 27(1), 1-15. https://doi.org/10.1002/joc.1375
Hannachi, A., Woollings, T., & Fraedrich, K. (2012). The North Atlantic jet stream: a look at preferred positions, paths and transitions. Quarterly Journal of the Royal Meteorological Society, 138(665), 862-877. https://doi.org/10.1002/qj.959
Hoskins, B. J., & Ambrizzi, T. (1993). Rossby wave propagation on a realistic longitudinally varying flow. Journal of the Atmospheric Sciences, 50(12), 1661–1671. https://doi.org/10.1175/1520-0469(1993)050<1661: RWPOAR>2.0.CO;2
Hoskins, B. J., & Karoly, D. J. (1981). The steady linear response of a spherical atmosphere to thermal and orographic forcing. Journal of the Atmospheric Sciences, 38(6), 1179–1196. https://doi.org/10.1175/1520-0469(1981)038<1179: TSLROA>2.0.CO;2
Hu, M., Sayama, T., TRY, S., Takara, K., & Tanaka, K. (2019). Trend Analysis of Hydroclimatic Variables in the Kamo River Basin, Japan. Water, 11(9), 1782-1793. https://doi.org/10.3390/w11091782
Jahn, S., Fraser, K., Gaythorpe, K. A., Wainwright, C. M., & Ferguson, N. M. (2025). Evaluating the role of observational uncertainty in climate impact assessments: Temperature-driven yellow fever risk in South America. PLOS Climate, 29(1), 85–108. https://doi.org/10.1371/journal.pclm.0000601
Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., & Joseph, D. (1996). The NCEP/NCAR 40-year reanalysis project. Bulletin of the American Meteorological Society, 77(3), 437–471. https://doi.org/10.1175/1520-0477(1996)077<0437: TNYRP>2.0.CO;2
Kim, B., Son, S., Min, S., Jeong, J., Kim, S., Zhang, X., Shim, T., & Yoon, J. (2014). Weakening of the stratospheric polar vortex by Arctic sea-ice loss. Nature Communications, 5(1), 1-8. https://doi.org/10.1038/ncomms5646
Koch, P., Wernli, H., & Davies, H. C. (2006). An event‐based jet‐stream climatology and typology. International Journal of Climatology, 26(3), 283-301. https://doi.org/10.1002/joc.1255
Labban, A. H., & Butt, M. J. (2023). Evaluation of MERRA-2 data for aerosols patterns over the Kingdom of Saudi Arabia. Heliyon, 9(6), 1-12. https://doi.org/10.1016/j.heliyon.2023.e17047
Lorenz, D. J., & Hartmann, D. L. (2003). Eddy–zonal flow feedback in the Northern Hemisphere winter. Journal of Climate, 16(8), 1212–1227. https://doi.org/10.1175/1520-0442(2003)16<1212:EFFITN>2.0.CO;2
Mackey, L., Nachman, B., & Schwartzman, A. (2015). Fuzzy jets. Journal of High Energy Physics, 2016(6), 1-26. https://doi.org/10.1007/JHEP06(2016)010
Madonna, E., Li, C., Grams, C. M., & Woollings, T. (2017). The link between eddy‐driven jet variability and weather regimes in the North Atlantic‐European sector. Quarterly Journal of the Royal Meteorological Society, 143(708), 2960-2972. https://doi.org/10.1002/qj.3155
Mann, M. E., Rahmstorf, S., Kornhuber, K., Steinman, B. A., Miller, S. K., & Coumou, D. (2017). Influence of anthropogenic climate change on planetary wave resonance and extreme weather events. Scientific Reports, 7(452242),1-11. https://doi.org/10.1038/srep45242
Mangini, F., Chafik, L., Madonna, E., Li, C., Bertino, L., & Nilsen, J. E. (2021). The relationship between the eddy-driven jet stream and northern European sea level variability. Tellus A: Dynamic Meteorology and Oceanography, 73(1), 1-15. https://doi.org/10.1080/16000870.2021.1886419
Mankin, K. R., Mehan, S., Green, T. R., & Barnard, D. M. (2025). Review of gridded climate products and their use in hydrological analyses reveals overlaps, gaps, and the need for a more objective approach to selecting model forcing datasets. Hydrology and Earth System Sciences, 29(1), 85–108. https://doi.org/10.5194/hess-29-85-2025
Michel, S. L., von der Heydt, A. S., van Westen, R. M.,  Baatsen, M. L., &  Dijkstra, H.A. (2023). Increased wintertime European atmospheric blocking frequencies in General Circulation Models with an eddy-permitting ocean. npj Climate and Atmospheric Science, 6(50), 1-15. https://doi.org/10.1038/s41612-023-00372-9
Michelangeli, P. A., Vautard, R., & Legras, B. (1995). Weather regimes: Recurrence and quasi-stationarity. Journal of the Atmospheric Sciences3, 52(8), 1237–1256. https://doi.org/10.1175/1520-0469(1995)052<1237:WRRAQS>2.0.CO;2
Murtagh, F., & Legendre, P. (2011). Ward’s Hierarchical Agglomerative Clustering Method: Which Algorithms Implement Ward’s Criterion?. Journal of Classification, 31(3), 274-295. https://doi.org/ 10.1007/s00357-014-9161-z
Muthahharah, I., & Juhari, A. (2021). Cluster Analysis with Complete Linkage and Ward's Method for Health Service Data in Makassar City. Jurnal Varian, 4(2), 109–116. https://doi: 10.30812/varian.v4i2.883
Nagy, D., Aszalos, L., & Mihálydeák,T. (2019). Finding the representative in a cluster using correlation clustering. Pollack Periodica, 14(1), 15-20. https://doi.org/10.1556/606.2019.14.1.2
Overland, J. E., & Wang, M. (2010). Large-scale atmospheric circulation changes are associated with the recent loss of Arctic sea ice. Dynamic Meteorology and Oceanography, 62(1). 1–9, https://doi.org/10.1111/j.1600-0870.2009.00421.x
Osso, A., Bladé, I., Karpechko, A., Li, C., Maraun, D., Romppainen, O., Len, S., Voigt, A., Woollings, T., & Zappa, G. (2024). Advancing Our Understanding of Eddy-driven Jet Stream Responses to Climate Change – A Roadmap. Current Climate Change Reports, 11(1), 1-20. https://doi.org/10.1007/s40641-024-00199-3
Partal, T., & Kahya, E. (2006). Trend analysis in Turkish precipitation data. Hydrological Processes, 20(9), 2011-2026. https://doi.org/10.1002/HYP.5993
Patro, R. N., Subudhi, S., Biswal, P. K., Dell’acqua, F., & Biswal, B. (2024). A hyperspectral band selection strategy based on adjacency clustering and local structural correlation. International Journal of Remote Sensing, 45(3), 848 - 862. https://doi.org/10.1080/01431161.2024.2305178
Ren, H. (2010). Seasonal Variations of the Synoptic-Scale Transient Eddy Activity and Polar Front Jet over East Asia. Journal of Climate, 23(12), 3222-3233. https://doi.org/10.1175/2009JCLI3225.1
Screen, J. A., & Simmonds, I. (2014). Amplified mid-latitude planetary waves favour particular regional weather extremes. Nature Climate Change, 4(8), 704–709. https://doi.org/10.1038/nclimate2271
Shaffie, A. (2020). Climatic analysis of effective jet streams frequency on extreme precipitations in west of Iran. Journal of Water and Climate Change, 12(3), 787–800. https://doi.org/10.2166/wcc.2020.284
Shaw, T. A., & Miyawaki, O. (2023). Fast upper-level jet stream winds get faster under climate change. Nature Climate Change, 14(1), 61–67. https://doi.org/10.1038/s41558-023-01884-1
Schaffer, C., & Green, P. (1996). An Empirical Comparison of Variable Standardization Methods in Cluster Analysis. Multivariate behavioral research, 31(2), 149-67. https://doi.org/10.1207/s15327906mbr3102_1
Strong, A. (2008). Variability in the Position and Strength of Winter Jet Stream Cores Related to Northern Hemisphere Teleconnections. Journal of Climate, 21(3), 584-592. https://doi.org/10.1175/2007JCLI1723.1
Thompson, D. W. J., & Wallace, J. M. (2000). Annular Modes in the Extratropical Circulation. Part I: Month-to-Month Variability. Journal of Climate, 13(5), 1000-1016. https://doi.org/10.1175/1520-0442(2000)013<1000: AMITEC>2.0.CO;2
Trouet, V., Babst, F., & Meko, M. (2018). Recent enhanced high-summer North Atlantic Jet variability emerges from three-century context. Nature Communications, 9(1), 1-9. https://doi.org/10.1038/s41467-017-02699-3
Tu, Q., Lu, J. F., Yuan, B., Tang, J. B., & Yang, J. Y. (2012). Density-based hierarchical clustering for streaming data. Pattern. Recogni, 33(2012), 641-645. https://doi.org/10.1016/j.patrec.2011.11.022
Tuinenburg, O., & Staal, A. (2020). Tracking the global flows of atmospheric moisture and associated uncertainties. Hydrology and Earth System Sciences, 24(5), 2419-2435. https://doi.org/10.5194/hess-24-2419-2020
Winters, J. (2016). Synoptic and mesoscale processes supporting vertical superposition of the polar and subtropical jets in two contrasting cases. Quarterly Journal of the Royal Meteorological Society, 142(695), 1133-1149. https://doi.org/10.1002/qj.2718
Wong, M. A. (1984). Asymptotic properties of univariate sample k-means clusters. Journal of Classification, 1(1), 255-270. https://doi.org/10.1007/BF01890126
Woollings, T., Barriopedro, D., Methven, J., Son, S. W., Martius, O., Harvey, B., Sillmann, J., Lupo, A., & Seneviretne, S. (2018). Blocking and its response to climate change. Current Climate Change Reports, 4(3), 287–300. https://doi.org/10.1007/s40641-018-0108-z
Yuan, F., Zhan, Y., & Wangm, Y. (2014). Data Density Correlation Degree Clustering Method for Data Aggregation in WSN. IEEE Sensors Journal, 14(4), 1089-1098. https://doi.org/10.1109/JSEN.2013.2293093
فیزیک زمین و فضا
دوره 51، شماره 3
تاریخ انتشار الکترونیکی: 25 آذر 1404
آذر 1404
صفحه 665-687

فایل ها

هم رسانی

ارجاع به این مقاله

آمار