واکاوی اثر سیگنال‌های اقلیمی بر بارش دوره‌های خشک و تر (مطالعه موردی: بخشی از حوزه آبخیز خلیج‌فارس و دریای عمان)

نویسندگان

1 دانشجوی دکتری، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

2 استادیار، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

چکیده

در این مقاله به بررسی تأثیر شاخص­های اقلیمی بر میزان بارش دو دوره خشک و تر در حوزه آبخیز خلیج‌فارس و دریای عمان با استفاده از تجزیه‌وتحلیل عاملی پرداخته شده است. لذا داده­های دو دوره یادشده در 22 ایستگاه باران‌سنجی در حوزه آبخیز خلیج‌فارس و دریای عمان و 13 سیگنال اقلیمی در طی دوره آماری 2014-1970 مورد بررسی قرار گرفت. با توجه به نتایج تحلیل عاملی داده­ها با استفاده از نرم‌افزار PAST از بین 40 سیگنال اقلیمی، مشخص شد در دوره خشک در حوزه آبخیز خلیج‌فارس و دریای عمان، سه مؤلفه اصلی در مجموع 6/96 درصد از واریانس داده‌های اولیه را تبیین می‌کنند که برای مؤلفه اول، دوم و سوم به‌ترتیب، 1/83، 1/9 و 6/2 درصد می‌باشند و در دوره تر، سه مؤلفه 8/97 درصد از واریانس داده‌های اولیه را تبیین میکنند که مؤلفه اول، دوم و سوم، به‌ترتیب 1/91، 3/4 و 4/2 درصد از واریانس داده‌های اولیه را تبیین میکنند. مشخص شد که مهم‌ترین عوامل مؤثر بر تغییرات بارش در دوره خشک بر روی اقیانوس اطلس و پس از آن قطب (با واریانس 2/92 درصد) واقع شده است و بخش کمی از تغییرپذیری بارش (با واریانس 6/2 درصد) در دوره خشک مربوط به نوسانات چند دهه‌ای اقیانوس اطلس شمالی است؛ به‌طوری‌که در این دوره بالاترین همبستگی بین شاخص NAO و AO (به‌ترتیب 100 و 95 درصد) با ایستگاه‌های مورد مطالعه وجود دارد. در دوره تر مهم‌ترین کانون تغییرات از سوی قطب شمال و تغییرات دمای اقیانوس آرام جنوبی (با واریانس 4/95 درصد) واقع شده و پدیده نوسانات جنوبی تنها تغییرات کمی (4/2 درصد از واریانس) را بر عهده دارد. به‌طوری‌که در دوره تر، 85 و 65 درصد ایستگاه‌ها به‌ترتیب بالاترین همبستگی معنی‌‌دار را با شاخص AO و Nino1+2 دارند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Impact of climatic signals on the wet and dry season precipitation (case study: Persian Gulf and Oman Sea watersheds)

نویسندگان [English]

  • Zahar Gerkaninezhad Moshozi 1
  • ommolbanin Bazrafshan 2
1 Ph.D. Student, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resource, University of Hormozgan, Bandar Abbas, Iran
2 Assistant Professor, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resource, University of Hormozgan, Bandar Abbas, Iran
چکیده [English]

Recently, the occurrences of extreme events such as droughts have been on the rise almost worldwide. Several researchers speculated the chance of an increase in meteorological extreme conditions in relation to local climate change. Rainfall is the final response to complex global atmospheric phenomena and long-term prediction of rainfall remains a challenge for years to come. An accurate long-term rainfall prediction is necessary for water resources management, food production and maintaining flood risks. Several large-scale climate phenomena affect the occurrence of rainfall around the world; of these large - scale climate modes El Nino Southern Oscillation (ENSO) and Multivariate ENSO Index (MEI) are well known. Many studies have tried to establish the relationship between these climate modes for daily, monthly and seasonal rainfall occurrence around the world but the majority of these studies have not considered the effect of lagged climate modes on future monthly rainfall predictions.
Interannual to multidecadal natural local climate variability is afflicted by the El Niño/Southern Oscillation (ENSO), Pacific Decadal Oscillation (PDO) and Atlantic Multidecadal Oscillation (AMO). ENSO phenomenon on the tropical Pacific and also PDO are quite important because of their enormous impacts on hydro-meteorological disasters like droughts and floods. The El Niño-Southern Oscillation (ENSO) is strongly linked to the inter-annual to inter-seasonal modifications of Sea Surface Temperature (SST) over the Pacific Ocean equators. On the other hand, the Decadal Pacific Oscillation (PDO) is related to near decadal fluctuations of the Pacific SSTs in the northeastern parts of the ocean. The influence of these oscillations on the global climate is generally more obvious when the ENSO or PDO is in its extreme condition. For such circumstances, the SST deviance over a per-defined ocean waters are highly positive or negative (positive or negative period, respectively).
Identifying factors impacting the fluctuations in rainfall and forecasting seasonal trends over several months before any significant role in the planning and development of water resources, are among the significant factors impacting different areas of climate signals. Principal component analysis (PCA) was used in this study to explore the impact of climatic indices on the amount of wet and dry season’s precipitation variability in the Persian Gulf and Oman Sea watershed. PCA is used to reduce the dimensionality of spatially distributed time series of precipitation and to interpret spatial patterns, from a statistical viewpoint, through the distribution of significant eigenvectors that explain an important portion of the series variability. PCA can summarize the prevailing variability in a number of dependent factors into fewer principal components.
Wet and dry season data were explored from 22 rain gauge stations in the Persian Gulf and Oman Sea watershed in which 40 climatic indices are analyzed in the period of 1970-2014.  PCA analysis is performed using PAST software for the area with 40 synoptic stations. Result showed that there are three variables that determine more than 96.6% of variance consists of NAO, AO and AMO in the dry season, while AO, Nino1+2 and SOI determine more than 97.8% of variance in the wet season. These climate indices can be attributed to precipitation changes over the Persian Gulf and Oman Sea in the dry and wet season, respectively.
The study also shows correlation between SPI of 23 rainfall gauges of the Persian Gulf and Oman Sea watershed and climatic signals. These are significant in large number of weather stations. Numbers of stations with significant correlations are 100% and 95% with NAO and AO in the dry season, whereas 85% and 65% have significant correlations with AO and Nino1+2 in wet season. The linkage between climatic signals and precipitation presented in this paper can be used as one of the important components for wet and dry season precipitation prediction over Iran southern stations.

کلیدواژه‌ها [English]

  • climatic signals
  • Principal component analysis
  • correlation
  • Persian Gulf and Oman Sea
ایلدرومی، ع.، نوری، ح. و بیات­ورکشی، م.، 1396، بررسی ارتباط بین پدیده انسو و وقوع خشک‌سالی در ایران، نشریه دانش آب‌وخاک. (2)27، 156- 143.

تجری، ع.، بابانژاد، م.، کاردل، ف. و سلیمانی، ک.، 1394، واکاوی عوامل تأثیرگذار بر خشک‌سالی هیدرولوژیک (مطالعه موردی: حوضه­های آبخیز استان لرستان). مجله آمایش جغرافیایی فضا، فصلنامه علمی- پژوهشی دانشگاه گلستان، 5(16)، 151-164.

ثقفیان، ب.، قرمزچشمه، ب.، سمیعی، م. و عاشقی، ر.، 1388، عوامل مؤثر بر رسوب­دهی معلق حوزه­های آبخیز جنوب غربی ایران. مجله مهندسی و مدیریت آبخیز، 1(3)، 153- 140.

جلیلی، ش.، مرید، س.، بناکار، ا. و نامدار قنبری، ر.، 1390، ارزیابی تأثیر شاخص­های اقلیمی NAO و SOI بر تغییرات تراز دریاچه ارومیه، کاربرد روش­های آنالیز طیفی سری­های زمانی، نشریه آب‌وخاک (علوم و صنایع کشاورزی) 25، 149- 140.

حجازی­زاده، ز.، فتاحی، ا.، سلیقه، م. و ارسلانی، ف.، 1392، بررسی تأثیر سیگنال­های اقلیمی بر بارش ناحیه مرکزی ایران با استفاده از شبکه عصبی مصنوعی. نشریه تحقیقات کاربردی علوم جغرافیایی، 29(13)، 79-85.

خضریان‌نژاد، ن.، حجام، س.، میرزایی، ا. و مشکواتی، ا.ح.، 1391، پیش­بینی رواناب حوضه آبریز تیره با استفاده از پیش­بینی کمی بارش خروجی مدل WRF. نشریه پژوهش­های اقلیمی، 1391(12)، 75- 63.

رسولی، ع.ا.، بابائیان، ا.، قائمی، ه. و زوار رضا، پ.، 1390، ارتباط بین بارش­های فصلی ایران و دمای پهنههای آبی منطقه‌ای، نشریه پژوهش‌های اقلیمشناسی، (2)56، 91-69.

زارع­ابیانه، ح. و بیات­ ورکشی، م.، 1391، مطالعات تأثیرپذیری تعداد روزهای بارانی از پدیده انسو در ایران، پژوهش­های حفاظت آب‌وخاک (علوم کشاورزی و منابع طبیعی)، (1)19، 39 – 21.

عساکره، ح. و دوستکامیان، م.، 1393، تغییرات زمانی و مکانی آب قابل بارش در جو ایران‌زمین، تحقیقات منابع آب ایران، 10(1)، 86- 72.

علیزاده، ا.، عرفانیان، م. و انصاری، ح.، 1390،
بررسی الگوهای پیوند از دور مؤثر بر پارامترهای بارش و دما (مطالعه موردی: ایستگاه سینوپتیک مشهد). نشریه آبیاری و زهکشی ایران، 2(5)، 185- 176.

فاتحی مرج، ا.، برهانی داریان، ع. ر. و مهدیان، م. ح.، 1385، پیش­بینی بارش فصلی با استفاده از پیوند از دور: مطالعه موردی حوزه آبریز دریاچه ارومیه. مجله علوم و فنون کشاورزی و منابع طبیعی، 3(الف)، 57- 45.

قاسمیه، ه.، بذرافشان، ا. و بخشایش­منش، ک.، 1396، پیش­بینی بارش ماهانه با استفاده از الگوهای پیوند از دور و شبکه عصبی مصنوعی (مطالعه موردی: حوزه فلات مرکزی ایران). مجله فیزیک زمین و فضا، (2)43، 418- 405.

کوره­پزان دزفولی، ا.، 1382، تأثیر سیگنال­های هواشناسی در پیش­بینی تغییرات بارش، پایان­نامه کارشناسی ارشد، دانشگاه امیرکبیر، 123 ص.

مفیدی‌پور، ن.، 1391، بررسی رابطه خشک‌سالی هواشناسی و هیدرولوژیکی در حوضه آبخیز اترک. پژوهشنامه مدیریت حوضه آبخیز، 3(5)، 26- 16.

ناظم‌السادات، م. ج و شیروانی، ا.، 1383، کاربرد CCA به­منظور ارزیابی و مقایسه توانایی SOI و Nino's SST در پیش­بینی بارش زمستانه سواحل دریای خزر. علوم و فنون کشاورزی و منابع طبیعی، 8(1)، 25- 11.

ناظم‌السادات، م. ج.، انصاری بصیر، ا. و پیشوایی، م. ر.، 1386، ارزیابی سطح معنی­داری برای پیش­بینی دوران خشک‌سالی و ترسالی فصل پائیز و شش‌ماهه سرد ایران بر اساس وضعیت فازهای تابستانه ENSO. مجله تحقیقات منابع آب ایران، 1، 24-12.

ناظم­السادات، م. ج. و شیروانی، ا.، 1384، پیش­بینی دمای سطح آب خلیج‌فارس با استفاده از رگرسیون چندگانه و تحلیل مؤلفه اصلی، مجله علوم و فنون کشاورزی و منابع طبیعی، 9(3)، 10-1.

نیکزاد، م.، 1389، آشکارسازی وابستگی­های بین پارامترهای اقیانوسی- اتمسفری و اقلیمی به‌منظور پایش خشک‌سالی به‌وسیله روش داده کاوی. پایان‌نامه کارشناسی ارشد، پردیس ابوریحان دانشگاه تهران.

هاشمی­دوین، م.، 1392، ارزیابی اثر نمایه چند متغیره انسو بر بارش زمستانه خراسان شمالی، نشریه پژوهش­های اقلیم‌شناسی 4(13 و 14)، 44- 31.

Abid, M. A., Almazroui, M., Kucharski, F., O’Brien, E. and Yousef, A. E., 2018, ENSO relationship to summer rainfall variability and its potential predictability over Arabian Peninsula region. NPJ Climate and Atmospheric Science, 1(1), p.1.

Aceituno, P. and Garreaud, R., 1995, Impacto de los fenmenos el Nio y la Nia en el régimen pluviométrico Andino. Revista Chilena de Ingeniera Hidrulica, 9, 12–20.

Biabanaki, M., Eslamian, S. S., Abedi Koupai, J., Canon, J., Boni, G. and Gheysari, M., 2015, A Principal Components/Singular Spectrum Analysis Approach to ENSO and PDO Influences on Rainfall in West of Iran. ARTICLE in HYDROLOGY RESEARCH, April 2014.

Cañón, J., González, J. and Valdés, J., 2007, Precipitation in the Colorado River basin and its low frequency associations with PDO and ENSO signals. Journal of Hydrology, 333, 252-264.

De Guenni, L. B., García, M., Muñoz, Á. G., Santos, J. L., Cedeño, A., Perugachi, C. and Castillo, J., 2017, Predicting monthly precipitation along coastal Ecuador: ENSO and transfer function models. Theoretical and Applied Climatology, 129, 3-4: 1059-1073.

Diaz, D. and Rodrigo, S., 2003, Effects of the north Atlantic oscillation on the probability for climatic categories of local monthly rainfall in southern Spain, Int. J. Climatol., 23, 381-397.

Frazier, A. G., Timm, O. E., Giambelluca, T. W. and Diaz, H. F., 2017, The influence of ENSO, PDO and PNA on secular rainfall variations in Hawai ‘i. Climate Dynamics, 1-14.

Helsel, D. R. and Hirsch, R. M., 1992, Statistical methods in water resources. Vol. 49, Elsevier, 340P.

Hurst, H., 1951, The long-term storage capacity of reservoirs Transactions of American Society Civil Engineer, 116-195.

Kalimeris, A., Ranieri, E., Founda, D. and Norrant, C., 2017, Variability modes of precipitation along a Central Mediterranean area and their relations with ENSO, NAO, and other climatic patterns. Atmospheric Research, 198, 56-80.

Knight, W. E., 1996, A computer method for calculating Kendall’s Tau with ungrouped data. J. Am. Stat. Assoc., 61, 436–439.

L'Heureux, M. L., Tippett, M. K., Kumar, A., Butler, A. H., Ciasto, L. M., Ding, Q., Harnos, K. J. and Johnson, N. C., 2017, Strong Relations Between ENSO and the Arctic Oscillation in the North American Multimodel Ensemble. Geophysical Research Letters, 44(22).

Manly, B. F. J., 1994, Multivariate Statistical Methods, A primer. Second edition. Chapman and Hall. 215 Pages.

Mantua, N. J. and Hare, S. R., 2002, The Pacific decadal oscillation. Journal of oceanography, 58(1), 35-44.

Mekanik, F., Imteaz, M. Gato-Trinidad, S. and Elmahdi, A., 2013, Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes, Journal of Hydrology, 503, 11–21.

Mirbabaei, S. M., Shahrestani, M. S., Zolfaghari, A. and Abkenar, K. T, 2013, Relationship between soil water repellency and some of soil properties in northern Iran. Catena, 108, 26-34.

NOAA, 2018, Climate Diagnostic Center: Climate Indices. Available from: http://www.cdc.noaa.gov/ClimateIndices.

Risbey, J. S., Pook, M. J. McIntosh, P. C. Wheeler, M. C. and Hendon, H. H., 2009, On the remote drivers of rainfall variability in Australia, Monthly Weather Review, 137(10), 3233–3253.

Tamaddun, K. A., Kalra, A., Bernardez, M. and Ahmad, S., 2017, Multi-Scale Correlation between the western US Snow Water equivalent and ENSO/PDO using wavelet analyses. Water Resources Management, 31(9), 2745-2759.

Tian, L., Leasor, Z. and Quiring, S. M., 2017, Potential to improve precipitation forecasts in Texas through the incorporation of multiple teleconnections. International Journal of Climatology, 37(10), 3863-3872.

Turkes, M. and Erlat, E., 2005, Climatological responses of winter precipitation in Turkey to variability of the North Atlantic Oscillation during the period 1930–2001, Theor. Appl. Climatol., 78, 33-46.

Valdés-Pineda, R., Valdés, J. B., Diaz, H. F. and Pizarro-Tapia, R., 2015, Analysis of spatio-temporal changes in annual and seasonal precipitation variability in South America-Chile and related ocean–atmosphere circulation patterns. International Journal of Climatology, 36(8), 2979-3001.

Van Oldenborgh, G., Burgers, G. and Klein Tank, A., 2000, On the El Nino teleconnection to spring precipitation in Europe. Int. J. Climatol., 20, 565–574.

Wald, A. and Wolfowitz, J., 1951, Characterization of the Minimal Complete Class of Decision Functions When the Number of Distributions and Decisions Is Finite. Proceedings of the Second Berkeley Symposium on Mathematical Statistics and Probability, 149-157, University of California Press.

Wolter, K. and TIMLIN, M. S., 1993, Monitoring ENSO in COADS with a seasonally adjusted principal component index, Proc. of the 17th Climate Diagnostics Workshop, (Norman, OK, NOAA/N MC/CAC, NSSL, Oklahoma Clim. Survey, CIMMS and the School of Meteor., Univ. of Oklahoma), 52-57.