Identification of Precipitation Changes in the Caspian Sea Basin and its Relationship with Remote Linkage Patterns

Subject Areas : Geography and Climate

Emad Esteki ¹ , Dr. Amir Gandomkar ^{2 *} , Dr. Alireza Abbasi ³ , Dr. Parviz Rezaei ⁴

1 - PhD student in Climatology, Department of Geography, Na.C., Islamic Azad University, Najafabad, Iran
2 - Associate Professor, Department of Geography, Na.C., Islamic Azad University, Najafabad, Iran
3 - Assistant Professor, Department of Geography, Na.C., Islamic Azad University, Najafabad, Iran
4 - Associate Professor, Department of Geography, Ra.C., Islamic Azad University, Rasht, Iran

Received: 2025-05-15 Accepted : 2025-07-21 Published : 2025-09-23

Keywords: Keywords: Precipitation, Sen's slope, Mann-Kendall, Caspian Sea,

Abstract :

Abstract

Precipitation is one of the most important and variable climatic elements, exhibiting more complex behavior compared to other climatic factors. This element shows significant temporal and spatial variability. The aim of this research is to examine the trend of precipitation changes in the Caspian Sea basin and its relationship with teleconnection patterns. In this context, monthly precipitation data from the ERA-Interim dataset, with a resolution of 2° x 2°, covering the statistical period from 1970 to 2023, were utilized. Given the non-normality of the data, the non-parametric Mann-Kendall test was employed to calculate the trend. The precipitation slope was also determined using the Sen's slope estimator. The results indicated an increasing trend in precipitation during the months of january, february, march, november, december, and to some extent in may and october, while a decreasing trend was observed in other months. The increasing trend in precipitation was most pronounced in february, while the decreasing trend was most significant in june and august. The correlation between precipitation and teleconnection patterns showed that, temporally, correlations were observed in january, february, march, june, august, september, october, and december. The EA.WR pattern exhibited the highest correlation with the basin's precipitation compared to other patterns, followed by the TNA, AMO, and AMOS patterns. Overall, february showed the highest correlation between teleconnection patterns and precipitation, and in terms of pattern type, the EA.WR pattern had the strongest correlation with the basin's precipitation.

Keywords: Precipitation, Sen's slope, Mann-Kendall, Caspian Sea

 

 Extended Abstract

Introduction

Precipitation, as one of the important climatic elements, has certain complexities, and usually precipitation at a point on different time scales does not have simple and symmetrical statistical distributions. A decrease or increase in precipitation affects many other climatic and environmental phenomena such as runoff, flooding, air temperature, humidity, and also many human activities. therefore, changes in precipitation can be one of the signs of climate change. Climate change can also be affected by remote sensing patterns. teleconnection is one of the climate features on a global scale. The Caspian Sea, as the largest closed lake in the world, is of great international importance and plays a significant role in the fields of shipping, commerce, and the national economy, and has a great impact on the climate and climate of the region. This sea has very different climatic conditions due to its climate variability, evaporation rates, and freshwater inflow. Given the importance of this sea, the present study aims to investigate the trend of precipitation changes in the Caspian Sea basin and its relationship with teleconnection patterns.

 Data and Method 

In this study, monthly precipitation data analyzed by ERAInterim with a resolution of 2 x 2 during the statistical period 1970-2023 were used. The normality of the data was assessed using the Anderson-Darling test. Given the non-normality of the data, the non-parametric Mann-Kendall test was used to calculate the trend. The Sen slope test was also used to obtain the precipitation slope. Given the large volume of precipitation trend and slope values, this information was transferred to Arc Gis software and presented as zoning maps.

 Results and Discussion

 The study of the precipitation trend shows that an increasing trend in precipitation has been observed in the months of January, February, March, November, December and to a very small extent in May and October; but in other months only a decreasing trend in precipitation has occurred. In the meantime, an increase in precipitation has been observed in February more than in the other mentioned months. In the months when the increase in precipitation has occurred, it has been observed more in the northern parts of the basin located in Russia. The decreasing trends in precipitation have also occurred in the months of June and August more than in other months. It is noteworthy that the decreasing trends in precipitation have also been observed in the north of the basin located in Russia more than in other parts of the basin. The results of the study of the precipitation slope showed that precipitation decreased in the months of June, July and August, and the decrease was greater in the northern parts of the basin. A slight increase in precipitation has also been observed in the cold months of the year, especially April, November and December. The correlation of precipitation and teleconnection patterns indicates that temporal correlations have been observed between precipitation and teleconnection patterns in January, February, March, June, August, September, October, and December. Among them, more correlations have occurred in February, March, June, and December than in other months. In April, May, July, and November, none of the teleconnection patterns has been correlated with basin precipitation. Among teleconnection patterns, the EA.WR pattern has been correlated with basin precipitation more than other patterns. After that, the TNA, AMO, and AMOS patterns are located. The NAO, SOI, NOI, AO, and NCP patterns have also not been correlated with basin precipitation in any month.

 Conclusion

Global warming, which is occurring in almost most parts of the world, has also occurred in the Caspian Sea basin, and evidence of global warming has been observed in this basin. Another evidence of global warming in this basin is the decrease in precipitation in this basin, which is clearly evident in the precipitation trend zoning maps. As can be seen in these maps, precipitation has a decreasing trend in most months, and very slight increasing trends have been observed in some months. In general, in the precipitation trend zoning maps, the decreasing trend zone is larger than the increasing trend. In terms of time, the highest correlation between the teleconnection patterns and precipitation was observed in February, and in terms of pattern type, the EA.WR pattern also had the highest correlation with the basin precipitation. According to the coefficient of determination obtained in February and September, 58.4 and 51.1 percent of the basin precipitation changes are explained by the remote sensing patterns, which is the highest among the months of the year. The results of linear regression also indicate that the NCP pattern has been more influential than other patterns on the precipitation of the Caspian Sea basin. Understanding precipitation changes and their relationship with teleconnection patterns can be used to advance meteorological and agricultural management programs and operations.      

 References  

1. Alavinia, Hassan and Zarei, Mehdi (2021). Analysis of climate change trends using extreme indices of long-term precipitation and temperature data in southeastern Iran. Journal of Regional Planning, 11(44), 16-1.
2. Azizian, Tahmineh, Asgari, Ahmad (2012). Study of the effect of AO index on Siberian high pressure and its possible effects on precipitation in the southern Caspian coastal region. Marine Science and Technology Research, 3(7), 13-27. (In Persian)
3. Ali-Mohammadi, Mehryar, Gholinejad, Arsalan, Najari-Kahnuj, Hadi, Mohammadi, Ali, Zadaghabadi, Ahmad. (2024). Investigation of atmospheric factors affecting fluctuations in the Caspian Sea water level from 1992 to 2022, Climatological Research, 58(58), 157-141. (In Persian)
4. Asgari, Ahmad and Rahimzadeh, Fatemeh (2006). Study of precipitation variability in recent decades in Iran, Iranian Geographical Research, 58, 67-80. (In Persian)
5. Branstator, G., (2002). Circumglobal teleconnections, the jet stream waveguide, and the North Atlantic Oscillation. Journal of Climate, v. 15(14), p. 1893-1910.
6. Branstator, G., (2002). Circumglobal teleconnections, the jet stream waveguide, and the North Atlantic Oscillation. Journal of Climate, v. 15(14), p. 1893-1910.
7. Boron, Ashraf, Zohorian Pardel, Manijeh, Lashkari, Hassan, Shakiba, Alireza, and Mohammadi, Zeinab (2025). Identification of heat waves in Khuzestan province and synoptic analysis of the role of Saudi high pressure in their creation, New Ideas in The Geographical Sciences, 8(3), 1-20. (In Persian)
8. Çağlar, F., Yetemen, O.,  Pan Chun, K.,  & Lutfi Sen, O. (2023). The merit of the North SeaCaspian pattern in explaining climate variability in the EuroMediterranean region. International Journal of Climatology, 43(10).
9. Dostan, Reza (2018). Global and regional links of Iran, Earth and Space Physics, 44 (3), 640-625. (In Persian)
10. Eskandari, Roqiyeh, Esmaali Auri, Abazar, Mostafizadeh, Rauf and Choubeh, Sepideh (2014). Evaluation of temporal and spatial changes in extreme climatic indices of precipitation in the central part of Ardabil province. Environmental Science Studies, 9(1), 8133-8119. (In Persian)
11. Falahatpisheh, Iman, Yousefi, Yadollah and Roordeh, Hematollah (2013). The relationship between teleconnection indices and temperature, precipitation and wind anomalies in Mazandaran province in the second half of the year (October to March), Climatological Research, 2013(54), 133-148. (In Persian)
12. Farajzadeh, Manouchehr (2023). Analysis of the effects of climate change on river discharge, case study: Sheshpir River, Journal of Geography and Environmental Planning, 24(1), 17-32. (In Persian)
13. Fakhimi, Seuda, Zeinali, Batoul and Salahi, Boroumand. (2024). Forecasting the effects of climate change on precipitation in East Azerbaijan province, Environmental Science Studies, 9(4), 9576-9560. (In Persian)
14. Gandomkar, Amir and Khadem Al-Husseini, Ahmad (2009). Investigation of precipitation changes in Zabol, Journal of Environmental Management, 6, 65-77. (In Persian)
15. Ghodrati, Zeinab, Salahi, Boroumand and Saber, Mahnaz (2024). Evaluating the trend of changes in the frequency of convective precipitation days in northwest Iran using the Mann-Kendall and Sheeb-Sen methods, Environmental Science Studies, 9(4). 9589-9577. (In Persian)
16. Ghavidel-Rahimi Yousef, Farajzadeh Asl, Manouchehr and Hatami-Zarneh, Dariush (2016). The role of the effects of the North Sea-Caspian remote coupling pattern on the volatility of maximum temperatures in Iran, Journal of Geography and Planning, 20(56), 239-255. (In Persian)
17. Hejazizadeh, Zahra, Akbari, Mehri and Jamshidi-Aini, Zarrin (2024). Studying the effect of the teleconnection patterns of the North Atlantic Oscillation and ENSO on the precipitation of the southern coast of the Caspian Sea. Applied Research in Geographical Sciences, 24 (74), 37-24. (In Persian)
18. Heydari, Shahab, Salahi, Boroumand, Zeinali, Batoul and Pourghasemi, Elhameh (2024). Forecasting the precipitation of some stations in Lorestan province in the next two decades using the LARSWG model. Environmental Sciences Studies, 9(1), 7976-7963. (In Persian)
19. Kasiri, Maryam, Goudarzi, Masoud, Janbaz Ghobadi, Gholamreza and Motavali, Sadruddin (2019). Future outlook of temperature and precipitation changes on the southern coasts of the Caspian Sea, Natural Geography, 13(47), 51-35. (In Persian)
20. Kutiel, H., Y, Benarochy, (2001). North SeaCaspian pattern (NCP)an upper level atmospheric teleconnection affecting the Eastern Mediterranean. Theoretical and Applied Climatology, 69 (1), 39-67.
21. Kliengchuay, W., Mingkhwan, R., & Kiangkoo, N. (2024). Analyzing temperature, humidity, and precipitation trends in six regions of Thailand using innovative trend analysis. Sci Rep, 14, 7800.
22. Karagiannidis, A., F., Karacostas, T., Maheras, P. & Makrogiannis, T. (2012). Climatological aspects of extreme precipitation in Europe, related to midlatitude cyclonic systems. Theor .Appl.Climatol., No. 107, 165-174.
23. Khamidov, S., Li, Z., Nasirova, M., Pulatov, B., & Pulatov, A. (2023). Assessment of temperature and precipitation trends in Kashkadarya, Uzbekistan. E3S Web of Conferences, 365, 01005.
24. Khansalari, Sakineh, Mohammadi, Seyedeh Atefeh, Qasabi, Zahra and Salehi, Hassan (2024). Forecasting changes in the amount of precipitation with different return periods in Iran based on the Hamadi approach of ten CMIP6 models in the near future. Geography and Environmental Hazards, 13(3), 246-214. (In Persian)
25. Khoshakhlaq, Faramarz, Ghanbari, Nozar and Masoompour Samakoosh, Jafar (2008). Studying the effects of the North Atlantic Oscillation on the precipitation regime and temperature of the southern coasts of the Caspian Sea. Geographical Research, 66, (70/57). (In Persian)
26. Mohammadrezaei, M., Soltani, S., & Modarres, (2020). Evaluating the effect of oceanatmospheric indices on drought in Iran. Theoretical and Applied Climatology, 140,  219–230. (In Persian)
27. Mir Mousavi, Seyed Hossein, Doostkamian Mehdi and Sotoudeh, Fatemeh (2016). Study and analysis of the spatial pattern of intra-decadal changes in heavy and extremely heavy precipitation in Iran, Geography and Regional Planning, 27(3), 86-67. (In Persian)
28. Manavipour, Kobra, Zeinali, Batoul and Salahi, Boroumand (2024). Study of the relationship between heavy precipitation in western Iran and the Joi River, Environmental Science Studies, 9(2), 8332-8322. (In Persian)
29. Mirhashemi, Hamid and Hassanvand, Ziba (2022). The effect of remote sensing patterns on monthly precipitation at stations in Khorramabad and Kermanshah. Water and Soil Modeling and Management, 3(4), 133-151. (In Persian)
30. Nabi bidhendi, Gholamreza, Mohammadnejad, Shahin and Ebadati, Fatemeh (2008). Concepts and consequences of climate change with a review of the Kyoto Protocol, Tehran: Tehran University Press and Publishing Institute. (In Persian)
31. Plewa , K., Perz, A.,  & Wrzesin´ski, D. (2019). Links between Teleconnection Patterns and Water Level Regime of Selected Polish Lakes. Water, 11, 13-30.
32. Pasquini, A. I., Lecomte, K. L., Piovano, E. L., & Depetris, P. J. (2006). Recent rainfall and runoff variability in central Argentina. Quaternary International, 158(1), 127-139.
33. Park, Ch., Choi, , Son , S., Kim, D., Yeh, S., Kug, J. (2023). SubSeasonal Variability of ENSO Teleconnections in Western North America and Its Prediction Skill. JGR: Atmospheres, 128, 6.
34. Ratna, Satyaban B., Osborn, Timothy J., Joshi, Manoj., Yang, Bao., & Wang, J. (2019). Identifying teleconnections and multidecadal variability of East Asian surface temperature during the last millennium in CMIP5 simulations. Past, 15, 1825–1844.
35. Salnikov, V.; Talanov, Y.; Polyakova, S.; Assylbekova, A.; Kauazov, A.; Bultekov, N.; Musralinova, G.; Kissebayev, D.; & Beldeubayev, Y. (2023). An Assessment of the Present Trends in Temperature and Precipitation Extremes in Kazakhstan. Climate, 11, 33.
36. Sari Sarraf, Behrouz, Rostamzadeh, Hashem and Mohammadi, Nabi (2024). Precipitation forecasting using CMIP6 models until the end of the 21st century in northwest Iran. Geography and Environmental Hazards, 13(1), 194-173. (In Persian)
37. Sajed, Ali, Gandomkar, Amir, and Bagheri Badaghabadi, Mohsen (2024). Analysis of hydroclimatological changes in the Aji Chai River (Talkheh Rud) watershed, New Ideas in The Geographical Sciences, 8(3), 131-111. (In Persian)
38. Saberi Loye, Fardin, Alijani, Bahloul and Khalidi, Shahriar (2019). Estimation of future climate changes in the southern coast of the Caspian Sea using a regional climate model. Spatial Analysis of Environmental Hazards, 6(1), 111-138. (In Persian)
39. Salahi, Boroumand and Behrouzi, Mahmoud (2022). Investigating the relationship between the North Sea-Caspian Sea teleconnection pattern and Iranian precipitation (Case study: Ardabil Province). Earth Science Research, 13(2), 1-20. (In Persian)
40. Serrano, A., Mateos, V.L., & Garcia, J.A. (1999): Trend Analyisi of Monthly Precipitation Over the Iberian Peninsula for the Period 19211995. phys. EARTH(B), 24(12), 85-90.
41. Sari Saraf, B., Rostamzadeh, H., & Mohammadi, N. (2014). Precipitation forecasting using CMIP6 models until the end of the 21st century in northwestern Iran. Geography and Environmental Hazards, 13(1), 194173. (In Persian)
42. Satyaban B. Ratna, Timothy J. Osborn, Manoj Joshi, Bao Yang, and JianglinWang (2019). Identifying teleconnections and multidecadal variability of East Asian surface temperature during the last millennium in CMIP5 simulations, Past, 15, 1825–1844.
43. Takeuchi, Z.X.Xu.K., & Ishidiaira. H. (2003). Monitoring Trend Step Changes in Precipition in Japanese Precipitation. Journal of hydrology. 279, 144-150.
44. Tan, X., Gan, T.Y., & Shao, D. (2017). Effects of persistence and largescale climate anomalies on trends and change points in extreme precipitation of Canada. Journal of Hydrology, 550, 453-465
45. Yatagai, A., Krishnamurti, T.N., Kumar, V., Mishra, A.K., & Simon, A. (2014). Use of APHRODITE Rain Gauge– Based Precipitation and TRMM 3B43 Products for Improving Asian Monsoon Seasonal Precipitation Forecasts by the Superensemble Method. Journal of Climate, 27(3): 1062-1069.
46. Wallace JM, Gutzler DS. (1981). Teleconnections in the geopotential height field during the Northern Hemisphere winter. Monthly Weather Review, 109: 784–812.
47. Wigley, T.M.L. (2000). Stabilization of CO2 concentration levels. (In) The Carbon Cycle, (eds. T.M.L. Wigley and D.S. Schimel), Cambridge University Press, Cambridge, U.K., 258–276.
48. Zeinali, B., Jalali-Ansroudi, T. and Mostafavi, H. (2013). Investigating the impact of climate change on precipitation-induced nutrition in the Shiramin watershed. Environmental Science Studies, 8 (2), 6602-6589. (In Persian)

References:

1) اسکندری، رقیه، اسمعلی عوری، اباذر، مصطفی‌زاده، رئوف و چوبه، سپیده (1403). ارزیابی تغییرات زمانی و مکانی شاخص‌های حدی اقلیمی بارندگی در بخش مرکزی استان اردبیل. مطالعات علوم محیط‌زیست، 9(1)، 81338119.
2) برون، اشرف، ظهوریان پردل، منیژه، لشکری، حسن، شکیبا، علیرضا، و محمدی، زینب (1404). شناسایی امواج‌گرمایی استان خوزستان و تحلیل همدیدی نقش پرفشار عربستان در ایجاد آن‌ها، اندیشه‌های نو در علوم جغرافیایی، 8(3)، 201.
3) پیرنیا، عبدالله، حبیب‌نژاد روشن، محمود و سلیمانی، کریم (1394). بررسی تغییرات دما و بارندگی در سواحل جنوبی دریای‌خزر و مقایسه آن با تغییرات درمقیاس جهانی و نیمکره شمالی. پ‍‍ژوهشنامه مديريت حوزه آبخيز، ۶ (۱۱)،۱۰۰۹۰.
4) دوستان، رضا (1397). دورپيوند جهاني و دورپيوندهاي منطقه اي ايران، فيزيك زمين و فضا، 44 (3)، 640-625.
5) زینالی، بتول، جلالی عنصرودی، طاهره و مصطفوی، حمیرا (1402). بررسی تأثیر تغییر اقلیم بر تغذیه ناشی از بارش در حوضه آبریز شیرامین. مطالعات علوم محیط‌زیست، 8(2)، 66026589.
6) حجازی‌زاده، زهرا، اکبری، مهری و جمشیدی عینی، زرین (1403). بررسی تاثیر الگوهای پیوندازدور نوسانات اطلس شمالی و انسو بر بارش سواحل جنوبی دریای‌خزر. تحقیقات کاربردی علوم جغرافیایی، ۲۴ (۷۴)، ۳۷۲۴.
7) حیدری، شهاب، صلاحی، برومند، زینالی، بتول و پورقاسمی، الهامه (1403). پیش‌بینی بارش برخی ایستگاه‌های استان لرستان در دو دهه آینده با استفاده از مدلLARSWG . مطالعات علوم محیط زیست، 9(1)، 79767963.
8) خان‌سالاری، سکینه، محمدی، سیده عاطفه، قصابی، زهرا و صالحی، حسن (1403). پیش‌نگری تغییرات مقدار بارش فرین با دوره بازگشت‌های مختلف در ایران بر اساس رویکرد همادی ده مدل‌ CMIP6 در آینده نزدیک. جغرافیا و مخاطرات‌محیطی، 13(3)، 246214.
9) خوش‌اخلاق، فرامرز، قنبری، نوذر و معصوم پور سماکوش، جعفر (1387). مطالعه اثرات نوسان اطلس‌شمالی بر رژیم بارش و دمای سواحل جنوبی دریای‌خزر. پژوهش‌های جغرافیایی، 66، (70/57).
10) ساری صراف، بهروز، رستم‌زاده، هاشم و محمدی، نبی (1403). پیش‌نگری بارش با استفاده از مدل‌های CMIP6 تا پایان قرن 21 در شمال غرب ایران. جغرافیا و مخاطرات‌محیطی، 13(1)، 194-173.
11) ساجد، علی، گندمکار، امیر، و باقری بداغ‌آبادی، محسن (1404). تحلیل روند تغییرات هیدروکلیماتولوژی حوضه آبریز رودخانه آجی چای (تلخه‌رود)، اندیشه‌های نو در علوم جغرافیایی، 8(3)، 131111.
12) صابری لویه، فردین، علیجانی، بهلول و خالدی، شهریار (1398). برآورد تغییرات آب‌وهوایی آینده در ساحل جنوبی دریای‌خزر با استفاده از مدل آب‌وهوایی منطقه‌ای. تحلیل فضایی مخاطرات محیطی، 6(1)، 111138.
13) صلاحی، برومند و بهروزی، محمود (1401). بررسی ارتباط الگوی پیوند‌از‌دور دریای شمال - خزر با بارش‌های ایران (مطالعه موردی: استان اردبیل). پژوهش‌های دانش‌زمین، 13(2)، 201.
14) علوی نیا، حسن و زارعی، مهدی (1400). آنالیز روند تغییر اقلیم با استفاده از شاخص‌های حدی داده‌های بلندمدت بارش و دما در جنوب‌شرق ایران. فصلنامه برنامه‌ریزی منطقه‌ای، 11(44)، 161.
15) عزیزیان، تهمینه، عسگری، احمد (1391). مطالعه‌ اثر نمایه‌ی AO بر پرفشار سیبری و اثرهای احتمالی آن بر بارش منطقه‌ ساحلی جنوب دریای‌خزر. پژوهش‌های علوم و فنون دریایی، 3(7)، 2713.
16) علی‌محمدی، مهریار، قلی‌نژاد، ارسلان، نجاری کهنوج، هادی، محمدی، علی، ذادق آبادی، احمد. (1403). بررسی عوامل جوی تأثیرگذار در نوسانات سطح تراز آب دریای کاسپین از سال 1992 الی 2022، پژوهش‌های اقلیم‌شناسی، 58(58)، 157141.
17) عسگری، احمد و رحیم‌زاده، فاطمه (1385). مطالعه تغییرپذيری بارش دهه‌های اخیر ايران، پژوهش‌های جغرافیايی ايران، 58، 8067.
18) فلاحت‌پیشه، ایمان، یوسفی، یدالله و رورده، همت اله (1402). ارتباط شاخص‌های پیوند‌از‌دور با ناهنجاری‌های دمایی، بارشی و باد استان مازندران در نیمه دوم سال (اکتبر تا مارس)، پژوهش‌های اقلیم‌شناسی،1402(54)، 133148.
19) فرج زاده، منوچهر (1392). تحلیل اثرات تغییر اقلیم بر میزان آبدهی رودخانه مطالعه موردی: رودخانه ششپیر،
مجله جغرافیا و برنامه ریزی محیطی، 24(1)، 32-17.
20) فخیمی، سئودا، زینالی، بتول و صلاحی، برومند. (1403). پیش نگری اثرات تغییر اقلیم بر بارش استان آذربایجان شرقی، مطالعات علوم محیط زیست، 9(4)، 9576-9560.
21) قدرتی، زینب، صلاحی، برومند و صابر، مهناز (1403). ارزیابی روند تغییرات فراوانی روزهای بارش همرفتی در شمال‌غرب ایران به روش من - کندال و شیب سن، مطالعات علوم محیط‌زیست، 9(4)، 958-995
22) قویدل‌رحیمی یوسف، فرج‌زاده اصل، منوچهر و حاتمی زرنه، داریوش (1395). نقش اثرات الگوی پیوند‌از‌دور دریای شمال - خزر در نوسان‌پذیری دماهای بیشینه ایران، نشریه جغرافیا و برنامه‌ریزی، 20(56)، 239255.
23) کثیری، مریم، گودرزی، مسعود، جانباز قبادی، غلامرضا و متولی، صدرالدین (1399). چشم اندازآینده تغییرات دما و بارش در سواحل جنوبی دریای‌خزر، جغرفیای طبیعی، 13(47)، 5135.
24) گندمکار، امیر و خادم الحسینی، احمد (1388). بررسی روند تغییرات بارش در زابل، مجله آمايش محیط، 6، 7765.
25) میر موسوی سیدحسین، دوستکامیان مهدی و ستوده، فاطمه (1395). بررسی و تحلیل الگوی فضایی تغییرات درون دهه‌ای بارش‌های سنگین و فوق سنگین ایران، جغرافیا و برنامه‌ریزی منطقه‌ای، 27(3)، 8667.
26) معنوی‌پور، کبری، زینالی، بتول و صلاحی، برومند (1403). بررسی ارتباط بین بارش‌های سنگین غرب کشور ایران با رودخانه جوی، مطالعات علوم محیط‌زیست، 9(2)،8322-8332.
27) میرهاشمی، حمید و حسنوند، زیبا (1401). ﺗﺄثیر الگوهای پیوند‌از‌دور بر بارش‌های ماهانه ایستگاه‌های شهر خرم‌آباد و کرمانشاه. مدل‌سازی و مدیریت آب‌وخاک، 3(4)، 133-151.
28) نبی بید هندی، غلامرضا، محمدنژاد، شاهین و عبادتی، فاطمه (1387). مفاهیم و پیامدهای تغییر آب و هوا با مروری بر پروتکل کیوتو، تهران: موسسه انتشارات و چاپ دانشگاه تهران.
29) Branstator, G., (2002). Circumglobal teleconnections, the jet stream waveguide, and the North Atlantic Oscillation. Journal of Climate, v. 15(14), p. 18931910.
30) Çağlar, F., Yetemen, O., Pan Chun, K., & Lutfi Sen, O. (2023). The merit of the North SeaCaspian pattern in explaining climate variability in the EuroMediterranean region. International Journal of Climatology, 43(10).
31) Kutiel, H., Y, Benarochy, (2001). North SeaCaspian pattern (NCP)an upper level atmospheric teleconnection affecting the Eastern Mediterranean. Theoretical and Applied Climatology, 69 (1), 3967.
32) Kliengchuay, W., Mingkhwan, R., & Kiangkoo, N. (2024). Analyzing temperature, humidity, and precipitation trends in six regions of Thailand using innovative trend analysis. Sci Rep, 14, 7800 (2024).
33) Karagiannidis, A., F., Karacostas, T., Maheras, P. & Makrogiannis, T. (2012). Climatological aspects of extreme precipitation in Europe, related to midlatitude cyclonic systems. Theor .Appl.Climatol., No. 107, pp. 165174.
34) Khamidov, S., Li, Z., Nasirova, M., Pulatov, B., & Pulatov, A. (2023). Assessment of temperature and precipitation trends in Kashkadarya, Uzbekistan. E3S Web of Conferences, 365, 01005.
35) Mohammadrezaei, M., Soltani, S., & Modarres, R. (2020). Evaluating the effect of oceanatmospheric indices on drought in Iran. Theoretical and Applied Climatology, 140, 219–230.
36) Plewa , K., Perz, A., & Wrzesin´ski, D. (2019). Links between Teleconnection Patterns and Water Level Regime of Selected Polish Lakes. Water, 11, 1330; doi:10.3390/w11071330.
37) Pasquini, A. I., Lecomte, K. L., Piovano, E. L., & Depetris, P. J. (2006). Recent rainfall and runoff variability in central Argentina. Quaternary International, 158(1), 127139.
38) Park, Ch., Choi, J., Son , S., Kim, D., Yeh, S., Kug, J. (2023). SubSeasonal Variability of ENSO Teleconnections in Western North America and Its Prediction Skill. JGR: Atmospheres, 128, 6.
39) Salnikov, V.; Talanov, Y.; Polyakova, S.; Assylbekova, A.; Kauazov, A.; Bultekov, N.; Musralinova, G.; Kissebayev, D.; & Beldeubayev, Y. (2023). An Assessment of the Present Trends in Temperature and Precipitation Extremes in Kazakhstan. Climate, 11, 33.
40) Ratna, Satyaban B., Osborn, Timothy J., Joshi, Manoj., Yang, Bao., & Wang, J. (2019). Identifying teleconnections and multidecadal variability of East Asian surface temperature during the last millennium in CMIP5 simulations. Clim. Past, 15, 1825–1844.
41) Serrano, A., Mateos, V.L., & Garcia, J.A. (1999): Trend Analyisi of Monthly Precipitation Over the Iberian Peninsula for the Period 19211995. phys. Chem. EARTH(B), 24(12), 8590.
42) Sari Saraf, B., Rostamzadeh, H., & Mohammadi, N. (2014). Precipitation forecasting using CMIP6 models until the end of the 21st century in northwestern Iran. Geography and Environmental Hazards, 13(1), 194173.
43) Satyaban B. Ratna, Timothy J. Osborn, Manoj Joshi, Bao Yang, and JianglinWang (2019). Identifying teleconnections and multidecadal variability of East Asian surface temperature during the last millennium in CMIP5 simulations, Clim. Past, 15, 1825–1844.
44) Takeuchi, Z.X.Xu.K., & Ishidiaira. H. (2003). Monitoring Trend Step Changes in Precipition in Japanese Precipitation. Journal of hydrology. 279, 144150.
45) Tan, X., Gan, T.Y., & Shao, D. (2017). Effects of persistence and largescale climate anomalies on trends and change points in extreme precipitation of Canada. Journal of Hydrology, 550, 453465
46) Yatagai, A., Krishnamurti, T.N., Kumar, V., Mishra, A.K., & Simon, A. (2014). Use of APHRODITE Rain Gauge– Based Precipitation and TRMM 3B43 Products for Improving Asian Monsoon Seasonal Precipitation Forecasts by the Superensemble Method. Journal of Climate, 27(3): 10621069.
47) Wallace JM, Gutzler DS. (1981). Teleconnections in the geopotential height field during the Northern Hemisphere winter. Monthly Weather Review, 109: 784–812.
48) Wigley, T.M.L. (2000). Stabilization of CO2 concentration levels. (In) The Carbon Cycle, (eds. T.M.L. Wigley and D.S. Schimel), Cambridge University Press, Cambridge, U.K., 258–276.

Full-Text:



نشريه­ علمي اندیشه‌های نو در علوم‌جغرافیایی، دوره 3، شماره 9، صفحات: 101-126 شاپا: 14732981   تاريخ دريافت: 25/02/1404 تاريخ پذيرش نهايي: 30/04/1404

 

 

شناسایی تغییرات بارش حوضه دریای‌خزر و ارتباط آن با الگوهای پیوند ‌از ‌دور 

 

عماد استکی

دانشجوی دکتری آب و هواشناسی، گروه جغرافیا، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

امیر گندم کار¹

دانشیار گروه جغرافیا، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

علیرضا عباسی

استادیار گروه جغرافیا، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

پرویز رضایی

دانشیار گروه جغرافیا، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

 

چکيده     

بارش یکی از مهم‌ترین و متغیرترین عناصر اقلیمی است و نسبت به سایر عناصر اقلیمی دارای رفتار پیچیده‌تری است. این عنصر از تنوع زمانی و مکانی قابل‌توجهی برخوردار است. هدف از این پژوهش بررسی روند تغییرات بارش حوضه دریای‌خزر و ارتباط آن با الگوهای پیوند‌از‌دور می باشد. در این راستا از داده‌های بارش ماهانه واکاوی شده ERAInterim با توان تفکیک 2 * 2 طی دوره آماری 2023-1970 استفاده شده است. با توجه به غیرنرمال بودن داده‌ها از آزمون ناپارامتری من – کندال برای محاسبه روند استفاده شد. شیب بارش نیز با استفاده از آزمون شیب سن به‌دست آمد. نتایج نشان داد در ماه‌های ژانویه، فوریه، مارس، نوامبر، دسامبر و تا حدودی مه و اکتبر روند افزایشی بارش مشاهده شده است ولی در سایر ماه‌ها تنها روند کاهشی بارش رخ داده است. روند افزایشی بارش در ماه فوریه و روند کاهشی بارش در ماه‌های ژوئن و آگوست بیش از سایر ماه‌ها رخ داده است. همبستگی بارش و الگوهای پیوند‌از‌دور نشان داد از نظر زمانی در ماه‌های ژانویه، فوریه، مارس، ژوئن، آگوست، سپتامبر، اکتبر و دسامبر بین بارش و الگوهای پیوند‌از‌دور همبستگی مشاهده شده است. الگوی EA.WR بیش از سایر الگوها با بارش حوضه همبستگی نشان داده است. پس از آن الگوهای TNA، AMO و AMOS قرار دارند. به طورکلی از نظر زمانی در ماه فوریه بیشترین همبستگی بین الگوهای پیوند‌از‌دور و بارش مشاهده شده و از نظر نوع الگو، الگوی EA.WR بیشترین همبستگی را با بارش حوضه داشته است.

کلمات کلیدی: بارش، شیب سن، من - کندال، دریای‌خزر

 

 

مقدمه

در طول قرن بیستم، آب‌وهوای کره زمین دستخوش تغییراتی شده است که از آن به تغییر اقلیم تعبیر می‌شود. تمایل به افزایش دما، تغییر در الگوی دما و بارش و افزایش فراوانی وقوع توفان‌های گردوغبار بعضی از آثار تغییر اقلیم است. بارش یکی از عناصر اقلیمی است که از تغییرپذیری زیادی برخوردار است. این تغییرات هم در بعد زمان و هم در بعد مکان در بسیاری از اقلیم ایران رخ می‌دهد (میرموسوی و همکاران، 1395). بارش به‌عنوان يکی از عناصر اقلیمی مهم از پیچیدگی‌های خاصی برخوردار است و معمولاً بارش‌های يک نقطه در مقیاس‌های زمانی مختلف دارای توزیع‌های آماری ساده و متقارنی نیست (عسکری و رحیم‌زاده، 1385). کاهش يا افزايش میزان بارندگی بر بسیاری ديگر از پدیده‌های اقلیمی و محیطی مانند رواناب، سیلاب، دمای هوا، رطوبت و همچنین بر بسیاری از فعالیت‌های بشر اثر دارد (گندمکار و خادم الحسینی، 1388)؛ لذا تغییر در بارش می‌تواند یکی از نشانه‌های تغییر اقلیم باشد. از آنجا که هرگونه تغییر معنادار آماری در بارش می‌تواند پیامدهای منفی بر محیط‌زیست، منابع آبی؛ منابع طبیعی و سایر بخش‌ها داشته باشد لذا شناخت روند این تغییرات از اهمیت زیادی برخوردار است. تحلیل روند از جمله مهم‌ترین روش‌های آماری است که به طور گسترده برای ارزیابی اثرات بالقوه تغییر اقلیم بر روی سری‌های زمانی مانند سری‌های زمانی مشاهداتی دما، بارش، جریان رودخانه و... در نقاط گوناگون جهان استفاده شده است. روش‌های آماری زیادی جهت تحلیل روند سری‌های زمانی وجود دارد که این روش‌ها به‌طورکلی در دودسته روش‌های پارامتری و ناپارامتری تقسیم‌بندی می‌شوند. برای سری‌هایی که توزیع آماری خاصی بر آنها قابل برازش نیست، استفاده از روش‌های ناپارامتریک مناسب‌تر است (تاکیوچی و ایشیداریا²، 2003). با بررسی روند می‌توان به این نتیجه رسید که تغییرات رخ‌داده در منطقه در اثر پدیده تغییر اقلیم بوده و یا در نتیجه تغییرات موقتی و طبیعی روی داده است و فرایندی دائمی و همیشگی نمی‌باشند (علوی نیا و زارعی، 1400). تغییر اقلیم همچنین می‌تواند متأثر از الگوهای پیوند‌از‌دور باشد. پیوند‌از‌دور یکی از ویژگی‌های آب‌وهوایی در مقیاس جهانی است. طی این سازوکار، تغییرات رخ‌داده در الگوی دما یا فشار در منطقه‌ای از کره زمین از طریق سامانه‌های بزرگ‌مقیاس میانی به نواحی دیگر منتقل شده و به صورت‌های مختلف، شرایط جوی و آب‌وهوایی را متأثر می‌سازد (خوش‌اخلاق و همکاران، 1386). الگوهاي پیوند‌از‌دور، در واقع ناشی از تغییرات بزرگ‌مقیاس در الگوهاي امواج و رودبادهاي جوي است که بر رژیم بارندگی‌ها و رگبارهاي بارشی در سرزمین‌های وسیع اثر می‌گذارد (برانستاتور³، 2002).

پهنه های آبی یکی از اجزای مهم اقلیم می باشد. دریای‌خزر یک پهنه آبی ۴۲۰ هزار کیلومترمربعی است که بزرگترین دریاچه جهان محسوب می شود و اثرات زیادی بر روی آب و هوای شمال کشور به ویژه گیلان و مازندران دارد. محصور شدن دریای‌خزر در پهنه‌های آبی و کوه‌ها و قرار گرفتن در معرض آب‌و‌هوای خاص، این منطقه را مستعد پدیده‌های خطرناک کرده است. دریای‌خزر به‌عنوان بزرگ‌ترین دریاچه بسته جهان، از نظر بین‌المللی دارای اهمیت زیادی است و نقش شاخصی در زمینه‌های کشتیرانی، بازرگانی، اقتصاد ملی داشته و تأثیر زیادی بر آب‌وهوا و اقلیم منطقه می‌گذارد. این دریا به علت تنوع آب‌وهوایی، میزان تبخیر و درون‌ریز آب‌های شیرین، شرایط اقلیمی بسیار متفاوتی دارد. باتوجه‌به اهمیت این دریا لذا پژوهش حاضر باهدف بررسی روند تغییرات بارش در حوضه دریای‌خزر و ارتباط آن با الگوهای پیوند‌از‌دور شکل‌گرفته است.

 

پیشینه تحقیق

کاراجیاندیس⁴ (2012)، روند بارش های فرین اروپا را بررسی و دریافتند که بارشهای فرین منطقه دارای روند کاهشی، افزایشی و بدون‎‌روند بوده و با افزایش ارتفاع تعداد آنها نیز افزایش می یابد. یاتاگانی⁵ و همکاران (2014: 1062) بارش های فصلی موسمی آسیا را پیش بینی و دریافتندپيش بيني حاصل از پايگاه دادة آفروديت نسبت به پايگاه TRMM از دقت بالاتری برخوردار می باشد. تان⁶ و همکاران (2017) اثرات تداوم و روند نابهنجاری های اقلیمی بزرگ مقیاس و بارش های حدی در کانادا را بررسی و دریافتند اثرات نابهنجاری های اقلیمی بر روندها در فصل زمستان معنی دار است. پلوا⁷ و همکاران (2019) اثر الگوهای پیوندازدور را بر رژیم سطح آب دریاچه‌های منتخب لهستان بررسی و نتیجه گرفتند ارتباط¬های مشاهده شده در الگوهایAO  و NAO مهم‌تر و در الگوهایEA و SCAND ضعیف‌تر هستند. استیابان⁸ و همکاران (2019) تأثیر الگوهای پیوند‌از‌دور را بر دمای سطح آسیای شرقی مطالعه و دریافتند رابطه دمای شرق آسیا با الگوی AMO توسط عوامل خارجی و رابطه با الگوی PDO متأثر از تغییر در الگوهای داخلی می‌باشد. محمدرضایی و همکاران (2020) اثر شاخص‌های اتمسفری اقیانوسی را بر خشکسالی ایران بررسی و نشان دادندAMO  به عنوان مهمترین شاخص در مدل‌سازی رابطه بین شاخص‌های خشکسالی در ایران مورد استفاده قرار گیرد. پارک⁹ و همکاران (2023) تغییرپذیری فصلی الگوی انسو را در شمال غربی آمریکا بررسی کردند. نتایج شبیه‌سازی بهتر انسو در ارتباط با همرفت حاره‌ای و الگوهای پیوند‌از‌دور در مدل را برای بهبود پیش‌بینی طولانی‌مدت آب و هوای سطح شمال غربی آمریکا نشان داد. سالنیکو¹⁰ و همکاران (2023) روندهای دما و بارش در قزاقستان را بررسی کردند. نتایج نشان داد که قلمرو قزاقستان بر اساس تغییرات آب و هوایی به نیمه جنوب غربی و شمال شرقی تقسیم شده است. روندهای شدید در نیمه جنوب غربی بیشتر مشهود است، جایی که روند قابل توجهی هم برای افزایش دمای بسیار بالا در روز و هم در شب بسیار پایین شناسایی شده است. روند شاخص بارش بر خلاف دما در اکثر نقاط کشور از نظر آماری ناچیز است. خامیدو¹¹ و همکاران (2023) روندهای دما و بارش در کشکادریا ازبکستان را بررسی کردند. نتایج نشان داد که میانگین دما از 53/14 درجه سانتیگراد طی سال‌های 2006-2010 به 40/14 درجه سانتیگراد طی سال‌های 2011-2015 کاهش یافته است. در سال‌های 2021-2040. کمترین و حداکثر میزان بارش به ترتیب در سال‌های 1385 تا 1389 در منطقه 23/11 و 91/55 میلی‌متر بوده، در حالی که این میزان در دوره دوم (13901390)، 96/11 میلی‌متر و 28/60 میلی‌متر افزایش یافته است. بارش از سال 2021 تا 2040 به شدت از SSP2.6 به SSP8.5 تغییر نخواهد کرد. کاگلار¹² و همکاران (2023) الگوی دریای شمال خزر در تبیین تغییرات اقلیمی در منطقه اروپا – مدیترانه را بررسی کردند. نتایج نشان داد که NCP به خوبی با جابجایی در دریای مدیترانه و با قدرت فرورفتگی در شرق آسیا ارتباط دارد. ناهنجاری‌های آب و هوایی نشان داده شده توسط NCP در مقایسه با سایر الگوهای پیوند‌از‌دور بیشتر و از نظر فضایی سازگارتر بود. NCP تغییرپذیری آب‌و‌هوا را در تمام فصول توضیح داد که مراکز الگوهای پیوند‌از‌دور را در شرق و غرب اوراسیا به هم مرتبط می کند. کلینگچوری¹³ و همکاران (2024) روند دما، رطوبت و بارش در شش منطقه تایلند را بررسی کردند. نتایج نشان داد که هر شش منطقه یک روند صعودی در شاخص دما و رطوبت داشتند. در حالی که رطوبت‌نسبی و بارش هر دو روند صعودی و نزولی را در مناطق مختلف نشان دادند. مناطق جنوبی و شرقی روند افزایشی معنی‌داری را در رطوبت‌نسبی و شاخص رطوبت در سطح معنی‌داری 5 درصد نشان دادند. خوش‌اخلاق و همکاران (1387) اثرات نوسان اطلس شمالی را بر بارش و دمای سواحل جنوبی خزر با استفاده از آزمون همبستگی بررسی کردند. نتایج نشان داد مرحله مثبت شاخص نوسانات اطلس شمالی با دوره‌های افزایش بارش و کاهش دما و مرحله منفی شاخص با دوره‌های کاهش بارش و افزایش دما همزمان است. پیرنیا و همکاران (1394) تغییرات دما و بارندگی در سواحل جنوبی دریای‌خزر و مقایسه آن با تغییرات در مقیاس جهانی و نیمکره شمالی را بررسی کردند. نتایج نشان داد دما در تمام ایستگاه‌های مورد مطالعه به جز ایستگاه گرگان افزایش و بارندگی هم در ایستگاه‌های مختلف، تغییرات متفاوتی را داشته است که این شرایط می‌تواند تاثیری از افزایش گازهای گلخانه‌ای در سطح محلی، منطقه‌ای و جهانی و همچنین فاصله از منبع عظیم آبی دریای‌خزر باشد. قویدل‌رحیمی و همکاران (1395)، نقش الگوهای پیوند‌از‌دور دریای شمال را در تغییرات بارش سواحل خزر بررسی کردند. نتایج پژوهش آنها حاکی از وجود رابطه معنی‌دار و مستقیم بین پارامترهای مورد مطالعه می‌باشد. صابری و همکاران (1398) تغییرات آب و هوایی آینده در ساحل جنوبی دریای‌خزر با استفاده از مدل آب‌و‌هوایی منطقه‌ای را برآورد کردند. نتایج نشان داد ضریب تغیرات بارش و دما برای کل حوضه خزر افزایشی است و در ناحیه جنوبی الگوی نامنظمی بر آستانه‌های بارش حاکم است. کثیری و همکاران (1399) چشم‌انداز آینده تغییرات دما و بارش در سواحل جنوبی دریای‌خزر را بررسی کردند. نتایج نشان داد که مدل SDSM توانایی لازم جهت شبیه‌سازی تغییرات دما و بارش در منطقه مورد مطالعه را دارد. تغییرات بارش نشان داد که به جز ایستگاه گرگان در سایر ایستگاه‌های مورد مطالعه میزان بارش در همه ادوار آینده نسبت به دوره پایه کاهش پیدا خواهد کرد که میزان آن به طور متوسط در طول دوره آینده (21002021) برابر با 6/3 درصد خواهد بود. بیشترین تغییرات آن نیز مربوط به نواحی مرکزی و سپس غربی منطقه مورد مطالعه است. همچنین سناریوRCP8.5 بیشترین تغییرات دما و بارش را نشان داد. صلاحی و بهروزی (1401) ارتباط الگوی پیوند‌از‌دور دریای شمال خزر با بارش‌های استان اردبیل را بررسی کردند. نتایج نشان داد که در مشگین‌شهر، همبستگی بارش و NCP در فوریه و دسامبر مثبت و معنادار بود، اما در مقیاس فصلی، ارتباطی بین آنها وجود نداشت. همبستگی بارش‌های اردبیل با شاخص NCP معنادار نبود، ولی در خلخال، بارش ماه‌های نوامبر و دسامبر با شاخص NCPهمبستگی مثبت داشت. بیشترین همبستگی بین بارش پاییزه پارس‌آباد و شاخص NCP بود که همبستگی آنها مثبت و در سطح 99 درصد معنادار بود. زینالی و همکاران (1402) تاثیر تغییر اقلیم بر تغذیه ناشی از بارش در حوضه آبریز شیرامین را بررسی کردند. نتایج نشان داد که در کنار کاهش بارش، در آینده دما در حوضه آبریز شیرامین بر اساس دو سناریوی مورد بررسی افزایش خواهد یافت. فلاحت‌پیشه و همکاران (1402) ارتباط شاخص‌های پیوند‌از‌دور با ناهنجاری‌های دمایی، بارشی و باد استان مازندران در نیمه دوم سال را بررسی کردند. نتایج نشان داد ارتباط چشمگیری بین تغییر فاز دوره‌ای شاخص AMO با پارامتر باد مازندران وجود دارد؛ به‌طوری‌که ضریب همبستگی بین این دو 7/0 می‌باشد. میرهاشمی و حسنوند (1402) تأثیر الگوهای پیوند‌از‌دور بر بارش‌های ماهانة ایستگاه‌های خرم آباد و کرمانشاه را بررسی کردند. نتایج نشان داد الگوهای اقیانوس اطلس عمدتاً در فصل زمستان موجب تغییر معنادار بارش شده‌اند در صورتی‌که الگوهای مبتنی بر اقیانوس آرام در فصل پاییز اثر معناداری بر بارش داشته‌اند. حجازی‌زاده و همکاران (1403) تاثیر الگوهای پیوندازدور نوسانات اطلس شمالی و انسو بر بارش سواحل جنوبی دریای‌خزر را بررسی کردند. نتایج بیانگر ارتباط معنی‌دار مثبت بین شاخص چند متغیره انسو و بارش ایستگاه‌ها در فصل پائیز و بعضا اوایل زمستان است. معنوی پور و همکاران (1403) ارتباط بین بارش‌های سنگین غرب کشور ایران با رودخانه جوی را بررسی کردند. نتایج نشان داد که این بارش‌ها در سه الگو عمده قابل بررسی هستند. منشا رودخانه‌های الگوی اول دریای سرخ، دریای عرب و خلیج فارس بوده و در الگوی دوم و سوم علاوه بر مسیر ذکر شده در الگوی اول دریای مدیترانه نیز نقش داشته است. در مجموع بین رخ داد بارش‌های سنگین در غرب ایران و رودخانه‌ جوی یک ارتباط مستقیمی وجود دارد. قدرتی و همکاران (1403) روند تغییرات فراوانی روزهای بارش همرفتی در شمال غرب ایران را بررسی کردند. نتایج بیانگر روند افزایشی در ایستگاه‌های ماکو، ارومیه و مشکین‌شهر است. هم‌چنین فراوانی بارش در ایستگاه‌های بستان‌آباد، مهاباد، اردبیل و پارس‌آباد بدون‎‌روند بوده و در سایر ایستگاه‌ها روند کاهشی بدون معنی‌داری را نشان می‌دهد. اسکندری و همکاران (1403) تغییرات زمانی و مکانی شاخص‌های حدی اقلیمی بارندگی در بخش مرکزی استان اردبیل را بررسی کردند. براساس نتایج بدست آمده شاخص‌های حداکثر بارش ماهانه یک‌روزه، حداکثر بارش ماهانه 5 روزه و مجموع بارش سالانه در روزهای بارانی در بخش‌ مرکزی و غربی به‌ترتیب کم‌ترین و بیش‌ترین تغییرات را نشان می‌دهند. شاخص‌های شدت بارش خام، مجموع بارش سالانه در 95 درصد روزهای بارانی در بخش‌های شمالی، جنوبی و غربی استان اردبیل بیش‌ترین مقدار و در بخش شرقی منطقه کم‌ترین مقدار را نشان‌ می‌دهد. شاخص‌های تعداد روزهای دارای بارش 10 میلی‌متر یا بیش‌تر، تعداد روزهای دارای بارش 20 میلی‌متر یا بیش‌تر و مجموع بارش سالانه در 99 درصد روزهای بارانی به‌ترتیب کم‌ترین و بیش‌ترین مقدار را در شرق و شمال‌غربی منطقه نشان داد. حیدری و همکاران (1403) تغییرات بارش برخی ایستگاه‌های استان لرستان در دو دهه آینده را بررسی کردند. نتایج نشان داد در ایستگاه الشتر از نظر میانگین بارش سالانه نیز 3/6 تا 9 میلی‌متر افزایش خواهد داشت و ایستگاه الیگودرز نیز روند از نظر بارش نیز افزایش در حدود 31 تا 2/33 میلی‌متر افزایش نشان داد. همچنین در ایستگاه کوهدشت پارامتر بارش کاهش 70 تا 3/80 میلی‌متر پیش‌بینی شده است. خان‌سالاری و همکاران (1403) تغییرات مقدار بارش فرین با دوره بازگشت‌های مختلف در ایران را پیش‌نگری کردند. مقایسه پیش‌نگری بارش‌های فرین با دوره تاریخی نشان داد که درصد تغییرات مقدار بارش فرین پیش‌نگری شده در سناریو SSP24.5، نسبت به دو سناریو دیگر بیشتر است. همچنین به سمت دوره بازگشت‌های طولانی تر درصد افزایش مقدار بارش پیش‌نگری شده افزایش و منطقه رخداد آن نیز گسترش می‌یابد. بیشترین افزایش مقدار بارش فرین پیش‌نگری شده (بیشتر از 25 درصد) در سناریو خوش‌بینانه در ایستگاه‌های گرگان، بابلسر، بجنورد، اراک، اصفهان و زاهدان، در سناریو میانه در ایستگاه‌های گرگان، سنندج، همدان، اراک، کاشان، اصفهان، شیراز، فسا، میناب، بوشهر، بندرعباس، بندرلنگه، ابوموسی و در سناریو بدبینانه در ایستگاه‌های بجنورد، بیرجند، اراک، کاشان و سمنان مشاهده شد. ساری‌صراف و همکاران (1403) بارش شمال‌غرب ایران را با استفاده از مدل‌های CMIP6 تا پایان قرن 21 پیش‌نگری کردند. نتایج حاصل از پیش‌نگری تغییرات بارش نیز نشان داد بارش بر اساس سناریوی SSP12.6 در هر سه دوره آینده و به‌طور متوسط تا پایان قرن 21 به میزان 6/2 درصد افزایش پیدا خواهد کرد و در بیشتر ایستگاه‌ها در سطح 01/0 درصد معنی‌دار شده است؛ اما بر اساس سناریوهای SSP37.0 و SSP58.5 میزان بارش تا پایان قرن 21 به ترتیب 5/14 و 6/3 درصد کاهش پیدا خواهد کرد که بیشترین میزان کاهش آن نیز مربوط به مناطق پربارش در جنوب‌غرب منطقه است. میزان کاهش در مناطق غربی و جنوب‌غربی در سطح 01/0 درصد معنی‌دار شده است. ساجد و همکاران (1404) روند تغییرات هیدروکلیماتولوژی حوضه آبریز رودخانه آجی‌چای(تلخه‌رود) را بررسی کردند. نتایج نشان داد جریان رودخانه آجی‌چای در مقیاس سالانه در ایستگاه ونیار روند نزولی با شیب تند داشته است. همچنین روند نزولی معناداری در دادهای دبی در مقیاس فصلی در فصول پاییز، زمستان و بهار مشاهده شد. برون و همکاران (1404) امواج گرمایی استان خوزستان را بررسی کردند. نتایج نشان داد که در اکثر قریب به اتفاق امواج گرمایی در لایه‌های زیرین ورد سپهر زبانه‌های چرخندی پاکستان و عربستان به عنوان مهمترین سامانه تاثیرگذار در انطباق با الگوی توپوگرافی متطقه(ارتفاعات زاگرس جنوبی) و الگوی چرخشی سامانه سبب فرارفت گرم دمای تابشی بیابان‌های گرم لوت و عربستان بر روی استان خوزستان بوده‌اند. 

 

مبانی نظری

تغییر اقلیم:

آب‌وهوای زمین به طور طبیعی تغییر می‌کند و هر جزیی از این سیستم پیچیده، مقیاس زمانی متفاوتی را در بر می‌گیرد. اتمسفر در هر ساعت تغییر می‌کند و تغییرات جزیی آن قابل پیش‌بینی نیست. لایه‌های بالایی اقیانوس‌ها در طول چند فصل به حالت تعادل در می‌آید، در حالی که تغییرات در اعماق اقیانوس‌ها ممکن است قرن‌ها طول بکشد (نبی‌بیدهندی و همکاران، 1387). تغییر اقلیم به پدیده ای اطلاق می شود که سبب تغییر دما، بارش و یا فراسنج های دیگر جوی می شود، به طوری که اقلیم و سیستم های آب و هوایی تغییر کند(فخیمی و همکاران، 1403). تغییر اقلیم در مقیاس جهانی و در دراز مدت متاثر از عوامل مختلفی چون فعالیت های خورشیدی، آتشفشان ها، گازهای گلخانه ای اتمسفر و نهایتا فعالیت های انسانی می باشد. این تغییر منجر به دگرگونی در وضع آب و هوا، تغییر مکانی و زمانی بارش و دما، جریانات سطحی، تبخیر و غیره خواهد شد. بارش و دما دو عنصر اصلی در شناسایی اقلیم یک منطقه محسوب می شوند (فرج زاده ،1392). تغییراقلیم یکی از معظلات کنونی جامعه بشری است و تهدید جدی برای سیاره زمین بشمار می آید. افزایش دمای کره زمین سبب تغییرات ژرف و وسیع در اقالیم سطح زمین می گردد و موجب بروز تغییراتی در زمان و مکان بارش و طوفان ها می شود. با افزایش جمعیت و گسترش فعالیت های صنعتی و استفاده از سوخت های فسیلی، CO2 از حدود 280 PPM در زمان قبل از صنعتی شدن به حدود 370 PPM در دوره کنونی افزایش یافته است که این رقم برابر با حدود 35 درصد است (ویگلی، 2000). تغییرات اقلیمی یکی از مهمترین و پیچیده ترین نگرانی های قرن حاضر و آینده است. آثار خطرناک تغییرات اقلیمی بر حیات بشر، تقریباً تمامی جوانب زندگی را در بر خواهد گرفت. خشکسالی، بالا آمدن سطح آب دریاها، طوفان های سهمگین، کاهش منابع آب شیرین، گرم شدن هوا، آتش سوزی جنگل ها و بیابان زایی از جمله این آثار هستتند (محمدی و همکاران، 1400). تغییر اقلیم یکی از مهم ترین مشکلات اکولوژیکی قرن 21 است. با توجه به گزارش پنجم هیئت بین دول تغییرات آب و هوایی، این تغییرات جهانی به احتمال بسیار زیاد ناشی از عوامل انسانی است. بررسی های مختلف نشان می دهد که این پدیده می تواند بر سیستم های مختلف منابع آب، کشاورزی، محیط زیست، صنعت و اقتصاد اثرات منفی داشته باشتد (فخیمی و همکاران، 1403).

 

پيوند از دور:

پيوند از دور، يكي از ویژگی‌های آب‌وهوایی در مقياس جهاني است. طي اين سازوكار، تغييرات رخ‌داده در الگوي دما يا فشار در منطقه‌ای از کرة زمين از طريق سامانه‌های بزرگ‌مقیاس مياني به نواحي ديگر منتقل شده و به صورت‌های مختلف، شرايط جوي و آب‌وهوایی را متأثر می‌سازند (خوش‌اخلاق و همکاران، 1387). الگوهاي پیوند‌از‌دور ناشی از تغییرات بزرگ‌مقیاس در الگوهاي امواج و رودبادهاي جوي است که بر رژیم بارندگی‌ها و رگبارهاي بارشی در سرزمین‌های وسیع اثر می‌گذارد (برانستاتور¹⁴، 2002). پیوند‌از‌دور همبستگی‌ها و ارتباط معنی‌دار بین نوسانات پارامترهاي هواشناسي است که در نقاط وسيع و جدا از هم در سطح زمين اتفاق می‌افتد (والانس و گونزالز¹⁵، 1981). پيوند از دور را رابطه معني دار پيوسته بين سري زماني ماهانه يا بالاتر پارامترهاي اقليمي در نقاط دور از هم تعريف كردند. مهم ترين دورپيوندها در اقيانوس اطلس، آرام و خشكي اوراسيا، از جمله نوسان اطلس شمالي، انسو، آرام-آمريكاي شمالي، مادان جولين، نوسان قطبي، اطلس شرقي، اطلس شرقي -روسيه غربي، مديترانه شرقي و غيره مي باشند. اين پديده معيار مهمي براي پيش بيني پارامتر اقليمي با همبستگي مستقيم و تأخيري در مقياس ماهانه و روزانه است؛ بنابراين تغييرات در يك پديده دور پيوندي با تغيير و بي هنجاري گردش بزرگ مقياس و نيمكره اي نمود دارد (دوستان، 1397).

 

الگوی دریای شمال‌ - خزر (NCP):

الگوی دریای شمال - خزر (NCP) یکی از جدیدترین الگوهای دور‌پیوند است که توسط (کوتیل و بناویچ¹⁶، 2001) بنا نهاده شده است. الگوی مذکور بین دو منطقه جغرافیایی دریای شمال و خزر واقع است که مورد شناسایی قرار گرفته است. این الگو در فصل زمستان و فصول انتقالی نمایان‌تر از سایر فصول است(کوتیل و بناروچ، 2001). 

روش‌شناسی تحقیق

در این پژوهش از داده‌های بارش ماهانه واکاوی شده ERAInterim با توان تفکیک 2 * 2 طی دوره آماری 2023-1970 استفاده شده است. سنجش بهنجاری داده‌ها با استفاده از آزمون اندرسون دارلینگ انجام شد. با توجه به غیرنرمال بودن داده‌ها از آزمون ناپارامتری من - کندال برای محاسبه روند استفاده شد. از آزمون شیب سن نیز برای به‌دست آوردن شیب بارش استفاده شد. با توجه به به حجم زیاد مقادیر روند و شیب بارش لذا این اطلاعات به نرم‌افزار Arc Gis منتقل و به صورت نقشه‌های پهنه‌بندی ارائه شدند. بدین صورت امکان نمایش و پراکندگی موقعیت مکانی و زمانی روند بارش حوضه فراهم شده است. نمودارهای سری‌زمانی بارش نیز در نرم‌افزار اکسل ترسیم گردید. از داده‌های الگوهای پیوند‌از‌دور نیز طی همان دوره استفاده شد. با توجه به اینکه داده‌های شاخص NCP (دریای شمال – خزر) از دوره 2005-1948 موجود بود؛ لذا برای تکمیل دوره، از رابطه (1) استفاده و شاخص تا 2023 محاسبه شد. برای الگوی مذکور شاخص عددی تعریف شده که بر پایه اختلاف ارتفاع ژئوپتانسیل تراز 500 هكتوپاسكال بین دریای شمال و دریای‌خزر مورد محاسبه قرار گرفته است. در جدول (1) الگوهای پیوند‌از‌دور مورد استفاده معرفی شده‌اند.

رابطه (1)

          

که در آن NCP شاخص الگوی دریای شمال - خزر و میانگین ارتفاع ژئوپتانسیل (متر) بین دو منطقه‌ای است که در داخل پرانتز آورده شده است. اساس تفکیک فاز منفی از فاز مثبت آستانه استاندارد شده ماهانه ۵/۰ ± است. شاخص ماهانه‌ای که فاز منفی و مثبت با آن شناسایی می‌شوند بر اساس معادله زیر مورد محاسبه قرار می‌گیرد:

رابطه (2)

 

که در آن NCPi مقدار ماهانه شاخص دریای شمال خزر در سال i، میانگین بلندمدت ماهانه شاخص دریای شمال خزر، σ انحراف معیار بلندمدت شاخص هستند (کوتیل و بناروچ، 2002).

 

 

 

 

 

 

 

 

 

جدول 1: مشخصات الگوهای پیوند‌از‌دور مورد مطالعه

ردیف	نام اختصاری	نام کامل	نام فارسی
1	EA.WR	Eastern Asia/Western Russia	شرق آسیا/غرب روسیه
2	NAO	North Atlantic Oscillation	نوسانات اقیانوس اطلس شمالی
3	SOI	Southern Oscillation Index	شاخص نوسانات جنوبی
4	TNA	Tropical Northern Atlantic Index	شاخص حاره‌ای اقیانوس اطلس شمالی
5	AO	Antarctic Oscillation	الگوی شمالگان
6	AMO	Atlantic multidecadal Oscillation	نوسانات چند دهه‌ای اقیانوس اطلس
7	AMM	Atlantic Meridional Mode	حالت نصف‌النهاری اقیانوس اطلس
8	AMOS	AMO smoothed	نوسانات چند دهه‌ای اقیانوس اطلس هموار شده
9	NTA	North Tropical Atlantic SST Index	شاخص دمای سطح آب حاره‌ای اطلس شمالی
10	NOI	Northern Oscillation Index	شاخص نوسان شمالی
11	NCP	North SeaCaspian Pattern	شاخص دریای شمال  خزر

 

آزمون من – کندال

این آزمون ابتدا توسط من (1945) ارایه و سپس توسط کندال (1975) بسط و توسعه یافت (سرانو¹⁷، 1999، 85). آزمون من کندال جزء متداول‌ترین و پرکاربردترین روش‌های ناپارامتریک تحلیل روند سری‌های زمانی به شمار می‌رود و با استفاده از روش من - کندال تغییرات روند داده‌ها شناسایی می‌شود. این روش به گونه گسترده و متداولی در تحلیل روند سری‌های زمانی هیدرولوژیکی و هواشناسی بکار می‌رود (پاسکوینی¹⁸ و همکاران، 2006).

 

معرفی منطقه موردمطالعه

حوضه دریای‌خزر یکی از حوضه‌های آبی اروپا است که با مساحت 3359260 کیلومترمربع بین طول‌جغرافیایی 31 تا 66 درجه شرقی و عرض‌جغرافیایی 33 تا 62 درجه شمالی قرار گرفته است. زیرحوضه‌های اورال، ولگا، کارا بوگازگل، آراکاس و ترک در این حوضه قرار دارند. این حوضه مابین کشورهای روسیه، قزاقستان، افغانستان، ازبکستان، ترکمنستان، ایران، ارمنستان، گرجستان، آذربایجان و ترکیه قرار دارد. دریای‌خزر که بزرگترین حوضه آبی محصور در خشکی جهان شناخته می‌شود، نیز در محدوده این حوضه قرار گرفته است (شکل 1). تأمین رطوبت هوا برای بارش باران و برف و برقراری اعتدال دمایی دو کارکرد مهم این دریا در منطقه است که اثرات مثبت و منفی دارد، اما اثرات مثبت آن بسیار بیشتر از اثرات منفی آن بوده و موجب می شود که گیلان و مازندران و حتی گلستان به عنوان منطقه معتدل شناخته شود. یکی از بزرگترین آسیب های تغییر اقلیم ناهنجار شدن وضعیت آب‌و‌هوا و کاهش بارش در این منطقه می‌باشد. به‌طوری‌که در گذشته شالیکاران منطقه گیلان در فصل بهار با بارش باران مواجه بودند، اما طی چند سال اخیر در فصل بهار چندین روز بدون بارش در گیلان ثبت شده است. یکی دیگر از پیامدهای گرمایش جهانی و افزایش تبخیر، وقوع بارندگی های سیل آسا در منطقه می‌باشد. هرچقدر آب دریا گرم تر شود، منبع عظیمی از انرژی در مواجهه با سامانه های جوی شکل می گیرد و در چند سال اخیر رکوردهای بارش ایران شکسته شد. در واقع سامانه های بارش زایی که از دریای‌خزر عبور می کنند با حجم زیادی از رطوبت برخورد دارند و لذا بارش ها به سمت حدی شدن پیش می رود که یکی از اثرات منفی تغییر اقلیم است.

 

 

شکل 1: موقعیت جغرافیایی حوضه موردمطالعه

مآخذ: نگارندگان، 1403 

بحث و یافته‌ها

روند بارش حوضه موردمطالعه بررسی و نقشه‌های پهنه‌بندی آن در شکل‌های (2) و (3) نشان داده شده است. در ماه ژانویه گوشه جنوب‌شرقی حوضه که در شمال‌شرق ایران و شمال‌غرب افغانستان قرار دارد از روند کاهشی بارش برخوردار بوده است. شمال‌غربی حوضه و مرکز حوضه که در کشورهای روسیه و قزاقستان قرار دارد نیز روند افزایشی بارش داشته اند. در ماه فوریه در قسمت‌هایی از شمال‌غرب، مرکز و جنوب‌شرق حوضه روند افزایشی بارش مشاهده شده است. در ماه مارس نیز در قسمت‌هایی از شمال، مرکز و جنوب‌شرق حوضه بارش روند افزایشی داشته است. در ماه آوریل قسمت اندکی از شمال‌غرب و غرب حوضه روند کاهشی بارش داشته و سایر قسمت‌های حوضه بدون‎‌روند بوده است. در ماه مه در قسمت‌هایی از شمال و جنوب حوضه روند کاهشی بارش و در قسمت‌های اندکی از مرکز حوضه روند افزایشی بارش مشاهده شده است. سایر قسمت‌های حوضه بدون‎‌روند بوده‌اند. طی ماه ژوئن نیمه شمالی حوضه واقع در کشور روسیه و جنوب‌غربی حوضه روند کاهشی بارش داشته و سایر قسمت‌های حوضه بدون‎‌روند بوده است.

 

شکل 2: پهنه بندی روند بارش حوضه مورد مطالعه طی ماه‌های ژانویه تا ژوئن

مآخذ: نگارندگان، 1403

 

طبق شکل (3) در ماه ژولای مناطق شمال‌شرق حوضه و همچنین قسمت‌های اندکی از غرب حوضه روند کاهشی بارش داشته است. در ماه آگوست نیز نیمه شمالی حوضه و غرب حوضه از روند کاهشی بارش برخوردار بوده است. در ماه سپتامبر قسمت اندکی از شمال‌شرق و جنوب حوضه روند کاهشی داشته است. در ماه اکتبر روند افزایشی در قسمتی از شرق حوضه و شمال حوضه مشاهده شده و در قسمت اندکی از جنوب‌غرب نیز روند افزایشی بارش رخ داده است. در ماه نوامبر جنوب‌شرق حوضه و قسمت اندکی از مرکز حوضه از روند افزایشی برخوردار بوده است. محدوده کوچکی از شمال حوضه نیز روند کاهشی داشته است. در ماه دسامبر قسمتی از جنوب حوضه که در محدوده شمال‌شرق ایران قرار دارد روند کاهشی بارش داشته است. قسمتی از مرکز حوضه که در محدوده شمال دریای‌خزر قرار دارد و قسمتی از شمال‌غرب حوضه نیز روند افزایشی بارش داشته است.

  

شکل 3: پهنه‌بندی روند بارش حوضه مورد مطالعه طی ماه‌های ژولای تا دسامبر

مآخذ: نگارندگان، 1403 

بررسی شیب بارش

باتوجه‌به شکل (4) در ماه ژانویه در قسمتی از شمال‌شرق، غرب و جنوب‌شرق حوضه بارش بین 0 تا 0.38 میلیمتر کاهش داشته است. در سایر قسمت‌های حوضه نیز بین 0.001 تا 0.5 میلیمتر افزایش داشته است. در ماه فوریه غرب حوضه حدود 0 تا 0.22 میلیمتر کاهش بارش داشته و سایر قسمت‌های حوضه بین 0.001 تا 0.5 میلیمتر افزایش بارش داشته اند. طی ماه مارس در قسمت‌هایی از شرق و غرب دریای‌خزر بارش بین 0 تا 0.49 میلیمتر کاهش داشته و در سایر قسمت‌های حوضه بین 0.5 تا 0.8 میلیمتر افزایش داشته است. در ماه آوریل در شمال حوضه واقع در کشور روسیه و قسمت‌هایی از مرکز حوضه که در شمال دریای‌خزر قرار دارند بین 0 تا 0.49 میلیمتر بارش کاهش داشته است. جنوب حوضه و قسمت‌هایی از مرکز حوضه نیز بین 0.001 تا 0.5 میلیمتر بارش افزایش داشته است. طی ماه مه نیمه شمالی و نیمه جنوبی حوضه بارش تا 0.49 میلیمتر کاهش داشته است. در گوشه جنوب‌غربی حوضه نیز بین 0.5 تا 2.32 میلیمتر کاهش داشته است. مرکز حوضه نیز 0.001 تا 0.4 میلیمتر افزایش داشته است. در ماه ژوئن مرکز، جنوب و جنوب‌شرق تا 0.49 میلیمتر کاهش بارش داشته‌اند. نیمه شمالی حوضه و جنوب‌غرب حوضه نیز بین 0.5 تا 2.81 میلیمتر بارش کاهش داشته است.

 

شکل 4: پهنه‌بندی شیب بارش حوضه مورد مطالعه طی ماه‌های ژانویه تا ژوئن

مآخذ: نگارندگان، 1403

طبق شکل (5) در ماه ژولای شرق حوضه بین 0.001 تا 0.1 میلیمتر افزایش بارش داشته است. نیمه شمالی حوضه نیز بین 0.5 تا 1.89 کاهش بارش را تجربه کرده است. قسمتی از غرب حوضه نیز کاهش بارش مشاهده شده است. در سایر قسمت‌های حوضه نیز تا 0.49 میلیمتر بارش کاهش داشته است. در ماه آگوست نیمه شمالی حوضه و قسمتی از غرب حوضه بین 0.5 تا 1.83 بارش کاهش داشته است. در سایر قسمت‌های حوضه تا 0.49 میلیمتر کاهش بارش رخ داده است. طی ماه سپتامبر در گوشه شمال‌شرقی حوضه بین 0.5 تا 0.76 میلیمتر کاهش بارش مشاهده شده است. قسمتی از مرکز حوضه به سمت جنوب‌غربی حوضه بین 0.001 تا 0.4 میلیمتر افزایش بارش و سایر قسمت‌های حوضه نیز بین 0.5 تا 0.7 میلیمتر کاهش بارش داشته است. در ماه اکتبر قسمت اندکی از شمال‌شرق حوضه و قسمت‌هایی از غرب و جنوب‌غرب حوضه بین 0.001 تا 0.6 میلیمتر بارش افزایش داشته است. سایر قسمت‌های حوضه نیز کاهش بارش رخ داده است. در ماه دسامبر جنوب‌غرب و جنوب‌شرق حوضه بین 0 تا 0.3 میلیمتر کاهش بارش داشته اند. سایر قسمت‌های حوضه نیز از افزایش بارش برخوردار بوده اند که مقدار آن بین 0.001 تا 0.7 بوده است.

 

شکل 5 : پهنه‌بندی شیب بارش حوضه مورد مطالعه طی ماه‌های ژولای تا دسامبر

مآخذ: نگارندگان، 1403 

 

بررسی سری‌زمانی بارش در شکل (6) نشان‌دهنده آن است که نمودارهای ترسیم شده در ماه‌های فوریه، مارس و ژوئن معنادار بوده اند. در ماه‌های فوریه و مارس بارش به میزان حدود 10 میلیمتر افزایش داشته است. در ماه ژوئن بارش رو به کاهش بوده است. در این ماه بارش به میزان 34.5 میلیمتر طی دوره مورد مطالعه همراه با کاهش بوده است.

 

شکل 6: نمودارهای سری‌زمانی بارش حوضه مورد مطالعه طی ماه‌های ژانویه تا ژوئن

مآخذ: نگارندگان، 1403 

 

باتوجه‌به شکل (7) نمودارهای سری‌زمانی بارش در ماه‌های ژولای، آگوست و در مقیاس سالانه معنادار بوده اند. بارش ماه ژولای نشان‌دهنده آن است که میزان بارش حدود 28.5 میلیمتر کاهش داشته است. در ماه آگوست نیز بارش حدود 26 میلیمتر کاهش داشته است.

 

شکل 7: نمودارهای سری‌زمانی بارش حوضه مورد مطالعه طی ماه‌های ژولای تا دسامبر

مآخذ: نگارندگان، 1403 

 

در شکل (8) سری‌زمانی بارش سالانه ارائه شده و نشان‌دهنده آن است که طی این دوره بارش 82 میلیمتر کاهش داشته است.

 

 

شکل 8: نمودار سری‌زمانی بارش سالانه حوضه مورد مطالعه

مآخذ: نگارندگان، 1403

همبستگی بین بارش و الگوهای پیوند‌از‌دور انجام و نتایج آن در جدول (2) ارائه شده است. طبق این نتایج بارش حوضه خزر با الگوی EA.WR بیش از سایر الگوها همبستگی نشان داده است. شاخص مذکور در ماه‌های ژانویه، فوریه، ژوئن، آگوست، سپتامبر و اکتبر با بارش حوضه همبستگی مستقیم داشته است. الگوهای TNA، AMO، AMM، NTA و AMOS نیز در ماه‌های فوریه، مارس، ژوئن و دسامبر با بارش همبستگی داشته‌اند. همبستگی‌های رخ داده در ماه‌های فوریه، مارس و دسامبر از نوع مستقیم و در ماه ژوئن معکوس بوده است. لازم به ذکر است الگوی AMOS در ماه آگوست نیز همبستگی معکوس با بارش حوضه نشان داده است. الگوهای NAO، SOI، NOI، AO و NCP در هیچ ماهی با بارش حوضه همبستگی نداشته‌اند. در ماه‌های آوریل، مه، ژولای و نوامبر نیز هیچ یک از الگوهای مورد مطالعه با بارش حوضه همبستگی نشان نداده‌اند.

 

جدول 2: همبستگی بین الگوهای پیوند‌از‌دور و بارش حوضه دریای‌خزر

ژانویه

فوریه

مارس

آوریل

مه

ژوئن

ژولای

آگوست

سپتامبر

اکتبر

نوامبر

دسامبر

EA.WR

31/0*

35/0**

16/0

24/0

18/0

31/0*

1/0

28/0*

48/0**

64/0**

19/0

14/0

NAO

02/0

007/0

24/0

19/0

06/0

12/0

12/0

01/0

18/0

11/0

04/0

12/0

SOI

19/0

04/0

03/0

18/0

1/0

15/0

05/0

04/0

05/0

2/0

03/0

002/0

TNA

07/0

4/0**

4/0**

15/0

08/0

27/0*

2/0

19/0

1/0

01/0

19/0

3/0*

NOI

08/0

02/0

17/0

14/0

01/0

17/0

02/0

07/0

21/0

13/0

01/0

05/0

AO

23/0

19/0

12/0

09/0

08/0

09/0

05/0

05/0

08/0

06/0

16/0

01/0

AMO

16/0

47/0**

45/0**

17/0

02/0

3/0*

19/0

21/0

03/0

08/0

21/0

33/0*

AMM

005/0

3/0*

29/0*

24/0

01/0

09/0

05/0

03/0

15/0

02/0

15/0

31/0*

NTA

13/0

34/0*

4/0**

22/0

006/0

17/0

14/0

16/0

03/0

01/0

13/0

35/0*

AMOS

27/0

43/0**

44/0**

09/0

02/0

28/0*

24/0

32/0*

06/0

001/0

11/0

43/0**

NCP

2/0

002/0

12/0

24/0

0

03/0

01/0

21/0

19/0

13/0

16/0

07/0

مآخذ: نگارندگان، 1403 

 

در جدول (3) با نام تحلیل واریانس، تحلیل مربوط به واریانس برای مدل رگرسیونی صورت گرفته است. در ماه‌های فوریه، مارس، سپتامبر و اکتبر به دلیل کوچکتر بودن مقدار Sig از 0.05 نتیجه گرفته می‌شود که مدل رگرسیونی بین بارش و الگوهای پیوند‌از‌دور مناسب می‌باشد. در سایر ماه‌ها با توجه به مقدار Sig که بزرگتر از 0.05 می‌باشد نتیجه گرفته می‌شود که مدل رگرسیونی بین بارش و الگوهای پیوند‌از‌دور مناسب نخواهد بود. ضریب تعیین بدست آمده نشان می‌دهد که الگوهای پیوند‌از‌دور در ماه ژانویه 32 درصد، در ماه فوریه 58.04 درصد، در ماه مارس 40.5 درصد، در ماه آوریل 16.6 درصد، در ماه مه 12.8 درصد، در ماه ژوئن 27.9 درصد، در ماه ژولای 9.2 درصد، در ماه آگوست 22.2 درصد، در ماه سپتامبر 51 درصد، در ماه اکتبر 48 درصد، در ماه نوامبر 24.8 درصد و در ماه دسامبر 31.9 درصد از تغییرات بارش حوضه مورد مطالعه را تبیین می‌کند.

جدول 3: تحلیل واریانس مدل رگرسیونی بر روی سری‌زمانی بارش با الگوهای پیوند‌از‌دور

ماه	ضریب همبستگی	ضریب تعیین	آماره فیشر (F)	Sig.
ژانویه	56/0	32/0	58/1	14/0
فوریه	76/0	58/0	59/4	0
مارس	63/0	4/0	23/2	03/0
آوریل	4/0	16/0	65/0	77/0
مه	35/0	12/0	48/0	9/0
ژوئن	52/0	27/0	26/1	28/0
ژولای	3/0	09/0	33/0	97/0
آگوست	47/0	22/0	93/0	51/0
سپتامبر	71/0	51/0	42/3	003/0
اکتبر	69/0	48/0	02/3	006/0
نوامبر	49/0	24/0	08/1	4/0
دسامبر	56/0	31/0	53/1	16/0

مآخذ: نگارندگان، 1403 

 

در جدول (4)، برآورد ضرایب و خصوصیات مربوط به آزمون‌ آن‌ها در ماه ژانویه دیده می‌شود. هر ضریبی که دارای بتای بزرگتری باشد، در مدل رگرسیونی از اهمیت بیشتری نیز برخوردار است. میزان تأثیر الگوهای پیوند‌از‌دور بر بارش براساس ضریب بتای استاندارد سنجیده می‌شود. به این ترتیب مشخص می‌شود که در ماه ژانویه الگوی پیوند‌از‌دور NOI با مقدار بتای 0.43 بهترین متغیر برای پیش‌گویی متغیر وابسته (بارش) است. در ماه فوریه الگوی SOI، در ماه‌های مارس تا دسامبر نیز الگوی NCP بهترین متغیر برای پیش‌گویی بارش می باشد. در ماه فوریه الگوهای SOI، NOI، AMM، NTA، AMOS و NCP به دلیل اینکه مقدار Sig بدست آمده آنها از 0.05 کوچکتر می باشد لذا تأثیر آنها بر بارش معنادار می‌باشد. در سایر ماه‌ها تنها Sig الگوی NCP از 0.05 کوچکتر بوده و لذا می‌توان بیان نمود که تنها تأثیر این الگو بر بارش حوضه مورد مطالعه معنادار بوده است.

 

 

 

 

 

 

 

جدول 4: ضرایب رگرسیونی بارش با الگوهای پیوند‌از‌دور 

الگوهای پیوند‌از‌دور

ژانویه

فوریه

مارس

آوریل

مه

ژوئن

بتا

Sig.

بتا

Sig.

بتا

Sig.

بتا

Sig.

بتا

Sig.

بتا

Sig.

(Constant)

0

4/21

0

79/16

0

16

0

91/15

0

61/12

0

Pre

37/0

29/0

32/3

002/0

99/0

32/0

19/0

85/0

05/1

3/0

33/0

73/0

EA.WR

47/0

05/0

9/1

06/0

74/0

46/0

29/0

76/0

46/1

15/0

23/0

81/0

NAO

003/0

99/0

35/1

18/0

4/0

69/0

64/0

52/0

62/0

53/0

83/0

4/0

SOI

12/0

85/0

79/2

008/0

87/0

38/0

66/0

5/0

69/0

49/0

13/1

26/0

TNA

04/0

83/0

56/0

57/0

89/0

37/0

37/0

71/0

01/0

98/0

06/0

95/0

NOI

43/0

06/0

49/2

01/0

17/0

86/0

17/0

86/0

89/0

37/0

25/0

8/0

AO

16/0

68/0

55/0

58/0

37/0

71/0

77/0

44/0

21/1

23/0

07/0

94/0

AMO

33/0

38/0

81/0

42/0

07/0

94/0

28/1

2/0

72/0

47/0

26/2

02/0

AMM

17/0

76/0

14/2

03/0

73/0

46/0

04/0

96/0

2/0

84/0

02/0

98/0

NTA

39/0

11/0

1/2

04/0

55/0

58/0

22/0

82/0

01/0

98/0

24/0

8/0

AMOS

21/0

52/0

8/2

008/0

55/1

12/0

78/0

43/0

95/0

34/0

02/0

98/0

NCP

0

4/21

0

79/16

0

16

0

91/15

0

61/12

0

الگوهای پیوند‌از‌دور

ژولای

آگوست

سپتامبر

اکتبر

نوامبر

دسامبر

بتا

Sig.

بتا

Sig.

بتا

Sig.

بتا

Sig.

بتا

Sig

بتا

Sig.

(Constant)

65/7

0

63/6

0

05/9

0

93/13

0

03/10

0

47/16

0

Pre

49/0

62/0

85/0

4/0

49/3

001/0

19/4

0

62/0

53/0

77/0

44/0

EA.WR

46/0

64/0

57/0

57/0

02/0

98/0

26/0

79/0

32/0

74/0

51/1

13/0

NAO

21/0

82/0

91/0

36/0

35/0

72/0

48/0

63/0

08/0

93/0

08/0

93/0

SOI

26/0

79/0

36/0

72/0

99/0

32/0

2/0

83/0

73/1

09/0

98/0

33/0

TNA

36/0

71/0

15/0

87/0

86/1

07/0

31/0

75/0

13/0

89/0

79/0

43/0

NOI

41/0

68/0

06/0

95/0

55/0

58/0

42/0

67/0

05/1

3/0

86/1

07/0

AO

14/0

88/0

54/0

59/0

92/0

36/0

19/0

84/0

22/1

22/0

24/0

8/0

AMO

55/0

58/0

36/0

71/0

86/0

39/0

05/0

95/0

08/0

93/0

12/0

9/0

AMM

07/0

93/0

45/0

65/0

91/0

36/0

48/0

63/0

96/1

05/0

62/0

53/0

NTA

7/0

48/0

6/1

11/0

04/0

96/0

24/0

8/0

26/0

79/0

74/0

46/0

AMOS

46/0

64/0

08/1

28/0

42/0

67/0

6/1

11/0

46/0

64/0

67/0

5/0

NCP

65/7

0

63/6

0

05/9

0

93/13

0

03/10

0

47/16

0

مآخذ: نگارندگان، 1403 

 

 

 

 

 

 

 

نتیجه‌گیری و پیشنهادها

بررسی روند بارش نشان‌دهنده آن است که در ماه‌های ژانویه، فوریه، مارس، نوامبر، دسامبر و به مقدار بسیار کمی مه و اکتبر روند افزایشی بارش مشاهده شده است؛ ولی در سایر ماه‌ها تنها روند کاهشی بارش رخ‌داده است. دراین‌بین در ماه فوریه بیش از سایر ماه‌های نامبرده افزایش بارش مشاهده شده است. در ماه‌هایی که افزایش بارش رخ‌داده بیشتر در قسمت‌های شمالی حوضه واقع در کشور روسیه مشاهده شده است. روندهای کاهشی بارش نیز در ماه‌های ژوئن و آگوست بیش از سایر ماه‌ها رخ‌داده است. نکته قابل‌توجه این که روندهای کاهشی بارش نیز در شمال حوضه واقع در کشور روسیه بیش از سایر قسمت‌های حوضه مشاهده شده است. در پژوهش علی‌محمدی و همکاران (1403) و پیرنیا (1394) نیز روند بارش دریای‌خزر کاهشی نشان‌داده‌شده و با نتایج این پژوهش همخوانی دارد. نتایج بررسی شیب بارش نشان داد در ماه‌های ژوئن، ژولای و آگوست بارش کاهش داشته و در مناطق شمالی حوضه مقدار کاهش بیشتر بوده است. در ماه‌های سرد سال به‌خصوص آوریل، نوامبر و دسامبر نیز مقدار اندکی افزایش بارش مشاهده شده است. بررسی سری‌زمانی بارش نشان‌دهنده آن است که در ماه‌های فوریه و مارس بارش به میزان حدود 10 میلیمتر افزایش داشته است. در ماه‌های ژوئن، ژولای و آگوست نیز بین حدود 26 تا 34.5 میلیمتر کاهش داشته است. در مقیاس سالانه نیز به مقدار 82 میلیمتر کاهش داشته است. تغییرات سایر ماه‌ها نیز معنادار نبوده است. همبستگی بارش و الگوهای پیوند‌از‌دور نشان‌دهنده آن است که از نظر زمانی در ماه‌های ژانویه، فوریه، مارس، ژوئن، آگوست، سپتامبر، اکتبر و دسامبر بین بارش و الگوهای پیوند‌از‌دور همبستگی مشاهده شده است. دراین‌بین در ماه فوریه، مارس، ژوئن و دسامبر بیش از سایر ماه‌ها همبستگی‌ها رخ‌داده است. در ماه‌های آوریل، مه، ژولای و نوامبر نیز هیچ یک از الگوهای پیوند‌از‌دور با بارش حوضه همبستگی نداشته است. در بین الگوهای پیوند‌از‌دور الگوی EA.WR بیش از سایر الگوها با بارش حوضه همبستگی نشان داده است. پس از آن الگوهای TNA، AMO و AMOS قرار دارند. الگوهای NAO، SOI، NOI، AO و NCP نیز در هیچ ماهی با بارش حوضه همبستگی نداشته‌اند. عزیزیان و عسگری (1391) بیان کردند که بین بارش حوضه خزر و الگوی AO در بعضی ماه‌ها همبستگی وجود دارد که در این پژوهش چنین نتیجه‌ای دیده نشد و با پژوهش آنها همخوانی ندارد. در مجموع می‌توان بیان نمود که از نظر زمانی در ماه فوریه بیشترین همبستگی بین الگوهای پیوند‌از‌دور و بارش مشاهده شده و از نظر نوع الگو، الگوی EA.WR نیز بیشترین همبستگی را با بارش حوضه داشته است. طبق ضریب تعیین به‌دست‌آمده در ماه‌های فوریه و سپتامبر به ترتیب 4/58 و 1/51 درصد از تغییرات بارش حوضه توسط الگوهای پیوند‌از‌دور تبیین می‌شود که بیشترین مقدار در بین ماه‌های سال است. نتایج رگرسیون خطی نیز نشان‌دهنده آن است که الگوی NCP بیش از سایر الگوها بر بارش حوضه دریای‌خزر تأثیرگذار بوده است.

امروزه حوضه های دریایی بر اثر تأثیر گرمایش جهانی بر اکوسیستم دستخوش تغییر شده اند و آب‌شدن یخ های قطبی سطح آب دریاها و اقیانوس ها را افزایش داده و شهرهای ساحلی را با مشکل پیشروی آب مواجه کرده است. اما دریای‌خزر یک حوضه دریایی آزاد نیست و لذا پیامد گرمایش جهانی در این پهنه آبی متفاوت از دریاهای آزاد است. کاهش بارش و افزایش دما اثراتی از جمله افزایش تبخیر و کاهش میزان آب ورودی را به دنبال دارد که در نتیجه عقب نشینی در حوضه دریا رخ می‌دهد. در واقع یکی از اثرات اولیه تغییر اقلیم بر این دریا همین عقب نشینی آب است که سطح وسیعی از رسوبات را در معرض وزش باد قرار می دهد. البته به واسطه عمق زیاد دریا در مناطق جنوبی آن، بیشتر این عقب نشینی در نواحی شمالی دریا از قسمت روسیه و آذربایجان اتفاق می‌افتد. در مجموع می‌توان بیان نمود گرمایش جهانی که تقریباً در اکثر نقاط جهان در حال رخ‌دادن است در حوضه دریای مازندران نیز به وقوع پیوسته و شواهدی از وقوع گرمایش جهانی در این حوضه مشاهده شده است. از جمله این شواهد می‌توان روندهای افزایشی دما در این حوضه را نام برد که در پژوهش علی‌محمدی و همکاران (1403) نیز به آن اشاره شده است. از دیگر شواهد گرمایش جهانی در این حوضه کاهش بارش در این حوضه است که در نقشه‌های پهنه‌بندی روند بارش به‌خوبی آشکار است. همان‌گونه که در این نقشه‌ها مشاهده می‌شود در اکثر ماه‌ها بارش از روند کاهشی برخوردار بوده و روندهای افزایشی به میزان خیلی ناچیزی در بعضی ماه‌ها مشاهده شده است. به‌طورکلی در نقشه‌های پهنه‌بندی روند بارش نیز پهنه روند کاهشی از وسعت بیشتری نسبت به روند افزایشی برخوردار است. شناخت تغییرات بارش و ارتباط آن با الگوهای پیوند‌از‌دور می‌تواند در پیشبرد برنامه‌ها و عملیات مدیریتی هواشناسی و کشاورزی مورداستفاده قرار گیرد.

با توجه ‌به نتایج به‌دست‌آمده موارد زیر پیشنهاد می‌گردد:

راهکارهای لازم به‌منظور سازگاری با پیامدهای ناشی از افزایش دما و کاهش بارش و همچنین تغییرات تراز آب دریای خزر در حوضه مورد مطالعه بررسی و اجرایی شود.

عملیات آبخیزداری در حوضه مورد مطالعه بررسی و اصلاحات لازم در رابطه ‌با آن صورت پذیرد.

با توجه به افزایش دما و کاهش بارش در حوضه مورد مطالعه و اثرات نامطلوبی که بر کشاورزی حوضه دارد؛ پیشنهاد می شود الگوی کشت حوضه نیز متناسب با تغییرات رخ‌داده در اقلیم حوضه تغییر یابد و محصولاتی که به آب کمتری نیاز دارند و با دمای بالا سازگاری بیشتری دارند و به آب کمتری نیاز دارند کشت شود.

 

 

 

 

 

 

 

 

 

 

منابع و مآخذ

1)       اسکندری، رقیه، اسمعلی عوری، اباذر، مصطفی‌زاده، رئوف و چوبه، سپیده (1403). ارزیابی تغییرات زمانی و مکانی شاخص‌های حدی اقلیمی بارندگی در بخش مرکزی استان اردبیل. مطالعات علوم محیط‌زیست، 9(1)، 81338119.

2)       برون، اشرف، ظهوریان پردل، منیژه، لشکری، حسن، شکیبا، علیرضا، و محمدی، زینب (1404). شناسایی امواج‌گرمایی استان خوزستان و تحلیل همدیدی نقش پرفشار عربستان در ایجاد آن‌ها، اندیشه‌های نو در علوم جغرافیایی، 8(3)، 201.

3)       پیرنیا، عبدالله، حبیب‌نژاد روشن، محمود و سلیمانی، کریم (1394). بررسی تغییرات دما و بارندگی در سواحل جنوبی دریای‌خزر و مقایسه آن با تغییرات درمقیاس جهانی و نیمکره شمالی. پ‍‍ژوهشنامه مديريت حوزه آبخيز، ۶ (۱۱)،۱۰۰۹۰.

4)       دوستان، رضا (1397). دورپيوند جهاني و دورپيوندهاي منطقه اي ايران، فيزيك زمين و فضا، 44 (3)، 640-625.

5)       زینالی، بتول، جلالی عنصرودی، طاهره و مصطفوی، حمیرا (1402). بررسی تأثیر تغییر اقلیم بر تغذیه ناشی از بارش در حوضه آبریز شیرامین. مطالعات علوم محیط‌زیست، 8(2)، 66026589.

6)       حجازی‌زاده، زهرا، اکبری، مهری و جمشیدی عینی، زرین (1403). بررسی تاثیر الگوهای پیوندازدور نوسانات اطلس شمالی و انسو بر بارش سواحل جنوبی دریای‌خزر. تحقیقات کاربردی علوم جغرافیایی، ۲۴ (۷۴)، ۳۷۲۴.

7)       حیدری، شهاب، صلاحی، برومند، زینالی، بتول و پورقاسمی، الهامه (1403). پیش‌بینی بارش برخی ایستگاه‌های استان لرستان در دو دهه آینده با استفاده از مدلLARSWG . مطالعات علوم محیط زیست، 9(1)، 79767963.

8)       خان‌سالاری، سکینه، محمدی، سیده عاطفه، قصابی، زهرا و صالحی، حسن (1403). پیش‌نگری تغییرات مقدار بارش فرین با دوره بازگشت‌های مختلف در ایران بر اساس رویکرد همادی ده مدل‌ CMIP6 در آینده نزدیک. جغرافیا و مخاطرات‌محیطی، 13(3)، 246214.

9)       خوش‌اخلاق، فرامرز، قنبری، نوذر و معصوم پور سماکوش، جعفر (1387). مطالعه اثرات نوسان اطلس‌شمالی بر رژیم بارش و دمای سواحل جنوبی دریای‌خزر. پژوهش‌های جغرافیایی، 66، (70/57).

10)       ساری صراف، بهروز، رستم‌زاده، هاشم و محمدی، نبی (1403). پیش‌نگری بارش با استفاده از مدل‌های CMIP6 تا پایان قرن 21 در شمال غرب ایران. جغرافیا و مخاطرات‌محیطی، 13(1)، 194-173.

11)       ساجد، علی، گندمکار، امیر، و باقری بداغ‌آبادی، محسن (1404). تحلیل روند تغییرات هیدروکلیماتولوژی حوضه آبریز رودخانه آجی چای (تلخه‌رود)، اندیشه‌های نو در علوم جغرافیایی، 8(3)، 131111.

12)       صابری لویه، فردین، علیجانی، بهلول و خالدی، شهریار (1398). برآورد تغییرات آب‌وهوایی آینده در ساحل جنوبی دریای‌خزر با استفاده از مدل آب‌وهوایی منطقه‌ای. تحلیل فضایی مخاطرات محیطی، 6(1)، 111138.

13)       صلاحی، برومند و بهروزی، محمود (1401). بررسی ارتباط الگوی پیوند‌از‌دور دریای شمال - خزر با بارش‌های ایران (مطالعه موردی: استان اردبیل). پژوهش‌های دانش‌زمین، 13(2)، 201.

14)       علوی نیا، حسن و زارعی، مهدی (1400). آنالیز روند تغییر اقلیم با استفاده از شاخص‌های حدی داده‌های بلندمدت بارش و دما در جنوب‌شرق ایران. فصلنامه برنامه‌ریزی منطقه‌ای، 11(44)، 161.

15)       عزیزیان، تهمینه، عسگری، احمد (1391). مطالعه‌ اثر نمایه‌ی AO بر پرفشار سیبری و اثرهای احتمالی آن بر بارش منطقه‌ ساحلی جنوب دریای‌خزر. پژوهش‌های علوم و فنون دریایی، 3(7)، 2713.

16)       علی‌محمدی، مهریار، قلی‌نژاد، ارسلان، نجاری کهنوج، هادی، محمدی، علی، ذادق آبادی، احمد. (1403). بررسی عوامل جوی تأثیرگذار در نوسانات سطح تراز آب دریای کاسپین از سال 1992 الی 2022، پژوهش‌های اقلیم‌شناسی، 58(58)، 157141.

17)       عسگری، احمد و رحیم‌زاده، فاطمه (1385). مطالعه تغییرپذيری بارش دهه‌های اخیر ايران، پژوهش‌های جغرافیايی ايران، 58، 8067.

18)       فلاحت‌پیشه، ایمان، یوسفی، یدالله و رورده، همت اله (1402). ارتباط شاخص‌های پیوند‌از‌دور با ناهنجاری‌های دمایی، بارشی و باد استان مازندران در نیمه دوم سال (اکتبر تا مارس)، پژوهش‌های اقلیم‌شناسی،1402(54)، 133148.

19)       فرج زاده، منوچهر (1392). تحلیل اثرات تغییر اقلیم بر میزان آبدهی رودخانه مطالعه موردی: رودخانه ششپیر،

مجله جغرافیا و برنامه ریزی محیطی، 24(1)، 32-17.

20)       فخیمی، سئودا، زینالی، بتول و صلاحی، برومند. (1403). پیش نگری اثرات تغییر اقلیم بر بارش استان آذربایجان شرقی، مطالعات علوم محیط زیست، 9(4)، 9576-9560.

21)       قدرتی، زینب، صلاحی، برومند و صابر، مهناز (1403). ارزیابی روند تغییرات فراوانی روزهای بارش همرفتی در شمال‌غرب ایران به روش من - کندال و شیب سن، مطالعات علوم محیط‌زیست، 9(4)، 958-995

22)       قویدل‌رحیمی یوسف، فرج‌زاده اصل، منوچهر و حاتمی زرنه، داریوش (1395). نقش اثرات الگوی پیوند‌از‌دور دریای شمال - خزر در نوسان‌پذیری دماهای بیشینه ایران، نشریه جغرافیا و برنامه‌ریزی، 20(56)، 239255.

23)       کثیری، مریم، گودرزی، مسعود، جانباز قبادی، غلامرضا و متولی، صدرالدین (1399). چشم اندازآینده تغییرات دما و بارش در سواحل جنوبی دریای‌خزر، جغرفیای طبیعی، 13(47)، 5135.

24)       گندمکار، امیر و خادم الحسینی، احمد (1388). بررسی روند تغییرات بارش در زابل، مجله آمايش محیط، 6، 7765.

25)       میر موسوی سیدحسین، دوستکامیان مهدی و ستوده، فاطمه (1395). بررسی و تحلیل الگوی فضایی تغییرات درون دهه‌ای بارش‌های سنگین و فوق سنگین ایران، جغرافیا و برنامه‌ریزی منطقه‌ای، 27(3)، 8667.

26)       معنوی‌پور، کبری، زینالی، بتول و صلاحی، برومند (1403). بررسی ارتباط بین بارش‌های سنگین غرب کشور ایران با رودخانه جوی، مطالعات علوم محیط‌زیست، 9(2)،8322-8332.

27)       میرهاشمی، حمید و حسنوند، زیبا (1401). ﺗﺄثیر الگوهای پیوند‌از‌دور بر بارش‌های ماهانه ایستگاه‌های شهر خرم‌آباد و کرمانشاه. مدل‌سازی و مدیریت آب‌وخاک، 3(4)، 133-151.

28)       نبی بید هندی، غلامرضا، محمدنژاد، شاهین و عبادتی، فاطمه (1387). مفاهیم و پیامدهای تغییر آب و هوا با مروری بر پروتکل کیوتو، تهران: موسسه انتشارات و چاپ دانشگاه تهران.

29)       Branstator, G., (2002). Circumglobal teleconnections, the jet stream waveguide, and the North Atlantic Oscillation. Journal of Climate, v. 15(14), p. 18931910.

30)        Çağlar, F., Yetemen, O.,  Pan Chun, K.,  & Lutfi Sen, O. (2023). The merit of the North SeaCaspian pattern in explaining climate variability in the EuroMediterranean region. International Journal of Climatology, 43(10).

31)       Kutiel, H., Y, Benarochy, (2001). North SeaCaspian pattern (NCP)an upper level atmospheric teleconnection affecting the Eastern Mediterranean. Theoretical and Applied Climatology, 69 (1), 3967.

32)       Kliengchuay, W., Mingkhwan, R., & Kiangkoo, N. (2024). Analyzing temperature, humidity, and precipitation trends in six regions of Thailand using innovative trend analysis. Sci Rep, 14, 7800 (2024).

33)       Karagiannidis, A., F., Karacostas, T., Maheras, P. & Makrogiannis, T. (2012). Climatological aspects of extreme precipitation in Europe, related to midlatitude cyclonic systems. Theor .Appl.Climatol., No. 107, pp. 165174.

34)       Khamidov, S., Li, Z., Nasirova, M., Pulatov, B., & Pulatov, A. (2023). Assessment of temperature and precipitation trends in Kashkadarya, Uzbekistan. E3S Web of Conferences, 365, 01005.

35)        Mohammadrezaei, M., Soltani, S., & Modarres, R. (2020). Evaluating the effect of oceanatmospheric indices on drought in Iran. Theoretical and Applied Climatology, 140,  219–230.

36)       Plewa , K., Perz, A., & Wrzesin´ski, D. (2019). Links between Teleconnection Patterns and Water Level Regime of Selected Polish Lakes. Water, 11, 1330; doi:10.3390/w11071330.

37)       Pasquini, A. I., Lecomte, K. L., Piovano, E. L., & Depetris, P. J. (2006). Recent rainfall and runoff variability in central Argentina. Quaternary International, 158(1), 127139.

38)        Park, Ch., Choi, J., Son , S., Kim, D., Yeh, S., Kug, J. (2023). SubSeasonal Variability of ENSO Teleconnections in Western North America and Its Prediction Skill. JGR: Atmospheres, 128, 6.

39)       Salnikov, V.; Talanov, Y.; Polyakova, S.; Assylbekova, A.; Kauazov, A.; Bultekov, N.; Musralinova, G.; Kissebayev, D.; & Beldeubayev, Y. (2023). An Assessment of the Present Trends in Temperature and Precipitation Extremes in Kazakhstan. Climate, 11, 33.

40)       Ratna, Satyaban B., Osborn, Timothy J., Joshi, Manoj., Yang, Bao., & Wang, J. (2019). Identifying teleconnections and multidecadal variability of East Asian surface temperature during the last millennium in CMIP5 simulations. Clim. Past, 15, 1825–1844.

41)       Serrano, A., Mateos, V.L., & Garcia, J.A. (1999): Trend Analyisi of Monthly Precipitation Over the Iberian Peninsula for the Period 19211995. phys. Chem. EARTH(B), 24(12), 8590.

42)       Sari Saraf, B., Rostamzadeh, H., & Mohammadi, N. (2014). Precipitation forecasting using CMIP6 models until the end of the 21st century in northwestern Iran. Geography and Environmental Hazards, 13(1), 194173.

43)       Satyaban B. Ratna, Timothy J. Osborn, Manoj Joshi, Bao Yang, and JianglinWang (2019). Identifying teleconnections and multidecadal variability of East Asian surface temperature during the last millennium in CMIP5 simulations, Clim. Past, 15, 1825–1844.

44)       Takeuchi, Z.X.Xu.K., & Ishidiaira. H. (2003). Monitoring Trend Step Changes in Precipition in Japanese Precipitation. Journal of hydrology. 279, 144150.

45)       Tan, X., Gan, T.Y., & Shao, D. (2017). Effects of persistence and largescale climate anomalies on trends and change points in extreme precipitation of Canada. Journal of Hydrology, 550, 453465

46)       Yatagai, A., Krishnamurti, T.N., Kumar, V., Mishra, A.K., & Simon, A. (2014). Use of APHRODITE Rain Gauge– Based Precipitation and TRMM 3B43 Products for Improving Asian Monsoon Seasonal Precipitation Forecasts by the Superensemble Method. Journal of Climate, 27(3): 10621069.

47)       Wallace JM, Gutzler DS. (1981). Teleconnections in the geopotential height field during the Northern Hemisphere winter. Monthly Weather Review, 109: 784–812.

48)       Wigley, T.M.L. (2000). Stabilization of CO2 concentration levels. (In) The Carbon Cycle, (eds. T.M.L. Wigley and D.S. Schimel), Cambridge University Press, Cambridge, U.K., 258–276.

 

---

[1]  . نویسنده مسئول: [e-mail]

[2]   Takeuchi & Ishidiaira

[3]   Branstator

[4]   Karagiannidis

[5]   Yatagai

[6]   Tan

[7]   Plewa

[8]   Satyaban

[9]   Park

[10]   Salnikov

[11]   Khamidov

[12]    Çağlar

[13]   Kliengchuay

[14]   Branstator

[15]  Valance and Gonzales  

[16]   Kutiel & Benarochy

[17]   Serrano

[18]   Pasquini