واکاوی توزیع فضایی-زمانی جست بادهای رخ داده در منطقه غرب، شمال غرب ایران و ارتباط آن با الگوی های پیوند از دور

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکترای دانشگاه شهید بهشتی،تهران ،ایران

2 استادیاردانشکده علوم زمین، گروه جفرافیای دانشگاه شهید بهشتی،تهران ،ایران

3 استادیار دانشگاه شهید بهشتی،تهران ،ایران

10.22034/gp.2025.65401.3357

چکیده

در این پژوهش جهت واکاوی جست بادها بعد از جمع آوری رخداد های جست باد از ایستگاه های متار برای تعیین روند فصلی از روش من کندال و آماره P_value استفاده شد. برای بررسی میزان اثر گذاری عناصر هواشناسی فشار، دما و الگوی های پیوند از دور از رویکردهای رگرسیون مبناء در الگوریتم های یادگیری ماشین در محیط برنامه نویسی R تمرکز گردید. از لحاظ توزیع مکانی، بخش های شمال شرقی منطقه(استان های تبریز، اردبیل، قزوین) مستعد رخداد وزش بیشتر باد جستی نسبت به بخش های دیگر منطقه می باشند. از لحاظ توزیع زمانی در فصل بهار و زمستان بیشترین جست بادها رخ می دهند. بر اساس برونداد نتایج مدل MLR و RW ، مشخص گردید که در 67 درصد ایستگاه های متار، عنصر فشار هوا بعنوان مهمترین عامل تاثیر گذار در رخداد جست باد معرفی می شود. در بررسی روند فصلی جست بادها، در فصل زمستان و بهار به ترتیب در 78 و 72 درصد ایستگاه ها، رخداد جست باد حالت افزایشی دارد. در فصل تابستان روند غالب در بخش اعظم منطقه، روند صعودی است و در فصل پاییز، بطور کلی ایستگاه های بخش های جنوبی، غربی و شمال غربی منطقه دارای رخداد افزایش می باشند و هر چقدر به سمت نواحی داخلی منطقه حرکت میکنیم از وقوع جست باد کاهسته می شود. در بررسی الگوهای پیوند از دور، در فصل زمستان الگوی شرق اطلس - غرب روسیه و الگوی قطبی -اوراسیا ، در فصل بهار الگوهای غرب اقیانوس آرام و شرق اطلس، در تابستان الگوی شرق اطلس و در فصل پاییز دو الگوی اسکاندیناوی و الگوی حاره- نیمکره شمالی از مهمترین متغیرهای پیشگوی تاثیرگذار در رخداد های جست باد محسوب می شوند.

تازه های تحقیق

خسارت وارد شده توسط باد، مربوط به نیروی است که باد به یک مانع وارد می‌کند که متناسب با مربع سرعت باد است. جست بادهای شدید می‌توانند آسیب‌های ساختاری قابل توجهی از جمله تخریب زیرساخت‌ها مانند خطوط انتقال برق، نیروگاه‌های بادی، خورشیدی و منازل مسکونی ایجاد کنند. منطقه مورد مطالعه از قطب‌های کشاورزی کشور ایران است، همزمانی وقوع پدیده‌های همرفتی در فصل بهار با فصل رویش و گلدهی باغات، وقوع پدیده جست باد می‌تواند آسیب جدی به محصولات کشاورزی وارد نماید، لذا درک ویژگی‌های جست بادها، برای کمک به برنامه ریزی بهتر و به حداقل رساندن تلفات مستقیم و طراحی مناسب ساختمان‌ها و زیرساخت‌ها ضروری است. مطالعه حاضر به منظور بررسی توزیع فضایی و مکانی جست بادها و ارتباط آن با الگوهای پیوند از دور انجام گرفت بدین منظور بعد از جمع آوری رخداد های جست باد از ایستگاه‌های متار برای تعیین روند فصلی از روش من کندال و آماره P_value در محیط برنامه نویسی R استفاده شد. در مرحله بعد برای بررسی میزان اثر گذاری عناصر هواشناسی فشار و دما در ایجاد جست بادها از رویکردهای رگرسیون در الگوریتم‌های یادگیری ماشین (رگرسیون خطی چندگانه، رگرسیون لاسو و روش وزن‌دهی نسبی) با استفاده از بسته Tidymodels تمرکز گردید. در نهایت جهت بررسی میزان اثرگذاری هر متغیر پیشگو (الگوهای پیوند از دور) بر متغیر پاسخ (جست باد) از رگرسیون لاسو و ضریب همبستگی اسپرمن در محیط برنامه نویسی R استفاده گردید. از لحاظ توزیع مکانی جست بادها، بخش‌های شمال شرقی منطقه (استان‌های آذربایجان شرقی، اردبیل، قزوین) مستعد رخداد وزش بیشتر باد جستی نسبت به بخش‌های دیگر منطقه می‌باشند، بطوریکه بیشترین رخدادها در ایستگاه‌های فرودگاه اردبیل (2843 رخداد)، ایستگاه مراغه (2064 رخداد)، ایستگاه تاکستان (1844 رخداد) و ایستگاه تبریز (1555 رخداد) ثبت گردیده است. از لحاظ وقوع جست باد فصل بهار با بیشترین رخداد در تمام ایستگاه‌های مورد مطالعه دارای بیشترین فراوانی می‌باشد. با توجه به بالا بودن عامل همرفت در این فصل (بالا بودن رطوبت جو و ساعات افتابی)، به نظر می‌رسد سیستم‌های همرفتی منبع اصلی جست بادها در این فصل باشند. نتایج این بخش از تحقیق با نتایج تحقیقاتی که در زمینه جست باد توسط محمدی و همکاران (1402) و نتایج تحقیقات قویدل و همکاران (2017) صورت گرفته است که معتقد بودند بیشترین رخداد جست باد در نیمه اول سال مخصوصاْ فصل بهار رخ داده است، همخوانی دارد. بعد از فصل بهار، فصل زمستان از نظر رخداد جست باد در مرتبه دوم قرار دارد. در این فصل در کنار سیستم‌های سینوپتیکی که باعث شکل گیری جست بادها می‌شوند، عوامل محلی نیز بر تشدید جست بادها تأثیرگذار هستند. در بررسی میزان تأثیرگذاری هر یک از مولفه‌های پیشگو (فشار و دما) بر متغیر پاسخ (جست باد) بر اساس برونداد نتایج مدل (MLR) و (RW)، مشخص گردید که در 67 درصد ایستگاه‌های متار، عنصر فشار هوا بعنوان مهمترین عامل تأثیرگذار در رخداد جست باد معرفی می‌شود. در بررسی روند فصلی جست بادها، در فصل زمستان بخاطر بالا بودن میزان عبور سامانه‌های ناپایدار جوی از منطقه در 78 درصد ایستگاه‌ها رخداد جست باد حالت افزایشی دارد. در فصل بهار به علت افزایش دمای سطحی، رطوبت کافی در جو و ناپایداری بیشتر در لایه مرزی، شرایط مطلوب برای تشکیل همرفت عمیق و وقوع تعداد بیشتر توفان‌های تندری همراه با جست باد فراهم می‌شود، بگونه‌ای که در بیش از 72 درصد ایستگاه‌ها، جست بادها روند افزایشی دارند. که از این تعداد ایستگاه‌های خرم آباد، آبدانان، همدان فرودگاه و ارومیه دارای روند صعودی معنادار می‌باشند. در فصل تابستان روند غالب در بخش اعظم منطقه، روند صعودی است. در فصل پاییز، بطور کلی ایستگاه‌های بخش‌های جنوبی، غربی و شمال غربی منطقه دارای رخداد افزایش می‌باشند و هر چقدر به سمت نواحی داخلی منطقه حرکت می‌کنیم از وقوع جست باد کاهسته می‌شود. الگوهای پیوند از دور که بیانگر تغییرات دما و فشار هوا هستند، یکی از تأثیرگذارترین پارامترها در مقیاس جهانی بر الگوهای آب و هوایی به ویژه رخدادهای حدی از قبیل جست بادها هستند. در فصل زمستان الگوی شرق اطلس- غرب روسیه (EA/WR) و الگوی قطبی و اوراسیا  (POL) از مهمترین متغیرهای پیشگوی تأثیرگذار در رخداد های جست باد محسوب می‌شوند. در فصل بهار اهمیت نسبی شاخص‌های پیوند از دور، بیانگر نقش مهم الگوهای غرب اقیانوس آرام (WP) و شرق اطلس(EA)بر اثرگذاری رخداد های جست باد می‌باشند. در فصل تابستان الگوی شرق اطلس (EA) و در فصل پاییز دو الگوی اسکاندیناوی (SCA) و الگوی حاره- نیمکره شمالی (TNH) بیشترین اثرگذاری را در وقوع جست بادها دارند. در همین راستا در ارتباط با روند جست بادها و ارتباط آن با الگوهای پیوند از دور تحقیقی که توسط ازورین-مولینا و همکاران در سال 2016 در اسپانیا و پرتغال صورت گرفت به این نتیجه رسیدند که روند جست بادها در دوره گرم سال (می تا اکتبر) افزایشی و دوره سرد سال (نوامبر تا آوریل) دارای روند کاهشی هستند، همچنین رخداد جست بادها با شاخص نوسان اقیانوس اطلس شمالی دارای همبستگی منفی و با شاخص طبقه بندی نوع آب و هوای جنکینسون- کلیسون همبستگی مثبت نشان می‌دهد. لازم به ذکر است این پژوهش به منظور به دست آوردن شناختی اولیه از چگونگی توزیع زمانی- مکانی، تعیین روند و ارتباط جست باد ها با سیگنال‌های اقلیمی صورت گرفت. نتایج این تحقیق می‌تواند مقدمه مطالعات آینده در زمینه پیش بینی وقوع جست باد در منطقه، مورد استفاده قرار گیرد. تشخیص موقعیت زمانی و مکانی رخداد جست باد در کنار ساز وکار شکل گیری این پدیده و ارتباط آن با الگوهای پیوند از دور و در نهایت پیش sبینی آن می‌تواند به کاهش بلایای طبیعی کمک کند. با توجه به محدودیت‌ها در داده‌های مشاهدات موجود (عمدتاْ ایستگاه‌های هواشناسی بصورت سنتی در ساعت دیده بانی توسط دیده بان مبادرت به انجام گزارش می‌کنند) این امر میسر نمی‌شود جز اینکه تمامی ایستگاه‌های سنجش باد مجهز به سنسورها جهت ثبت گزارشات جهت و سرعت باد بصورت لحظه‌ای باشند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Analysis of the spatial and temporal distribution of wind gusts occurring in the western and northwestern regions of Iran and its relationship with teleconnection patterns

نویسندگان [English]

  • alireza naseri 1
  • ghasem keikhosravi 2
  • Zinab mohamadi 3
1 Shahid Beheshti University
2 University of Shahid Beheshti
3 University of Shahid Beheshti
چکیده [English]

In this study, to analyze gusty winds, after collecting gusty wind events from meteorological stations, the Mann-Kendall method and P Value statistic were used to determine the seasonal trend. to investigate the impact of meteorological elements such as pressure, temperature, and teleconnection patterns, regression approaches based on machine learning algorithms in the R programming environment. In terms of spatial distribution, the northeastern parts of the region (Tabriz, Ardabil, and Qazvin provinces) are more prone to gusty winds than other parts of the region. In terms of temporal distribution, most gusty winds occur in spring and winter. In examining the influence of each of the predictor components (pressure and temperature) on the response variable (wind gust) based on the output of the MLR and RW model results, it was determined that in 67 percent of the meteorological stations, the air pressure is introduced as the most important influencing factor in the occurrence of gusty winds. In examining the seasonal trend of gusty winds, the occurrence of gusty winds increases in 78 and 72 percent of stations in winter and spring, respectively. In the summer, the prevailing trend in most of the region is upward, and in the fall, stations in the southern, western, and northwestern parts of the region generally have increased occurrences. In examining the teleconnection patterns, in winter, the East Atlantic-West Russian (EA/WR) pattern and the Polar-Eurasian (POL) pattern, in spring, the West Pacific (WP) and East Atlantic (EA) patterns, in summer the East Atlantic (EA) pattern, and in autumn the two Scandinavian patterns (SCA) and the Tropical-Northern Hemisphere (TNH) pattern are considered to be the most important predictor variables affecting gusty wind events.

کلیدواژه‌ها [English]

  • Gusty wind
  • Spatial and temporal distribution
  • Teleconnection patterns
  • Lasso regression
  • West and northwest of Iran

اصل مقاله

جست بادها بدلیل تغییرات لحظه­ای سرعت و جهت از بادهای بسیار خطرناک برای سازه­ها مصنوع و طبیعی، و سایر موجودات می‌باشد. درک ویژگی‌های جست بادها، برای کمک به برنامه ریزی بهتر و به حداقل رساندن تلفات مستقیم و طراحی مناسب ساختمان‌ها و زیرساخت‌ها ضروری است. در این پژوهش جهت واکاوی جست بادها در منطقه غرب و شمال غرب ایران، در دوره آماری (2021-2012) از داده‌های سرعت و جهت باد که به فاصله هر نیم ساعت در ایستگاه‌های متار گزارش می‌شود استفاده گردید. جهت تعیین روند فصلی و سالانه از روش من کندال و آماره P_value استفاده شد. برای بررسی میزان اثرگذاری عناصر هواشناسی فشار، دما و الگوی‌های پیوند از دور از رویکردهای رگرسیون مبناء در الگوریتم‌های یادگیری ماشین (رگرسیون خطی چندگانه، رگرسیون لاسو، روش وزن‌دهی نسبی و ضریب همبستگی اسپرمن) در محیط برنامه نویسی R تمرکز گردید. از لحاظ توزیع مکانی، بخش‌های شمال شرقی منطقه (استان‌های آذربایجان‌شرقی، اردبیل، قزوین) مستعد رخداد وزش بیشتر باد جستی نسبت به بخش‌های دیگر منطقه می‌باشند. از لحاظ توزیع زمانی در فصل بهار و زمستان بیشترین جست بادها رخ می‌دهند. بر اساس برونداد نتایج مدل رگرسیون لاسو و وزن دهی نسبی، مشخص گردید که در 67 درصد ایستگاه‌های متار، عنصر فشار هوا بعنوان مهمترین عامل تأثیرگذار در رخداد جست باد معرفی می‌شود. در بررسی روند فصلی جست بادها، در فصل زمستان و بهار به ترتیب در 78 و 72 درصد ایستگاه‌ها، رخداد جست باد حالت افزایشی دارد. در فصل تابستان روند غالب در بخش اعظم منطقه، روند صعودی است و در فصل پاییز، بطور کلی ایستگاه‌های بخش‌های جنوبی، غربی و شمال غربی منطقه دارای رخداد افزایشی می‌باشند و هر چقدر به سمت نواحی داخلی منطقه حرکت می‌کنیم وقوع جست باد کاهسته می‌شود. در بررسی الگوهای پیوند از دور، در فصل زمستان الگوی شرق اطلس- غرب روسیه و الگوی قطبی- اوراسیا، در فصل بهار الگوهای غرب اقیانوس آرام و شرق اطلس، در تابستان الگوی شرق اطلس و در فصل پاییز دو الگوی اسکاندیناوی و الگوی حاره- نیمکره شمالی از مهمترین متغیرهای پیشگوی تأثیرگذار در رخداد های جست باد محسوب می‌شوند.

مراجع

اکبری ازیرانی، طیبه و پژوه، فرشاد (1400). الگوهای پیوند از دور و بازخورد های جو- اقیانوس (با تاکید بر ایران)، نشر جهاد دانشگاهی.
جلالی لیچایی، مجتبی و نبی بیدهندی، مجید (1385 ). مقایسه روش‌های رگرسیون خطی چندگانه و شبکه‌های عصبی مصنوعی برای برآورد تخلخل و نفوذ پزی، علوم زمین، 149-140.
حبیبی، فریده (1400). امکان سنجی پیش بینی باد جستی با استفاده از داده کاوی و رگرسیون بر اساس مجموع داده‌های میدانی محدود، مجله ژئوفیزیک ایران، 15(2)، 70-47.
رحیمی، نفیسه؛جهانبخش، سعید؛ صلاحی، برومند (1398). تحلیل آماری ـ همدید بادهای توفنده زمستانه و تابستانه شهرستان‌های اردبیل، پارس‌آباد و خلخال در بازه زمانی 1992- 2012. جغرافیا و برنامه‌ریزی. 23(70). 167-145.
عزیزی، قاسم؛ فرید مجتهدی، نیما؛ شعبان‌زاده؛ فائزه، نگاه؛ سمانه و عابد، حسن (1396). رفتارشناسی باد در ایستگاه‌های کوهستانی البرز غربی تحت تاثیر واداشت‌های محیطی. جغرافیا و برنامه‌ریزی. 21(62). 203-222.
علیجانی، بهلول (1381). اقلیم شناسی سینوپتیک، انتشارات سمت.
محمدی، محمدحسام؛ مشکوتی، امیرحسین؛ قادر، سرمد و آزادی، مجید (1402). بررسی توزیع زمانی- مکانی و امکان پیش بینی جست باد در ایران، مجله جغرافیا و مخاطرات محیطی،12(45)، 228-209.
مشکوتی، امیرحسین؛ محمدی، امیرحسام؛ سرمد، قادر و آزادی، مجید (1401). ارزیابی دو روش پیش بینی تندی جست باد در ایران و پس پردازش نتایج با بهره گیری از شبکه عصبی مصنوعی، مجله ژئوفیزیک ایران، 16(2).
میرعباسی نجف آبادی؛ رسول و دین پژوه، یعقوب (1394). بررسی روند تغییرات سرعت باد در ایستگاه‌های منتخب ایران. جغرافیا و برنامه‌ریزی. 19(52). 227-301.
Akbari Azirani Tayyebeh; Pajouh Farshad. (2021). Remote coupling patterns and atmosphere-ocean feedbacks (with emphasis on Iran), Jihad Daneshgahi Publications. [In persian]
Alijani, Bahlool. (2002). Synoptic Climatology, Samt Publications. [In persian]
Azorin-Molina, C., J.-A. Guijarro, T. R. McVicar, S. M. Vicente-Serrano, D. Chen, S. Jerez, and F. Espírito-Santo (2016), Trends of daily peak wind gusts in Spain and Portugal, 1961–2014, J. Geophys. Res. Atmos., 121, 1059–1078. doi:10.1002/2015JD024485
Barnston, A. G., & Livezey, R. E. (1987). Classification, seasonality and persistence of low-frequency atmospheric circulation patterns. Monthly weather review, 115(6), 1083-1126.
Brasseur O. 2001. Development and application of a physical approach to estimating wind gusts. Mon Weather Rev 129:5–25. DOI: 10.1175/1520-0493(2001)129<0005:DAAOAP>2.0.CO;2.
Bureau of Meteorolog (2019).http://www.bom.gov.au/climate/current/532 month/wa/archive/­201910.­summary.shtml.
Chiang, J. C. H., & Friedman, A. R. (2012). Seasonal and interannual variability of the tropical Northern Hemisphere. Journal of Climate. DOI: 10.1029/2011JD016936.
De Gaetano, P., Repetto, M. P., Repetto, T., & Solari, G. (2014). Separation and classification of extreme wind events from anemometric records. Journal of Wind Engineering and Industrial Aerodynamics. 126, 132-143. DOI: 10.1016/j.jweia.2014.01.006.
Deser, C., et al. (2010). "The role of the Arctic Oscillation in climate variability." Nature.
Dowdy, A., Brown, A., Pepler, A., Thatcher, M., Rafter, T., & Evans, J. (2010). Extreme temperature, wind and bushfire weather projections using a standardised method. Vol. 27, pp. 3848-3868.
Earl, N., & Simmonds, I. (2019). Sub synoptic scale features of the South Australia Storm of September 2016–Part II: analysis of mechanisms driving the gusts. Weather, 74(9), 301-307. https://doi.org/10.1002/wea.3384.
Efron, B., Hastie, T., Johnstone, I. and Tibshirani, R. (2004), Least Angle Regression, Annals of Statistics, 32, 407–499. DOI: 10.1214/009053604000000067.
El Rafei, M., Sherwood, S., Evans, J. P., & Ji, F. (2023). Analysis of extreme wind gusts using a high-resolution Australian regional reanalysis. Weather and Climate Extremes, 39, 100537. https://doi.org/10.1016/j.wace.2022.100537.
El Rafei, M., Sherwood, S., Evans, J., & Dowdy, A. (2023). Analysis and characterisation of extreme wind gust hazards in New South Wales, Australia. Natural Hazards, 875-895. https://doi.org/10.1007/s11069-023-05887-1
Ghavidel, Y., Baghbanan, P., Farajzadeh, M., 2017. The spatial analysis of thunderstorm hazard in Iran. Arabian Journal of Geosciences. 10 (5): 1-13. http:// doi.org/10.1007/s12517-017- 2902-7.
Habibi Farideh. (2021). Feasibility of wind forecasting using data mining and regression based on limited field data, Iranian Journal of Geophysics, Volume 15, Number 2, 10.30499/ijg.2021.257169.1301 [In persian].
Harper, B. A., Kepert, J. D., & Ginger, J. D. (2010). Guidelines for converting between various wind averaging periods in tropical cyclone conditions.
Holmes, J. D. (2002). A re-analysis of recorded extreme wind speeds in region A. Australian Journal of Structural Engineering, 4(1), 29-40. http://dx.doi.org/10.1080/13287982.2002.11464905.
Holmes, J. D., & Moriarty, W. W. (1999). Application of the generalized Pareto distribution to extreme value analysis in wind engineering. Journal of Wind Engineering and Industrial Aerodynamics, 83(1-3), 1-10. http://dx.doi.org/10.1016/S0167-6105(99)00056-2.
Hurrell, J. W. (1997). Decadal variations in the North Atlantic Oscillation and associated climate impacts. Geophysical Research Letters. DOI: 10.1023/A:1005314315270.
Hurrell, J. W., & Van Loon, H. (1997). Decadal variations in climate associated with the North Atlantic Oscillation. Climatic change, 36(3). 301-326, DOI: 10.1023/A:1005314315270s.
Jalali Lichaei Mojtaba; Nabi Bidhendi Majid. (2006). Comparison of multiple linear regression methods and artificial neural networks for estimating porosity and permeability, Earth Sciences, 149-140. [In persian]
Johnson, J. and J. LeBreton. (2004). History and Use of Relative Importance Indices in Organizational Research. Organizational Research Methods 7: 238–257. http://dx.doi.org/10.1177/1094428­104­26­6­510.
Johnson,J. (2004). Factors Affecting Relative Weights: The Influence of Sample and Measurement Error.” Organizational Research Methods 7: 283–299.
Kabcoff, R.I(2022). R in Action, Third Edition,Data analysis and graphics with R and tidyverse, Efron, B., Hastie, T., Johnstone, I. and Tibshirani, R. Least Angle Regression, Annals of Statistics, 32, 407–499.
Kent, E. C., Fangohr, S., & Berry, D. I. (2013). A comparative assessment of monthly mean wind speed products over the global ocean. International Journal of Climatology, 33(11), 33(11), 2520-2541. https://doi.org/10.1002/joc.3606.
LeBreton, J. M and S. Tonidandel. (2008). Multivariate Relative Importance: Extending Relative Weight Analysis to Multivariate Criterion Spaces. Journal of Applied Psychology 93: 329–345. DOI: 10.1037/0021-9010.93.2.329.
Mantua, N.J., Hare, S.R. (2002).The Pacific Decadal Oscillation. Journal of Oceanography 58, 35–44. https://doi.org/10.1023/A:1015820616384
Meshkoti Amir Hossein; Mohammadi Amir Hossam; Sarmad Ghader; Azadi Majid. (2022). Evaluation of two methods for predicting wind speed in Iran and post-processing the results using artificial neural networks, Iranian Journal of Geophysics, Volume 16, Number 2. 10.30499/ijg.2022.316808.1381 [In persian]
Meteorology Glossary. (2012). AMS. URL: http://glossary.ametsoc.org/wiki/Gust.
Mohammadi Mohammad Hesam; Meshkooti Amir Hossein; Ghader Sarmad; Azadi Majid. (2023). Study of the temporal-spatial distribution and the possibility of predicting wind gusts in Iran, Journal of Geography and Environmental Hazards, Year 12, Issue 45, 209-228, 10.22067/geoeh.2022.74312.1148 [In persian].
Mohr, S., Kunz, M., Richter, A., and Ruck, B.(2017). Statistical characteristics of convective wind gusts in Germany, Nat. Hazards Earth Syst. Sci., 17, 957–969, https://doi.org/10.5194/nhess-17-957-2017. https://doi.org/10.5194/nhess-17-957-2017.
Owlad, E., Stoffelen, A., Ghafarian, P., & Gholami, S. (2022). Wind field and gust climatology of the Persian Gulf during 1988–2010 using in-situ, reanalysis and satellite sea surface winds. Regional Studies in Marine Science, 52, 102255. https://doi.org/10.1016/j.rsma.2022.102255.
Paulsen, B. M., & Schroeder, J. L. (2005). An examination of tropical and extratropical gust factors and the associated wind speed histograms. Journal of Applied Meteorology and Climatology, 44(2), 270-280. DOI: https://doi.org/10.1175/JAM2199.1.
Potter, B. E. (2012). Atmospheric interactions with wildland fire behaviour–I. Basic surface interactions, vertical profiles and synoptic structures. International Journal of Wildland Fire, 21(7), 779-801. DOI: 10.1071/WF11128.
Serrano, A., Mateos, V. L., and Garcia, J.A., (1999): Trend Analysis of Monthly Precipitation Over The Iberian Peninsula for The Period 1921-1995. Phys. Chem. EARTH (B), Vol. 24, NO. 1-2:85-90. https://doi.org/10.1016/S1464-1909(98)00016-1.
Soekkha, H. M. (Ed.). (1997). Aviation safety: Human factors, system engineering. management. VSP, 104, 266-277. https://doi.org/10.1201/9780429070372.
Solari, G., Repetto, M. P., Burlando, M., De Gaetano, P., Pizzo, M., Tizzi, M., & Parodi, M. (2012). The wind forecast for safety management of port areas. Journal of Wind Engineering and Industrial Aerodynamics, 104, 266-277.
Spassiani, A. C., & Mason, M. S. (2021). Application of Self-organizing Maps to classify the meteorological origin of wind gusts in Australia. Journal of Wind Engineering and Industrial Aerodynamics, 210, 104529.Standardised Method. Bureau Research Report 055, Australian Bureau of Meteorology, p. 63. DOI: 10.1016/j.jweia.2021.104529.
Stern, D. P., Bryan, G. H., Lee, C. Y., & Doyle, J. D. (2021). Estimating the Risk of Extreme Wind Gusts in Tropical Cyclones Using Idealized Large-Eddy Simulations and a Statistical–Dynamical Model. Monthly Weather Review, 149(12), 4183-4204. DOI: 10.1175/MWR-D-21-0059.1.
Turgay, P. and Ercan K. (2005): Trend Analysis in Turkish Precipitation Data. Hydrological Processes Published Online in Wiley Inter Science(www.Interscience.wiley.com). DOI: 10.1002/hyp.5993.
Wallace, J M; D. S. Guzzler (1981), Teleconnections in the Geopotential Height Field during the Northern Hemisphere Winter, Monthly Weather Review , 109: 784-812. https://doi.org/10.1175/­1520-0493­(1981)109<0784:TITGHF>2.0.CO;2.
Wei, T. and Simko, V. (2021). R Package “Corrplot”: Visualization of a Correlation Matrix. https://doi.org/10.1016/j.eng.2025.01.004.
Wood, K. M., Johnson, A., & Black, T. (2024). Climatology and synoptic patterns of extreme wind gusts across the Middle East. International Journal of Climatology, 44(3), 1550–1568. https://doi.org/10.1002/joc.7892.
Yao, Z., Li, X., & Xiao, J. (2018). Characteristics of daily extreme wind gusts on the Qinghai-Tibet Plateau, China. Journal of Arid Land, 10, 673-685.http://news.mrud.ir. https://doi.org/10.1007/­s40333-018-0094-y.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار