آشکارسازی آماری اثر گاز گلخانه‌ای هگزا فلورید گوگرد بر بارش‌های فصلی ایران در دهه اخیر

اثرات گلخانه‌ای یکی از تهدیدهای جدّی محیط ‌زیست هستند و عوارض جانبی آن متوجّه تمامی نقاط جهان است. با توجّه به اهمّیّت این موضوع، پژوهش حاضر با هدف نقش گازهای گلخانه‌ای در نوسانات بارش ایران مورد بررسی قرار گرفت. بدین منظور از روش همبستگی پیرسون استفاده شد. داده‌های مجموع بارش 36 ایستگاه منتخب بر اساس صحّت داده‌های آماری و پراکندگی فضایی ایستگاه‌ها در سطح کشور، از سال 2000 تا 2010 از سازمان هواشناسی کشور اخذ گردید. همچنین آمار و اطّلاعات مربوطبه گاز هگزا فلورید (برحسب بیلیون در قسمت) از ایستگاه شاخص جهانی منولوا دریافت شد. نتایج حاصل از تحلیل فضایی پژوهش نشان دادند که تاثیر گاز هگزا فلورید گوگرد بر بارش فصل بهار در بخش‌های شرق و جنوب شرق کشور تقریباً مثبت و به صورت افزایش بارش و در سواحل دریای خزر تاثیر این گازها به صورت کاهش بارش بوده است. با توجّه به اینکه تابستان فصل خشکی است؛ بنابراین، نتایج حاصل از تحلیل این فصل قابل اطمینان نیست. در فصل پاییز تاثیر گاز هگزا فلورید گوگرد بر بارش بخش‌های جنوب شرقی کشور مثبت و به صورت افزایش بارش و در بخش‌های شمالی و شمال شرقی کشور تاثیر این گاز بر بارش مناطق از نوع معکوس و به صورت کاهش بارش خود را نشان داده است؛ امّا بارش فصل زمستان طی این دوره آماری، از گاز هگزا فلورید گوگرد تاثیر چندانی نپذیرفته‌اند. در مجموع می‌توان گفت که بارش شهرهای بزرگ و صنعتی، بیشترین تاثیر را از این گاز به صورت کاهش بارش پذیرفته‌اند.

The Statistical Detecting of Sulfur Hexafluoride and Nitrous Oxide Effect on Seasonal Rainfalls in Iran During Recent Decade

The importance of precipitation forecasting as the most important climatologic element and the basis of all planning, especially in areas where there are significant changes in precipitation regimes, is considerable. The use of artificial neural networks is one of the forecasting methods that have been widely developed in recent years. In this research the data set of some climatologic elements, related to the cold seasons of previous year, were used to forecast the next year precipitations in Kermanshah and Nouje Hamedan synoptic stations. Therefore, time series of seven climatologic elements including mean temperature, precipitation, relative humidity, mixing ratio, vapor pressure, dew point temperature and sea level pressure were entered to the artificial neural networks as input, while next year precipitation was considered as the output of network. Due to nonlinear nature of selected climatologic elements of this research, the multilayer perceptron (MLP) networks were applied. In fact, they are among the progressive networks with supervising training algorithms and suitable for nonlinear data. Other two categories of training algorithms including BP training algorithms and number normalization algorithm were used for training of networks. Eventually, the combination of these algorithms led to the production of 720 training networks at two stations, and finally the artificial neural network succeeded to proper forecasting of annual precipitation amounts. The best forecast for Kermanshah station is related to the traingd training function with mean and standard deviation normalization algorithm and testerror amount equal to 0.0195 in cold period of the year (overall autumn and winter), and in Nouje station is related to the traingdx training function with pca 0.06 normalization algorithm with testerror amount equal to 0.0047 in the winter.