تحلیل ارتباط تغییرات روزهای برفی استان اردبیل با نوسانات دوفصلی الگوهای بزرگ‌مقیاس گردش‌های جوّی – اقیانوسی اقیانوس‌های اطلس و آرام

پدیده های کلان مقیاس جوّی-اقیانوسی، دگرگونی های اقلیمی زیادی را در جهان سبب شده اند. الگوهای کلان مقیاس جوّی اقیانوسی متغیری مناسب برای پیش بینی عناصر اقلیمی بخصوص روزهای برفی هستند. بارش های برفی سبک و نیمه سنگین تا سنگین استان اردبیل، علاوه بر تاثیرپذیری از عوامل محلّی، با پدیده های کلان مقیاس گردش های جوّی اقیانوسی نیز در ارتباط هستند. با تعیین میزان ارتباط بارش های برفی استان اردبیل با پدیده های کلان مقیاس گردش های جوّی اقیانوسی می توان پیش بینی های لازم در خصوص وقوع روزهای برفی در این استان را به عمل آورد. مواد و روش ﭘﮊوهشدر این پژوهش، با استفاده از داده های مربوط به فراوانی روزهای برفی ایستگاه های سینوپتیک استان اردبیل به عنوان نمونه ای از اقلیم شمال غرب ایران، خصوصیات آماری روزهای برفی این استان مورد مطالعه قرار گرفت. دوره ی آماری مورد استفاده در ایستگاه های سینوپتیک اردبیل، خلخال، مشکین شهر و پارس آباد به ترتیب از سال 1355، 1366، 1375 و 1364 تا 1396 به ترتیب 42، 31، 22 و 33 ساله بوده است. برای مقایسه میانگین دوره های روزهای برفی ایستگاه های مورد بررسی، از آزمون t دو نمونه ای مستقل استفاده شد. در این مطالعه، علاوه بر تحلیل های توصیفی، از روش همبستگی اسپیرمن، تحلیل روند خطی و پلی نومیال درجه ی شش و تحلیل رگرسیون چندگانه به روش پس رونده برای توجیه درصد تغییرات تبیین شده ی روزهای برفی استان اردبیل توسط 27 الگوی کلان مقیاس گردش های جوّی اقیانوسی اقیانوس های آرام و اطلس استفاده شد. داده های مربوط به شاخص های پدیده های کلان مقیاس گردش های جوّی اقیانوسی که در این مطالعه مورد استفاده قرار گرفته است، از وب سایت https://www.psl.noaa.gov/data/climateindices اخذ شده است که عبارتند از: soi، senso، eof،mei،nina1، nina3، nina4، nina3.4، oni، pwp، tni، epo، noi، np، pdo، pna، wp، ao، amm، amon، atltri، car، nta، tna، tsa، whwp و nao. یافته های پژوهشنتایج نشان داد که در مقیاس سالانه در ایستگاه اردبیل، به طور متوسط حدود 35 روز برفی وجود دارد. تعداد روزهای برفی در ماه های ژانویه، فوریه، مارس، دسامبر و نیز در مقیاس سالانه، از توزیع تقریباً نرمالی برخوردار است. نرمال بودن نسبی توزیع تعداد روزهای برفی در مقیاس سالانه و شباهت آن به ماه های دسامبر تا مارس ایستگاه اردبیل، به دلیل سهم بسیار زیاد تعداد روزهای برفی این ماه ها در تشکیل تعداد روزهای برفی سالانه ی ایستگاه اردبیل است. ضریب تغییرات اغلب ایستگاه ها نیز در ماه های می و اکتبر بیش از سایر ماه هاست. نتایج روند خطی تغییرات روزهای برفی ایستگاه اردبیل، حاکی از افزایش آرام تعداد روزهای برفی ایستگاه مورد مطالعه در طول دوره ی آماری است. روزهای برفی اغلب ایستگاه های مورد مطالعه، دارای همبستگی معنی دار در سطح خطای 1 و 5 درصد با یکدیگر بودند و این مساله، بیان کننده ی فراگیری بارش های برفی در سطح ایستگاه های استان اردبیل است. در ایستگاه های خلخال، مشکین شهر و پارس آباد، کاهش نسبی در تعداد روزهای برفی در مقیاس سالانه دیده می شود.

detection of relationship between snowy days in ardabil province with bi-seasonal fluctuations of large-scale atmospheric-oceanic circulation patterns of atlantic & pacific oceans

atmospheric-oceanic macro scale phenomena have caused much of the worldchr(’39’)s climate change. atmospheric-oceanic macro scale patterns are a suitable variable for predicting climatic elements, especially snowy days. in ardebil province, light, semi-heavy and heavy snowfalls, in addition to local factors, are also related with large-scale atmospheric-oceanic circulation patterns. forecasts for snow days in ardabil province can provide by determinatiom of relationship between snowfalls and macro-scale phenomena of atmospheric-oceanic circulations in this province. materials & methodsin this research, by snow days data of synoptic stations of ardabil province as sample of climate of north west of iran, statistical characteristics of snow days of this province was studied. the statistical period used in ardebil, khalkhal, meshkinshahr and pars abad synoptic stations were 42, 31, 22 and 33 years from 1976, 1987, 1996 and 1985 to 2017, respectively. independent two-sample t-test was used to compare the mean snow days of the stations under study. in this research, in addition to descriptive analysis, spearman correlation, order 6 polynomial and linear trend, multiple regression analysis based on backward method for determine of variability of snow days in ardabil province by using 27 large-scale atmospheric-oceanic circulation pattern of atlantic and pacific oceans.