جستجو در مقالات منتشر شده


42 نتیجه برای حجازی زاده

زهرا حجازی زاده، علیرضا کربلایی دریی، مختار فتاحیان،
دوره 26، شماره 80 - ( 1-1405 )
چکیده

در این پژوهش، با هدف تحلیل دقیق‌تر فضایی سامانه پرفشار جنب‌حاره‌ای در تابستان ایران، از داده‌های روزانه ERA5 (1980–2020) و روش آماری Getis-Ord Gi* برای شناسایی هات‌اسپات‌های معنادار (p < 0.01) در توزیع ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال (Z500) در فصل گرم سال (ژوئن–آگوست) استفاده شد. نتایج نشان داد که بیشینه آماری هات‌اسپات در جولای رخ می‌دهد: خوشه داغ با Z score تا +4.1 (سطح اطمینان 99%) در جنوب غرب ایران (27°–32°N، 48°–60°E) شکل می‌گیرد که بیانگر فراترین انحراف مثبت از میانگین بلندمدت Z500 است. در مقابل، خوشه سرد با Z score تا 10.2 − در شمال غرب (آذربایجان غربی و کردستان) قرار دارد کمترین مقدار گزارش‌شده در کل دوره و نشان‌دهنده کاهش ژئوپتانسیل ناشی از توپوگرافی البرز-زاگرس و فعالیت سامانه‌های میان‌عرضی. تحلیل هیستوگرام Z scoreها تأیید می‌کند که توزیع در جولای دوکُله‌ای و به‌وضوح دوگانه است: فراوانی بالا در بازه‌های [+2.5, +4.1] و [−10.2, −2.5]، در ناحیه Z ≈ 0، نشان‌دهنده جداشدگی قوی فضایی بین خوشه‌های داغ و سرد است. علاوه بر این، عدم وجود خوشه‌های معنادار در نیمه شرقی (مرکز و شرق ایران) که در هر سه ماه مشاهده شد، گویای حضور یک «زون انتقالی» پویا است که تحت تأثیر رقابت بین جریان‌های جنب‌حاره‌ای و میان‌عرضی قرار دارد. در آگوست، با وجود افزایش مطلق Z500 به فراتر از 5890 متر، Z score کاهش یافته (+4.0) که نشان می‌دهد گرمای تجمعی سطح باعث بالارفتن مطلق Z500 شده، اما ناهنجاری آماری آن نسبت به جولای ضعیف‌تر است. این یافته‌ها حاکی از آن است که پیک دینامیکی پرفشار جنب‌حاره‌ای ایران با تأخیر یک‌ماهه نسبت به پیک گرمای سطحی در تابستان رخ می‌دهد.

خانم عاطفه بساک، دکتر زهرا حجازی زاده، دکتر اکبر حیدری تاشه کبود،
دوره 26، شماره 81 - ( 4-1405 )
چکیده

این پژوهش با هدف ارزیابی ارتباط میان پارامترهای هواشناسی و غلظت ذرات معلق PM10 و پیش‌بینی میزان این آلاینده در شهر اهواز انجام‌شده است. داده‌های روزانه پارامترهای هواشناسی (دما، سرعت باد، جهت باد، دید افقی، بارش و رطوبت نسبی) و غلظت PM10  در بازه زمانی 1390 تا 1402 از سازمان هواشناسی و اداره کل محیط‌زیست خوزستان گردآوری شد. پس از پیش‌پردازش داده‌ها، از آزمون کلموگروف-اسمیرنوف برای بررسی نرمال بودن توزیع آن‌ها استفاده شد. با توجه به عدم نرمال بودن داده‌ها، از ضرایب همبستگی اسپیرمن و تاوی بی کندال برای ارزیابی ارتباط میان متغیرها بهره گرفته شد. تحلیل‌های آماری و مدل‌سازی با استفاده از نرم‌افزار SPSS و زبان برنامه‌نویسی پایتون در محیط اسپایدر انجام شد. نتایج تحلیل همبستگی نشان داد که بین غلظت PM10 و برخی پارامترهای هواشناسی ارتباط معناداری وجود دارد. به‌طور خاص، همبستگی مثبت و معناداری بین PM10 و دما (0.284 و 0.187) و سرعت باد(0.094 و 0.061)، و همبستگی منفی و معناداری بین PM10 و دید افقی (0.408- و 0.300 -)، جهت باد (0.048 و 0.034 -)، بارش (0.159 و 0.125-) و رطوبت نسبی (0.259 و 0.173-) مشاهده شد. در ادامه، برای پیش‌بینی غلظت PM10 از مدل شبکه عصبی مصنوعی چندلایه پرسپترون (MLP) استفاده شد. ساختار شبکه شامل یک لایه ورودی با شش نورون (مربوط به شش پارامتر هواشناسی)، سه لایه مخفی با ۱۶، ۳۲ و ۶۴ نورون و یک لایه خروجی بود. نتایج ارزیابی مدل نشان داد که شبکه عصبی MLP توانایی مناسبی در پیش‌بینی غلظت PM10 دارد و خطای پیش‌بینی در مراحل آموزش، اعتبارسنجی و آزمون در سطح قابل قبولی قرار دارد.


صفحه 3 از 3    
3
بعدی
آخرین
 

کلیه حقوق این وبگاه متعلق به تحقیقات کاربردی علوم جغرافیایی است.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Applied Researches in Geographical Sciences

Designed & Developed by : Yektaweb

Creative Commons License
This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)