نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانش آموخته آبوهواشناسی، گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2 استاد گروه جغرافیای طبیعی، دانشکدۀ جغرافیا، دانشگاه تهران، تهران، ایران
3 دانشیار گروه جغرافیای طبیعی، دانشکدۀ جغرافیا، دانشگاه تهران، تهران، ایران
4 استادیار گروه جغرافیای طبیعی، دانشکدۀ جغرافیا، دانشگاه تهران، تهران، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Abstract
Identifying homogeneous climatic zones plays an important role in the success of regional development programs. The climate system is composed of various elements, factors, and variables that together form the climatic components of a region. Multi-characteristic and multivariate methods can combine and overlap the types of elements and variables effective in constructing the climate with appropriate weights in the climatic zoning area. In the present study, climatic zoning of the Caspian region was performed using factor analysis and cluster analysis. For this purpose, a 30*30 matrix consisting of 30 meteorological stations and 30 climatic and environmental variables was formed. The results of factor analysis showed that the climate of the region is affected by 5 factors including precipitation-humidity, temperature, wind, sunlight, and environmental factors. These factors explained a total of 92.5% of the variance of the data. Then, cluster analysis was performed by the hierarchical integration method of Ward on the five mentioned factors. The results showed four climatic zones including humid, semi-humid, semi-arid, and arid in the study area.
Keywords: Climate Zoning, Factor Analysis, Multivariate Analysis, Cluster Analysis, Caspian Coastline, Iran.
Introduction
Knowledge of climatic zones has long attracted the attention of many scientists and has led to the presentation of various methods of climatic classification such as De Marten, Koppen, Ivanov, Amberje, Selianinov, Hansen, and others. With significant computer advances in recent years, it has become possible to perform internal methods on large volumes of data and the use of new classification methods such as multivariate statistical methods (factor analysis and cluster analysis) have expanded to classify the interactions of a large number of climatic components. Identifying homogeneous climatic zones and the capabilities and limitations of the agricultural climate of each climatic zone can play an effective role in carrying out projects and planning.
Methodology
The study area in this research is the greenest and rainiest region of the country (i.e. the southern shores of the Caspian Sea). In this study, factor analysis with Varimax rotation has been used to identify the factors affecting the climate of the study area and the hierarchical clustering method has been used in its climatic zoning. For this purpose, out of 30 variables affecting agricultural activities, including three environmental variables of latitude, altitude, and distance from the sea, as well as 27 climatic variables including maximum, minimum, and average temperature, an average temperature of winter, spring, summer, and autumn were used. Number of days with a maximum temperature of 30 ° C and above and minimum temperature of 0 ° C and below, average sunny hours, number of full cloudy, partly cloudy, and sunny days, hours of radiation, average relative humidity and annual rainfall, average winter, spring, summer and autumn, total annual rainfall with more than 1 mm, number of days more than 1 mm, more than 5 mm, more than 10 mm and more than 20 mm, average evapotranspiration and average wind speed in 30 stations, and the synoptic meteorology of the region with a suitable statistical period between 2002 to 2018 were used on a daily time scale. ETO Calculator software and radiation amount were used using the Angstrom-Prescott function to calculate the reference evapotranspiration.
Discussion
The results of the Bartlett test showed that the data are suitable for factor analysis and the results can be generalized to the statistical population. The results also showed that the region's climate is the result of the interaction of 5 different factors and explains 92.5% of the total variance. Based on the results of factor scores of variables, variables of average annual rainfall, winter, spring, summer, and autumn, total annual rainfall on days with more than 1 mm, number of days with more than 1 and 5 mm and with heavy rainfall of more than 10 and 20 mm, the number of full and partly cloudy days and average relative humidity had the highest correlation coefficient with the first factor. Due to the fact that the naming of the factors is based on the highest values of correlation coefficients, it was named the precipitation-moisture factor. In the second factor, the variables of average minimum, maximum and average daily temperatures, average temperatures of winter, spring, summer, and autumn, and the number of days with a maximum temperature of 30 ° C and above had the highest factor load and weight. Therefore, the second factor was named the temperature factor. The third factor explains 6.5% of the total variance of the data and was named the wind factor, as the mean variable of wind speed had the highest correlation coefficient with this factor. The fourth factor explains only 5.8% of the variance of the data changes. Because the variable number of sunny days had the highest correlation coefficient with this factor, it was named the factor of sunshine. The fifth factor explains only 5.5% of the variance of the data changes. Because the variables of distance from the sea and latitude had the highest factor and weight in this factor, it was named an environmental factor.
After performing factor analysis and identifying the main factors using the hierarchical clustering method by the Ward method, the studied stations are grouped into homogeneous categories and zones and climatic classification was performed. According to the cluster tree diagram obtained and the cutting location of the diagram at the interval of 8, 4 clusters were identified. According to the findings, four climatic zones including a humid climate zone located in the northern parts of Gilan province to the western and central plains of Mazandaran province, a semi-humid climate zone including the eastern and central parts of Mazandaran province to parts of the western and southern regions of Gilan province and western parts of Golestan province, semi-arid climate zone located in the southern parts of the southern shores of the Caspian Sea, and arid climate zone located in the eastern and northeastern parts of Golestan province for the region were identified.
Conclusion
The output of this study was four climatic clusters for the study area, which is different from the study of Nazmafar and Goldoust (2015) who in their research on the zoning of the north and northwest of the country, identified three climatic zones for the northern region. In their study, the first climate zone with the effect of precipitation factor was located in the southwest of the Caspian Sea and the second climate zone with the effect of temperature factor was located in a part of the southern shores of the Caspian Sea and the northern slopes of Alborz Mountain range. Therefore, the present study has provided more specific and accurate climatic zones. The findings of this study are consistent with the findings of Montazeri and Bai (2012). They showed in their research that Mazandaran province was located in two humid and semi-cold climates with low rainfall, Gilan province was located in two humid and semi-humid regions, and Golestan province was located in the climate zones of humid, semi-humid, cold, low rainfall, semi-cold, and low rainfall. Also, the findings of this study were consistent with the findings of Fallah Ghaleri et al. (2015) in the field of climatic zoning in Gilan province.
References
- Biabiany, E., Bernard, D., Page, V., & Paugam-Moisy, H. (2020). Design of an expert distance metric for climate clustering: The case of rainfall in the Lesser Antilles. Journal of Computers and Geosciences, 145, 1-15.
- Carvalho, M., Melo-Gonçalves, P., Teixeira, J., & Rocha, T. (2016). Regionalization of Europe based on a K-Means Cluster Analysis of the climate change of temperatures and precipitation. Journal of Physics and Chemistry of the Earth, 94, 22-28.
- Schmidt, G. (2019). The Ecological relevance of parameter choice in describing climate. The Ecological relevance of parameter choice in describing climate, 6, 1-26.
- Tapiador, F., Moreno, R., & Navarro, A. (2019). Consensus in climate classifications for present climate and global warming scenarios. Journal of Atmospheric Research, 216, 26-36.
- Yang, L., Bai, L., Song, B., & Liu, N. (2020). A new approach to develop a climate classification for building energy efficiency addressing Chinese climate characteristics. Energy, 195, 1-14.
- Zhao, J., Xia, B., Han, J., & Liang, K. (2020). Technological adaption zone of passive evaporative cooling of China, based on clustering analysis. Journal of Sustainable Cities and Society, 66, 1-10.
کلیدواژهها [English]
مقدمه
آبوهوا یکی از مهمترین عوامل مؤثر و تعیینکنندۀ توزیع پوشش گیاهی و جانوری، میزان مصرف انرژی، طراحی ساختمانها و دیگر موارد هر منطقه است (Schmidt, 2019:1; Yang et al., 2020:2).
پژوهشهای مختلف نشاندهندۀ آن بودند که پهنهبندی و شناسایی مناطق همگن آبوهوایی یکی از نیازهای اولیه در انجام پروژهها و برنامهریزیهای کلان است و نبودِ شناخت و آگاهی کافی از نوع اقلیم و عناصر غالب موجب شکست برنامهریزیهای اقتصادی و کشاورزی میشود (خورشید دوست و آزرم، 1394: 172 ؛ فلاح قالهری، 236:1394). پهنهبندی آبوهوایی یعنی شناسایی پهنههایی که آبوهوای یکسان دارند (شیرانی و خداقلی، 130:1388). بهطور کلی یک سیستم طبقهبندی آبوهوایی، مجموعه قواعدی است که با به کار گرفتن آنها مناطق با خصوصیات و ویژگیهای مشخصی تفکیک و در یک طبقه قرار داده میشوند (امیر احمدی و عباسنیا، 68:1389). شناخت پهنههای اقلیمی از دیرباز توجه بسیاری از دانشمندان را به خود معطوف کرده و باعث ارائۀ روشهای متنوع طبقهبندی اقلیمی نظیر دمارتن، کوپن، ایوانف، آمبرژه، سلیانینوف، هانسن[1] و غیره شده است. امروزه این طبقهبندیها طبقهبندیهای سنتی خوانده میشود (موحدی و همکاران،1391: 74). طبقهبندیهای آبوهوایی مانند کوپن، جزء نخستین مطالعات پیشگام طبقهبندی آبوهوایی است که به اواخر قرن نوزدهم برمیگردد. مبنای طبقهبندی کوپن براساس دو پارامتر دما و بارش بود. بخشی از موفقیت روش کوپن مربوط به سادگی آن است؛ همانطور که برخی طبقهبندیها مانند تورنثویت یا یتزولد[2] به دلیل دشواری محاسبه کمتر موردتوجه هستند (Tapiador et al., 2019:27). روشهای سنتی ـ تجربی با وجود داشتن اهمیت تاریخی و جنبۀ مقایسهای نقطهضعفهایی دارند که از کارایی جامع و بهتر این سیستمها میکاهد. در طبقهبندیهای سنتی، بیشتر از یک یا دو متغیر آبوهوایی مثل دما و بارش استفاده شده است. در صورتی که آبوهوا وضعیت کلی و تکرار شرایط هوا در منطقه است که از اجتماع همۀ متغیرهای سامانۀ آبوهوا حاصل میشود و تنها با استناد به چند متغیر مانند دما، بارش، تبخیر و غیره شناخت صحیحی از یک منطقه به دست نمیآید (فلاحقالهری و همکاران، 1394: 236؛ لشنی زند و همکاران،1390: 90). با پیشرفتهای چشمگیر رایانهای در سالهای اخیر امکان انجام روشهای درون سو بر روی حجم بزرگی از دادهها فراهم شد و استفاده از روشهای طبقهبندی جدیدی مانند روشهای آماری چند متغیره (تحلیل عاملی و خوشهای) گسترش یافت که اثرات متقابل تعداد زیادی از مؤلفههای اقلیمی را ملاک طبقهبندی قرار میدهد (دارند و همکاران، 1396: 184؛ نظمفر و گلدوست، 1394: 148). نخستین طبقهبندی با استفاده از روشهای چند متغیره با استانیر[3] (1965) از شانزده متغیر اقلیمی در ایالات متحدۀ آمریکا به روشهای تحلیل عاملی و خوشهای انجام شده است؛ همچنین کاروالیو و همکاران[4] (2016) مناطق همگن آبوهوایی را در اروپا برای دورۀ پایه 1986-2005 و آینده2081-2100 با استفاده از روش تحلیل خوشهای بررسی کردند. ژائو و همکاران[5] (2020) با بهرهگیری از تحلیل عاملی و خوشهای، ارتباط میان اقلیم و محیط حرارتی ساختمانها را در سه منطقه در چین بررسی کردند. بیابانی و همکاران[6] (2020) با استفاده از تحلیلهای چند متغیره، یک پهنهبندی اقلیمی را برای بارش بخشهای شمال شرقی آمریکای جنوبی ارائه کردند. ناحیهبندی آبوهوایی ایران با روشهای تحلیل عاملی و خوشهای نخستین بار از سوی حیدری و علیجانی (1378) و سپس از سوی مسعودیان (1382) انجام شد. طبقهبندی رقومی ایستگاههای اقلیمی منتخب در ایران به روش لیتیناسکی[7] از سوی عزیزی (1380) و طبقهبندی اقلیمی چند معیاری ایران برای توسعۀ نواحی کشت انگور بهوسیلۀ حیدری و سعیدآبادی (1388) مطالعه شد. محب الحجه و همکاران (1396) پدیدآورندۀ بارشهای مهم تهران را با بهرهگیری از تحلیل مؤلفههای اصلی الگوهای جوی شناسایی کردند. گرامی مطلق و شبانکاری (1385) پهنهبندی اقلیمی استان بوشهر، عباسنیا و باعقیده (1394) پهنهبندی آبوهوای استان چهارمحال بختیاری و نظمفر و گلدوست (1393) ناحیهبندی آبوهوایی شمال و شمال غرب ایران را انجام دادند.
ناظم السادات و همکاران (1382) با استفاده از روش تحلیل مؤلفههای اصلی، بارندگی زمستانۀ استانهای فارس، بوشهر، کهگیلویه و بویراحمد را پهنهبندی کرده و مشاهده کردند مؤلفههای اول و دوم 68 درصد از کل پراش دادههای اولیه را توجیه میکند. مسعودیان (1382) با استفاده از تحلیل عاملی به روش مؤلفههای اصلی و چرخش مهپـراش، 27 عنصر اقلیمی ایران را با توجه به همبستگی درون گروهی میـان آنهـا بـه 6 عامل خلاصه و با اعمال تحلیل خوشهای روی نمرات عاملی، ایران را بـه پـانزده ناحیـۀ اقلیمی تفکیک کرد. غیور و منتظری (1383) با تحلیل مؤلفههای اصـلی بـر روی آرایـۀ دادههای دمای کشور با سه مؤلفه 99/7 درصد از پراش دادههای دمـا را توصیف کردند. سپس با اعمال تحلیل خوشهای پایگانی با روش ادغام وارد بر نمـرات مؤلفهها، سه قلمروی اصلی رژیم دمایی کشـور را تعیـین کردند.
در رابطه با نوار ساحلی دریای خزر با توجه به اهمیت آن در تولید محصولات کشاورزی، باغی، فعالیتهای گردشگری و اوقات فراغت موردتوجه محققان در طبقهبندیهای اقلیمی بوده است. طبقهبندی اقلیمی دشت گرگان در شرق دریای خزر با مقایسۀ روشهای سنتی آمبروژه، آمبروترمیک، تورنثویت، کوپن و دمارتن[8] (شاهکویی، 1378)، ارزیابی شرایط اقلیمی شهر بندر انزلی از منظر گردشگری با شاخص CIT (شمسیپور و همکاران، 1391)، طبقهبندی اقلیمی استان مازندران براساس روش لیتیناسکی (داوودی و همکاران،1392)، پهنهبندی اقلیم ناحیۀ خزری با استفاده از روشهای آماری چند متغیره (منتظری و بای، 1391) و ارزیابی پتانسیل گردشگری ساحلی شمال ایران با شاخصهای زیست اقلیمی (امیری، 1398) از مهمترین آنها هستند. موقعیت جغرافیایی سواحل جنوبی دریای خزر موجب شکلگیری استعدادهای بالقوۀ لازم برای توسعۀ کشاورزی و اقتصادی شده است؛ از این رو، شناسایی پهنههای همگن آبوهوایی و قابلیتها و محدودیتهای اقلیم کشاورزی هر پهنۀ آبوهوایی نقش مؤثری در انجام پروژهها و برنامهریزیها دارد.
روششناسی پژوهش
منطقۀ موردمطالعه در این پژوهش پربارانترین و سرسبزترین منطقۀ کشور یعنی سواحل جنوب دریای خزر است. منطقۀ خزری به مساحت 65912 کیلومترمربع در شمال کشور و بین طول جغرافیایی ´53 °48 تا ´10 °56 شرقی و عرض جغرافیایی ´47 °35 تا ´27 °38 شمالی قرار گرفته است و ازنظر تقسیمات سیاسی سه استان شمالی (یعنی مازندران، گلستان و گیلان) را در برمیگیرد. در این پژوهش از تحلیل عاملی با دوران واریماکس برای شناخت عوامل مؤثر بر آبوهوای منطقۀ موردمطالعه و روش خوشهبندی سلسلهمراتبی وارد در پهنهبندی اقلیمی آن استفاده شده است. بدین منظور از 30 متغیر مؤثر بر فعالیتهای کشاورزی شامل سه متغیر محیطی عرض جغرافیایی، ارتفاع و فاصله از دریا و همچنین 27 متغیر آبوهوایی شامل بیشینه، کمینه و متوسط دما، متوسط دمای فصلهای زمستان، بهار، تابستان و پاییز، تعداد روزهای با دمای بیشینۀ 30 درجه سلسیوس و بیشتر و با دمای کمینۀ صفر و پایینتر، متوسط ساعات آفتابی، تعداد روزهای ابری کامل، نیمهابری و آفتابی، ساعتهای تابش، متوسط رطوبت نسبی و بارش سالانه، متوسط بارش فصلهای زمستان، بهار، تابستان و پاییز، مجموع بارش سالانۀ روزهای با بارش بیش از 1، 5، 10 و 20 میلیمتر، متوسط تبخیر و تعرق و متوسط سرعت باد در 30 ایستگاه هواشناسی همدید منطقه با طول دورۀ آماری مناسب بین 2002-2018 در مقیاس زمانی روزانه بهره گرفته شد (شکل 1). برای محاسبۀ تبخیر و تعرق مرجع از نرمافزار ETO Calculator و میزان تابش با استفاده از تابع آنگستروم-پریسکات (رابطۀ 1) استفاده شد.
رابطۀ 1
که در آن RO شدت تابش بالای جو (تابش فرازمینی)، n طول ساعات آفتابی و N طول روز هستند؛ همچنین a و b ضرایب تجربی خاصی هستند که از قبل برای هر منطقه مشخص شدهاند. ضرایب a و b برای مناطق مختلف سواحل جنوبی دریای خزر بهترتیب 40/0 و 23/0 است (مرادی و کمالی، 1385: 116). در پژوهش نخست، برای اطمینان از این مسئله که دادههای موجود برای تحلیل عاملی استفاده میشوند، از آزمون بارتلت استفاده شد. با استفاده از آزمون بارتلت از کفایت نمونهگیری اطمینان حاصل میشود. آزمون کفایت نمونهگیری نشان میدهد که استفاده از تحلیل عاملی تا چه اندازه برای شناسایی ساختار عاملی مناسب است. این شاخص در دامنۀ صفر تا یک قرار دارد. اگر مقدار شاخص نزدیک به یک باشد، دادههای مدنظر برای تحلیل عاملی مناسب هستند و در غیر این صورت نتایج تحلیل عاملی برای دادههای مدنظر چندان مناسب نیست. پس از کسب اطمینان از مناسببودن دادهها برای تحلیل عاملی، با استفاده از چرخش واریماکس عاملها استخراج شدند. شایان توجه است که استفاده از چرخش واریماکس سبب میشود که متغیرهای با بارهای عاملی بزرگ به کمترین تعداد کاهش یابند و به این ترتیب بر تبیینپذیری عاملها افزوده شود و الگوهای بهدستآمده ازنظر مکانی پایدار و همگن شوند (محب الحجه و همکاران، 1396: 372). در مرحلۀ بعد پس از انجام تحلیل عاملی و شناسایی عاملهای اصلی که نقش مهمی در شکلگیری آبوهوای منطقۀ موردمطالعه دارند، با استفاده از روش خوشهبندی سلسلهمراتبی وارد برای ادغام ایستگاهها و معیار مربع فاصلۀ اقلیدسی بهمنظور محاسبۀ درجۀ همانندی براساس نمرات استاندارد عاملهای انتخابی ایستگاههای موردمطالعه به دستههای همگن گروهبندی شدند. بهطور کلی در مطالعات آبوهوایی اغلب از روش ادغام وارد استفاده میشود؛ زیرا در این روش میزان واریانس درون گروهی به کمترین میزان خود و همگنی گروههای حاصله به حداکثر میرسد؛ همچنین از آنجا که معیار مربع فاصلۀ اقلیدسی از هیچ معیار اختیاری یا قراردادی برای رسیدن به خوشهها استفاده نمیکند و تمامی خوشهها براساس محاسبۀ فواصل حقیقی آنها از همدیگر حاصل میشوند، اغلب در مطالعات آبوهوایی برای محاسبۀ درجۀ همانندی از معیار مربع فاصلۀ اقلیدسی استفاده میشود (معروفی و همکاران، 1396: 54؛ رضایی بنفشه و کاکولوند، 1393: 43). در شکل (2) روششناسی مورداستفاده در این پژوهش نشان داده شده است.
شکل (1) موقعیت منطقۀ موردمطالعه و ایستگاههای هواشناسی مورداستفاده
Figure (1) Location of the study area and meteorological stations used
شکل (2) روندنمای روششناسی پژوهش
Figure (2) of the methodology of the research
یافتههای پژوهش
برای اطمینان از مناسببودن دادهها از آزمون کفایت نمونهگیری یا همان آزمون بارتلت و اندازۀ KMO استفاده شد که نتایج آن در جدول (1) نشان داده شده است. با توجه به نتایج جدول (1)، چون مقدار آزمون کفایت نمونهگیری بیشتر از 6/0 است، پس دادهها برای انجام تحلیل عاملی مناسب بوده و نتایج آن قابلتعمیم به جامعۀ آماری است؛ همچنین برای اطمینان از مناسببودن دادهها برای تحلیل عاملی از آزمون کرویت بارتلت استفاده شد. آزمون بارتلت این فرضیه را سنجید که متغیرها باهم رابطه ندارند. این امر از طریق معناداری آزمون کای دو به دست میآید. برای اینکه یک مدل عاملی مفید و دارای معنا باشد، لازم است متغیرها همبسته باشند. در غیر این صورت دلیلی برای تبیین مدل عاملی وجود ندارد. با توجه به جدول (1)، سطح معناداری آزمون 000/0 شده و این نشاندهندۀ آن است که همبستگی معنادار بین متغیرها وجود دارد و فرض مخالف تأیید میشود.
جدول(1) آماره KMO و نتایج آزمون کرویت بارتلت
Table (1) KMO statistics and results of Bartlett's sphericity test Community Verified icon
آزمون بارتلت و اندازۀ KMO |
|
640/0 |
اندازۀ آزمون |
009/2576 |
آمارۀ آزمون کای-اسکور |
435 |
درجۀ آزادی |
000/0 |
مقدار احتمال |
در جدول (2) مقدار ویژه و واریانس متناظر با عاملها نشان داده شده است. در ستون مقادیر ویژۀ اولیه، مقادیر برای هریک از عاملها در قالب مجموع واریانس تبیینشده برآورد شد. مقدار ویژۀ هر عامل نسبتی از واریانس کل متغیرهاست که با آن عامل تبیین میشود. کمبودن این مقدار برای یک عامل به این معنی است که آن عامل نقش اندکی در تبیین واریانس متغیرها داشته است. در ستون مقادیر ویژۀ عاملهای باقیمانده بدون چرخش واریانس تبیینشده، عاملهایی که مقادیر ویژۀ آنها بزرگتر از یک باشد، نشان داده شده است؛ همانطور که ستون مقادیر ویژه نشان میدهد، تعداد 5 عامل دارای واریانس بیش از یک هستند. بهطوریکه اگر عاملهای بهدستآمده با روش واریماکس، که یکی از روشهای بسیار متداول دوران است، چرخش داده شود، عاملهای اول، دوم، سوم، چهارم و پنجم بهترتیب 3/42، 1/32، 5/6، 8/5 و 5/5 و درمجموع 5/92 درصد از واریانس را در بردارند؛ همچنین بهمنظور اطمینان از تعداد عاملهای استخراجشده از نمودار اسکریگراف استفاده شد که در آن تغییرات مقادیر ویژه در ارتباط با عاملها نشان داده شده است (شکل 3). با توجه به شکل (3)، پنج عامل اول بیشترین مقادیر ویژه را دارند و بهتدریج از عامل پنجم به بعد شیب، افقی و مقادیر ویژه کم شدهاند؛ بنابراین با توجه به نتایج جدول (2) و شکل (3) گفته میشود، آبوهوای منطقه حاصل تعامل 5 عامل مختلف است و این 5 عامل بیشترین نقش را در تبیین واریانس دادهها دارند و 5/92 درصد از واریانس کل را توجیه میکنند.
شکل (3) نمودار اسکری گراف برای تعیین تعداد عاملها
Figure (3) Scatter graph to determine the number of factors Community Verified icon
جدول (2) اندازۀ واریانس توضیح دادهشده در تحلیل عاملی
Table (2) amount of explained variance in factor analysis Community Verified icon
مقادیر ویژۀ عاملهای باقیمانده با چرخش |
مقادیر ویژۀ عاملهای باقیمانده بدون چرخش |
مقادیر ویژۀ اولیه |
عاملها |
||||||
واریانس تجمعی |
درصد واریانس بیان شده |
مقادیر ویژه |
واریانس تجمعی |
درصد واریانس بیان شده |
مقادیر ویژه |
واریانس تجمعی |
درصد واریانس بیان شده |
مقادیر ویژه |
|
395/42 |
395/42 |
719/12 |
453/46 |
453/46 |
936/13 |
453/46 |
453/46 |
936/13 |
1 |
586/74 |
191/32 |
657/9 |
792/77 |
339/31 |
402/9 |
792/77 |
339/31 |
402/9 |
2 |
108/81 |
522/6 |
957/1 |
854/83 |
062/6 |
819/1 |
854/83 |
062/6 |
819/1 |
3 |
998/86 |
890/5 |
767/1 |
844/88 |
991/4 |
497/1 |
844/88 |
991/4 |
497/1 |
4 |
593/92 |
595/5 |
678/1 |
593/92 |
748/3 |
124/1 |
593/92 |
748/3 |
124/1 |
5 |
|
|
|
|
|
|
810/94 |
217/2 |
665/0 |
6 |
|
|
|
|
|
|
264/96 |
545/1 |
436/0 |
7 |
|
|
|
|
|
|
229/97 |
965/0 |
290/0 |
8 |
|
|
|
|
|
|
982/97 |
752/0 |
226/0 |
9 |
|
|
|
|
|
|
483/98 |
502/0 |
150/0 |
10 |
|
|
|
|
|
|
904/98 |
421/0 |
126/0 |
11 |
|
|
|
|
|
|
225/99 |
321/0 |
096/0 |
12 |
|
|
|
|
|
|
493/99 |
267/0 |
080/0 |
13 |
|
|
|
|
|
|
662/99 |
170/0 |
051/0 |
14 |
|
|
|
|
|
|
743/99 |
081/0 |
024/0 |
15 |
|
|
|
|
|
|
812/99 |
069/0 |
021/0 |
16 |
|
|
|
|
|
|
859/99 |
047/0 |
014/0 |
17 |
|
|
|
|
|
|
901/99 |
041/0 |
012/0 |
18 |
|
|
|
|
|
|
937/99 |
036/0 |
011/0 |
19 |
|
|
|
|
|
|
958/99 |
021/0 |
006/0 |
20 |
|
|
|
|
|
|
972/99 |
014/0 |
004/0 |
21 |
|
|
|
|
|
|
984/99 |
012/0 |
004/0 |
22 |
|
|
|
|
|
|
990/99 |
006/0 |
002/0 |
23 |
|
|
|
|
|
|
993/99 |
004/0 |
001/0 |
24 |
|
|
|
|
|
|
996/99 |
003/0 |
001/0 |
25 |
|
|
|
|
|
|
998/99 |
002/0 |
001/0 |
26 |
|
|
|
|
|
|
999/99 |
001/0 |
000/0 |
27 |
|
|
|
|
|
|
000/100 |
001/0 |
000/0 |
28 |
|
|
|
|
|
|
000/100 |
000/0 |
917/5 |
29 |
|
|
|
|
|
|
000/100 |
000/0 |
542/3 |
30 |
در جدول (3) ماتریس همبستگی بین متغیرها و عاملهای استخراجشده بعد از چرخش واریماکس نشان داده شده است. با توجه به نتایج این جدول هر متغیر در عاملی قرار میگیرد که بیشترین همبستگی را داشته باشد؛ همچنین در شکل (4) ماتریس نمرات عاملی بر روی منطقۀ موردمطالعه نشان داده شده است. میانگین نمرات عاملی در هر منطقه، اثرات عوامل سازندۀ آبوهوا را نشان میدهد؛ بنابراین براساس مقادیر بزرگ مثبت که نشاندهندۀ درجۀ اهمیت و غلبۀ عوامل در منطقه است، بیشترین تأثیر هر عامل در منطقه مشخص میشود.
جدول (3) ماتریس نمرات عاملی برای متغیرها
Table (3) factor score matrix for variables
عامل پنجم |
عامل چهارم |
عامل سوم |
عامل دوم |
عامل اول |
متغیر |
ردیف |
098/0 |
032/0 |
055/0- |
943/0 |
237/0- |
متوسط دمای بیشینه |
1 |
051/0- |
116/0- |
064/0 |
937/0 |
251/0 |
متوسط دمای کمینه |
2 |
020/0 |
045/0- |
008/0 |
997/0 |
018/0 |
متوسط دما |
3 |
034/0- |
103/0- |
053/0- |
964/0 |
161/0 |
متوسط دمای فصل زمستان |
4 |
045/0 |
072/0- |
019/0 |
976/0 |
168/0- |
متوسط دمای فصل بهار |
5 |
117/0 |
062/0- |
025/0 |
976/0 |
074/0- |
متوسط دمای فصل تابستان |
6 |
048/0- |
031/0 |
026/0 |
986/0 |
122/0 |
متوسط دمای فصل پاییز |
7 |
247/0 |
417/0 |
059/0- |
820/0 |
161/0- |
تعداد روزهای با دمای ماکزیمم 30 درجۀ سلسیوس و بیشتر |
8 |
011/0 |
194/0 |
012/0- |
901/0- |
292/0- |
تعداد روزهای با دمای حداقل صفر درجۀ سلسیوس و پایینتر |
9 |
199/0 |
061/0- |
507/0 |
143/0 |
746/0- |
متوسط ساعات آفتابی |
10 |
091/0- |
321/0 |
220/0- |
126/0 |
848/0 |
تعداد روزهای ابری کامل |
11 |
058/0- |
592/0 |
111/0- |
169/0 |
668/0 |
تعداد روزهای نیمهابری |
12 |
034/0 |
873/0 |
108/0 |
324/0- |
067/0 |
تعداد روزهای آفتابی |
13 |
087/0 |
044/0- |
499/0 |
102/0 |
777/0- |
ساعتهای تابش |
14 |
410/0- |
004/0 |
216/0- |
378/0 |
744/0 |
متوسط رطوبت نسبی |
15 |
043/0- |
057/0- |
056/0- |
085/0 |
985/0 |
متوسط بارش سالاته |
16 |
099/0- |
005/0 |
032/0- |
184/0 |
916/0 |
متوسط بارش فصل زمستان |
17 |
378/0 |
040/0- |
378/0- |
186/0- |
732/0 |
متوسط بارش فصل بهار |
18 |
018/0- |
033/0- |
156/0- |
022/0- |
927/0 |
متوسط بارش فصل تابستان |
19 |
110/0- |
129/0- |
038/0 |
122/0 |
965/0 |
متوسط بارش فصل پاییز |
20 |
024/0- |
115/0- |
054/0- |
120/0 |
967/0 |
مجموع بارش سالانه روزهای با بارش بیش از 1 میلیمتر |
21 |
029/0 |
297/0 |
301/0- |
263/0- |
843/0 |
تعداد روزهای با بارش بیش از 1 میلیمتر |
22 |
021/0 |
152/0 |
207/0- |
014/0- |
959/0 |
تعداد روزهای با بارش بیش از 5 میلیمتر |
23 |
032/0- |
043/0 |
109/0- |
100/0 |
978/0 |
تعداد روزهای با بارش بیش از 10 میلیمتر |
24 |
089/0- |
049/0- |
031/0 |
147/0 |
966/0 |
تعداد روزهای با بارش بیش از 20 میلیمتر |
25 |
546/0 |
130/0 |
553/0 |
121/0 |
471/0- |
متوسط تبخیر و تعرق |
26 |
047/0 |
046/0 |
819/0 |
189/0- |
389/0- |
متوسط سرعت باد |
27 |
599/0 |
301/0- |
034/0 |
416/0 |
401/0 |
عرض جغرافیایی |
28 |
081/0 |
099/0 |
079/0 |
923/0- |
325/0- |
ارتفاع |
29 |
717/0 |
161/0 |
102/0 |
030/0 |
544/0- |
فاصله از دریا |
30 |
از این رو، با توجه به جدولها و بار عاملی ایجادشده بر روی متغیرها و ایستگاهها عاملهای اصلی بهصورت زیر هستند:
عامل اول، حدود 3/42 درصد واریانس کل دادهها را تبیین میکند؛ بنابراین گفته میشود، مهمترین عامل مؤثر در آبوهوای منطقه است. با توجه به نمرات عاملی متغیرها (جدول 3)، متغیرهای متوسط بارش سالانه، فصلهای زمستان، بهار، تابستان و پاییز، مجموع بارش سالانه در روزهای با بارش بیش از 1 میلیمتر، تعداد روزهای با بارش بیش از 1 و 5 میلیمتر و با بارش سنگین بیش از 10 و 20 میلیمتر، تعداد روزهای ابری کامل و نیمهابری و متوسط رطوبت نسبی بیشترین ضریب همبستگی را با عامل اول داشتند و با توجه به اینکه نامگذاری عاملها براساس بیشترین مقادیر ضرایب همبستگی انجام میشود، بهعنوان عامل بارشی-رطوبتی نامگذاری شد؛ همچنین این عامل با متغیرهای متوسط ساعات آفتابی و تابش رابطۀ معکوسی نشان داد. با توجه به شکل (4) این عامل بیشتر در بخشهای غربی منطقه بهویژه در ایستگاههای آستارا، بندر انزلی، لاهیجان، رشت، تالش، رامسر و نوشهر غلبه دارد. درجۀ ناپایداری، میزان رطوبت و ضخامت هوای مرطوب خزری تابع مسیری است که هوا بر بستر دریا طی میکند و چون جریان هوا در امتداد محور شمال شرق-جنوب غرب زیادتر است، سواحل جنوب غربی بیشتر نقاط ساحلی دیگر از رطوبت هوا بهره میگیرد؛ همچنین نفوذ الگوهای همدید چرخند و واچرخند، ورود پرفشار سیبری و نیز استقرار مراکز پرفشار مهاجر، نقش کوهستانها در صعود هوا بهویژه در بخش غربی این ناحیه باعث رخداد بارشهای شدید میشود (مرادی، 1383: 179).
این عامل 32 درصد از واریانس کل دادهها را تبیین میکند. در این عامل متغیرهای متوسط دماهای کمینه، بیشینه و متوسط دمای روزانه، متوسط دماهای فصلهای زمستان، بهار، تابستان و پاییز و تعداد روزهای با دمای بیشینۀ 30 درجۀ سلسیوس و بالاتر بیشترین بار عاملی و وزن را داشتند؛ از این رو، بهعنوان عامل دما نامگذاری شد؛ همچنین این عامل همبستگی منفی زیادی با ارتفاع و تعداد روزهای با دمای کمینۀ صفر درجۀ سلسیوس و پایینتر داشت. محدودۀ بیشینۀ غلبۀ عامل دما اغلب در بخشهای شرقی سواحل جنوبی دریای خزر محاسبه شد. کمترین میزان غلبۀ این عامل در ایستگاه پل سفید مشاهده شد (شکل 4). با توجه به شکل (4) میزان غلبۀ این عامل از ایستگاههای جلگهای بهسمت ایستگاههای مرتفع و کوهستانی مانند سیاهبیشه، آلاشت، بلده، کجور و ماسوله کاهش مییابد. در منطقۀ جلگهای یا ساحلی به دلیل تأثیرپذیری از رژیم دریای خزر و وجود رطوبت زیاد، نوسان شبانهروزی و فصلی دما پایین است؛ اما بهسمت منطقۀ کوهستانی که پوشیده از درختان جنگلی است، اختلاف بین دمای شب و روز و سردترین و گرمترین ماه سال چشمگیر است.
این عامل 5/6 درصد از واریانس کل دادهها را تبیین میکند و نظر به اینکه متغیر متوسط سرعت باد بیشترین ضریب همبستگی را با این عامل داشت، بهعنوان عامل باد نامگذاری شد؛ همچنین این عامل رابطۀ مستقیمی با متغیر تبخیر و تعرق مرجع دارا بود. با توجه به شکل (4)، عامل سوم بیشتر در ایستگاه منجیل و تا حدودی ایستگاههای بندر ترکمن، بندر انزلی، پل سفید و بندر امیرآباد غلبه دارد. براساس نتایج پژوهش نیکاندیش و اکبری قمصری (1397) تضاد آبوهوایی میان محدودۀ شمالی (بندر انزلی و رشت)، کوهستانی (منجیل و رودبار)، دشت قزوین تحت شرایط الگوهای همدیدی و مؤلفههای ژئومورفولوژیکی دریای خزر-دلتای سفیدرود و سفیدرود-دشت قزوین موجب شکلگیری باد منجیل بهعنوان یکی از شدیدترین بادهای ایران و جهان شده است. باد بهواسطۀ افزایش تعرق در گیاهان، تبادل حرارت و رطوبت، شکنندگی و ریزش برگها در شرایط باد شدید و دیگر موارد بر عملکرد محصولات زراعی مؤثر است.
عامل چهارم، تنها 8/5 درصد از واریانس تغییرات دادهها را تبیین میکند. با توجه به اینکه متغیر تعداد روزهای آفتابی بیشترین ضریب همبستگی را با این عامل داشت، بهعنوان عامل تابش آفتاب نامگذاری شد. محدودۀ بیشینۀ غلبۀ عامل تابش آفتاب اغلب مربوط به بخشهای شرقی منطقه و بخشهای محدودی از منجیل و رودبار در جنوب استان گیلان بود (شکل 4).
عامل پنجم تنها 5/5 درصد از واریانس تغییرات دادهها را تبیین میکند. با توجه به اینکه در این عامل متغیرهای فاصله از دریا و عرض جغرافیایی بیشترین بار عاملی و وزن را داشتند، بهعنوان عامل محیطی نامگذاری شد. عرض جغرافیایی دیگر متغیرها مانند دما، تابش و طول روز را تحتتأثیر قرار میدهد. با توجه به شکل (4) این عامل بیشتر در بخشهای شرقی منطقۀ موردمطالعه بهویژه در ایستگاههای گنبدکاووس، مراوهتپه و کلاله غلبه دارد.
شکل (4) توزیع مکانی عامل اول، رطوبتی – بارشی؛ عامل دوم، دما؛ عامل سوم، باد؛ عامل چهارم، تابش آفتاب؛ عامل پنجم، عوامل محیطی
Figure (4) spatial distribution of the first factor, humidity-precipitation; The second factor, temperature; The third factor, wind; The fourth factor, sunlight; The fifth factor, environmental factors
پهنهبندی آبوهوایی منطقه با استفاده از روش تحلیل خوشهای
پس از انجام تحلیل عاملی و شناسایی عاملهای اصلی، این عاملها با استفاده از خوشهبندی سلسلهمراتبی به روش وارد و معیار مربع فاصله اقلیدسی دستهبندی شدند. براساس نمرات استاندارد پنج عامل انتخابی، درجۀ همانندی ایستگاههای موردمطالعه آزمون و پهنهبندی اقلیمی انجام شد. در شکل (5) درخت خوشهبندی نشان داده شده است. در شکل (5) در ستون عمودی سمت چپ خوشهها و در ستون افقی بالا فاصلۀ بین خوشهها واقع شده که بین صفر تا 25 است. بهطور کلی برای تعیین تعداد خوشهها از فاصلۀ بین خوشهها استفاده میشود که اغلب روش قطعی در این زمینه برای تعیین تعداد خوشهها وجود ندارد و به این دلیل محل برش نمودار درختی و انتخاب خوشهها از سوی پژوهشگر تعیین میشود؛ همانطور که در شکل (5) مشاهده میشود، در فاصلۀ بین 15 تا 25 دو خوشه، در فاصلۀ 15 تا 13 سه خوشه، در فاصلۀ 12 تا 8 چهار خوشه و در فاصلۀ 5 هفت خوشه تشکیل شده است. از آنجا که نزدیکبودن شرایط آبوهوایی و همچنین ویژگیهای توپوگرافی به یکدیگر برای مناطق مختلف ازلحاظ کشاورزی مهم است، نمودار در فاصلۀ 8 قطع شد. با توجه به نمودار درخت خوشهبندی بهدستآمده و محل برش نمودار، 4 خوشه تشخیص داده شد. بهمنظور بررسی و مقایسۀ آبوهوای خوشههای بهدستآمده، مقدار متوسط متغیرها و عاملهای مؤثر در آبوهوای منطقه با متوسطگیری از ایستگاهها محاسبه که در جدول (4) نشان داده شده است.
شکل (5) نمودار درخت خوشهبندی ایستگاههای موردمطالعه
Figure (5) clustering tree diagram of the studied stations
جدول (4) میانگین مقادیر عاملی در خوشهها
Table (4) average factor values in clusters Community Verified icon
خوشۀ چهارم |
خوشۀ سوم |
خوشۀ دوم |
خوشۀ اول |
متغیر |
ردیف |
9/23 |
5/21 |
3/17 |
8/19 |
متوسط دمای بیشینه |
1 |
8/12 |
4/12 |
2/7 |
6/12 |
متوسط دمای کمینه |
2 |
3/18 |
9/16 |
3/12 |
2/16 |
متوسط دما |
3 |
5/8 |
8/7 |
1/3 |
7/7 |
متوسط دمای فصل زمستان |
4 |
8/16 |
5/15 |
8/11 |
3/14 |
متوسط دمای فصل بهار |
5 |
6/28 |
8/25 |
8/20 |
25 |
متوسط دمای فصل تابستان |
6 |
6/19 |
5/18 |
4/13 |
8/17 |
متوسط دمای فصل پاییز |
7 |
1595 |
999 |
345 |
631 |
تعداد روزهای با دمای ماکزیمم 30 درجۀ سلسیوس و بیشتر |
8 |
205 |
267 |
954 |
157 |
تعداد روزهای با دمای حداقل صفر درجۀ سلسیوس و پایینتر |
9 |
7/6 |
7/5 |
5/6 |
8/4 |
متوسط ساعات آفتابی |
10 |
583 |
708 |
344 |
967 |
تعداد روزهای ابری کامل |
11 |
87 |
88 |
51 |
96 |
تعداد روزهای نیمهابری |
12 |
3895 |
3950 |
4092 |
3517 |
تعداد روزهای آفتابی |
13 |
5/15 |
1/15 |
5/15 |
4/14 |
ساعتهای تابش |
14 |
1/65 |
1/76 |
6/60 |
80 |
متوسط رطوبت نسبی |
15 |
494 |
8/632 |
362 |
5/1275 |
متوسط بارش سالانه |
16 |
5/170 |
3/203 |
1/100 |
3/334 |
متوسط بارش فصل زمستان |
17 |
9/141 |
3/112 |
8/119 |
5/190 |
متوسط بارش فصل بهار |
18 |
2/69 |
3/82 |
52 |
154 |
متوسط بارش فصل تابستان |
19 |
2/114 |
9/243 |
2/90 |
6/596 |
متوسط بارش فصل پاییز |
20 |
2/484 |
2/621 |
345 |
4/1253 |
مجموع بارش سالانه روزهای با بارش بیش از 1 میلیمتر |
21 |
772 |
881 |
757 |
1202 |
تعداد روزهای با بارش بیش از 1 میلیمتر |
22 |
407 |
448 |
295 |
720 |
تعداد روزهای با بارش بیش از 5 میلیمتر |
23 |
204 |
253 |
128 |
468 |
تعداد روزهای با بارش بیش از 10 میلیمتر |
24 |
62 |
103 |
34 |
242 |
تعداد روزهای با بارش بیش از 20 میلیمتر |
25 |
7/1677 |
998 |
5/1362 |
891 |
متوسط تبخیر و تعرق |
26 |
2/2 |
2/2 |
4/3 |
8/1 |
متوسط سرعت باد |
27 |
49/0- |
16/0- |
6/0- |
4/1 |
عامل اول، بارشی رطوبتی |
28 |
81/0 |
38/0 |
4/1- |
05/0- |
عامل دوم، دما |
29 |
27/0- |
30/0- |
54/0 |
06/0- |
عامل سوم، باد |
30 |
94/0 |
78/0 |
26/0 |
43/0- |
عامل چهارم، آسمان صاف |
31 |
7/1 |
84/0- |
02/0- |
18/0 |
عامل پنجم، عوامل محیطی |
32 |
بحث و تجزیهوتحلیل
با توجه به یافتههای بهدستآمده چهار خوشه برای منطقه تشخیص داده شد که در ادامه مشخصات اقلیمی و ایستگاههای مربوطه در هر خوشه شرح داده شده است (شکل 6).
در بخشهای شمالی استان گیلان تا جلگههای غربی و مرکزی استان مازندران اقلیم مرطوب حاکم است. در این اقلیم متوسط بارش سالانه 1275 میلیمتر است. در ناحیۀ خزری بیشینۀ بارش در مرتفعترین نقاط مجاور دیده نمیشود، بلکه برعکس هستۀ اصلی بارندگی در دهانۀ درۀ سفیدرود و ناحیۀ بسیار کمارتفاع البرز قرار دارد؛ به همین دلیل در توجیه بارندگیهای این ناحیه علاوه بر صعود اروگرافیک، علت دیگری نیز باید جستجو کرد و آن عامل فرارفت است (مرادی، 1383: 178). در برخی موارد وقوع بیشینۀ بارش در منتهی الیه جنوب غربی دریای خزر ناشی از شکلگیری یک جبهۀ محلی در زمان گسترش بادهای شمالی در درۀ سفیدرود دانسته یا استقرار یک جبهۀ محلی موسوم به جبهۀ نسیم دریا عامل اصلی وقوع بیشینۀ مقادیر بارش در حد فاصل خشکی و دریا بیان شده است (مفیدی و همکاران، 1390: 24؛ عزیزی و همکاران، 1389: 30). خط ساحلی نقش بیشتری طی مراحل اولیه (شروع) نفوذ نسیم دریا به داخل خشکی دارد. چنین استدلال میشود که نسیم دریا در سواحل جنوبی دریای خزر موازی با ساحل به داخل خشکی نفوذ نمیکند. بیشترین نفوذ آن به داخل خشکی در دلتای سفیدرود به سبب شکل محدب خط ساحلی است که گرادیان دمایی بین خشکی-دریا بالاست (معصومپور سماکوش و همکاران، 1393: 139). در عین حال، سه نوع سیستم فشاری از فرابار سیبری، سامانههای کمفشار و واچرخندهای مهاجر در ریزش بارش سواحل جنوبی دریای خزر مؤثرند. کم فشارهای مدیترانهای از طریق ترکیه و دریای سیاه به ناحیه دریای خزر میرسند. سیستم کمفشار مهاجر ایسلند از طریق جبهۀ قطبی (یا شمالگان) به دریای خزر وارد و سبب هجوم هوای سرد و بارش فراوان بهویژه در پاییز با سازوکار همرفت وزشی بر سواحل شمال کشور میشود. در عین حال، جبهههای سرد چرخندهای برون حاره و پرفشار سیبری در وقوع بارشهای خزری بهویژه بارشهای فصل پاییز مؤثرند (مرادی، 1383: 176). موقعیت ساحل جنوب دریای خزر و جهت خط ساحل نسبت به سامانههای ورودی و مسافت گذر سامانهها از روی دریای خزر موجب وقوع بارشهای چشمگیری در بخش غربی سواحل جنوبی دریای خزر میشود. درمجموع رخداد بارش شدید برای هر دو گروه بارشی در بخشهای غربی و مرکزی ناحیۀ خزری (گیلان و مازندران) بسیار بیشتر از بخشهای شرقی ناحیه (گلستان) رخ میدهد (حسینجانی و عساکره، 1397: 172).
این مناطق به دلیل دارابودن دمای مناسب، نبودِ سرمای شدید و طولانی در پاییز و زمستان و تابستانهای به نسبت گرم برای رشد محصولات زراعی بسیار مناسب هستند. مجموع شرایط مساعد آبوهوایی و همچنین ارتفاع کم از سطح دریا کشت برنج را در این مناطق امکانپذیر کرده است. پایینبودن میزان تشعشع خورشیدی و ساعات آفتابی مهمترین عامل محدودکنندۀ آبوهوایی برای رشد محصولات زراعی در این خوشۀ آبوهوایی به حساب میآید. ایستگاههای رامسر، نوشهر، آستارا، بندر انزلی، تالش، رشت، رودسر، کیاشهر، لاهیجان و ماسوله نمایندۀ این خوشۀ آبوهوایی هستند و عامل اصلی تعیینکنندۀ آبوهوا در این خوشه، عامل اول یعنی بارشی-رطوبتی است. درمجموع این خوشۀ آبوهوایی با توجه به شرایط خاص جغرافیایی و آبوهوایی امکان تولید محصولات زراعی را با راندمان بالا دارد (شکل 6).
این خوشۀ آبوهوایی از بخشهای شرقی و مرکزی استان مازندران تا بخشهای از مناطق غربی و جنوبی استان گیلان و بخشهای غربی استان گلستان حاکم است. در این خوشۀ آبوهوایی بیشترین میزان بارش در فصل پاییز و زمستان رخ میدهد و میزان بارش تابستانۀ آن کمتر از خوشۀ اول است. در این خوشۀ آبوهوایی متوسط بارش سالانه بین 480 تا 900 میلیمتر متغیر است. به دلیل وجود دریای خزر میزان رطوبت نسبی در این مناطق زیاد بوده است و تأثیر مهمی بر کیفیت پوشش گیاهی دارد (76 درصد)؛ همچنین تعادل دمای زمستانی عملکرد محصولات زراعی را بهبود میدهد. ازجمله مهمترین عوامل محدودکنندۀ رشد محصولات زراعی تنش گرمایی و بارش کم در مراحل پایانی رشد است که این شرایط بیشتر در دشت گرگان و بخشهای شرقی استان مازندران بروز میکند. ایستگاههای آمل، بابلسر، بندر امیرآباد، پل سفید، قراخیل، کیاسر، گلوگاه و گرگان نمایندۀ این خوشۀ آبوهوایی هستند (شکل 6).
خوشۀ آبوهوایی سوم، در بخشهای جنوبی سواحل جنوبی دریای خزر حاکم است. این شرایط آبوهوایی به دلیل وجود کوهستان تالش با جهت شمالی-جنوبی و البرز با امتداد غربی –شرقی است. این مناطق ارتفاع بیشتری نسبتبه دیگر مناطق سواحل جنوبی خزر دارد و دارای زمستانهای بهنسبت سردتری است؛ همچنین به دلیل اینکه فاصلۀ بیشتری از نوار ساحلی دریای خزر دارند، رطوبت کمتری را دریافت میکنند. درجۀ ناپایداری، میزان رطوبت و ضخامت هوای مرطوب خزری تابع مسیری است که هوا بر بستر دریا طی میکند و چون جریان هوا در امتداد محور شمال شرق-جنوب غرب زیادتر است، سواحل جنوب غربی بیشتر از دیگر نقاط ساحلی از رطوبت هوا بهره میگیرد. علاوه بر این، بارندگی در ارتفاعات البرز مستقل از بارشهای ساحلی است. به این معنی که در اثر عوامل محلی دریای خزر در مناطق مرتفع محسوس نیست؛ زیرا تودههای هوایی که رطوبت خود را از آبهای این دریا دریافت میکنند تا رسیدن به این نواحی قسمت اعظم بخار آب خود را از دست میدهند. بیشینۀ اصلی زمستانه، بیشینۀ فرعی پاییز و فصل خشک تابستان، که از ویژگیهای رژیمهای بارندگی مدیترانهای است، در ارتفاعات البرز محسوس است (مرادی، 1373: 180).
در این خوشۀ آبوهوایی متوسط دمای فصل زمستان 10/3 درجۀ سلسیوس بوده است و تعداد روزهای یخبندان بیشتری دارد؛ همچنین در این خوشۀ آبوهوایی تعداد روزهای ابرناکی کمتر بوده و نوسان سالانۀ دما زیاد است. وزش بادهای سرد در دورۀ سرما و بادهای گرم در مرحلۀ رسیدگی محصولات زراعی موجب بروز تنش محیطی و کاهش عملکرد میشود. در این خوشۀ آبوهوایی متوسط بارش سالانه بین 290 تا 518 میلیمتر است و بارش کم در مراحل پایانی رشد موجب کاهش شدید وزن هزار دانه میشود. در دو فصل بهار و تابستان مناطق جلگهای و کوهستانی کمترین میزان بارش را دریافت میکنند. در فصل بهار دریای خزر در سردترین حالت خود به سر میبرد و همچنان سیستمهای سرد در منطقه باقی میماند و به علت اختلاف کم حرارتی صعود همرفت وزشی را به وجود نمیآورد. منابع بارشها در فصل تابستان صعودهای همرفتی است که براساس امواج غربی و رطوبت دریای مدیترانه در این موقع از سال به سواحل خزر آورده میشود و رطوبت دریای خزر که از طریق نسیم دریا تأمین میشود (حکیمدوست و همکاران، 1396: 199). از عوامل محدودکنندۀ تولید محصولات زراعی در این خوشۀ آبوهوایی سرمای زمستانه بدون پوشش برف، سرمای دیررس بهاره، خشکی اول و آخر فصل رشد است. درمجموع با توجه به شرایط آبوهوایی در این منطقه، دستیابی به عملکرد زیاد محصولات زراعی مانند گندم تنها از طریق راهکارهایی مانند تعیین تاریخ کشت بهینه امکانپذیر است؛ همچنین در این مناطق به جهت سرعت و چگالی زیاد باد، امکان نصب توربینهای بادی و تولید انرژی وجود دارد. ایستگاههای آلاشت، سیاهبیشه، کجور، بلده، جیرنده، دیلمان و منجیل نمایندۀ این خوشۀ آبوهوایی هستند (شکل 6).
با توجه به شکل (6) در بخشهای شرقی و شمال شرقی استان گلستان به دلیل موقعیت جغرافیایی خاص خود، جهت قرارگیری نسبتبه دریا و مجاورت با بیابانهای قره قوم و قزل قوم رطوبت کمتری نسبتبه سایر نواحی سواحل دریای خزر دارند و شرایط آبوهوایی خوشۀ چهارم حاکم است. متوسط دمای سالانه در این آبوهوا 3/18 درجۀ سلسیوس و دارای زمستانهای معتدل، تابستان گرم و طولانی و تعداد روزهای با دمای بیشینۀ 30 درجۀ سلسیوس و بیشتری است. نوسان دمای سالانه در این منطقۀ آبوهوایی زیاد است (1/11 درجۀ سلسیوس). متوسط بارش سالانه در این ناحیۀ آبوهوایی 490 میلیمتر بوده است و امکان رشد محصولات زراعی دیم در این منطقه وجود دارد. غالب اراضی دیم استان گلستان در مناطق خشک و نیمهخشک آن قرار دارد. گرما و خشکی، مهمترین عوامل محدودکنندۀ رشد محصولات زراعی در این ناحیۀ آبوهوایی است و تنها با بهکارگیری راهکارهای مناسب مدیریت به زراعی، عملکرد مناسب به دست میآید. ایستگاههای کلاله، مراوهتپه، گنبدکاووس و علیآباد نمایندۀ این خوشۀ آبوهوایی هستند. شهرستانهای کلاله، آققلا و گنبدکاووس ازنظر بارش بهاره و اردیبهشتماه برای توسعۀ زراعت دیم محدودیت دارند (کاظمی و همکاران، 1398: 579). عامل اصلی تعیینکنندۀ آبوهوا در این خوشه، عامل پنجم یعنی محیطی است. متغیرهای اقلیمی در هر منطقه خود تابعی از عوامل محیطی مانند عرض جغرافیایی، ارتفاع از سطح دریا، دوری و نزدیکی به دریا و دوری یا نزدیکی به کوهها و دیگر عوامل محیطی است. مجموع عوامل محیطی و به بیان دیگر مختصات مکانی خاص موجب شده است، در این نواحی توزیع بارش نسبتبه بخشهای ساحلی یکنواختتر باشد. در بخشهای ساحلی توزیع بارش متمرکزتر و محدود به فصل خاصی از سال است (شکل 6).
شکل (6) طبقهبندی آبوهوایی منطقۀ موردمطالعه
Figure (6) climate classification of the studied area Community Verified icon
نتیجهگیری
استقرار رشتهکوههای مرتفع و توپوگرافی متنوع، وجود دریای خزر بهعنوان منبع اصلی رطوبت و الگوهای گردشی بزرگمقیاس منطقۀ برون حاره شامل پرفشار سیبری (بارشهای همرفتی)، کمفشارهای دینامیکی و واچرخندهای مهاجر و همچنین جبهۀ نسیم دریا بهویژه در نیمۀ غربی سواحل جنوبی خزر در طول سال موجب شکلگیری تنوع آبوهوایی در سواحل جنوبی دریای خزر شده است. متغیرهای اقلیمی بر عملکرد محصولات زراعی مؤثر است و از این رو، شناخت پهنههای اقلیمی هر منطقه پیشنیاز مطالعات آمایش سرزمین و برنامهریزی منطقهای کشت است. بدین منظور در این پژوهش، با استفاده از روشهای نوین آماری مانند تحلیل خوشهای پهنههای همگن آبوهوایی در سواحل جنوبی دریای خزر شناسایی شد. خروجی این پژوهش چهار خوشۀ آبوهوایی برای منطقۀ موردمطالعه بود که با مطالعۀ نظمفر و گلدوست (1394) متفاوت است که در پژوهش خود پیرامون پهنهبندی آبوهوای شمال و شمال غرب کشور، سه ناحیۀ آبوهوایی را برای ناحیه شمالی تشخیص دادند. در مطالعۀ آنها ناحیۀ آبوهوایی اول با تأثیر عامل بارش در جنوب غرب دریای خزر و ناحیۀ آبوهوایی دوم با تأثیر عامل دما در قسمتهایی از سواحل جنوبی دریای خزر و دامنههای شمالی رشتهکوه البرز واقع شده بود. پس پژوهش حاضر، پهنههای اقلیمی مشخصتر و دقیقتری ارائه کرده است. در سواحل جنوبی دریای خزر بارش بهعنوان مهمترین متغیر آبوهوایی و پدیدۀ جوی، توزیع زمانی و مکانی پیچیدهای دارد و در این پژوهش نیز عامل بارش با 3/42 درصد واریانس کل دادهها مهمترین عامل مؤثر در آبوهوای منطقه شناخته شد. یافتههای این پژوهش با پژوهش منتظری و بای (1391) مطابقت دارد. منتظری و بای (1391) در پژوهش خود نشان دادند که استان مازندران در دو ناحیۀ آبوهوایی مرطوب و نیمه سرد کم بارش، استان گیلان در دو ناحیۀ مرطوب و نیمه مرطوب و استان گلستان در چهار ناحیۀ آبوهوایی مرطوب، نیمه مرطوب، سرد کم بارش و نیمه سرد کم بارش قرار دارد؛ همچنین یافتههای این پژوهش با یافتههای پژوهش فلاح قالهری و همکاران (1394) در زمینۀ ناحیهبندی آبوهوایی استان گیلان مطابقت داشت. اغلب بارشهای بخش جنوب شرقی خزر تا حدودی از رژیم بارشهای داخلی فلات ایران(رژیم قارهای) تبعیت میکند و بدین دلیل در بخش چشمگیری از این نواحی بهویژه در استان گلستان اقلیم خشک و نیمهخشک حاکم است. در همین زمینه ساری صراف و امام قلیزاده (1385) براساس روش SIAP نشان دادند که استان گلستان در اقلیم نیمهخشک قرار دارد؛ همچنین آنها براساس روش SIAP برای استان گیلان یک ناحیۀ آبوهوایی مرطوب و برای استان مازندران در دو ناحیۀ آبوهوایی مرطوب و نیمه مرطوب تشخیص دادند که در پژوهش حاضر نیز یافتههای مشابهی به دست آمد.
[1]. De Martonne, Ivanov, Köppen, Emberger, Selyaninov and Hansen
[2]. Thornthwaite, Yitzold
[3]. Stanier
[4]. Carvalho et al.
[5]. Zhao et al.
[6]. Biabiany et al. 2020
[7]. Litynski
[8]. Emberger, Ambrothermic, Thornthwaite, Köppen & De Martonne