به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

فریده حبیبی

  • فریده حبیبی*

    این تحقیق با استفاده از اطلاعات ایستگاه خودکار باند فرودگاه مهرآباد در بازه زمانی ژانویه تا ژوین 2013 و گزارش متار سال 2013 ایستگاه مهرآباد، امکان پیش بینی جهت و سرعت باد جستی را با روش رگرسیون بررسی کرده است. داده های ایستگاه خودکار از سه سنجنده مستقر در باند به طول 4000 متر و عرض 45 متر گرفته شده است که در راستای جنوب شرق به شمال غرب واقعند. به جز جهت و سرعت باد جستی که با حسگرها اندازه گیری می شوند، تمامی داده هایی که سنجنده ها اندازه گیری کرده اند، به بازه 9/0-1/0 استاندارد سازی شدند. 70 درصدکل داده ها به صورت تصادفی برای آموزش، 15 درصد جهت آزمون و 15 درصد نیز جهت اعتبارسنجی درنظرگرفته شدند که در فایل های جداگانه ذخیره و از آنها به جای داده های اصلی در طول محاسبات استفاده شده است. تمام کمیت های استانداردسازی شده با استفاده از سه روش انتخاب ویژگی شامل روش پی درپی پیشرو، روش پسرو و روش اطلاعات متقابل به روش کمترین افزونگی و بیشترین ارتباط پردازش شدند. سپس ویژگی های انتخابی، جداگانه، در رگرسیون خطی برای پیش بینی جهت و سرعت باد جستی در فصل های زمستان و بهار به کار رفتند.نتایج این تحقیق نشان می دهد ویژگی های انتخابی با روش پسرو برای پیش بینی سرعت باد در فصل زمستان مشابه فصل بهار است اما برای جهت باد، کمی متفاوت هستند. ویژگی های انتخابی از روش پیشرو برای پیش بینی جهت و سرعت باد جستی در فصل زمستان، زیرمجموعه ای از ویژگی های انتخابی برای فصل بهار هستند. برای این دو فصل، ویژگی های انتخابی با اطلاعات متقابل، مشابه است ولی وزن های متفاوتی دارد. عملکرد این روش در پیش بینی سرعت باد جستی بهتر از پیش بینی جهت باد است.روش پیشرو در انتخاب ویژگی برای جهت و سرعت باد جستی، در باند میانی بهینه است. در باند 11 روش پسرو برای پیش بینی سرعت و روش پیشرو برای پیش بینی جهت باد جستی بهینه است. در باند 29، روش پسرو برای انتخاب ویژگی های مرتبط با سرعت و جهت باد جستی بسیار مناسب است. در نهایت، با بررسی خروجی مدل ها برای هریک از باندها معادله ای برای پیش بینی جهت و سرعت باد جستی ارایه شده است.

    کلید واژگان: انتخاب ویژگی پیشرو, پسرو, اطلاعات متقابل, باد جستی, پیش بینی, رگرسیون, فرودگاه مهرآباد
    Farideh Habibi *

    This research has investigated the possibility of predicting the direction and speed of Gusty wind by using the information of Mehrabad Airport runway automatic station during the period of January 2013 to June 2013, the Metar report of Mehrabad Synoptic Station in the period of 2013, and regression method.The data of the automatic station is taken from three sensors located in the band with a length of 4000 meters and a width of 45 meters, in southeast-northwest direction.The sensor number 29 and the sensor number 11, are at the northwestern end of the band and southeast edge of the band respectively. The Mid sensor location is at the middle of the band which distance from the band is 600 meters to the north direction.    First, all data (except the data of Gusty wind direction and speed measured by the sensors) was normalized to intervals 0.1-0.9. Second, all the data of sensors were randomly divided into three unequal parts: 70% of the data was stored for training, 50% of the remaining data was used for testing and the rest was used for validation. During the calculations, they were used instead of the original data. Third, the quantities were processed by using the three methods of feature selection: Sequential Forward Feature Selection(SFS); Backward(SBS) and Mutual Information(MI) with the method of the Maximum-Relevance and Minimum-Redundancy criterion. At this stage, selective features by every method were separately used in the linear regression method to predict the speed and direction of Gusty wind in the winter and spring seasons. The results were then compared with each other.The results show that the selected features by SBS method for wind speed in winter are similar to spring, but their wind direction is slightly different. Selected features for winter Gusty wind with SFS method are a subset of the set of the selected features for spring. Selected features with MI are similar for the two seasons but with different weights. The performance of the selected features for wind speed are better than for wind direction. The SFS method is optimal for selecting features of Gusty wind in the Mid runway. On runway 11, the SBS method and the SFS are optimized for predicting the Gusty wind speed and direction respectively. On runway 29, the SBF method is very suitable for selecting features related to Gusty wind speed and direction.Finally, by examining the output of the models for each of the runways, an equation is provided to predict the direction and speed of the Gusty wind in each runway.The quantity of predicted wind direction in runway 29 and 11 depends on the mean wind direction in 2 minutes, the minimum and mean direction in 10 minutes and the wind speed component along the runway, but the quantity of predicted wind speed depends on the maximum wind speed in 10 minutes on the runway, the instantaneous pressure of the station, and the pressure of the station relative to sea level.  The quantity of predicted wind direction in Mid runway depends on the minimum and mean wind direction in 2 minutes, minimum, mean and maximum wind direction in 10 minutes in runway Mid, maximum wind speed in 2 minutes and components of wind direction along with the runway 11. The quantity of predicted wind speed depends on the maximum and minimum wind speed in 10 minutes on the runway, deviation of wind direction during the last 10 minutes in the runways 29, Mid and 11.

    Keywords: Backward Feature Selection (SFS), Forward Feature Selection (SBS), Gusty wind, Mehrabad Airport, prediction, Regression, Mutual Information (MI)
  • فریده حبیبی*

    در این مقاله ابتدا با بررسی هوای حاضر گزارش های متار، بازه زمانی بیشترین وقوع ناپایداری ایجادکننده باد گاستی (جستی) شناسایی شد. سپس با استانداردسازی داده ها به بازه 1/0 تا 9/0، ویژگی های مرتبط با جهت و سرعت باد جستی انتخاب شد. روش های انتخاب ویژگی در این پژوهش، اطلاعات متقابل و جستجوی پی درپی پیشرو شناور با الگوریتم طبقه بندی k نزدیک ترین همسایگان هستند. ویژگی های انتخابی برای پیش بینی سرعت باد با روش اول، متغیرهای سرعت باد لحظه ای شامل کمینه، میانگین و بیشینه سرعت باد در دو دقیقه و میانگین و بیشینه سرعت باد در ده دقیقه در همان باند هستند. ویژگی های انتخابی برای جهت باد با روش اول، متغیرهای جهت باد لحظه ای یعنی کمینه، میانگین و بیشینه جهت باد در دو دقیقه و کمینه، میانگین و بیشینه جهت باد در ده دقیقه در همان باند هستند. ویژگی های انتخابی با روش دوم برای سرعت باد شامل انحراف جهت باد در ده دقیقه گذشته در باند میانی و فشار لحظه ای در هر سه باند است. انحراف جهت باد در ده دقیقه گذشته در باند 11، در باندهای 29 و میانی مشترک هستند. ویژگی چهارم در باندهای 29 و میانی، متغیر بیشینه سرعت باد در ده دقیقه مربوط به همان باند است. در باند 11 علاوه بر ویژگی های مشترک، متغیرهای بیشینه سرعت باد در ده دقیقه در باند 11 و انحراف جهت باد در ده دقیقه گذشته در باند 29 دیده می شود. ویژگی های انتخابی برای جهت باد از تنوع بیشتری برخوردار هستند. در مرحله نهایی، ویژگی های انتخابی به شبکه عصبی پرسپترون چندلایه در حالت های مختلف داده شد. نتایج خروجی مدل برای پیش بینی جهت و سرعت باد جستی مقایسه و بهترین مدل برای پیش بینی سرعت باد جستی، شبکه با همبندی 1-2-4-4، نرخ یادگیری 1/0 و آستانه آغازین 5/0 برای وزن هر نرون انتخاب شد. برای جهت باد، شبکه با همبندی 1-3-6-6، نرخ یادگیری 1/0 و آستانه آغازین 5/0 مناسب است. عملکرد شبکه عصبی پرسپترون چندلایه ای در پیش بینی سرعت باد بهتر است.

    کلید واژگان: باد گاستی, انتخاب ویژگی, اطلاعات متقابل, جستجوی پی درپی پیشرو شناور, شبکه عصبی پرسپترون چند-لایه, ایستگاه خودکار فرودگاهی
    Farideh Habibi *

    In this paper, in the first step, the present weather of METAR reports of the year 2013 in Mehrabad synoptic station was studied and the period with most occurrences of the instability producing the Gusty wind was identified. This period is from January to June of every year. Then, all data of selected period, except the data of Gusty wind direction and speed, were normalized to interval 0.1–0.9. The considered data for training, testing and validation were 60%, 20% and 20%, respectively. The related features of Gusty wind direction and speed were selected from 58 features recorded by 3 sensors located on the runway. The Mehrabad runway direction is from the east to the west with 4000 meters long and 45 meters wide. The sensor No. 29 was on the east end of band, the sensor No. 11 was on the west edge of the band, and location of the mid sensor was on the middle of band which its distance from the band is 600 meters to the north direction. The feature selection methods in this study are mutual information (MI) with the Maximum-Relevance Minimum-Redundancy criterion (filter type) and Sequential Floating Forward Selection (SFFS) (wrapper type) with the k Nearest Neighbors (kNN) algorithm. Selected features for Gusty wind speed at each band are the maximum and mean wind speed in 2 and 10 minutes, and the momentary wind speed by the MI method. The selected feature by SFFS method is the wind direction deviation in past 10 minutes on band No. 11 and mid band, momentary pressure on mid band and maximum wind speed in 10 minutes on band No. 29. For Gusty wind direction by first method, the selected features are minimum, mean and maximum wind direction in 2 minutes, minimum and mean wind direction in 10 minutes and momentary wind direction on band No. 29. Selected features with second method are the wind direction deviations in past 10 minutes on the band No. 29 and mid band, and the mean sea level pressure and mean wind direction in 10 minutes on band No. 29. In the final step, these selected features were used as inputs of the multilayer perceptron neural network in different modes such as: layer number, neuron number, learning rate and threshold value for weight of neuron. The model output results were compared to predict the Gusty wind direction and speed and the best model was selected. The results show that to predict the wind speed, the best model is a multilayer perceptron neural network with four layers: input layer with 4 neurons, two hidden layers with 4 neurons in the first layer and 2 neurons in the second layer and 1 neuron in the output layer; learning rate of 0.1 and initial weight neurons of 0.5. For predicting the wind direction, the best model has four layers, 6 neurons in the first and second layers and 3 neurons at the third layer and one neuron at the fourth layer with the same learning rate and initial threshold. The MLP performance is better in predicting the Gusty wind speed.

    Keywords: Gusty wind, Feature selection, Mutual Information, Sequential Floating Forward Selection, multilayer perceptron neural network, the airport auto station
  • فریده حبیبی *، محبوبه فیروزآبادی، فاطمه زارعی
    در این تحقیق سامانه بارشی قوی رخداده در روزهای 14 و 15ام مارس 2014 در مناطق جنوبی ایران بررسی شده است. بدین منظور گزارش های سینوپ و متار ایستگاه های نیمه جنوبی ایران، الگوهای جوی شامل فشار در سطح متوسط دریا، رطوبت، دما و فرارفت آن در ترازهای 500، 850 و1000، گرایش ارتفاع 24 ساعته در تراز 500، باد در ترازهای 200 و 1000 و همچنین جریانات جتی در تراز 200 هکتوپاسکال بررسی شده است. این سامانه بارشی با سامانه بارشی مارس 1996 که دومین بیشینه بارش را در طی 58 سال گذشته در این منطقه داشته است، مقایسه شده است. بررسی ها نشان داد که مهمترین علت بارش ها، مربوط به ناپایداری پتانسیلی ناشی از سامانه کم فشار دینامیکی که به صورت یک ناوه کم فشار از ترکمنستان به سمت تنگه هرمز کشیده شده بود، می باشد. همچنین، نصف النهاری شدن تدریجی جهت جریان جت جنب حاره ای قوی در شمال غرب آفریقا و کشیده شدن شاخه ای از آن بر فراز خلیج فارس نیز به تشدید ناپایداری در این مناطق در روزهای ذکر شده کمک کرده است. بیشینه بارش 24 ساعته به ترتیب از بندرعباس، رودان و کهنوج با 110 ، 5/78 و 69 میلی متر گزارش شده است. موقعیت هر سه ایستگاه در ناحیه شرقی سامانه بارشی قرار دارد، جایی که فرارفت قوی رطوبت از سمت تنگه هرمز به آن سو بوده است. قرار گرفتن سمت چپ خروجی جت بر فراز استان هرمزگان نیز سبب جریان صعودی هوا در منطقه شده است. مجموع همه این عوامل سبب وقوع بارش بیشینه در این استان شده است.
    کلید واژگان: ناپایداری پتانسیلی, کم فشار دینامیکی, گزارش های سینوپ و متار, بندرعباس
    faride habibi*, Mahboobe Firoozabadi, fatemeh zarei

    This research is investigated the precipitation system which created the significant rainfall and flooding in the southern and southwestern of Iran on the 14 and 15th March 2014, with using Metar and Synop reports from the synoptic stations of southern provinces; and weather patterns such as: mean see level pressure - advections of humid, temperature at 1000, 850 and 500 hpa - the pressure tendency over 24 hours at 500 hpa; wind field at 1000 and 200 hpa - and jet stream at 200 hpa. This rainy system was compared with the system of March 1996, which it had the second largest maximum rainfall in this region during the past 58 years. The weather patterns of March 2014 are quite different from patterns of March 1996. The first case has been created by potential instability due to the dynamic low pressure, but the latter has been formed by the combination of Mediterranean low pressure and Sudanese low. Of course, the gradual meridianization of the strong sub-tropical jet stream in the northwestern part of Africa, and penetration of its branch over the Persian Gulf have helped to intensify the instability of these areas on the mentioned days. The Maximum 24-hour rainfall has been reported from Bandarabbas, Rudan and Kahnuj stations that their amount was respectively 110, 78.5 and 69 mm. Three stations located in the easterly flank of precipitation system where there was the abundant moisture nutrition from the Strait of Hormuz.
    The left exit region of sub-tropical jet stream was situated over the hormozgan province and caused the lifting air flow in the region. The sum of these factors have caused the maximum rainfall occurs in this province
    Keywords: Bandarabbas, potential instability, dynamic low-pressure system, Synop, Metar reports
  • فریده حبیبی *
    پدیده های هواشناسی حاصل سامانه های پیچیده ای هستند که بخش های مختلفی در تماس با هم و محیط اطراف دارند. هدف این تحقیق نمایش کارایی شبکه های عصبی در پیش بینی متغیرهای هواشناسی است. برای این منظور پیش بینی دید افقی که کاربرد فراوان در هواشناسی و هوانوردی به ویژه در فرودگاه ها دارد برای بررسی انتخاب شده است. داده های این بررسی، تلفیقی از گزارش های متار و سینوپ ایستگاه بندرعباس در بازه 1 تا 30 مارس 2014 است. برای پیاده سازی شبکه، ابتدا داده های آموزش، آزمون و اعتبارسنجی شبکه به صورت تصادفی با نسبت های 70، 15 و 15 درصد استخراج و ذخیره شد تا برای مقایسه حالت های مختلف اجرای شبکه از داده یکسان استفاده شود. ترکیب های مختلف هفت متغیر دما، دمای نقطه شبنم، هوای حاضر، فشار، میزان پوشش ابر آسمان، سمت و سرعت باد، به عنوان ورودی به شبکه پیش خور داده شد که خروجی آن دیدافقی است. در مجموع همبستگی و جذر میانگین مربعات خطا برای 28 حالت بررسی شده است. نتایج نشان می دهند که ترکیب های حاوی پدیده هوای حاضر بیشترین همبستگی را با دیدافقی دارند و کمیت های دمای نقطه شبنم، فشار و میزان پوشش ابر به تنهایی تاثیری روی آن ندارند. بعد از پردازش های اولیه، از شبکه پیش خور با الگوریتم یادگیری پس انتشار ارتجاعی با هشت نرون و تابع سیگموئید در لایه پنهان، تابع خطی در لایه خروجی برای پیش بینی استفاده شد. این شبکه با دو سری داده های استاندارد شده بین بازه های صفر و یک، 1/0 و 9/0، نمو های افزایش و کاهش متفاوت برای بایاس ها و وزن ها، و همچنین نرخ های یادگیری متفاوت اجرا شده است. مقدارهای مناسب برای این کمیت ها به ترتیب 2/1، 35/0 و 0001/0 هستند و استانداردسازی داده ها در حد فاصل بین صفر و یک مناسب نیست. مقادیر ضریب کسر مطلق از واریانس برای داده های آموزش، آزمون و اعتبارسنجی به ترتیب 9972/0، 9856/0 و 9839/0 به دست آمد که نشان می دهد نزدیک به 98 درصد مقدار دیدافقی تحت تاثیر این متغیرهای مستقل بوده و مابقی تغییرات آن وابسته به سایر عوامل است.
    کلید واژگان: پیش بینی, دید افقی, شبکه پیشخور, نرخ یادگیری, پس انتشار ارتجاعی
    Farideh Habibi *
    Meteorological phenomena are complex systems with different parts that are in contact with each other as well as their surroundings. The purpose of this research is to demonstrate the efficiency of neural networks in predicting meteorological variables. For this purpose, the prediction of horizontal visibility that is widely used in meteorology and aviation especially at airports has been selected for analysis. The data of this study are a compilation of Metar and Synop reports of Bandar Abbas synoptic station in the period from 1 to 30 March 2014.
    To implement this network, at first, the whole data were randomly divided into three categories with proportions of 75, 15 and 15 percent for learning, testing and validation of network and saved in other files. The seven variables for inputs )temperature, dew point temperature, atmospheric pressure, sky cloud coverage, wind speed and wind direction) of the network with 28 various composites tested with a feedforward network and their correlation with the output and amount of root mean square (RMS) error of network have been studied. The results show, the compositions that containing the present air phenomena are most correlated with the horizontal visibility. Besides, the dew point temperature, atmospheric pressure and the amount of cloud cover are variables that alone do not have an affect on the horizontal visibility.
    In this research, a network which works with training neural networks by resilient backpropagation algorithm is used. This is a learning heuristic for supervised learning in feedforward artificial neural networks, which only the sign of the partial derivative is used to determine the direction of the bias and weight updates and the magnitude of their derivative has no effect on their updates. Of course, the size of their change (increment and reduce rates) is determined by a separate update value. This network with eight neurons and sigmoid transfer function in the hidden layer and the linear transfer function in the output layer is used for predicting of horizontal visibility. This network was performed with two standardization data sets between intervals 0.0-1.0 and 0.1-0.9; also, different learning rates, incremental and reduced rates for weights and biases. The results show that the normalization is not appropriate between zero and one. The appropriate amounts of learning rate, incremental and reduced rates for this network are 0.0001, 1.2 and 0.35, respectively.
    The values of the coefficient of determination for training, test and validation data for a running network with all variables were 0.9972, 0.9866 and 0.9839, respectively. These values show that nearly 99 percent of the measured horizontal visibility is affected by these independent variables and the rest of its variations are dependent on other factors.
    Keywords: Prediction, horizontal visibility, feedforward network, learning rate, resilient backpropagation algorithm
  • فریده حبیبی*، سمیه بهرامی
    ابرتوفان گونو یکی از قوی ترین چرخندهای حاره ای در دریای عرب است که پس ازتوفان کشنده و بسیار مخرب کاترینا (در 23 اوت تا سوم سپتامبر در خلیج مکزیک در 2005) در 2007 رخ داده است. به استناد مدارک تاریخی ثبت شده در مرکز توفان اقیانوس هند، فعالیت چرخند حاره ای از 1970 تا 1999 در دریای عرب و دریای عمان گزارش نشده است. با این حال افراد کهنسال هرمزگان از وقوع چرخند مشابه گونو در 1977 صحبت می کنند که اطلاعات معتبری از آن در سازمان هواشناسی ایران موجود نیست. هدف از این پژوهش بررسی ویژگی های توفان های حاره ای، شناخت عوامل همدیدی و دینامیکی موثر بر شکل گیری توفان گونو و تاثیر آن بر جنوب و جنوب شرق ایران است. نقشه های مورد بررسی در این تحقیق از پایگاه NCEP/NCARگرفته شده است. محدوده مورد بررسی نیز از طول جغرافیایی صفر تا 90 درجه شرقی و عرض صفر تا 70 درجه شمالی است. بررسی نقشه های سطح زمین مربوط به روزهای اول تا هشتم ژوئن 2007 نشان می دهد که در ابتدا مسیر حرکت این وافشار حاره ای به سمت شبه قاره هند بوده است. این وافشاری در روز سوم ژوئن (روز دوشنبه 14 خرداد 1386) با تقویت روی دریای هند به توفان حاره ای تبدیل شده است ولی گسترش به سمت شمال زبانه پرفشار روی جنوب شبه قاره هند سبب تغییر مسیر توفان شده و در نتیجه توفان با حرکت به سوی شمال غرب وارد محدوده جنوبی دریای عمان شده است. در روز ششم نیز با تضعیف زبانه پرفشار اسکاندیناوی، چشم هسته توفان به شکل بیضی در آمده که قطر بزرگ آن با جهت جنوب به شمال در نیمه جنوبی ایران مستقر شده است. در این روز توفان با کسب رطوبت از دریای عمان و خلیج فارسدر بخش هرمزگان و سیستان و بلوچستان شرایطی را فراهم آورده است که هوای مرطوب غیراشباع درقسمت پایین جو و هوای خشک در ترازهای بالای آن قرار داشته باشد. در این حالت توفان ضمن پیشروی روی خشکی به مانع پستی و بلندی زاگرس جنوبی برخورد کرده ومجبور به صعود از آن شده است. در واقع با ایجاد حالت ناپایداری همرفتی یا پتانسیلی، شرایط برای تشکیل ابر کومه ای بارا و وقوع توفان تندری مساعد شده است. این شرایط بارش را در روزهای هفتم به بعد در برخی از شهرها به دنبال داشته است. بندر جاسک در استان هرمزگان بر اثر این توفان منطقه بحران زده اعلام شد. ریزش هوای سرد به پشت توفان از راه زبانه واچرخند اسکاندیناوی روی روسیه سفید (شمال دریای سیاه) نیز به تقویت بیشتر توفان کمک کرده است. در روز هفتم واچرخند اروپایی نسبت به روز قبل تضعیف شده در نتیجه هسته توفان نیز جهت جنوب شرقی-شمال غربی به خود گرفته و با تندی نصف النهاری هشت متر بر ثانیه بعد از ورود به جنوب شرق ایران با عبور از روی سواحل جنوبی ایران از سمت جنوب وارد کشور شده است. سپس طی حرکت روی ناهمواری های مناطق هرمزگان، سیستان و بلوچستان و کرمان (جنوب رشته کوه های زاگرس) از شدت فعالیت این توفان کاسته و سپس محو شده است. بیشترین مقدار بارش ثبت شده در روزهای وقوع توفان در جنوب شرق ایران در روز ششم ژوئن مربوط به کنارک و جاسک است که به ترتیب 90 و 78 میلی متر بوده است. در روز هفتم بیشترین مقدار بارش در ایستگاه نیک شهر با 120 میلی متر گزارش شد و در روز هشتم جاسک 59 میلی متر بارش دریافت کرد.
    کلید واژگان: بارش, توفان گونو, توفان حاره ای, جنوب شرق ایران, دریای عمان, جاسک
    Farideh Habibi*, Somayeh Bahrami
    Super storm Gonu is one of the strongest tropical cyclones which have occurred after the deadliest and most destructive hurricane Katrina (which occurred over the Gulf of Mexico during 23rd August to 3rd September in 2005) in 2007. Such intense tropical cyclones have happened rarely over the Oman Sea since most storms in the Arabian Sea tend to be small and disappear quickly or making landfall on the Arabian Peninsula and/or the Indian subcontinent. According to the historical records of severe cyclonic storms formed over the Arabian Sea، severe cyclonic storms were not reported in the Arabian Sea during 1970 to 2007 but Algeria broadcast and old people of Hormozgan believed that first time، it happened in 1977. However، there is no information about it. The Saffir Simpson scale separates hurricanes (with winds of 74 mph or greater) into five ascending categories based on the maximum sustained wind speeds، the potential height of its dangerous storm surge، and the hurricane’s central barometric pressure. The super cyclone Gonu was a Category Five tropical storm (Saffir-Simpson Scale) which occurred over the Northern Arabian Sea in June 2007. The minimum pressure of this tropical cyclone reached 920 hPa on June 4th. The meteorological phenomena which occurred during the storm activity in Iran have been announced by Iranian Meteorological Organization as “cloudy sky with heavy rain and thunderstorms;”، a raging sea that the height of its waves reached to 5. 8 meters. This research surveys the characteristics of tropical storms، synoptic and dynamic factors which affect the formation of Gonu cyclone and its impact on the South and Southeast of Iran. For this purpose، charts of NCEP/NCAR reanalysis data set have been studied in this research. The region which we considered in this research was 0° to 90°E longitudes and 0° to 70°N latitudes. A survey of surface charts and upper level atmospheric charts such as 850، 700، 500 and 300 hPa from the 1st to 8th June 2007 showed that the trajectory of the tropical depression was at first toward the Indian subcontinent، which gradually became stronger، and formed a tropical storm on 3rd June. However، an extending high pressure ridge in the south of Indian subcontinent caused the storm’s path to change from the Northeast (toward the Bay of Bengal) to the Northwest (toward the Persian Gulf). As a result، the storm moved toward the Northwest and finally it made a landfall over the Southern region of the Oman Sea. On the sixth day، the Scandinavian high pressure ridge weakened; the core axis of storm was from the South to the North direction at that time، and had drawn it to the Southern part of Iran. In this case، the storm carried its obtained moisture from the Arabian Sea and Oman Sea to the South and Southeast of Iran by its easterly flank flows. Falling cold air behind the storm by the Scandinavian anticyclone ridge on White Russia (the north of Black Sea)، which is associated with the further strengthening storm. The European anticyclone on the seventh day was weaker than the previous day; as a result، the core of the storm had taken the southeast-northwest direction، then imported into the southeast of Iran by meridional speed of 8 ms-1. Colliding with the southern part of Zagros Mountains، the storm Gonu caused convective (potential) instability and formation of cumulonimbus clouds and thunderstorms which synoptic reports of Iranian meteorological stations confirmed it. After crossing the Southern coast of Iran، entered to the country from south، and the intensity of storm activity decreased during moving on the rugged parts of Hormozgan، Sistan and Baluchestan and Kerman provinces (the Southern Zagros Mountains)، and then disappeared with moving toward Pakistan. The highest rainfall recorded during the storm activity in the Southeast Iran were received on the sixth day of June by the ports of Konarak and Jask، for which the amounts were 90 mm and 78 mm، respectively. The greatest amount of precipitation on the seventh day was reported by Nikshahr to be 120 mm; Jask also received 59 mm of rainfall during the eighth day. Nikshahr is located in the extreme Southwest of the province of Sistan and Baluchestan. The area is mountainous and 98% of its tissue consists of highlands and mountains and the remainder is covered by plains and deserts.
    Keywords: Gonu cyclone, tropical storm, Oman Sea, precipitation, southeast of Iran, Jask
  • بهزاد مشیری، احمد نوحه گر، احمد کلهر، فریده حبیبی، مجید مزرعه فراهانی *

    انتخاب ویژگی های مناسب برای بررسی و پیش بینی هر کمیت جوی مرتبط با یک پدیده هواشناسی از قبیل وقوع توفان حاره ای یکی از چالش های اساسی شناسایی سامانه و مدل سازی آن است. در این تحقیق روش های گوناگون استخراج ویژگی از قبیل جست وجوی پی در پی پیشرو، پسرو، معیار همبستگی متقابل، تحلیل مولفه های اصلی و تحلیل عامل های اصلی برای استخراج کمیت های مرتبط با سرعت باد در ارتفاع 10 متری از سطح زمین در زمان وقوع پدیده توفان حاره ای اعمال شده است. در این بررسی فقط داده های 45 متغیر متفاوت در محدوده فعالیت توفان حاره ای گونو که در اوایل ماه ژوئن 2007 منطقه دریای عرب، دریای عمان و خلیج فارس را در نوردید و خسارت زیادی را به جنوب و جنوب شرقی ایران، شرق کشور عمان وارد ساخت پردازش شده است. ازآنجاکه برای استفاده از شبکه عصبی و منطق فازی نیاز به داده های آزمون و اعتبار سنجی است از داده های توفان حاره ای یمین که در اواخر ماه ژوئن همان سال در خلیج بنگال و خلیج فارس شکل گرفت درحکم داده آزمون و از داده های توفان حاره ای نرجس که در اوایل ماه مه 2008 در خلیج بنگال رخ داده بود به منزله داده اعتبار سنجی استفاده شده است. کمیت های انتخابی نهایی بعد از استخراج ویژگی درحکم ورودی به شبکه استنباط فازی-عصبی تطبیقی(ANFIS) که خروجی آن سرعت باد در ارتفاع 10 متری از سطح زمین است داده شد و مقدار شاخص خطا در حالت های متفاوت آموزش شبکه تعیین و در داخل جدولی آورده شده است.

    کلید واژگان: استخراج ویژگی, شبکه استنباط فازی, عصبی تطبیقی (ANFIS), توفان حاره ای, جست وجوی پی در پی پیشرو (SFS), معیار همبستگی متقابل
    Farideh Habibi, Majied Mazraeh Frahani, Behzad Moshiri, Ahmad Nohegar, Ahmad Kalhor

    The selection of adequate features for studying and forecasting of each atmospheric quantity regarding the meteorological phenomena (for example, a tropical cyclone) is one of the basic challenges in system recognition and modeling concepts. This study uses various methods of feature extraction including sequential forward selection, sequential backward selection, mutual information, principal components analysis (PCA) and principal factor analysis (PFA) to extract quantities considering the wind speed at 10 meters above surface for a tropical cyclone activity period. This work studies 45 various quantities of a Guno tropical cyclone activity domain which occurred in early June 2007 over the Arabian Sea, the Gulf of Fars, and the Oman Sea regions which caused significant damage to the region due to storm surges. These quantities were initially selected from 286 quantities of the atmosphere which were determined in the global network of 1 by 1 degree under the standard conditions including standard pressure levels (1000 mb to 10 mb), surface land temperature (SLT), and surface sea temperature (SST). Due to the fact that the activity of the interesting phenomena (i.e. Guno tropical storm) concentrates at the low and medial troposphere, it is possible to exclude quantities of the upper atmosphere. As a rule, the employment of neural network and fuzzy logic methods requires that the data be tested and validated. As a result, the Yemyin tropical cyclone data was considered as testing data (it happened exactly 8 days after the Guno storm in the west of India, and, after traveling over India, then entered into the southeast of Iran and, subsequently, into the northwest of Pakistan). The Nargis tropical cyclone data which occurred in May 20 at the Bay of Bangal was considered as validation data because there is currently no valid and acceptable data regarding the history of the old Guno tropical storm which occurred in this region approximately 35 years ago. The features extracted from the three first methods were tested using an adaptive network-based fuzzy inference system (ANFIS) approach. Of course, 44 features were considered as inputs and a speed of 10 meters of surface was considered as output. The Guno storm data was considered for training the network but the Yemyin storm data was used for testing the network and the Nargis storm data was used for the purpose of network validation. Due to the fact that the KMO parameter for all three storms was greater than 0.80, the PCA method was used with high confidence for data mining. The results show that the first 18 new components of the storms Guno and Yemyin are greater than the others and they include more than 95% of existing information regarding 45 variables; consequently, the remaining components can be eliminated. However, this is true for the Nargis storm with the first 20 new components.

  • فریده حبیبی
    سامانه های کم فشاری که منطقه ایران را متاثر می سازند اغلب اوقات در ناحیه مدیترانه شکل می گیرند، لذا این مقاله سعی دارد که سازوکار پدیده چرخندزایی در منطقه دریای مدیترانه را از نظر سینوپتیکی و دینامیکی بررسی کند. بررسی ها نشان می دهند که دریای مدیترانه به واسطه پستی و بلندی سواحل خود از ویژگی های خاصی برخوردار است و می تواند هر توده هوایی را به توده هوای مدیترانه ای تعدیل کند. از اینرو، در این مقاله موقعیت جغرافیایی دریای مدیترانه از نظر پستی و بلندی، بادهای محلی منطقه مدیترانه، چرخندزایی در مدیترانه و تئوری چرخندزایی به تفصیل بررسی شده است.
    کلید واژگان: سامانه های کم فشاری, بادهای محلی, چرخندزایی, دریای مدیترانه, سازوکار پدیده, پستی و بلندی مدیترانه
    F. Habibi
    The cyclonic systems which are affected on Iran often form over Mediterranean area taking in to consideration this factor. This research attempts to study mechanism of cyclogenesis phenomena over Mediterranean Sea as synoptic and dynamic study. The studies are shown that Mediterranean Sea has a special feature due to its coastal topography that enables it to adjust every air mass to Mediterranean air mass. Therefore, this article has studied position of Mediterranean topography, local Mediterranean winds, cyclogenesis over Mediterranean and theoretical cyclogenesis in details.
    Keywords: Local Mediterranean Winds, Cyclogenesis, Mediterranean Sea, Mechanism of Phenomena, Cyclonic Systems, Mediterranean Topography
  • فریده حبیبی
    این تحقیق تلاش دارد تا نقش سامانه های بندالی را در چرخندزایی سطحی روی شرق دریای مدیترانه مشخص سازد اما توجه خاص به سیل در استان های غربی ایران در طی مارس 2000 دارد و سعی دارد تا نقش سامانه بندالی را در سیل ایران نشان دهد. داده هایی که در این تحقیق بکار رفته اند شامل نقشه های سطوح فوقانی، فشار در تراز متوسط دریا با فاصله های 12 ساعته در طی 16 تا 26 مارس 2000 از مرکز NCEP هستند. داده های دما، فشار و رطوبت با فاصله های 3 ساعته و کل بارش روزانه 19 ایستگاه مهم ایران نیز از 1 تا 30 مارس 2000 بررسی شده است. نتایج نشان می دهد که ناوه جناح شرقی سامانه بندالی اقیانوس اطلس عامل اصلی جاری شدن سیل روی مناطق غرب ایران بود؛ در طی فعالیت سامانه بندالی در شرق دریای مدیترانه، انشعاب در رودباد در نزدیکی پشته ثانوی روی ایران به وقوع پیوسته است و در نتیجه سامانه های کم فشاری نزدیک غرب ایران را تشدید کرده است؛ بسط و توسعه سامانه کم فشار سودانی سبب افزایش نیرومندی ناوه شرقی سامانه بندالی و منتج به جاری شدن سیل روی غرب ایران شده است. کلید واژه ها: پشته، چرخندزایی، رودباد، سامانه بندالی، سیل.
    کلید واژگان: پشته, چرخندزایی, رودباد, سامانه بندالی, سیل
  • فریده حبیبی

    در این مقاله سعی شده است سامانه های بندالی را که در اقیانوس اطلس و به ویژه در منطقه دریای مدیترانه تشکیل شده اند و منجر به چرخندزایی در شرق مدیترانه می شوند پیامدهایشان ایران را تحت تاثیر قرار می دهد بررسی شوند. بدین منظور ابتدا پستی و بلندی، بادهای محلی منطقه مدیترانه و چرخندزایی بررسی شد و سپس ساختار و انواع سامانه های بندالی موجود روی نقشه های هواشناسی با شکل معرفی شده است.همه بندال های تشکیل شده در منطقه اقیانوس اطلس از تاریخ 1989 تا 1997 شناسایی شده اند که نتایج مربوطه در جدولی درهمین مقاله ارایه شده است. البته این کار به کمک پروفسور استفان کالوکسی از دانشگاه کرنل ایالات متحده امریکا و با داده های دریافت شد از مرکز NCEP صورت گرفته است.بندالی شدن سامانه های جوی ممکن است به توقف حرکت الگوهای هواشناسی منجر شود که در طی آن الگوهای حاکم بر جو نیز روزها و حتی هفته ها در محل خود باقی می مانند. در این حالت، وقوع پدیده هایی نظیر سیل، خشکسالی، دماهای زیاد نرمال، دماهای کم نرمال و دیگر فرین های جوی متحمل هستند. پس شناسایی وقوع آنها در آغاز گسترش حایز اهمیت است و با آگاهی از آن می توان با اطمینان بیشتری وضعیت جوی را برای چند روز آینده پیش بینی کرد.

    کلید واژگان: انواع سامانه های بندالی, سامانه های بندالی, چرخندزایی, دریای مدیترانه, الگوهای هواشناسی, شناسایی بندال
    Farideh Habibi

    This research is an attempt to investigate the blocking systems over the Atlantic Ocean and especially over the Mediterranean sea, which leads to surface cyclogenesis in the east of the Mediterranean Sea, and the influence of their effects over the Iranian region. At the first step of study, Mediterranean topography, local Mediterranean winds and cyclogenesis have studied; then structure and types of existing blocking systems on the synoptic weather maps have been introduced with figures.
    In the second step of the study, all of the blocking systems that were formed over the Atlantic Ocean were identified from 1989 to 1997, the results of which are shown in the table included in the paper. Of course this part of the work was done with the help of Prof. Colucci from USA and data are given from NCEP.
    Atmospheric blocking systems can lead to a stagnation of weather patterns where the patterns remain for several days or even weeks at the same location during the blocking system. This case can lead to flooding, drought, above normal temperatures, below normal temperatures and other weather extremes. Therefore, it is important to recognize a blocking pattern in its initial development. With this awareness, one can forecast up to several days in advance with a high degree of accuracy.

    Keywords: BLOCKING RECOGNITION, BLOCKING SYSTEMS, CYCLOGENESIS, MEDITERRANEAN SEA, TYPES OF BLOCKING SYSTEMS WEATHER PATTERNS
  • بررسی تاثیرات مانسون هند بر روی ایران
    فریده حبیبی
    مانسون برگرفته از واژه موسم عربی به معنای فصل است. مانسون ها نسیم های دریایی شدید هستند که بخصوص در آسیای جنوبی و بخشهایی از افریقا دیده می شوند و تقریبا 6 ماه از سال را از جانب شمالشرقی و 6 ماه دیگر را از جنوبغربی می وزند. مولفه غربی باد در مانسون های تابستانی غالب است و آنها گرایش قوی به همگرایی، صعود و ایجاد باران دارند. برعکس، مولفه شرقی باد در مانسونهای زمستانی غالب بوده و اینها گرایش به واگرایی و نشست هوا دارند و سبب خشکسالی می گردند. مانسون های تابستانی و زمستانی هر دو نتیجه ای از اختلافات روند های سالیانه دمای حاکم بر خشکی و دریا هستند.
    سرزمین ایران در خاورمیانه قرار دارد و محدود به دریای عمان، خلیج فارس و دریای خزر است. ایران دارای سرزمینی ناهموار است که دور تا دور آنرا کوهستان فرا گرفته و حوضه مرکزی آن مرکب از بیابانها و کوه ها است؛ ایران از سطح دریا ارتفاع داشته و در امتداد سواحل شمالی و جنوبی دارای دشتهای ناپیوسته کوچک می باشد. مطالعه مقادیر داده های بارش شهرهای مختلف ایران در ماه های ژوئن تا سپتامبر (از 11 خرداد تا 8 مهر) طی سالهای 1960 لغایت 1990 نشان می دهند که منطقه جنوبشرقی ایران بواسطه رشته کوه های بشاگرد، کوه جبال بارز و هامون جازموریان، اقلیم مانسونی دارد. حتی اگر مانسون تابستانی هند قوی باشد، تاثیر آن بر بخشهایی از کویر لوت و دشت کویر مشهود است. بنابراین ایران اساسا دارای اقلیم خشک و نیمه خشک بوده، اما در امتداد سواحل خزر دارای اقلیم جنب حاره ای و در جنوبشرقی دارای اقلیم مانسونی است.
    کلید واژگان: تاوایی چرخندی, توده هوا, جت استریم, رطوبت نسبی, فرونشستگی, کم فشار حرارتی, مانسون, وافشاریهای حاره ای, واگرایی, ورد شهر, همگرایی
سامانه نویسندگان
  • دکتر فریده حبیبی
    دکتر فریده حبیبی
    استادیار فیزیک فضا، دانشگاه تهران، تهران، ایران
اطلاعات نویسنده(گان) توسط ایشان ثبت و تکمیل شده‌است. برای مشاهده مشخصات و فهرست همه مطالب، صفحه رزومه ایشان را ببینید.
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال