در این پژوهش از دو مدل گردش عمومی جو (GCM) (Can-ESM2, BNU-ESM) برای شبیه سازی بارش دوره آتی در شهر تبریز، استفاده شده است. مهم ترین ضعف مدل های GCM، بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیه سازی شده است که روش های مختلف ریزمقیاس نمایی درصدد رفع این نقیصه می باشند. در این مطالعه برای ریز مقیاس نمودن متغیرهای اقلیمی مدل های GCM، از مدل های هوش مصنوعی شبکه عصبی مصنوعی (ANN) و نروفازی (ANFIS)، بهره گرفته شده است. بدون شک اصلی ترین مرحله به هنگام استفاده از این مدل ها، انتخاب مناسب ترین ورودی از میان داده های بسیار متعدد ارایه شده توسط GCMها می باشد. بنابراین در این مطالعه برای انتخاب پارامترهای ورودی موثر از روش های درخت تصمیم و تابع اطلاعات مشترک (MI) استفاده شده است. همچنین روش ترکیب مدل برای کاهش عدم قطعیت در ریزمقیاس نمایی و افزایش دقت پیش بینی استفاده شده است. در این پژوهش مقایسه نتایج روش های ریز مقیاس نمایی نشان داد که، مدل ترکیبی با موثرترین ورودی های تعیین شده با درخت تصمیم نتایج مناسبتری ارایه می دهد. بطوریکه در هر دو مدل GCM، بکارگیری مدل ترکیبی با پیش بینی کننده های مبتنی بر درخت تصمیم نسبت به مدل های ANN و ANFIS در ریزمقیاس نمایی سبب افزایش %38-%10 DC در مدلسازی بارش می گردد. پیش بینی بارش ایستگاه سینوپتیک تبریز با مدل ترکیبی نشان داد که بارش دوره آتی (2060-2020) تحت سناریوهای RCP4. 5 و RCP8. 5 تا %40-% 30 کاهش می یابد.

مدل های گردش عمومی (General Circulation Models- GCMs) مناسبترین ابزار برای مطالعه پدیده تغییر اقلیم شناخته شده اند. اما این مدل ها به شبیه سازی پارامتر های اقلیمی در مقیاس بزرگ می پردازند که این مقیاس ها برای شبیه سازی فرایندهایی از جمله مدل های باران- رواناب کارایی ضعیفی دارد. ازاین رو روش های مختلف ریزمقیاس نمایی ایجاد و توسعه یافتند. در این پژوهش مدل ریزمقیاس نمایی، بر اساس روش ناپارامتریک نزدیکترین همسایگی (K-Nearest Neighbor-K-NN) ارائه شده است. در ادامه برای ارزیابی کارایی مدل، داده های بارش روزانه برای دوره آتی (2044-2015) در ایستگاه اهواز تحت سه سناریوی تغییر اقلیم بر اساس خروجی سه مدل HadCM3، NCARPCM و CSIROMK3.5 تحت سناریوی انتشار A2 شبیه سازی شده است. نتایج نشان داد که مدل ارائه شده توانایی بالایی در ریزمقایس نمایی داده های اقلیمی دارد. همچنین برای ایستگاه اهواز احتمال وقوع رگبارها با شدت بیشتر در دوره آتی افزایش یافته در حالیکه طول دوره های خشک نیز طولانی تر خواهد شد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در روش های ریزمقیاس گردانی آماری که بر اساس رابطه بین داده های گردش عمومی اتمسفری-اقیانوسی و هر یک از متغیرهای اقلیمی (بارش، دمای کمینه، دمای بیشینه) ایجاد می شود، دوره آتی آن متغیر اقلیمی شبیه سازی می شود. از آن جایی که در شبیه سازی، تمامی عوامل رخ داد، یک متغیر در مدل وارد نمی شود، لذا برآورد به وجود آمده همراه با خطا و یا عدم قطعیت می باشد. خروجی مدل های ریزمقیاس گردانی به عنوان ورودی در مدل های منابع آب و کشاورزی وارد شده و در صورتی که این ورودی ها دارای خطا باشند، خروجی مدل های ذکر شده نیز با عدم قطعیت بیشتری مواجه خواهد شد. شناخت مقدار خطا و یا عدم قطعیت هر مدل در قضاوت و اطمینان به نتایج به دست آمده ضروری است. در این تحقیق سعی شده است، عدم قطعیت ریزمقیاس گردانی مدل های GCM با شبکه عصبی در ایستگاه های شمال غرب کشور بررسی شود. بدین منظور، مدل شبکه عصبی اجراء و برای هر یک از ماه های سال، دمای کمینه، بیشینه و بارش با داده های NCEP واسنجی و ارزیابی شد. سپس، با داده های HadCM3 در دوره حاضر مدل ایجاد شده، مقادیر فوق شبیه سازی شد. داده های روزانه مشاهده ای هر ماه در دوره (2001-1961) تهیه و در هر ایستگاه و هر ماه با روش بوت استرپ فاصله اطمینان 99 درصد استخراج شد. سپس متوسط ماهانه دوره هر یک از متغیرهای اقلیمی برآورد شده به وسیله شبکه عصبی محاسبه شد. برای این منظور از دو معیار میانگین و واریانس داده ها استفاده شد. در هر ماه هرگاه میانگین یا واریانس برآورد شده در محدوده اطمیان قرار گیرد، برآورد به دست آمده دارای اطمینان است. برای مقایسه نتایج از تعداد ایستگاه-ماه استفاده شد. نتایج نشان داد که میانگین دمای بیشینه در 14 ایستگاه-ماه در محدوده اطمینان واقع شدند. تحلیل ماهانه آن نیز نشان داد، دقت شبکه عصبی در تابستان کم بوده و عدم قطعیت بالاتری نسبت به فصول دیگر دارد. در شبیه سازی دمای کمینه بر اساس این معیار 18 ایستگاه-ماه در محدوده اطمینان واقع شد. دقت شبکه عصبی در تابستان برای برآورد دمای کمینه کم و دارای عدم قطعیت در اغلب ایستگاه ها بود. به طوری که در ماه های ژوئن و آگوست در هیچ یک از ایستگاه ها برآورد به دست آمده در محدوده اطمینان قرار نگرفت. محدوده اطمینان بارش به دلیل ماهیت تغییرات زیاد آن نسبت به دما بسیار بالا بوده و تا بیش از 50 درصد بارش متوسط ماه نیز در برخی ایستگاه ها رسید. باتوجه به دامنه اطمینان بالای بارش، در 53 مورد ایستگاه-ماه در محدوده اطمینان قرار گرفتند.

در بسیاری از نقاط دنیا در آینده شدت و فراوانی بارش های سیل آسا در اثر تغییر اقلیم افزایش خواهد یافت. لذا لازم است چنین مطالعاتی بر اساس سناریوهای تغییر اقلیم بازنگری شوند. از ابزار های کارآمد در چنین مطالعاتی، مدل های مولد داده های هواشناسی از جمله LARS-WG است. با آنکه GCMها تغییرات ویژگی های مختلف بارش را برای آینده پیش یابی می کنند، معمولا در کاهش مقیاس توسط LARS-WG تنها تغییرات میانگین های ماهانه اعمال می شود؛ و از تغییرات سایر مشخصات بارش چشم پوشی می شود. در این مقاله، ضمن ارزیابی اثر تغییر اقلیم بر بارش های سیل آسای گرگان و خرم آباد، نتایج روشی که تغییرات مشخصات مختلف بارش را در کاهش مقیاس اعمال می کند (روش کامل تر) با روش متداولی که تنها تغییرات میانگین ها را اعمال می کند (روش ساده تر) مقایسه شده است. برای اقلیم آینده از سناریوهای بارش مدل CanESM2 تحت سناریوهای انتشار RCP2. 6، RCP4. 5 و RCP8. 5 در دوره 2065-2036 استفاده شد. نتایج نشان داد که برای ارزیابی اثر تغییر اقلیم بر بارش های سیل آسا، علاوه بر تغییرات میانگین ها، لازم است تغییرات سایر آماره ها نیز اعمال شود. زیرا تفاوت نتایج دو روش قابل توجه است. مثلا در گرگان برای سناریوهای انتشار مختلف، بارش های روزانه حداکثر سالانه ی با دوره بازگشت 15 سال در آینده نسبت به دوره تاریخی، طبق روش کامل تر بین 16 تا 21 درصد، اما طبق روش ساده تر، بین 37 تا 49 درصد افزایش می یابند. طیق روش کامل تر، شدت بارش های سیل آسای هر دو ایستگاه در آینده افزایش خواهد یافت. این افزایش برای دوره بازگشت 2 سال بین 23% تا 30% و برای دوره بازگشت 30 سال بین 25% تا 29% خواهد بود.

رشد سریع فعالیت های صنعتی و در نتیجه افزایش گازهای گلخانه ای در چند دهه اخیر باعث برهم خوردن تعادل اقلیمی کره زمین شده است که به آن پدیده تغییر اقلیم اطلاق می شود. این پدیده به طور مستقیم بر پارامترهای متئورولوژیکی تاثیر گذار خواهد بود. هدف این پژوهش بررسی تاثیرات تغییرات اقلیمی بر روی بارندگی و دمای حداکثر و حداقل حوزه کرخه در دوره 2010 تا 2039 میلادی می باشد. بدین منظور با در نظر گرفتن حوزه کرخه، ابتدا با استفاده از سناریوهای اقلیمی مدل های جفت شده اقیانوس-اتمسفر گردش عمومی جو و دوره پایه 1971 تا 2000، به انتخاب مدل معرف منطقه پرداخته شد. مقایسه شاخص های عملکرد مدل های مختلف AOGCM در شبیه سازی دما و بارندگی نشان می دهد که در مجموع می توان مدل HadCM3 را به عنوان مدلی که مقادیر دما و بارندگی را با شاخص های عملکرد مناسب شبیه سازی می کند در نظر گرفت. با در نظر گرفتن ایستگاه های سینوپتیک و کلیماتولو‍ ژی منطقه، مراحل کوچک مقیاس سازی آماری رگرسیونی خروجی مدل AOGCM معرف صورت پذیرفت. کوچک مقیاس سازی آماری رگرسیونی با استفاده از مدل تلفیقی آماری-دینامیکی SDSM صورت گرفت. نتایج نهایی برای آینده نزدیک (2010-2039) نشان دهنده کاهش حدود 2 درصدی بارش در ایستگاههای سینوپتیک کرمانشاه و خرم آباد و کاهش 4 درصدی آن در ایستگاه حمیدیه می باشد. افزایش درجه حرارت حداکثر برای ایستگاههای فوق بترتیب 11 و 9 و 3 درصد و افزایش درجه حرارت حداقل بترتیب 24 و 4 و 1 درصد می باشد. با ستفاده از اطلاعات مدل جهانی HadCM3 و مدل کوچک مقیاس سازی SDSM و برای آینده نزدیک( 2039-2010) هرچه از سمت شمال حوزه کرخه به سمت جنوب ( مناطق سردتر به گرمتر) حرکت کنیم تاثیر تغییرات اقلیمی بر درجه حرارت حداکثر و حداقل کمتر خواهد شد در حالیکه بارندگی روند کاهشی جزیی و در حد 2 تا 4 درصد کاهش از شمال به جنوب تغییر می کند.

امروزه بافت های فرسوده شهری ناهنجاری های بسیاری را پیش روی ساکنان این بافت و حتی دیگر بخش های شهر قرار داده اند؛ از جمله مهم ترین مشکلات و ناهنجاری ها، مبحث امنیت اجتماعی حاصل از این بافت می باشد. که تبدیل به یکی از مهم ترین موضوعات پیش روی مدیریت شهری شده است. هدف اصلی این پژوهش، شناسایی و تحلیل مسائل و آسیب های اجتماعی موجود در بافت محلات فرسوده شهر دوگنبدان از منظر امنیت اجتماعی می-باشد. نوع تحقیق در پژوهش حاضر، کاربردی و توصیفی– تحلیلی است. شیوه جمع آوری اطلاعات نیز اسنادی– پیمایشی و قیاسی– استقرایی است. حجم نمونه بر اساس جدول کرجشس و مورگان 384 نفر بدست آمده است که برای اطمینان بیشتر این تعداد به 400 نفر افزایش یافت و با روش نمونه گیری تصادفی انتخاب شدند. داده ها با بهره گیری از نرم افزار SPSS مورد تجزیه و تحلیل قرار گرفته است. نتایج تحقیق نشان می دهد که گویه های آسیب های امیتی در بافت فرسوده با میانگین 8. 47 بالاتر از حد متوسط قرار دارد. آزمون کای اسکوئر در سطح معنی داری 95 درصد وضعیت نامناسب آسیب های امنیتی در محلات فرسوده را تأیید می کند. همچنین تحلیل-های آماری پیرسون، آزمون تی تک نمونه ای و تحلیل رگرسیون چندمتغیره، نشان از همبستگی بین بافت فرسوده و امنیت اجتماعی، وضعیت نامناسب از بعد امنیت اجتماعی بافت فرسوده از دیدگاه شهروندان و در تحلیل چند متغیره ضریب تبیین بدست آمده برای تمامی عوامل در سطح 99/0 معنی دار بوده اند.

مقدمه و هدف: در این مقاله دو روش آموزشی تحت عناوین Case Study ,Case method به عنوان تکنیکهای آموزشی مورد بررسی و نقد قرار گرفته و تفاوتها و شباهتهای هر کدام به طور جداگانه بررسی شده است و نکات کاربردی هر روش در آموزش پرستاری مورد بحث قرار گرفته است.مرور مطالعات: در این مقاله ابتدا تعاریف دو نوع متد آموزشی ارایه گردیده و سپس موارد استفاده از هر متد به طور جداگانه بحث شده است، و با توجه به ماهیت آموزش پرستاری ایران پیشنهادات کاربردی در این زمینه ارایه شده است. Case method در گروههای آموزشی کوچکتر که مشاهدات ذهنی کمتری دارند و در ابتدای تجربه می باشند استفاده می شود. ولی Case Study در گروههای آموزشی بزرگتر که مشاهدات ذهنی بیشتری دارند و قدرت تجزیه و ترکیب و رشد بحث در آنها بیشتر می باشد استفاده می شود. از ویژگیهای مهم آنها می توان به افزایش قدرت تصمیم گیری افراد در موقعیتهای مختلف، لذتبخش تر کردن آموزش و علاقمند کردن به امر تدریس و ... نام برد.بحث و نتیجه گیری: با توجه به یافته های پژوهش و با توجه به محتوی برنامه های آموزشی پرستاری، محقق استفاده از روشهای Case Study ,Case method را برای دانشجویان پرستاری توصیه می نماید. زیرا بهترین آموزش یادگیرنده ها زمانی مطرح می باشد که دانش هماهنگ و متنوع مهارتهای آموزشی با تجربیات در کنار هم می باشد.

تغییر اقلیم می تواند تأثیر قابل توجهی بر منابع آبهای سطحی و زیرزمینی داشته باشد. از این رو لازم است این تأثیر با استفاده از مدل های مناسب مورد شبیه سازی قرار گیرد. در این مطالعه، خروجی مدل گردش عمومی جو HADCM3 تحت چهار سناریوی انتشار، با استفاده از مدل های آماری LARS-WG و SDSM، در حوضه ی حبله رود برای دوره ی 30 ساله ی 2047-2018 میلادی ریزمقیاس شد. مدل SWAT در این حوضه واسنجی شد و برای شبیه سازی آبدهی حوضه، تغذیه ی آب زیرزمینی و رطوبت خاک در دوره ی ذکرشده مورد استفاده قرار گرفت. در مدل SWAT، از سه روش متفاوت شامل هارگریوز، پنمن-مانتیث و پریستلی-تیلور برای برآورد تبخیر-تعرق مرجع استفاده شد. ترکیب های متفاوتی از عوامل مؤثر بر عدم قطعیت نتایج شامل مدل ریزمقیاس ساز، سناریوی انتشار و روش برآورد تبخیر-تعرق مرجع مورد استفاده قرار گرفتند. نتایج نشان داد که روش مورد استفاده در ریزمقیاس کردنِ خروجی مدل گردش عمومی جو، بیشترین تأثیر را بر عدم قطعیت خروجی مدل SWAT دارد. همچنین مشاهده شد که ترکیب های مختلف در شبیه سازی تغذیه ی آب زیرزمینی، داده های پرت بیشتری نسبت به شبیه سازی آبدهی و رطوبت خاک تولید می کنند. میانه ی آبدهی سالانه ی شبیه سازی شده در تمامی ترکیب های مورد بررسی، برابر با 32/13 مترمکعب بر ثانیه به دست آمد. نتایج نشان داد ترکیب هایی از عوامل مدلِ ریزمقیاس ساز، سناریوی انتشار و روش برآورد تبخیر-تعرق مرجع که میانه ی آبدهی سالانه ی حوضه را کمتر از این مقدار پیش بینی می کنند، نسبت به سایر ترکیب ها عدم قطعیت بیشتری دارند. این موضوع در مورد متغیرهای تغذیه ی آب زیرزمینی (با میانه ی 07/2 میلی متر در سال) و رطوبت خاک (با میانه ی 4/112 میلی متر) نیز مشاهده شد.

برآورد رطوبت خاک در مقیاس های زمانی و مکانی کلید مدیریت استراتژیک منابع آب است. روش های سنجش از دور مبتنی بر امواج مایکروویو با وجود فراهم کردن گسترده و مداوم رطوبت در نزدیکی سطح زمین، قدرت تفکیک مکانی پایینی دارند. در این پژوهش، ابتدا از محصولات رطوبت خاک سطحی سنجنده مایکروویو AMSR2 با وضوح 25 کیلومتر استفاده شد و این محصولات بر اساس یک مدل رگرسیونی که رطوبت خاک سطحی را به سه پارامتر سنجنده مودیس ارتباط می دهد، به ابعاد یک کیلومتر ریزمقیاس شدند. در مرحله بعد تلفیق مدل ریزمقیاس شده رطوبت خاک سطحی با مدل SMAR، به منظور پایش رطوبت خاک ناحیه ریشه در منطقه مورد مطالعه (دشت رفسنجان) انجام شد. برای بررسی عملکرد روش پیشنهادی در 10 ایستگاه از دشت رفسنجان رطوبت سطح و نیمرخ خاک اندازه گیری شد. مقایسه داده های معمولی و ریزمقیاس شده رطوبت خاک سطحی با داده های اندازه گیری نشان داد که مقادیر میانگین کل ایستگاه ها برای میزان ضریب همبستگی از 0/540 به 0/739 افزایش و قدر مطلق میانگین خطا و جذر میانگین مربعات خطا به ترتیب از 0/039 به 0/018 و از 0/040 به 0/020 کاهش یافت. همچنین نتایج حاصل از اعتبار سنجی مقادیر رطوبت خاک ناحیه ریشه نشان داد که روش پیشنهادی توانسته با دقت بالایی رطوبت را در این ناحیه تخمین بزند و تغییرات آن را نشان دهد.