بررسی تأثیر رژیم‌های اقلیمی نواحی اطراف خلیج‌فارس و دریای عمان بر پهنه آبی این حوضه: رویکرد یادگیری ماشین بدون نظارت چند الگوریتمی

خادم دقیق, علیرضا; زالی, علی; عسگری, الهه

بررسی تأثیر رژیم‌های اقلیمی نواحی اطراف خلیج‌فارس و دریای عمان بر پهنه آبی این حوضه: رویکرد یادگیری ماشین بدون نظارت چند الگوریتمی

مقالات آماده انتشار

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

علیرضا خادم دقیق ¹

علی زالی ¹

الهه عسگری ²

¹ گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران

² پسادکتری اقلیم‌شناسی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران

چکیده

خلیج‌فارس به‌عنوان یک دریای نیمه محصور و کم‌عمق، به‌طور ویژه نسبت به تغییرات اقلیمی و نوسانات جوی-اقیانوسی حساس است؛ بااین‌حال، نقش رژیم‌های اقلیمی نواحی اطراف آن، شامل مناطق خشکی حاشیه‌ای، سواحل مجاور و دریای عمان، در تعدیل یا تشدید ویژگی‌های حرارتی پهنه آبی تاکنون کمتر به‌صورت جامع بررسی‌شده است. این پژوهش با بهره‌گیری از یک چارچوب یادگیری ماشین بدون نظارت چند الگوریتمی، تأثیر رژیم‌های اقلیمی نواحی اطراف خلیج‌فارس و دریای عمان بر دینامیک حرارتی پهنه آبی این حوضه را طی دوره ۱۹۶۰ تا ۲۰۲۱ بررسی می‌کند. داده‌های باز تحلیل ERA5 شامل مجموعه‌ای از متغیرهای جوی و اقیانوسی (دما، باد، بارش، تبخیر، تابش و پوشش ابر) استخراج، استانداردسازی و با استفاده از پنج الگوریتم خوشه‌بندی مکمل (K-Means، MiniBatchKMeans، GMM، DBSCAN و Fuzzy C-Means) تحلیل شدند. خروجی‌ها از طریق خوشه‌بندی اجماعی یکپارچه‌شده و پنج رژیم اقلیمی پایدار شناسایی شد که تأثیرات متمایزی بر دمای سطح آب خلیج‌فارس اعمال می‌کنند. نتایج نشان می‌دهد که رژیم گرمای شدید شمالی با افزایش پایدار SST در نواحی کم‌عمق شمالی مرتبط است، درحالی‌که رژیم معتدل دریایی جنوبی و رژیم حاشیه موسمی نقش تعدیل‌کننده حرارتی دارند. تحلیل تله‌کانکشن‌ها حاکی از آن است که دوقطبی اقیانوس هند (IOD) محرک غالب ناهنجاری‌های زمستانی مرطوب و ENSO عامل اصلی تقویت نفوذ موسمی تابستانی است. این مطالعه با ارائه یک چارچوب داده‌محور و قابل‌انتقال، بینش‌های نوینی برای پیش‌بینی رژیم‌محور دمای سطح آب، ارزیابی ریسک‌های اکوسیستمی و مدیریت اقلیمی در دریاهای نیمه محصور فراهم می‌کند.

کلیدواژه‌ها

رژیم‌های اقلیمی

ENSO

یادگیری ماشین بدون نظارت

IOD

خوشه‌بندی اجماعی

تله کانکشن‌‌ها

خلیج‌فارس

موضوعات

بحران های طبیعی

عنوان مقاله English

Investigating the Impact of Climate Regimes in Areas Surrounding the Persian Gulf and Gulf of Oman on the Persian Gulf Water Body: A Multi-Algorithm Unsupervised Machine Learning Approach

نویسندگان English

Alireza Khadem Daghigh ¹

Ali Zali ¹

Elaheh Asgari ²

¹ Dept. of Computer Science, Faculty of Mathematics and Computer Science, Iran University of Science and Technology, Tehran, Iran

² Postdoctoral in Climatology, Faculty of Geography and Environmental Sciences, Hakim Sabzevari University, Sabzevar, Iran

چکیده English

As a shallow, semi-enclosed sea, the Persian Gulf is particularly sensitive to climate change and coupled atmospheric-oceanic variability. However, the role of climate regimes in the surrounding regions including adjacent coastal lands, neighboring shorelines, and the Gulf of Oman in modulating or amplifying the thermal characteristics of the Gulf’s water body has not yet been comprehensively investigated. This study employs a multi-algorithm unsupervised machine learning framework to examine the influence of surrounding climate regimes on the thermal dynamics of the Persian Gulf over the period 1960-2021. ERA5 reanalysis data encompassing key atmospheric and oceanic variables (temperature, wind, precipitation, evaporation, radiation, and cloud cover) were extracted, standardized, and analyzed using five complementary clustering algorithms: K-Means, MiniBatchKMeans, Gaussian Mixture Models (GMM), DBSCAN, and Fuzzy C-Means. The outputs were integrated through consensus clustering, resulting in the identification of five robust climate regimes with distinct impacts on the Gulf’s sea surface temperature (SST). The results indicate that the northern extreme-heat regime is strongly associated with sustained SST increases in the shallow northern Gulf, whereas the southern marine-moderate and monsoon-fringe regimes exert a pronounced thermal-moderating effect. Teleconnection analysis reveals that the Indian Ocean Dipole (IOD) is the dominant driver of wet winter anomalies, while ENSO primarily governs the intensification of summer monsoonal intrusions. By introducing a data-driven and transferable framework, this study provides new insights into regime-based SST predictability, ecosystem risk assessment, and climate-resilient management strategies for semi-enclosed seas.

کلیدواژه‌ها English

Climate Regimes, El Niñ

o-Southern Oscillation (ENSO), Unsupervised Machine Learning, Indian Ocean Dipole (IOD), Consensus Clustering, Teleconnections, Persian Gulf

1. رنجبر، فیروز، ذاکری خطیر، هادی، خزایی، مهدی و بخشی، فریماه. (1403). تحلیل اثرات تغییر اقلیم جهانی بر شاخص‌های امنیت غذایی (با تأکید بر ایران). مدیریت بحران. ۱۳ (۴). ۱-۲۰.

2. اسکندری، محمد، دارابی، مسعود، صالحی، محمدرضا و سهامی، حبیب‌الله. (1404). سنجش و پایش بحران خشک‌سالی با استفاده از داده‌کاوی مکانی با تأکید بر حوضه آبریز دریاچه ارومیه. مدیریت بحران. ۱۴ (۲). ۱-۱۸.

3. دالوند، فاطمه، حسینی، سید ابوالفضل، طهماسبی، پیمان و بهمنی، امید. (1404). بررسی گستره سیلاب با اعمال روش آستانه‌گذاری خودکار اوتسو بر روی تصاویر سار (مطالعه موردی: سیلاب فروردین‌ماه 1403 استان سیستان و بلوچستان). مدیریت بحران، 14(4)، 1-15.

4. محمدی، محمد. (1404). اینترنت اشیا؛ ابزاری نوین در مقابله با مخاطرات اقلیمی. مدیریت بحران، 14(4)، 42-54.

5. Ahmadi, M., Kamangar, M., Salimi, S., et al. (2022). A new approach in evaluation impacts of teleconnection indices on temperature and precipitation in Iran. Theoretical and Applied Climatology, 150, 15-33. https://doi.org/10.1007/s00704-022-04138-w

6. Burt, J. A., Paparella, F., Al-Mansoori, N., et al. (2019). Causes and consequences of the 2017 coral bleaching event in the southern Persian/Arabian Gulf. Coral Reefs, 38, 567-589. https://doi.org/10.1007/s00338-019-01767-y

7. Camps-Valls, G., Fernández-Torres, M. Á., Cohrs, K. H., et al. (2025). Artificial intelligence for modeling and understanding extreme weather and climate events. Nature Communications, 16, 1919. https://doi.org/10.1038/s41467-025-56573-8

8. Chaudhry, M., Shafi, I., Mahnoor, M., Ramírez Vargas, D. L., Bautista Thompson, E., & Ashraf, I. (2023). A systematic literature review on identifying patterns using unsupervised clustering algorithms: A data mining perspective. Symmetry, 15(9), 1679. https://doi.org/10.3390/sym15091679

9. Chen, L., Han, B., Wang, X., Zhao, J., Yang, W., & Yang, Z. (2023). Machine learning methods in weather and climate applications: A survey. Applied Sciences, 13(21), 12019. https://doi.org/10.3390/app132112019

10. Chicco, D., Campagner, A., Spagnolo, A., Ciucci, D., & Jurman, G. (2025). The Silhouette coefficient and the Davies-Bouldin index are more informative than Dunn index, Calinski-Harabasz index, Shannon entropy, and Gap statistic for unsupervised clustering internal evaluation of two convex clusters. PeerJ Computer Science, 11, e3309. https://doi.org/10.7717/peerj-cs.3309

11. Doan, Q.-V., Amagasa, T., Pham, T.-H., Sato, T., Chen, F., & Kusaka, H. (2023). Structural k-means (S k-means) and clustering uncertainty evaluation framework (CUEF) for mining climate data. Geoscientific Model Development, 16, 2215-2236. https://doi.org/10.5194/gmd-16-2215-2023

12. Fan, Y., et al. (2024). Understanding the interdecadal changes in the teleconnection pattern of the East Asian summer monsoon precipitation with concurrent ENSO. Geophysical Research Letters. https://doi.org/10.1029/2024GL111723

13. Hamzeh, M. A., Naderi Beni, A., Lahijani, H. A. K., Mehdinia, A., Aghadadashi, V., & Koochaknejad, E. (2024). Reconstruction of the sedimentary environment of Nayband Bay during the last 1600 years: Implications for relative sea level and climate change in the northern Persian Gulf. Marine Micropaleontology, 186, 102321. https://doi.org/10.1016/j.marmicro.2023.102321

14. Kelemen, F. D., Primo, C., Feldmann, H., & Ahrens, B. (2019). Added value of atmosphere-ocean coupling in a century-long regional climate simulation. Atmosphere, 10(9), 537. https://doi.org/10.3390/atmos10090537

15. Kumar, D., Bezdek, J. C., Palaniswami, M., Rajasegarar, S., Leckie, C., & Havens, T. C. (2016). A hybrid approach to clustering in big data. IEEE Transactions on Cybernetics, 46(10), 2372-2385. https://doi.org/10.1109/TCYB.2015.2477416

16. Liu, F., Liu, Z., Liu, X., et al. (2025). Scalable hybrid framework for real time and non real time task scheduling in fog computing using federated reinforcement learning and PSO GA. Scientific Reports, 15, 38356. https://doi.org/10.1038/s41598-025-22218-5

17. Ma, S., Cheng, J., Li, J., Liu, Y., Wan, R., & Tian, Y. (2019). Interannual to decadal variability in the catches of small pelagic fishes from China Seas and its responses to climatic regime shifts. Deep Sea Research Part II: Topical Studies in Oceanography, 159, 112-129. https://doi.org/10.1016/j.dsr2.2018.10.005

18. Mandal, T., Das, J., & Rahman, A. T. M. S. (2025). Understanding the teleconnections of ENSO and IOD with rainfall variation in India. Environmental Modeling & Assessment. https://doi.org/10.1007/s10666-025-10065-7

19. Momtazi, F., Maghsoudlou, A., & Saeedi, H. (2025). Uncovering the hidden amphipod biodiversity and its drivers in the Persian Gulf. Deep Sea Research Part II: Topical Studies in Oceanography, 220, 105463. https://doi.org/10.1016/j.dsr2.2025.105463

20. Panahi, S., Kong, L.-W., Moradi, M., Zhai, Z.-M., Glaz, B., Haile, M., & Lai, Y.-C. (2024). Machine learning prediction of tipping in complex dynamical systems. Physical Review Research, 6(4), 043194. https://doi.org/10.1103/PhysRevResearch.6.043194

21. Sun, R., Kang, X., Wang, Z., Zhang, H., & Yin, H. (2026). Wind-driven variability in phytoplankton dynamics in a semi-enclosed sea. Estuarine, Coastal and Shelf Science, 329, 109667. https://doi.org/10.1016/j.ecss.2025.109667

22. Saidenberg, E., Murty, S. A., Hughen, K. A., & Gillikin, D. P. (2022, December). Past variability of Red Sea hydrology and overturning circulation through reconstructions of temperature and salinity using coral proxies [Conference presentation]. AGU Fall Meeting 2022, Chicago, IL, United States.

23. Sharifinia, M., Daliri, M., Kamrani, E., Mahmoudi, P., & Shakeri, M. (2019). Estuaries and coastal zones in the Northern Persian Gulf (Iran): Status, challenges, and management strategies. In Coastal Zone Management (pp. 269-304). Elsevier.

24. Walz, M. A., Befort, D. J., Kirchner-Bossi, N. O., Ulbrich, U., & Leckebusch, G. C. (2018). Modelling serial clustering and inter-annual variability of European winter windstorms based on large-scale drivers. International Journal of Climatology, 38(7), 3044-3057. https://doi.org/10.1002/joc.5481

25. Wernberg, T., Smale, D. A., Tuya, F., Thomsen, M. S., Langlois, T. J., de Bettignies, T., & Rousseaux, C. S. (2018). An extreme climatic event alters marine ecosystem structure in a global biodiversity hotspot. Nature Climate Change, 8(1), 78-84.

26. Yao, B., Teng, S., Lai, R., Xu, X., Yin, Y., Shi, C., & Liu, C. (2020). Can atmospheric reanalyses (CRA and ERA5) represent cloud spatiotemporal characteristics? Atmospheric Research, 244, 105091. https://doi.org/10.1016/j.atmosres.2020.105091

27. Yousif, M. Z. G., Yu, L., Hoyas, S., Vinuesa, R., & Lim, H. (2022). A deep-learning approach for reconstructing 3D turbulent flows from 2D observation data. Scientific Reports, *13*, Article 25282.