دانشمندان منطقه‌ای از اقیانوس را شناسایی کرده‌اند که نقشی اساسی در هدایت جریان‌های کلیدی اقیانوس اطلس ایفا می‌کند، جریان‌هایی که تنظیم‌کننده اقلیم زمین هستند.
دریای ایرمینگر، واقع در جنوب شرقی گرینلند، منطقه‌ای است که در آن آب‌های گرم، گرما را از نیمکره جنوبی به سمت شمال حمل کرده، سپس در اعماق اقیانوس فرو می‌روند و به سمت جنوب بازمی‌گردند. این منطقه نقشی حیاتی در عملکرد “نوار نقاله اقیانوسی” معروف به گردش معکوس نصف‌النهاری اقیانوس اطلس (AMOC) دارد.
قی‌یون ما، نویسنده اصلی این مطالعه و پژوهشگر فوق‌دکترا در مؤسسه آلفرد وگنر برای تحقیقات قطبی و دریایی در آلمان، در گفت‌وگو با وب‌سایت لایو ساینس گفت: «یافته کلیدی این مطالعه این است که حوضه ایرمینگر (شرق گرینلند) نقشی اساسی در تغییرات AMOC ایفا می‌کند، و این نتیجه توسط مشاهدات اخیر نیز تأیید شده است.» او تأکید کرد که این کشف ضرورت نظارت بهتر بر این منطقه خاص را برجسته می‌کند.
نقش AMOC در اقلیم جهانی
AMOC، که شامل جریان گلف‌استریم نیز هست، به حفظ اقلیم معتدل در نیمکره شمالی کمک می‌کند و الگوهای آب‌وهوایی را در سراسر جهان تنظیم می‌کند. اما به دلیل تغییرات اقلیمی، ممکن است این جریان دیگر نتواند دما را پایدار نگه دارد.
پژوهش‌ها نشان می‌دهند که ورود آب‌های ذوب‌شده قطب شمال به اقیانوس اطلس شمالی باعث کاهش چگالی آب‌های سطحی شده و از فرو رفتن آن‌ها برای تشکیل جریان‌های عمیق جلوگیری می‌کند. این امر موتور محرک AMOC را کند کرده است.
دریای ایرمینگر، به‌ویژه، نقشی کلیدی در حفظ جریان‌های عمیق اقیانوسی ایفا می‌کند. ما می‌گوید: «رهاسازی آب شیرین در این منطقه نه تنها مستقیماً از تشکیل آب عمیق جلوگیری می‌کند – که برای حفظ قدرت AMOC ضروری است – بلکه الگوهای گردش جوی را نیز تغییر می‌دهد.»
کاهش تشکیل آب عمیق در دریای ایرمینگر تأثیرات بیشتری بر اقلیم جهانی نسبت به کاهش مشابه در دیگر دریاهای شمالی دارد. به گفته ما، این منطقه به دلیل تأثیرگذاری غیرمتناسب خود بر قدرت AMOC اهمیت دارد، زیرا از طریق فرآیندهای جوی میزان آب فرو رونده برای تشکیل جریان‌های عمیق را در دریاهای همجوار تنظیم می‌کند.
شبیه‌سازی و یافته‌های پژوهش
ما و همکارانش تأثیر آب‌های ذوب‌شده بر AMOC را با استفاده از یک مدل اقلیمی بررسی کردند. آن‌ها افزایش ورود آب شیرین را در چهار منطقه – دریای ایرمینگر، دریای لابرادور، دریاهای شمالی و اقیانوس اطلس شمال‌شرقی – شبیه‌سازی کردند. سپس حساسیت AMOC به آب شیرین در هر منطقه و تغییرات خاص اقلیم جهانی را شناسایی کردند. این یافته‌ها در تاریخ ۲۰ نوامبر در ژورنال Science Advances منتشر شد.
نقش دریای ایرمینگر در AMOC از سه منطقه دیگر مهم‌تر بود و پاسخ‌های شدیدتری در اقلیم ایجاد کرد. کاهش تشکیل آب عمیق منجر به سرمایش گسترده در نیمکره شمالی و گسترش یخ دریای قطب شمال شد، زیرا آب‌های گرم دیگر از جنوب به سمت شمال منتقل نمی‌شدند. این شبیه‌سازی همچنین نشان داد که در نیمکره جنوبی اندکی گرمایش رخ می‌دهد و یافته‌های پیشین را تأیید کرد که ضعف AMOC می‌تواند سیستم‌های موسمی مناطق گرمسیری را به آشوب بکشاند.
این مدل علاوه بر تأیید یافته‌های پیشین، شگفتی‌هایی نیز به همراه داشت. در میان تغییرات اقلیمی در مقیاس نیمکره‌ای، پژوهشگران افراط‌های اقلیمی را در مقیاس‌های بسیار محلی‌تر کشف کردند. این شامل افراط‌های فصلی در بارندگی در آمریکای شمالی و حوضه آمازون بود که بسته به منطقه‌ای که آب ذوب‌شده به آن وارد می‌شد، متفاوت بودند.
ما گفت: «در حالی که تأثیرات کلی اقلیم به طور گسترده پیش‌بینی شده بودند، رفتار افراط‌های اقلیمی پیش‌بینی نشده بود.» افزودن این افراط‌ها به مدل‌های اقلیمی و درک این موضوع که مکان ورود آب شیرین اهمیت دارد، می‌تواند به دانشمندان در پیش‌بینی بهتر تأثیرات ضعف AMOC کمک کند.
ضرورت اقدام فوری
پیش‌بینی رفتار AMOC به دلیل نزدیکی به نقطه بحرانی، فوریت بیشتری پیدا کرده است. ما گفت: «این بینش‌ها برای اطلاع‌رسانی به سیاست‌گذاران و کارشناسان اقلیم در توسعه راهبردهای هدفمند برای کاهش و تطبیق با تأثیرات اقلیمی حیاتی هستند.»
![import numpy as np import h5py data='/content/drive/MyDrive/SILIXA_iDAS015_181219184621_fieldID000212.h5' data1=h5py.File(data,'r') print(data1.keys()) display(data1) display(data) raw_data = data1['DasRawData']['RawData'] x_axis = np.arange(raw_data.shape[1]) t_axis = np.arange(raw_data.shape[0]) print(x_axis.shape) print(t_axis.shape) import matplotlib.pyplot as plt import numpy as np ns = 30000 fs = 1000 dx = 1.021 nx = 3136 GL = 10 x = np.arange(nx) * dx def u(x, t): return np.exp(-(x - t)**2) def calculate_result(x): return 1/10 * (u(x - 5, t) - u(x + 5, t)) traces = [] for t in range(0,30000): tr = [calculate_result(x_val) for x_val in x] traces.append(tr) traces_array = np.array(traces) print(f"traces_array : {traces_array.shape}")](https://spacenota.ir/wp-content/uploads/2025/05/big-ring-body-420x280.webp)
