تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

مدل سازی فضایی بارش تابستانه شمال غرب ایران

نویسندگان
حسین عساکره
رباب رزمی
دانشگاه زنجان
10.29252/jgs.18.50.155
چکیده
اقلیم به دلیل تاثیرپذیری توام از عناصر و عوامل اقلیمی، سیستمی چند بعدی است. درک رفتار اقلیم نیازمند توجه به همه ابعاد آن می باشد. یکی از راه های درک این پدیده چند بعدی، کاهش پیچیدگی های آن از طریق مدلسازی است. از این رو در تحقیق حاضر تلاش گردید با در نظر گرفتن عوامل مکانی طول و عرض جغرافیایی، ارتفاع، شیب، جهت دامنه و انحنای ناهمواریها، و بهره گیری از تکنیک های آمار فضایی، به شناخت و مدلسازی فضایی بارش پرداخته شود. در این راستا از داده های بارش ماهانه 30 ایستگاه همدید واقع در شمال غرب ایران، طی 30 سال دوره آماری (1985-2014) بهره گرفته شد. با استفاده از تکنیک میان یابی کریجینگ، شبکه ای بر منطقه برازش داده شده و تعداد 4224 یاخته بدست آمد. سپس با استفاده از مدل رگرسیون کلی و رگرسیون موزون جغرافیایی به مدلسازی بارش و شناخت عوامل مکانی موثر بر آن اقدام گردید. نتایج نشان داد که بارش تابستانه دارای رفتاری خوشه ای است و بر اساس معیارهای ارزیابی مدل، مدل قدرت برازش و برآورد بهتری نسبت به مدل دارد. بر اساس رگرسیون کلی، عوامل مکانی ارتفاع و شیب مهمترین نقش را در رفتار بارش تابستانه منطقه دارند. این در حالی است که بر اساس نتایج مدل ، عامل ارتفاع در نواحی کوهستانی و شرق دریاچه ارومیه، عرض جغرافیایی در عرض های شمالی و شیب در شرق منطقه در دامنه های شرقی ارتفاعات، بیشترین نقش را در تغییرات مکانی بارش تابستانه شمال غرب ایران دارند.
کلیدواژه‌ها
شمال غرب ایران
مدل سازی مکانی
بارش
مدل رگرسیونیOLS
مدل رگرسیونی موزون جغرافیایی GWR

عنوان مقاله English

spatial modeling of summer precipitation in North-west of Iran

نویسندگان English

hossein asakereh
robab razmi
Professor, Department of Climatology, Zanjan University, Zanjan, Iran
چکیده English

In the present study, the main aim was the spatial evaluation summer rainfall of northwest of Iran based on30 stations in northwest of Iran during 30 years of statistical period (1985-2014). An attempt, using geo-statistical modeling by ordinary least squares (OLS) and geographically weighted regression (GWR) procedures, was also made. The results represented that the GWR model with higher S2, lower residuals and lower RMSE is an optimized geo-statistical model for rainfall modeling of this area. This model can explain spatio-temporal rainfall distribution in northwest of Iran in a diversified topographical and geographical background. This model revealed that two spatial factors including elevation and slope, have the most important role in the summer rainfall behavior.Therefore Elevations in the mountainous and eastern parts of Lake Urmia, Latitude in the northern regions and slopes in the east of the region, have the most role in the spatial variations of summer precipitation in northwestern Iran.

کلیدواژه‌ها English

North-west of Iran
spatial modeling
Precipitation
OLS
GWR
Brown .S, Vincent L. Versace, Laurie Laurenson, Daniel Ierodiaconou, Jonathon Fawcett, Scott Salzman (2012)" Assessment of Spatiotemporal Varying Relationships Between Rainfall, Land Cover and Surface Water Area Using Geographically Weighted Regression" Environ Model Assess, 17:241–254.
Dai.Xiaoyan. ZhongyangGuo .Liquan Zhang. Dan Li (2010)” Spatio-temporal exploratory analysis of urban surface temperature field in Shanghai, China” Stoch Environ Res Risk Assess. 24:247–257.
Erdo˘gan. Saffet (2010)”Modelling the spatial distribution of DEM error with geographically weighted regression: An experimental study” Computers & Geosciences 36, 34–43.
Gao. Xiaolu, Yasushi Asami, Chang-Jo F. Chung (2006)”An empirical evaluation of spatial regression models” Computers & Geosciences 32, 1040–1051.
Jay lee,david w. S. Wong(2001)”statistical analysiswith arcviewgis” john wiley& sons, inc. 205p.
Keser. Saniye.SebnemDuzgun, AysegulAksoy (2012)” Application of spatial and non-spatial data analysis in determination of the factors that impact municipal solid waste generation rates in Turkey” Waste Management 32, 359–371.
Lu. Binbin, Paul Harris, Martin Charlton, Chris Brunsdon(2015)”Calibrating a Geographically Weighted Regression Model with Parameter-Specific Distance Metrics” Procedia Environmental Sciences 26 ,109 – 114.
Lv. Aifeng, Lei Zhou (2016)”A Rainfall Model Based on a GeographicallyWeighted Regression Algorithm for Rainfall Estimations over the Arid Qaidam Basin in China” Remote Sens. 8, 311; doi:10.3390/rs8040311.
Propastin. Pavel, Martin Kappas and Stefan Erasmi (2008)”Application of Geographically Weighted Regression to Investigate the Impact of Scale on Prediction Uncertainty by Modelling Relationship between Vegetation and Climate” International Journal of Spatial Data Infrastructures Research,Vol. 3, 73-94.
Shi. Haiyun, Tiejian Li, Jiahua Wei, Wang Fu, Guangqian Wang (2016)”Spatial and temporal characteristics of precipitation over theThree-River Headwaters region during 1961–2014” Journal of Hydrology: Regional Studies 6. 52–65.
Sharma. V, A. Irmak, I. Kabenge, S. Irmak (2011)" Application of GIs and Geographically Weighted Regression to Evaluate the Spatial Non Stationarity Relationships between Precipitation vs. Irrigated and rainfed Maize And Soybean Yields” American Society of Agricultural and Biological Engineers, Vol. 54(3): 953-972.
Usman, Aliyu M. L, Aminu M. K (2015)" Study of the Geographically Weighted Regression Application on Climate Data" Mathematical Theory and Modeling" Vol.5, No.8, 2015.
Wang. Quan Wang. Jian Ni .John Tenhunen (2005)” Application of a geographically-weighted regression analysis to estimate net primary production of Chinese forest ecosystems” Global Ecology and Biogeography, (Global Ecol. Biogeogr.) 14. 379–393.
Xu. Shiguang, ChaoyangWu, Li Wang, AlemuGonsamo, Yan Shen, ZhengNiu (2015)”A new satellite-based monthly precipitation downscaling algorithmwith non-stationary relationship between precipitation and land surface characteristics” Remote Sensing of Environment 162, 119–140.
Zhao Na, Yonghui Yang, Xinyao Zhou(2010)" Application of geographically weighted regression in estimating the effect of climate and site conditions on vegetation distribution in Haihe Catchment, China" Plant Ecol, 209:349–359.