تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

اعتبار سنجی روش های درون یابی دمای فصل تابستان در شمال شرق ایران

نویسندگان
حمید صالحی 1
محمد معتمدی 2
عزت الله مافی 3
1 دانشجوی دکتری جغرافیا و برنامه ریزی شهری، واحد شیروان، دانشگاه آزاد اسلامی، شیروان،ایران.
2 استادیار گروه جغرافیا و برنامه ریزی شهری، واحد شیروان، دانشگاه آزاد اسلامی، شیروان،ایران.
3 دانشیار گروه جغرافیا و برنامه ریزی شهری، واحد شیروان، دانشگاه آزاد اسلامی،شیروان ، ایران
10.52547/jgs.21.61.351
چکیده
اساس داده های اقلیمی اندازه گیری هایی است که با نظم زمانی از پیش تعیین شده در ایستگاه های دیده بانی هوا انجام می پذیرد، بنابراین تمامی مقادیر اندازه گیری شده عناصر اقلیمی تنها به نقطه محل اندازه گیری قابل انتساب است. از این رو روش های مختلف درون یابی میتواند به تخمین داده های اقلیمی در نقاط مختلف کمک زیادی بنماید. منطقه مورد مطالعه در این پژوهش، شمال شرق ایران شامل استان های خراسان رضوی و شمالی می باشد و از داده های دمای ماهانه فصل تابستان برای 21 ایستگاه همدید و تبخیر سنجی شمال شرق متعلق به سازمان هواشناسی و وزارت نیرو با پراکنش مناسب استفاده شد. دوره آماری 21 سال (2017-1997) به عنوان دوره آماری مشترک برای تمامی ایستگاه ها در نظرگرفته شد. سپس به منظور مقایسه روش های درونیابی، چندین روش مختلف، شامل کریجینگ معمولی، اسپیلاین، مجذور معکوس فاصله و تیسن توسط نرم افزار ARCGIS استفاده شد مقایسه کردن انحراف تخمین ها از داده های اندازه گیری شده به روش اعتبار سنجی متقاطع ارزیابی گردید. سپس به منظور بررسی فرض نرمال بودن خطاهای محاسبه شده در هر روش درونیابی، از آزمون ران تست استفاده و در نهایت برای ارزش یابی بهترین روش درون یابی از روش AHP و نرم افزارExpert Choice بهره گرفته شد. نتایج نشان داد بر اساس معیار ریشه میانگین مربعات خطا(RMSE) به ترتیب روش تیسن، کریجینگ، معکوس فاصله و اسپلاین قرار گرفته اند. بر اساس معیار بیشینه مطلق خطا(MAE)، روش کریجینگ بهتر از سایر روش ها دمای تابستان را برآورد کرده است. بر اساس معیار(MBE) نیز روش کریجینگ بهتر از سایر روش ها می باشد و می توان از آن برای درون یابی دما استفاده نمود. با توجه به ضرایب تعیین شده، نرخ سازگاری محاسبه شده03/0 می باشد که از دقت بالای انتخاب وزن ها حکایت دارد.
کلیدواژه‌ها
درون یابی
اعتبارسنجی
ران تست
کریجینگ
AHP

عنوان مقاله English

Validation of summer temperature interpolation methods in northeastern Iran

نویسندگان English

hamid salehi 1
Muhammad motamedi 2
Ezatollah mafi 3
1 PhD student in Geography and Urban Planning, Azad University, Shirvan Branch, Iran.
2 Assistant Professor, Department of Geography and Urban Planning, Shirvan Azad University, Iran.
3 Associate Professor, Department of Geography and Urban Planning, Shirvan Azad University, Iran.
چکیده English



The basis of climatic data is measurements taken at a predetermined chronological order at air monitoring stations, so all measured values ​​of climatic elements can only be attributed to the point of measurement. Therefore, different interpolation methods can help a lot in estimating climate data in different places. The study area in this study is northeastern Iran, including the provinces of Khorasan Razavi and North Khorasan, and monthly summer temperature data were used for 21 synoptic and evaporative stations in the northeast belonging to the Meteorological Organization and the Ministry of Energy with appropriate distribution. The statistical period of 21 years (1997-1997) was considered as a common statistical period for all stations. Then, in order to compare the interpolation methods, several different methods, including ordinary kriging, spline, inverse squares and Thyssen were used by ARCGIS software. Comparing the deviations of the estimates from the measured data was evaluated by cross-validation. Then, in order to check the hypothesis of normality of the calculated errors in each interpolation method, the test thigh test was used and finally, to evaluate the best interpolation method, AHP method and Expert Choice software were used. The results showed that based on the root mean square error (RMSE) criterion, Thyssen, Kriging, inverse distance and spline methods were located, respectively. Based on the absolute maximum error criterion (MAE), the kriging method estimates the summer temperature better than other methods. According to the MBE standard, the kriging method is better than other methods and can be used for temperature interpolation. According to the set coefficients, the calculated compatibility rate is 0.03, which indicates the high accuracy of the selection of weights.

کلیدواژه‌ها English

Interpolation
Validation
Run Test
Kriging
AHP
Augustijn, E. W. Interpolations. International Institute for Geo-information Science and Earth Observation, Spatial Information Theory and Applied Computer Science Division.
Bertolini, M, M, Braglia (2006). Application of the AHP methodology in making a proposal for a public work contract, 17 January.
Bowen, William M, (1990). Subjective judgments and data environment analysis in site selection, Computer, Environment and Urban Systems, 14, 133-144.
Burrough، P. A. and R. A. McDonnell (1998). Principles of Geographical Information Systems, Oxford University Press.
Chang, K.F, C.M, Chiang, P.C, Chou (2005). Adapting aspects of GB Tool 200- searching for suitability in Taiwan, Building and Environment 42, 310-316.
Cheng, C.H (1996). Evaluating Naval Tactical Missile Systems by Fuzzy AHP Based on the Grade Value of Membership Function. European Journal of Operational Research, 96: 343-350.
Dey, P.K, E.K, Ramachadran (2007). Analytic hierarchy process helps select site for limestone quarry expansion in Barbados, Journal of Environmental Management. Pp. 1384-1395.
Gold, C. M. (1991). Problems with handling spatial data: the Voronoi approach. Canadian Institute of Surveying and Mapping Journal, 45:65 -80
Goodal CL,Aber JD,Olliner SV Mapping monthly precipitation, temperature, and solar radiation for Ireland with polynomial regression and a digital elevation model, Climate Research,(1991)10:35.
Goovaerts P (2000). Geostatistical approaches for incorporating elevation into the spatial interpolation ofrainfall, J. Hydrol. 228.
Heywood،Ian.Sara Cornelius،Steve Carver،(1999). An introduction to Geographical Informatiob Systems، Longman.
Indonesia, International Journal of Environmental Engineering Science and Technology Research, 1(7), 98-109.
Johnston K., VerHoef J.M., Krivoruchko K., and Lucas N (2001). Using ArcGIS Geostatistical Analyst- GIS by ESRI, United States of America.
Kholil, Rahma Octaviani, (2013). Application of AHP Method for selecting the best strategy to reduce environmental damage caused by non-metallic mining Case study in Gunungkidul Regency, Yogyakarta,
Kunz, J. (2010). The Analytic Hierarchy Process (AHP), Eagle City Hall Location Options Task Force, pp.1-25.
Kurtzman D, Kadmon R (1999). Mapping of temperature variable in Israel, A comparison of different interpolation method. Climate research; 13: 33-44.
Lloyd, C. D (2005). Assessing the effect of integrating elevation data into the estimation of monthly precipitation in Great Britain. J Hydrol308B:128-150
Luo W., Taylor M.C., and Parker S.R (2008). Acomparison of spatial interpolation methods to estimate continuous wind speed surface susing irregularly distributed data from England and Wales, Int. J. Climatol. 28.
Mallawaarachchi, T., Walker, P. A., Young, M. D., Smyth, R. E., Lynch, H. S., Dudgeon, G(1996). GIS-based integrated modeling systems for natural resource management. Agricultural Systems, 50:169-189
Moreno-Jimenez, J.M., et al (2005). A spreadsheet module for consistent consensus building in AHP-group decision-making, Group Decision and Negotiation 14 89–108.
Ngai, E.W.T (2003). Selection of web sites for online advertising using the AHP, Information & Management 40, 233-242.
Poheker, S.D. & Ramachadran, M (2004). Application of Multi-Criteria Decision Making to Sustainable Energy Planning. A Review Renewable and Sustainable Energy Reviews, 8: 365-381.
Price,D.T.,DW.Mckenny,IA,Nedler,M.F . Hutchinson and J.L .Kesteven, A comparison of two Statistical Methods for interpolation.Canadian Monthly Mean climate Data. Agriculture and Forest (2000).101(2-3)81-94.
Sarkis, J. & Talluri, S. (2004). Evaluating and Selecting E-Commerce Software and Communication Systems for a Supply Chain. European Journal of Operational Research, 159: 318-329
Sarra S.A (2006). Integrated multiquadric radial basis function Approximation methods.Comput Math App l51(8).
Taha, H.A (2003). Operations Research. Pearson Education Inc. Fayetteville
Tewolde GT, Beza TA, Costa AC, Painho M (2010). Comparison of Different interpolationtechniques to map temperature in the southernregion of Eritrea. International Conference on GeographicInformation Science (AGILE), Guimaraes, Portugal
Zhao, C., Nan, Z., Cheng, G., 2005. Methods for modeling of temporal and spatial distribution of air temperature at landscape scale in southern Qilian mountains, China. Ecolo Model .189-209:220.