تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,974 |
تعداد دریافت فایل اصل مقاله | 15,217,500 |
پهنهبندی زمانی - مکانی اقلیم بارش ایران و انتخاب ایستگاههای شاخص با روشهای آماری چند متغیره | ||
دانش آب و خاک | ||
مقاله 14، دوره 28، شماره 3، مهر 1397، صفحه 169-181 اصل مقاله (1.38 M) | ||
نویسندگان | ||
محمد عیسیزاده* 1؛ یعقوب دینپژوه2 | ||
1دانشجوی دکتری، گروه مهندسی آب دانشکده کشاورزی، دانشگاه تبریز | ||
2دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز | ||
چکیده | ||
در این مطالعه، جهت پهنهبندی نواحی بارش کشور، از اطلاعات 31 ایستگاه هواشناسی همدید در دوره آماری 2010-1987 استفاده شد. برای این منظور، دادههای هر ماه استاندارد شده و در ماتریس با ابعاد (n*m) که در آن n تعداد ایستگاهها (31) و m تعداد ماهها (12) است، نوشته شدند. تجزیه به مولفههای اصلی (PCA) روی ماتریس مذکور انجام شد. با توجه به معیار دارا بودن مقدار ویژه بالای یک، مولفههای اصلی انتخاب شدند. آنگاه مقادیر امتیازات مولفههای اصلی (PCS) برای مولفههای منتخب محاسبه شد. این مقادیر، بهعنوان ورودی روش تجزیه خوشهای با روش وارد استفاده شد. آنگاه با توجه به نمودار خوشهای، اقلیمهای بارش کشور تشخیص داده شدند. برای پاسخ به این سوال که کدام ایستگاهها میتوانند بهعنوان نماینده اقلیم بارش هر منطقه باشند، از روش پروکراستس (PA) استفاده شد. افزون بر این، از همین روش برای انتخاب ماههایی که بارش آنها معرف بارندگی در کل سال است، استفاده شد. نتایج نشان داد که سه مولفه اصلی اول، 97 درصد واریانس کل دادهها را توجیه میکند. براساس مولفههای منتخب، در کل کشور، شش ناحیه بارشی متمایز تشخیص داده شد. همچنین روش PA نشان داد که بارش ماههای مه، اوت و دسامبر، تقریبا کل اطلاعات بارش سالانه را دربر دارند. همچنین معلوم شد که هفت ایستگاه واقع در نقاط مختلف کشور شامل زاهدان، تهران، ارومیه، ایلام، یاسوج، گرگان و رشت میتوانند بهعنوان ایستگاههای شاخص در نظر گرفته شوند. این ایستگاهها %87 واریانس کل دادههای ایستگاههای کشور را دربر داشتند. | ||
کلیدواژهها | ||
اقلیم؛ ایران؛ بارش؛ تجزیه به مولفههای اصلی؛ تجزیه خوشهای؛ روشهای چند متغیره | ||
مراجع | ||
Carvalho MJ, Melo-Gonçalves P, Teixeira JC and Rocha A, 2016. Regionalization of Europe based on a K-Means Cluster Analysis of the climate change of temperatures and precipitation. Physics and Chemistry of the Earth, Parts A/B/C, 94: 22-28.
Dinpashoh Y, Fakheri-Fard A, Moghaddam M, Jahanbakhsh S and Mirnia M, 2004. Selection of variables for the purpose of regionalization of Iran's precipitation climate using multivariate methods. Journal of Hydrology 297(1): 109-123.
Gocic, M and Trajkovic S, 2014. Spatio-temporal patterns of precipitation in Serbia. Theoretical and Applied Climatology 117(3-4): 419-431.
Johnson GL and Hanson CL, 1995. Topographic and atmospheric influences on precipitation variability over a mountainous watershed. Journal of Applied Meteorology 34(1): 68-87.
Jolliffe IT, 1986. Principal Component Analysis. Springer-Verlag, 271p.
Kalkstein LS, Tan G and Skindlov JA, 1987. An evaluation of three clustering procedures for use in synoptic climatological classification. Journal of Climate and Applied Meteorology 26(6): 717-730.
Krzanowski WJ, 1987. Selection of variables to preserve multivariate data structure, using principal components. Applied Statistics 36(1): 22-33.
Nam W, Shin H, Jung Y, Joo K and Heo JH, 2015. Delineation of the climatic rainfall regions of South Korea based on a multivariate analysis and regional rainfall frequency analyses. International Journal of Climatology 35(5): 777-793.
Othman M, Ash’aari ZH and Mohamad ND, 2015. Long-term daily rainfall pattern recognition: Application of principal component analysis. Procedia Environmental Sciences 30: 127-132.
Pansera WA, Gomes BM, Boas AV and Mello EL, 2013. Clustering rainfall stations aiming regional frequency analysis. Journal of Food, Agriculture & Environment 11(2): 877-885. | ||
آمار تعداد مشاهده مقاله: 560 تعداد دریافت فایل اصل مقاله: 693 |