پیش بینی احتمال روزهای گرد و خاک در مناطق شرقی ایران با روش کریجینگ نشانگر فضایی- زمانی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آب و هواشناسی، دانشگاه خوارزمی، تهران

2 استاد اقلیم شناسی دانشگاه خوارزمی تهران

3 دانشیار گروه آمار دانشکده ریاضی و آمار دانشگاه بیرجند

چکیده

یکی از مهم ترین چالش های زیست محیطی به وجود آمده در منطقه خاورمیانه و ایران در سال های اخیر، پدیده گرد و خاک می باشد که در حال افزایش است. بدین منظور با هدف پیش بینی احتمال وقوع روزهای گرد و خاک، داده های سرعت باد و دید افقی در مناطق شرقی ایران با روش کریجینگ نشانگر فضایی – زمانی و با استفاده از نرم افزار R مورد بررسی قرار گرفت که در آن نشانگر یک، برای روز گرد و خاک و نشانگر صفر برای روز بدون گرد و خاک در نظر گرفته شد. سپس آرایه SP Data (Spatial Temporal Data)به صورت ترکیبی از ماتریس و بردار در کلاسSTFDF(Spatial Temporal Function Data Fram) و STF (Spatial Temporal Function) ساخته شد. پس از برازش تمامی مدل های تفکیک پذیر و غیر تفکیک پذیر، تغییرنگار متریک جمعی با کمترین میانگین مجموع مربعات به عنوان بهترین مدل برای برازش داده ها انتخاب شد. خروجی مدل نشان داد که داده ها تا 5 روز دارای وابستگی فضایی- زمانی هستند، لذا می توان از آخرین روز دوره آماری، احتمال وقوع روز گرد و خاک را برای 5 روز آینده پیش بینی کرد؛ که در اولین روز قابل پیش بینی یعنی 01/04/2017 (24/01/1396)، نقاط بحرانی ایستگاه های سرخس و فریمان در استان خراسان رضوی به ترتیب با احتمال 16 و 20 درصد، ایستگاه های زابل، زهک، میرجاوه، نصرت آباد، زاهدان و خاش در استان سیستان و بلوچستان به ترتیب با 17، 13،13،19،24 و 17 درصد و ایستگاه های ابرکوه، بافق و بهاباد در استان یزد به ترتیب با 20، 16 و 35 درصد، بیشترین احتمال وقوع روز گرد و خاک را دارا بودند.

کلیدواژه‌ها

عنوان مقاله [English]

Probability of SDS Days Prediction in Iran’s Eastern Region Using Spatio-Temporal Indicator Kriging model

نویسندگان [English]

  • Ahmad Hosseini 1
  • Bohloul Alijani 2
  • Yadollah Waghei 3
1 PHD Student of climatology, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran
2 Professor of Climatology, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran
3 Associate Professor of Statistics, Faculty of Statistics Sciences, Birjand University, Birjand, Iran
چکیده [English]

One of the most important environmental challenges in the Middle East and Iran in recent years is the increasing SDS phenomenon. In order to forecast the probability of SDS days, wind speed and Horizontal view data in the eastern regions of Iran was investigated using Kriging model of Spatial-Temporal indicator,and R software, in which indicators one and zero were considered for a SDS and for a day without SDS, respectively. Then the SP Data array (Spatial Temporal Data) was constructed with a combination of the matrix and vector in the STFDF class (Spatial Temporal Function Data Frame), and STF class (Spatial Temporal Function). After fitting all the separable and non-separable models, the sum metric variogram with the least average of sum of squares was selected as the best model for fitting data. The output of the model showed that the data enjoy a spatial-temporal dependence to 5 days, so from the last day of the statistical period we can forecast the probability of occurrence of the SDS day for the next 5 days. On the first forecast able day, i.e. 2017/04/01, the critical points of Sarakhs and Fariman stations in Razavi Khorasan province with a probability of 16 and 20 percent, respectively, Zabol, Zahak, Mirjawa, Nosrat Abad, Zahedan and Khash stations in Sistan and Baluchestan provice with 17, 13.13, 19.24 and 17 percent, respectively, and finally Abarkuh, Bafgh and Behabad stations in Yazd province with 20, 16 and 35 percent, respectively, enjoyed the highest probability of occurrence of SDS days.

Keywords:
Spatial-Temporal Variogram, Predict, SDS Days, Eastern Rregions of Iran, Kriging Indicator, Sand and Dust Storm(SDS), Region, Indicator Kriging Method, SDS.

کلیدواژه‌ها [English]

  • "Spatio-Temporal Variogram"
  • "Prediction"
  • " Dust storm Days"
  • " Iran’s Eastern Region"
  • "Indicator Kriging Method"
  • "SDS"

مراجع

آمار سازمان هواشناسی کشور، سرعت باد و دیدافقی از 1/1/1951 لغایت 31/3/2017.
امیدوار، کمال (1381). بررسی و تحلیل سینوپتیکی طوفان های ماسه در دشت یزد- اردکان، فصلنامه تحقیقات جغرافیایی، شماره 81، صص 58-43.
ایران منش فاضل؛ عرب خدری محمود و مجتبی اکرم (1384). بررسی مناطق برداشت ذرات گرد و غبار و ویژگی های انتشار آنها در طوفان های منطقه سیستان با استفاده از پردازش تصاویر ماهواره ای، پژوهش و سازندگی در منابع طبیعی، دوره 18، شماره 67، صص 33-25.
پورهاشمی، سمیرا؛ بروغنی، مهدی؛ زنگنه اسدی، محمدعلی؛ امیراحمدی، ابوالقاسم (1394) تحلیل ارتباط پوشش گیاهی و وقوع تعداد روزهای گرد و غبار استان خراسان رضوی با استفاده از سیستم اطلاعات جغرافیایی و سنجش از دور. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، دوره ششم، شماره چهارم، زمستان، صص 44-33
درویشی بلورانی، علی. (2015). پروژه تحقیق در مورد اثرات ذرات گرد و غبار در گیاهان و حیوانات. دانشگاه علوم انسانی تهران در همکاری با دانشگاه علوم پزشکی تربت مدرس، تهران.
حسنعلی زاده، نفیسه؛ مساعدی، ابوالفضل؛ ظهیری، عبدالرضا؛ حسینعلی زاده، محسن 1394، مدل سازی توأم تغییراتفضایی-زمانی بارش ماهانه مطالعه موردی بخشی از استان گلستان، نشریه پژوهش های حفاظت آب و خاک، دوره 22، شماره 1، خرداد و تیر، صص269-251.
خسروی، محمود. بررسی توزیع عمودی گرد و غبار ناشی از طوفان در خاورمیانه با استفاده از NAAPS در منطقه سیستان ایران، چهارمین کنگره بین المللی جغرافی دانان جهان اسلام، (دانشگاه سیستان و بلوچستان، زاهدان، ایران. 25/01/1389)، 1389.
خسروی محمود (1387)، تأثیرات محیطی اندرکنش نوسان های رودخانه هیرمند با بادهای 120 روزه سیستان، فصلنامه تحقیقات جغرافیایی، دوره 23، شماره 4 (پیاپی 91)، صص 48-19.
حسنی پاک، علی اصغر و شرف الدین، محمد(1380). تحلیل داده های اکتشافی. انتشارات دانشگاه تهران، چاپ اول. صفحه 997.
حسین زاده سیدرضا (1376)، بادهای 120 روزه سیستان، فصلنامه تحقیقات جغرافیایی، شماره46، صص 127-102.
صفری، اعظم. (1392). شناسایی منابع غبار طوفان های گرد و غباری جنوب غرب ایران. پایان نامه کارشناسی ارشد، جغرافیا گرایش اقلیم در برنامه ریزی محیطی. دانشکده علوم انسانی، دانشگاه فردوسی مشهد.
 علیجانی، بهلول، 1382، آب وهوای ایران، انتشارات دانشگاه پیام نور، چاپ پنجم، 221.
فرج زاده، منوچهر و علیزاده، خاطره(1390). تحلیل زمانی و مکانی طوفان های گرد و خاک در ایران. نشریه برنامه ریزی و آمایش فضا، دوره پانزدهم، شماره یک، بهار، صص 84-65.
محمدپور پنجاه، محمدرضا؛ معماریان، محمدحسین؛ میررکنی، سیدمجید(1393)، تحلیل طوفان های گرد و غبار استان یزد بر مبنای مدل سازی های عددی، نشریه جغرافیا و مخاطرات محیطی، شماره دوازدهم، زمستان، صص 83-67.
محمدزاده، محسن (1394). آمار فضایی و کاربردهای آن. انتشارات دانشگاه تربیت مدرس، چاپ دوم.416.
مهرشاهی، داریوش و نکونام زری (1388)، بررسی آماری پدیده های گرد و غبار و تحلیل الگوی وزش بادهای گرد و غبارزا در شهرستان سبزوار، نشریه علمی- پژوهشی انجمن جغرافیایی ایران، دوره جدید، سال هفتم، شماره 22، پاییز، صص 104-83
Bivand, R. Altman, M. Anselin, L. et al (2017). Spatial Dependense Weighting Schemes statistics and Model. Package ʽspdepʼ. R Development Core Team. 2017. Version 0.7-4. URL: http:// github.com/r-spatial/spdep/
DeCesare, L. Myers, D.Posab(2001). D. Estimating and modeling space
time correlation structures. Statistics & Probability Letters. Volume 51, Number 1, pp. 9-14.
Caeiro, F. Mateus, A. (2015). Testing Randomness in R. Package ʽrand testsʼ. R Development Core Team. 2015. Version 1.0.
Cressie, N. (1993). Statistics for Spatial Data, Revised Edition. New York, John Wiley.
Dehghanpour, A.R. Halabian, A.H. Fallahpour M. (2014). Spatial and Temporal Analysis of Dusty Days in Iran. International Journal of Advanced Biological and Biomedical Research, Volume 2, Issue 4, PP. 1195- 1206.
Gaetan, C. Guyon, X. (2010). Spatial Statistics and Modeling. Springer New York Dordrecht Heidelberg London. pp. 166.
Goudi, A. Middelton NJ. (2006), Desert Dust in The Global System. Springer, Heidelberg. pp.1-90.
Gräler, B. Rehr, M. Gerharz, L. pebesma, E. (2013). Spatio- Temporal Analysis and interpolation of PM10 measurements in Europe for 2009. Institute for Geo-Information (IfGI), University of Münster, Germany. pp.33.
Hengl, T.Roudier, P.Beaudette, D. Pebesma, E (2015). PlotKML: Scientific Visualization of Spatio-Temporal Data. Journal of Statistical Software., Volume 63, Issue 5. http://www.jstatsoft.org/ Institute for Geoinformatics University of M¨unster, Germany.
Isaak, E.H. Srivastar R.M. (1989). An Introduction to Applied Geostatistics. OxfordUniv. Press, Oxford. P.561.
Iwashtia, F. Monteiro, R.C. Landim, P.M. (2005). An Alternative method for calculating variogram surfaces using polar coordinates Computers & Geosciences. Volume 31, Number 6, pp. 801- 803.
Kilibarda, M (2013). A PlotGoogleMaps Tutorial. University of Belgrade, Faculty of Civil Engineering, Department of Geodesy and Geoinformatics, Bulevar kralja Aleksandra,73, 11000 Belgrade, Serbia.3.pp. 14
Loecher, M. 2016. Overlays on Static Maps. Package ʽR Google Mapsʼ. R Development Core Team. 2016. Version 1.0.4.1.
Mateus, A. Caeiro, F. (2014). ʺAn R Implementation Of Several randomness Testsʺ. Faculaded de ciencias e Tecnologia & CMA - Universidade Nova de Lisboa. International Conference of Comutational Methods in Science An Engineering. ICCMSE 2014.pp. 531- 534.
Miri, A. Ahmadi, H. Ghanbari, A. Moghaddam Nia, A. (2007). Dust Storms Impact on Air Pollution and Public Health under Hot and Dry Climate. International Journal of Energy and Environment, Volume 1, Number 2, pp. 101-105.
Mingyuan, DU. Seiichiro, Y. Hiroyuki, D. Zhibao, SH. Yanbo, SH(2009). Relationship between the Climate Change and Dust Storm Occurrence in China. Journal of Arid Land Studies. Volume 1, Number 1. Pp. 149- 152.
Pebesma, E., (2012), spacetime: Spatio-Temporal Data in R, Journal of Statistical Software, Volume 51, Issue 7. http://www.jstatsoft.org/
Pebesma, E. Spatial and Spatio-Temporal Geostatistical Modelling, Prediction and Simulation. ‘gstat’Package. R Development Core Team. 2017. Version 1.1-5. URL https://github.com/edzer/gstat/
Pebesma, E. Gräler, B. Gottfried, T. Hijmans, R. (2017). Classes and Methods for Spatio-Temporal Data. spacetime’Package. R Development Core Team... Version 1.2-1. URL http://github.com/edzer/spacetime.
Pebesma, E. Gräler, B. Gottfried, T. Hijmans R. (2017). Classes and Methods for Spatio-Temporal Data. sp’Package. R Development Core Team. Version 1.2-5. URL https://github.com/edzer/sp/ https://edzer.github.io/sp
Pebsema, E, Bivand, R. Classes and Methods for Spatial Data. Version 1.2-5. Package ‘sp’. June 29, 2017 URL https://github.com/edzer/sp/ https://edzer.github.io/sp/
Pebesma, E. Gräler, B. (2017). Introduction to Spatio-Temporal Variography. ifgi
Institute for Geoinformatics University of Münster.
Pebesma, E. Gräler., B. (2017). Spatial and Spatio-Temporal Geostatistical Modelling, Prediction and Simulation. Version 1.1-5. URL https://github.com/edzer/gstat/.
Robert J. Hijmans. (2017).Geographic Data Analysis and Modeling.‘Raster’Package.R Development Core Team. Version 2.5-8.URL http://cran.r-project.org/package=raster
Schabenberger, O. Gotway, c. (2004). Statistical methods for spatial data analysis. Chapman and Hall, Boca Raton.R Development Core Team. 2011. R: A language and environment for statistical computing.
Wu J, Zhao L, Zheng Y, Lü A. 2012. Regional differences in the relationship between climatic factors, vegetation, land surface conditions, and dust weather in China̛s Beijing- Tianjin sand Source Region. Natural hazards, 62(1): 31-44
.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 03 دی 1396
  • تاریخ بازنگری: 08 اسفند 1396
  • تاریخ پذیرش: 21 فروردین 1397
  • تاریخ اولین انتشار: 01 خرداد 1398
  • تاریخ انتشار: 01 خرداد 1398

هم رسانی

ارجاع به این مقاله

آمار