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

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 604

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JNEH-8-20_012

تاریخ نمایه سازی: 25 خرداد 1398

چکیده مقاله:

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.

کلیدواژه ها:

نویسندگان

احمد حسینی

دانشجوی دکتری آب و هواشناسی، دانشگاه خوارزمی، تهران

بهلول علیجانی

استاد اقلیم شناسی دانشگاه خوارزمی تهران

یدالله واقعی

دانشیار گروه آمار دانشکده ریاضی و آمار دانشگاه بیرجند

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • آمار سازمان هواشناسی کشور، سرعت باد و دیدافقی از 1/1/1951 ...
  • امیدوار، کمال (1381). بررسی و تحلیل سینوپتیکی طوفان های ماسه ...
  • ایران منش فاضل؛ عرب خدری محمود و مجتبی اکرم (1384). ...
  • پورهاشمی، سمیرا؛ بروغنی، مهدی؛ زنگنه اسدی، محمدعلی؛ امیراحمدی، ابوالقاسم (1394) ...
  • درویشی بلورانی، علی. (2015). پروژه تحقیق در مورد اثرات ذرات ...
  • حسنعلی زاده، نفیسه؛ مساعدی، ابوالفضل؛ ظهیری، عبدالرضا؛ حسینعلی زاده، محسن ...
  • خسروی، محمود. بررسی توزیع عمودی گرد و غبار ناشی از ... [مقاله کنفرانسی]
  • خسروی محمود (1387)، تاثیرات محیطی اندرکنش نوسان های رودخانه هیرمند ...
  • حسنی پاک، علی اصغر و شرف الدین، محمد(1380). تحلیل داده ...
  • حسین زاده سیدرضا (1376)، بادهای 120 روزه سیستان، فصلنامه تحقیقات ...
  • صفری، اعظم. (1392). شناسایی منابع غبار طوفان های گرد و ...
  • علیجانی، بهلول، 1382، آب وهوای ایران، انتشارات دانشگاه پیام نور، ...
  • فرج زاده، منوچهر و علیزاده، خاطره(1390). تحلیل زمانی و مکانی ...
  • محمدپور پنجاه، محمدرضا؛ معماریان، محمدحسین؛ میررکنی، سیدمجید(1393)، تحلیل طوفان های ...
  • محمدزاده، محسن (1394). آمار فضایی و کاربردهای آن. انتشارات دانشگاه ...
  • مهرشاهی، داریوش و نکونام زری (1388)، بررسی آماری پدیده های ...
  • Bivand, R. Altman, M. Anselin, L. et al (2017). Spatial ...
  • DeCesare, L. Myers, D.Posab(2001). D. Estimating and modeling space ...
  • time correlation structures. Statistics & Probability Letters. Volume 51, Number ...
  • Caeiro, F. Mateus, A. (2015). Testing Randomness in R. Package ...
  • Cressie, N. (1993). Statistics for Spatial Data, Revised Edition. New ...
  • Dehghanpour, A.R. Halabian, A.H. Fallahpour M. (2014). Spatial and Temporal ...
  • Gaetan, C. Guyon, X. (2010). Spatial Statistics and Modeling. Springer ...
  • Goudi, A. Middelton NJ. (2006), Desert Dust in The Global ...
  • Gräler, B. Rehr, M. Gerharz, L. pebesma, E. (2013). Spatio- ...
  • Hengl, T.Roudier, P.Beaudette, D. Pebesma, E (2015). PlotKML: Scientific Visualization ...
  • Isaak, E.H. Srivastar R.M. (1989). An Introduction to Applied Geostatistics. ...
  • Iwashtia, F. Monteiro, R.C. Landim, P.M. (2005). An Alternative method ...
  • Kilibarda, M (2013). A PlotGoogleMaps Tutorial. University of Belgrade, Faculty ...
  • Loecher, M. 2016. Overlays on Static Maps. Package ʽR Google ...
  • Mateus, A. Caeiro, F. (2014). ʺAn R Implementation Of Several ...
  • Miri, A. Ahmadi, H. Ghanbari, A. Moghaddam Nia, A. (2007). ...
  • Mingyuan, DU. Seiichiro, Y. Hiroyuki, D. Zhibao, SH. Yanbo, SH(2009). ...
  • Pebesma, E., (2012), spacetime: Spatio-Temporal Data in R, Journal of ...
  • Pebesma, E. Spatial and Spatio-Temporal Geostatistical Modelling, Prediction and Simulation. ...
  • Pebesma, E. Gräler, B. Gottfried, T. Hijmans, R. (2017). Classes ...
  • Pebesma, E. Gräler, B. Gottfried, T. Hijmans R. (2017). Classes ...
  • Pebsema, E, Bivand, R. Classes and Methods for Spatial Data. ...
  • 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, ...
  • Robert J. Hijmans. (2017).Geographic Data Analysis and Modeling.‘Raster’Package.R Development Core ...
  • Schabenberger, O. Gotway, c. (2004). Statistical methods for spatial data ...
  • Wu J, Zhao L, Zheng Y, Lü A. 2012. Regional ...
  • نمایش کامل مراجع