سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,573
تعداد مقالات71,036
تعداد مشاهده مقاله125,508,810
تعداد دریافت فایل اصل مقاله98,772,142
یار احمدی, داریوش, حلیمی, منصور, زارعی چقابلکی‌, زهرا. (1394). تحلیل فضایی بارش ماهانة شمال غرب ایران با استفاده از آمارۀ خودهمبستگی فضایی. , 47(3), 451-464. doi: 10.22059/jphgr.2015.55341
داریوش یار احمدی; منصور حلیمی; زهرا زارعی چقابلکی‌. "تحلیل فضایی بارش ماهانة شمال غرب ایران با استفاده از آمارۀ خودهمبستگی فضایی". , 47, 3, 1394, 451-464. doi: 10.22059/jphgr.2015.55341
یار احمدی, داریوش, حلیمی, منصور, زارعی چقابلکی‌, زهرا. (1394). 'تحلیل فضایی بارش ماهانة شمال غرب ایران با استفاده از آمارۀ خودهمبستگی فضایی', , 47(3), pp. 451-464. doi: 10.22059/jphgr.2015.55341
یار احمدی, داریوش, حلیمی, منصور, زارعی چقابلکی‌, زهرا. تحلیل فضایی بارش ماهانة شمال غرب ایران با استفاده از آمارۀ خودهمبستگی فضایی. , 1394; 47(3): 451-464. doi: 10.22059/jphgr.2015.55341

تحلیل فضایی بارش ماهانة شمال غرب ایران با استفاده از آمارۀ خودهمبستگی فضایی

پژوهش های جغرافیای طبیعی
مقاله 9، دوره 47، شماره 3، مهر 1394، صفحه 451-464    اصل مقاله (804.5 K)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2015.55341
نویسندگان
داریوش یار احمدی* 1؛ منصور حلیمی2؛ زهرا زارعی چقابلکی‌3
1استادیار اقلیم‌شناسی، دانشگاه لرستان
2دانشجوی دکتری اقلیم‌شناسی، دانشگاه تربیت مدرس
3دانشجوی دکتری اقلیم‌شناسی، دانشگاه لرستان
چکیده
آگاهی از رفتار مکانی- زمانی بارش در برنامه‌ریزی‌های محیطی سرزمین مؤثر است. روش‌‌های آمار فضایی امکاناتی را فراهم می‌سازد که با استفاده از آنها، الگوهای فضایی متغیرهای تصادفی مانند بارش را می‌توان تحلیل کرد. در این پژوهش، با استفاده از دادة بارش ماهانة 42 ایستگاه سینوپتیک غرب و شمال غرب ایران طی دورة آماری 1990 تا 2010 و با به‌کارگیری شاخص خودهمبستگی فضایی Moran به تحلیل روندهای فضایی بارش ماهانة این بخش از کشور اقدام شد. برای این منظور، داده‌های میانگین بیست‌سالة بارش ماهانة ایستگاه‌ها به‌صورت لایة اطلاعاتی مکانمندی با مختصات متریک در محیط GIS بررسی شد. نتایج شاخص خودهمبستگی مکانی بیان‌کنندة آن بود که بارش در ماه‌های دسامبر، ژانویه، فوریه و نوامبر به‌ترتیب دارای بیشترین الگوی خودهمبستگی فضایی مثبت بود که در سطح 01/0 معنادار بود و کمترین تغییرپذیری مکانی را داشت که گویای آن است در این ماه‌ها تشابه و همگونی فضایی معنا‌داری بین بارش‌های ثبت‌شده در سرتاسر منطقه وجود داشته است و سامانه‌های بزرگ‌مقیاس جوی، تأثیر عوامل محلی متفاوت را کم‌رنگ کرده است؛ در حالی که در ماه‌های ژوئیه، سپتامبر و اوت به‌ترتیب کمترین الگوی خودهمبستگی فضایی مشاهده شد که معنادار نیز نبود. ضریب تغییرات فضایی بارش در این ماه‌ها نیز بسیار زیاد بود که گویای آن است که در این ماه‌ها بارش‌ها تحت تأثیر عوامل محلی ناهمگون ایجاد شد و به‌همین دلیل، هیچ‌گونه تشابه فضایی معناداری در بارش‌های ثبت‌شدة منطقه در ایستگاه‌های مختلف وجود نداشت.
کلیدواژه‌ها
آمار فضایی؛ بارش؛ خودهمبستگی فضایی؛ غرب و شمال غرب ایران
عنوان مقاله [English]
Analysis of Spatial Patterns of Monthly Precipitation in West and Northwest Iran Using Spatial Autocorrelation
نویسندگان [English]
Dariush Yarahmadi1؛ Mansour Halimi2؛ Zahra Zarei Chaghabalki3
1Assistant Professor of Climatology, Lorestan University, Iran
2PhD Candidate of Climatology, Tarbiat Modares University, Tehran, Iran
3PhD Candidate in Climatology, Lorestan University, Iran
چکیده [English]
Introduction
Precipitation is a vital component in the hydrological cycle. Its spatio-temporal variations have great environmental and socioeconomic impacts. The spatial variation of rainfall depends upon many factors. Some of these variations are due to synaptic systems and some others formed by local physiographical characteristics of stations such as elevation from sea level, slope, windward and leeward slopes, land cover and land use and etc. If the rainfall is formed by widespread and pervasive synoptic system, it can show a significant spatial similarity and homogeneity in the amount of a given rainfall in all over the region. This is affected by synoptic system. But if the rainfall is dominated by local factors the higher heterogeneity of given amount of the rainfall can be expected.
Methodology
In this study, we used 20-years monthly average precipitation (1990-2010) for 42 synoptic stations, in the west and north western portion of Iran. These include 6 provinces namely: the East and West Azerbaijan, Kurdistan, Ilam, Kermanshah, Hamadan and Zanjan. We prepared these data as long term average of monthly precipitation for each station and then import them into GIS by metric projected coordinate system (PCS). We used Moran,s Index as an spatial statistic approach to investigate the spatial relations of monthly precipitation. This tool measures spatial autocorrelation (feature similarity) based on both feature locations and feature values simultaneously. Given a set of features and an associated attribute, it evaluates whether the pattern expressed is clustered, dispersed, or random. The tool calculates the Moran's I Index value and both a Z score and p-value evaluating the significance of that index. In general, a Moran's Index value near +1.0 indicates clustering while an index value near -1.0 indicates dispersion. However, without looking at statistical significance you have no basis for knowing if the observed pattern is just one of many, many possible versions of random. In the case of the Spatial Autocorrelation tool, the null hypothesis states that "there is no spatial clustering of the values associated with the geographic features in the study area". When the p-value is small and the absolute value of the Z score is large enough that it falls outside the desired confidence level, the null hypothesis can be rejected. If the index value is greater than 0, the set of features exhibits a clustered pattern. If the value is less than 0, the set of features exhibits a dispersed pattern.
The Morans I Statisic for spatial autocorrelation is given as
 

Moran index  
 

 
where, Zi is the deviation of an attribute for feature I from its mean, wij is the spatial weight between feature i and j, n is total number of object and S0 is aggregate of spatial weight.
 
Results and Discussion
We found that the amount of monthly rainfall in the study region in cool season (November to February) has a significant positive autocorrelation. On the other hand, the spatial variation coefficient of rainfall in these months is smaller than other remaining month. The revealed Moran’s I indicated the 4 mentioned months so strong significance that this spatial homogeneity cannot be considered by chance and randomness. In the cool season, the study area located in west and northwestern Iran is dominated by westerlies and following them the atmospheric synoptic systems entrance to country affect all of the country area. Then, the rainfall formed by widespread and pervasive synoptic systems has significantly spatial similarity and homogeneity in all over the region and the strong positive autocorrelation is revealed in these months. In the warm season (July, September, August, October, and May) we find inverse condition. The Moran’s index in these months was very small and near to zero. We couldn’t detect any significant spatial autocorrelation in these months. In our study region the warm season especially summer season (July to September) is the dry period of year. The occurred rainfall in these months is usually sporadic and non-comprehensive. These rainfalls are usually characterized by being showery. This is formed by local atmospheric convective cells. In this type of rainfall the different local physiographical characteristics such as elevation from sea level, slope, windward and leeward slopes, land cover and land use and etc. have a substantial roll in formation and spatial distribution of this rainfall. 
Conclusion
The difference in physiographical characteristics of each region of this local formed precipitation is not very similar.  In the warm season, one can see the absence of westerlies in this region, the local physiographical characteristics of the occurred rainfall due to this physiographical dissimilarity in the region, and heterogeneity of given amount rainfall. The spatial variation coefficient of rainfall in warm season is very higher than cool season. The revealed Moran’s I was not significant in 0.95 confident levels and there are no spatial pattern. The findings of this research indicated that only the cool season months reveal a significant spatial autocorrelation in 0.95 and 0.91 confident levels. 
کلیدواژه‌ها [English]
precipitation, spatial Autocorrelation, spatial pattern, West and North West Iran
مراجع
  1. عساکره، ح. و سیفی‌پور، ز. (1391). «مدل‌سازی مکانی بارش سالانة ایران». فصلنامة جغرافیا و توسعه. س10. ش29. ص15-30.
  2. رهنما، م.ر. و ذبیحی، ج. (1390). «تحلیل توزیع تسهیلات عمومی شهری در راستای عدالت فضایی با مدل یکپارچة دسترسی در مشهد». جغرافیا و توسعه. دورة 9. ش23. ص5-26.
  3.  برتاو، ع.، حاجی‌نژاد، ع.، عسگری، ع. و گلی، ع. (1392). «بررسی الگوهای سرقت مسکونی با به‏‌کارگیری رویکرد تحلیل اکتشافی داده‏‌های فضایی (مطالعة موردی: شهر زاهدان)». پژوهش‌های راهبردی امنیت و نظم اجتماعی. ج. ش2. ص1-23.
    1. Andy, M. (2009). "The ESRI Guide to GIS Analysis". Vol.2. Spatial Measurements and Statistics. Redlands. CA: Esri Press.
    2. Anselin, L. (1980). "Estimation Methods for Spatial Autoregressive". Structures Regional Science Dissertation and Monograph Series. No. 8. Cornell University. Ithaca. NY. 273 pp.
    3.  Asakereh, H and Seifipour, M.,Z. (2012). "Spatial Modeling of Annual Precipitation in Iran". Geography and Development. Issue 29. pp. 15-30. (In Persian).
    4. Brtav, E., Haji-Nejad, A., Asgari, A. and Goli, A. (2013). "Pattern analysis on Residential burglary by Exploratory Spatial Data Analysis (ESDA) Case study: Zahedan city". Security and Social Order Strategic Studies. Vol. 6. No.2. pp. 1-23. (In Persian).
    5. Brunsdon, C., McClatchey J., and Unwin, D.J. (2001). "Spatial Variation in the AverageRainfall–Altitude Relationship in Great Britain: An Approach Using Geographically WeightedRegression". Int. J. Climatol. 21.
    6. Cressie, N. (1993). Statistics for Spatial Data. revised ed. New York: John Wiley and Sons.
    7. Daniel, A.G. (1987). "Spatial Autocorrelation": A Primer, Resource Publication Geography. Association of American geographers.
    8. Brissette, F., Khalili, M. and Leconte, R. (2011). "Effectiveness of Multi-site Weather Generator for Hydrological Modeling ."Journal of the American Water Resources Association. 47 (2). pp. 303-314.
    9. Goodchild, M. F. (1986)."Spatial Autocorrelation", Catmog 47. Geo Books.
    10. Griffith, D.A. (2003). Spatial Autocorrelation and Spatial Filtering: Gaining Understanding through Theory and Scientific Visu-alization. Advances in Spatial Science. Springer.
    11. Hansen, J. and Lebedeff, S. (1987)."Global Trend of Measured Surface AirTemperature". Journal of Geophysical Research. pp. 92.
    12. Khalili, M., Leconte, R. and Brissette, F. (2006). "Stochastic Multisite Generation of Daily Precipitation Data Using Spatial Autocorrelation". journal ofhydro-meteorology.Vol. 8. pp. 396 -412.
    13. Lee, J. and Wong, D.W.S. (2001). Statistical analysis with arc view GIS. New York: John Wiley and sons. pp. 135-137.
    14. Oswald, M. (2007). "some word on the analysis hierarchy process and the"
    15. McGrew, J. and Monroe, C. (2009). "An Introduction to Statistical Problem Solving in Geography". 2nd edn, Long Grove, IL: Waveland Press, Inc.
    16. Moran, P. (1950). " Notes on Continuous Stochastic Phenomena", In Biometrika. 37 (1-2). pp. 17-23.
    17. Murdoch, J., Rahmatian, C.M. and Thayer, M.A. (1993). "A spa-tially autoregressive median voter model of recreation expen-ditures". Public Finan. Quart. NO. 21. pp. 334–350.
    18.  O,Sullivan, D. and Unwin, D. (2010). Geographic Information Analysis. 1st ed. 2003. 2nd ed. New York: John Wiley.
    19. Odland, J. (1988). Spatial Autocorrelation. Sage Publications. provided Arc GIS extension "ext-ahp". http://www.tu-darmstadt.de/fb/geo/members/ marinoni en.htm.
    20. Rahnama, M., Zabihi, J. (2011). "Analysis of Urban Public Facilities in Direction of Spatial Justice by the Integrated Model of Access in Mashhad". Geography and Development. Vol. 9. No. 23. pp. 5-26. (In Persian).
    21. Tobler, W. (1970). "A computer movie simulating urban growth in the Detroit region". Economic Geography. 46 (2). pp. 234-240.
    22. Tonglin, Z., Lin, G. (2007)."A decompositionof Moran's I for clustering detection,Computational statistics and data analysis". Computational Statistics & Data Analysis. Vol. 51.
    23. Ullah, M. and Giles (1991). Handbook of Applied Eco-nomic Statistics. Marcel Dekker. Inc.
    24. VerHoef, J.M. and Cressie, N. (1993). "Multivariable spatial prediction". Mathematical Geology. NO. 25. pp. 219.240.
آمار
تعداد مشاهده مقاله: 2,508
تعداد دریافت فایل اصل مقاله: 1,503





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب