
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,489 |
تعداد مشاهده مقاله | 8,610,060 |
تعداد دریافت فایل اصل مقاله | 8,200,565 |
پیش بینی فضایی-زمانی خشکسالی با استفاده از شاخص SPEI در شمال شرق ایران | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 6، دوره 26، شماره 4، مهر و آبان 1398، صفحه 115-133 اصل مقاله (1004.13 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2019.15898.3116 | ||
نویسندگان | ||
مهسا سامتی1؛ سید حسین ثنایی نژاد* 2؛ بیژن قهرمان1؛ فیروزه ریواز3 | ||
1گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران. | ||
2گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران | ||
3گروه آمار، دانشکده علوم ریاضی، دانشگاه شهید بهشتی، تهران، ایران. | ||
چکیده | ||
سابقه و هدف: خشکسالی به عنوان پیچیدهترین و خطرناکترین بلایای طبیعی است که هم در مکان و هم طی زمان تغییر میکند. گرمایش جهانی در سالهای اخیر باعث تشدید این گونه رویدادهای حدی شده است. از این رو استفاده از شاخصهای خشکسالی که هر دو اثر بارش و دما را در نظر میگیرند و نیز استفاده از روشهای توأم فضایی- زمانی که گسترش یافتهی آمار مکانی هستند، احتمالاً میتواند باعث پایش بهتر خشکسالیها و در نتیجه افزایش دقت پیشبینیها گردد. در این روشها ساختار همبستگی دادهها توسط توابع کوواریانس فضایی-زمانی مشخص میشود. هدف از این تحقیق بکارگیری و مقایسهی چند تابع تغییرنگار فضایی-زمانی برای پیشبینی و پهنهبندی فضایی-زمانی خشکسالی با استفاده از شاخص SPEI در مقیاس 12 ماهه میباشد. مواد و روشها: در این تحقیق از دادههای ماهانه بارندگی و دمای 48 ایستگاه در شمال شرق کشور طی دورهی آماری 1981-2012 برای محاسبهی مقادیر شاخص SPEI در مقیاس 12 ماهه استفاده شده است. تحلیل اکتشافی دادهها از نظر فرضهای مانایی و همسانگردی نیز مورد بررسی قرار گرفت. دادهها به دو گروه دادههای آموزشی و آزمایشی سال 2012 تقسیم شدند. توابع کوواریانس فضایی-زمانی تفکیکپذیر، متریک، متریک-جمعی و ضربی-جمعی با تعیین بهترین ترکیب از تغییرنگارهای کروی، خطی و نمایی برای هریک از تغییرنگارهای فضایی و زمانی بر روی دادههای آموزشی برازش داده شدند. بهترین مدل با استفاده از معیارهای آماری MSE و MSPE، انتخاب و پارامترهای مورد نیاز آن برآورد شدند. در نهایت با استفاده از کریجینگ فضایی-زمانی، دادههای آزمایشی پیشبینی و پهنهبندی شده و با نقشهی مقادیر مشاهداتی مقایسه شدند. اعتبارسنجی متقابل مدلهای فضایی-زمانی و فضایی محض از طریق معیارهای آماری COR، ME، MAE و RMSE با بکارگیری 25 و 47 همسایگی انجام گرفت. یافتهها: بررسی مانایی دادههای فضایی-زمانی، مانایی در فضا را نشان داد. رسم میانگین سری زمانی دادهها هم یک روند کاهشی را نشان داد که توسط یک رابطهی رگرسیونی ساده با بکارگیری مقادیر شاخص SPEI به عنوان متغیر وابسته و زمان به عنوان متغیر تبیینی مدل گردید و دادهها روندزدایی شدند. تغییرنگار فضایی دادهها در چهار جهت صفر، 45، 90 و 135 درجه، تفاوت زیادی را بین چهار تغییرنگار نشان نداد و بنابراین فرض همسانگردی مورد پذیرش قرار گرفت. برای تعیین ساختار همبستگی دادهها از مدلهای تفکیک-پذیر، متریک، متریک-جمعی و ضربی-جمعی استفاده شد. مقایسهی مدلها از طریق معیار MSE نشان داد دو مدل ضربی-جمعی و متریک جمعی خطای کمتری نسبت به دو مدل دیگر دارند. مقایسهی این دو مدل در پیشبینی مقادیر مشاهده نشده از طریق معیار MSPE، مدل ضربی-جمعی را با تغییرنگار خطی برای هر دو فضا و زمان به عنوان مدل برتر انتخاب نمود. پس از برآورد پارامترهای مدل و با بکارگیری کریجینگ فضایی-زمانی، مقادیر شاخص SPEI برای دادههای آزمایشی پیشبینی و نقشهی فضایی-زمانی آنها ترسیم شد. شباهت نقشهی مقادیر پیشبینی شده و نقشهی مقادیر مشاهداتی نشان داد عملکرد خوب در پیشبینی مقادیر مشاهده نشده را نشان داد. اعتبارسنجی مدلهای تغییرنگار فضایی-زمانی و فضایی محض نیز نشان داد عملکرد مدلهای مختلف بسیار نزدیک به یکدیگر بوده است. نتیجه گیری: نتایج این تحقیق نشان داد مدل کوواریانس فضایی-زمانی ضربی-جمعی نسبت به مدلهای دیگر توانایی خوبی در پیشبینی مقادیر مشاهده نشده دارد و به کمک این گونه مدلها میتوان مقادیر متغیر مورد نظر خود را در هر موقعیت فضایی و هر مقطع زمانی پیشبینی نمود. همچنین اعتبارسنجی مدلها نشان داد مدلهای مختلف فضایی-زمانی و فضایی محض تفاوت چشمگیری نسبت به یکدیگر نداشته و دقت مدلها نیز نسبت به حالت فضایی محض افزایش پیدا نکرده است. | ||
کلیدواژهها | ||
واژه های کلیدی: خشکسالی؛ شاخص بارش-تبخیروتعرق استاندارد شده؛ مدل ضربی-جمعی؛ کریجینگ فضایی-زمانی | ||
مراجع | ||
1.Abramowitz, M., and Stegun, I.A. 1965. Handbook of Mathematical Functions, with Formulas, Graphs, and Mathematical Tables. Dover Publications, New York, 1046p.
2.Ahmed, S.O., Mazloum, R., andAbou-Ali, H. 2018. Spatiotemporal interpolation of air pollutants in the Greater Cairo and the Delta, Egypt. J. Environ. Res. 160: 27-34.
3.Akbarzadeh, M., and Ghahraman, B. 2013. A combined strategy of entropy and spatio-temporal kriging in determining optimal network for groundwater quality monitoring of Mashhad basin. J. Water Soil. 27: 3. 613-629. (In Persian)
4.Cressie, N., and Huang, C. 1999.Classes of nonseparable, spatiotemporal stationary covariance functions. J. Am. Stat. Assoc. 94: 1330-40.
5.De Cesare, L., Myers, D., and Posa,D. 1997. Spatial-temporal modelingof SO2 in Milan district. In: E.Y. Baafi and N.A. Schofield (eds), Geostatistics Wollongong’96, 2: 1031-42. Kluwer Academic Publishers, the Netherlands, Pp: 1031-1042.
6.De Cesare, L., Myers, D.E., and Posa, D. 2001a. Estimating and modelling space- time correlation structures. Statistics and Probability Letters. 51: 1. 9-14.
7.De Cesare, L., Myers, D.E., and Posa, D. 2001b. Product–sum covariance for space-time modeling: an environmental application. Environmetrics. 12: 11-23.
8.De Iaco, S., Myers, D.E., and Posa, D. 2001. Space-time analysis using a general product-sum model. Statistics and Probability Letters. 52: 1. 21-28.
9.De Iaco, S., Myers, D.E., and Posa, D. 2002a. Space-time variograms and a functional form for total air pollution measurements. J. Comput. Stat. Data. Anal. 41: 2. 311-328.
10.De Iaco, S., Myers, D.E., and Posa, D. 2002b. Nonseparable space-time covariance models: some parametric families. J. Math Geol. 34: 23-42.
11.Dimitrakopoulos, R., and Luo, X. 1994. Spatiotemporal modeling: covariances and ordinary kriging system. In R. Dimitrakopoulos (ed.), Geostatistics for the Next Century, P 88-93.Kluwer Academic Publishers, Dordrecht, Pp: 88-93. 12.Gräler, B., Pebesma, E., and Heuvelink, G. 2016. Spatio-Temporal Interpolation using gstat. Wp, 8: 1–20. 〈https://cran.r-project.org/web/packages/gstat/vignettes/spatio-temporalkriging.pdf〉 (last access: 25 Mar 2016).
13.Gneiting, T. 2002. Nonseparable, stationary covariance functions for space- time data. J. Am. Stat. Assoc. 97: 458. 590-600. 14.Guttorp, P., Sampson, P.D., and Newman, K. 1992. Nonparametric Estimation of Spatial Covariance with Application to Monitoring Network Evaluation, Statistics in the Environmental and Earth Sciences, Edward Arnold Press, London, Pp: 39-57.
15.Hasanalizadeh, N., Mosaedi, A., Zahiri, A.R., and Hosseinalizadeh, M. 2015. Modeling spatio-temporal variation of monthly precipitation (Case study: Golestan province). J. Water Soil Cons. 22: 1. 251-269. (In Persian)
16.Hengl, T., Heuvelink, G.B.M., Tadić, M., and Pebesma, E. 2012. Spatio-temporal prediction of daily temperatures using time-series of MODIS LST images. J. Theor. Appl. Climatol. 107: 265-277.
17.Heuvelink, G.B.M., and Griffith, D.A. 2010. Space-time geostatistics for geography: A case study of radiation monitoring across parts of Germany. J. Geogr. Anal. 42: 2. 161-179.
18.Hu, D., Shu, H., Hu, H., and Xu, J. 2017. Spatiotemporal regression Kriging to predict precipitation using time- series MODIS data. J. Cluster Comput. 20: 1. 347-357.
19.Kilibarda, M., Hengl, T., Heuvelink, G.B.M., Gräler, B., Pebesma, E.,Perčec Tadić, M., and Bajat, B. 2014. Spatio-temporal interpolation of daily temperatures for global land areas at 1 km resolution. J. Geophys. Res. Atmos. 119: 5. 2294-2313.
20.Mohammadzadeh, M. 2012. Spatial Statistics and Its Application. Tarbiat Modares University. Press, 416p. (In Persian) 21.Montero, J.M., Fernández-Avilés, G., and Mateu, J. 2015. Spatial and Spatio-Temporal Geostatistical Modeling and Kriging. John Wiley & Sons, Ltd, Chichester: UK, 400p.
22.Rivaz, F., Mohammadzadeh, M., and Jafari Khaledi, M. 2007. Emperical Bayesian prediction for spatio-temporal data under a separable model. J. Stat. Sci. 1: 1. 45-59. (In Persian)
23.Rivaz, F., Mohammadzadeh, M., and Khaledi, M.J. 2011. Spatio-temporal modeling and prediction of CO concentrations in Tehran city, J. Appl. Stat. 38: 9. 1995-2007.
24.Rodríguez‐Iturbe, I., and Mejía, J.M. 1974. The design of rainfall networks in time and space. Water. Resour. Res. 10: 4. 713-728. 25.Rouhani, S., and Hall, T.J. 1989.Space-time kriging of groundwater data. In: M. Amstrong (ed.) Geostatistics: 639-51. Kluwer Academic Publishers, Dordecht. Pp: 639-651.
26.Snepvangers, J.J.J.C., Heuvelink, G.B.M., and Huisman, J.A. 2003. Soil water content interpolation using spatio-temporal kriging with external drift. J. Geoderma. 112: 253-271.
27.Stein, M.L. 2005. Statistical Methods for Regular Monitoring Data. J. Roy. Stat. Soc. B. 67: 667-687.
28.Vicente-Serrano, S.M., Beguería, S., and López-Moreno, J.I. 2010. A multi-scalar drought index sensitive to global warming: the Standardized Precipition Evapotranspiration Index-SPEI. J. Clim. 23: 7. 1696-1718. | ||
آمار تعداد مشاهده مقاله: 497 تعداد دریافت فایل اصل مقاله: 375 |