پیش‌بینی تعداد روزهای گرد و غباری سالیانه در استان خراسان رضوی با تحلیل‌های فضایی- زمانی

جغرافیا و مخاطرات محیطی

مقاله 7، دوره 8، شماره 4 - شماره پیاپی 32، بهمن 1398، صفحه 103-117   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/geo.v0i0.79116

نویسندگان

احمد حسینی^{* 1}؛ بهلول علیجانی²؛ یدالله واقعی³

¹دانشگاه پیام نور، ایران

²دانشگاه خوارزمی تهران

³دانشگاه بیرجند

چکیده

یکی از مهم‌ترین چالش‌های محیطی در سالیان اخیر در استان خراسان رضوی پدیده گرد و غبار است. بر این اساس پیش‌بینی فضایی- زمانی تعداد روزهای گرد و غباری سالیانه با استفاده از روش کریجینگ و با کمک نرم‌افزار R مورد بررسی قرار گرفت که در آن سرعت باد 15 متر در ثانیه و بیشتر و دید افقی زیر 1000 متر از نظر سازمان هواشناسی جهانی به عنوان روز گرد و غباری در نظر گرفته شد. پس از حذف همپوشانی داده‌ها از دو ماتریس فضایی- زمانی دید افقی و سرعت باد، آرایه SP Data به صورت ترکیبی از ماتریس و بردار در کلاس STFDF و STF ساخته شد. سپس تمامی مدل‌های تفکیک‌پذیر و غیر تفکیک‌پذیر، به مدل تجربی داده‌ها برازش داده شدند که تغییرنگار متریک با کمترین میانگین مربعات خطا به عنوان بهترین مدل برای پیش‌بینی تعداد روزهای گرد و غباری سالیانه انتخاب شد. خروجی مدل نشان داد که داده‌ها تا 5 سال دارای وابستگی فضایی- زمانی هستند، لذا می‌توان تا سال 2022 تعداد روزهای گرد و غباری را برآورد نمود. حدود اطمینان تعداد روزهای گرد و غباری در سطح 95% نشان داد در سال 2019 ایستگاه سبزوار با 56 روز بیشترین و ایستگاه گناباد با 26 روز کمترین تعداد روز گرد و غباری را خواهند داشت. همچنین پیش‌بینی‌ها نشان می‌دهد تعداد روزهای گرد و غباری در استان خراسان رضوی از 39 روز تا 42 روز در سال 2022 می‌رسد که روندی افزایشی دارد.

کلیدواژه‌ها

تغییرنگار فضایی- زمانی؛ پیش بینی؛ روزهای گرد و غباری؛ خراسان رضوی؛ تحلیل های فضایی- زمانی؛ کریجینگ

سایر فایل های مرتبط با مقاله

7-Hosseini Final.pdf

مراجع

آمار سازمان هواشناسی کشور، سرعت باد و دید افقی از 1/1/1987 لغایت 31/12/2016.

امیدوار، کمال؛ نکونام، زری؛ 1390. کاربرد گلباد و گل غبار در تحلیل پدیده گرد و خاک و تعیین رژیم فصلی بادهای همراه با این پدیده (مطالعه موردی: شهر سبزوار). پژوهش‌های جغرافیای طبیعی. 76. 104-85.

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.6 (4). 44-33

جهانشیری، مهین، 1389؛ بررسی آماری و سینوپتیکی آلودگی هوای مشهد. پایان نامه کارشناسی جغرافیای طبیعی اقلیم شناسی. استاد راهنما: علیرضا انتظاری، دانشگاه حکیم سبزواری. سبزوار.

ضیائی گلریز، زهرا؛ صادقی، حمید؛ معتمدی، محمد؛ ژاله رجبی، میترا؛ 1390. پیش‌بینی ارزش‌گذاری و ترسیم نقشه آلودگی هوای شهر مشهد، (مطالعه موردی گاز مونوکسید کربن) 2 و 3 آذر ماه. اولین کنفرانس اقتصاد شهری ایران. مشهد.

علیجانی، بهلول؛ نجفی نیک، زهرا؛ 1388. بررسی سینوپتیکی اینورژن در مشهد با استفاده از تحلیل عاملی. مجله جغرافیا و توسعه ناحیه‌ای. 12، 12-1.

فرج زاده اصل، منوچهر، علیزاده؛ خاطره؛ 1389. تحلیل زمانی و مکانی طوفان‌های گرد و غبار در ایران. نشریه برنامه ریزی و آمایش فضا. 1، 84-65.

قربانی، محمد؛ فیروز زارع، علی؛ 1388. مقدمه‌ای بر ارزش‌گذاری محیط زیست. انتشارات دانشگاه فردوسی مشهد. 1389. 156.

کاخکی مهنه، حمید؛ 1392. استفاده از مدل شبکه عصبی مصنوعی در بررسی روابط بین عناصر اقلیمی و نوسانات آلودگی هوا در کلان شهر مشهد. پایان نامه کارشناسی ارشد. گرایش اقلیم شناسی در برنامه ریزی محیطی. استاد راهنما: محمد سلیقه. دانشگاه خوارزمی. تهران.

لشکری، حسن؛ کیخسروی، قاسم؛ 1387. تحلیل آماری سینوپتیکی طوفان‌های گرد و غبار استان خراسان رضوی در فاصله‌ی زمانی (2005-1993). پژوهش‌های جغرافیای طبیعی. 65. 33-17.

محمدزاده، محسن؛ 1394. آمار فضایی و کاربردهای آن. انتشارات دانشگاه تربیت مدرس. چاپ دوم. 27، 71، 81.

محمدی مرادیان، جمیله؛ حسین زاده، سیدرضا؛.1394. پایش ماهواره‌ای و تحلیل همدید پدیده گرد و غبار در کلان شهر مشهد طی دوره آماری 2013-2009. جغرافیا و مخاطرات محیطی. 14. 57-35

مهرشاهی، داریوش؛ نکونام، زری؛ 1388. بررسی آماری پدیده‌های گرد و غبار و تحلیل الگوی وزش بادهای گرد و غبارزا در شهرستان سبزوار. نشریه علمی- پژوهشی انجمن جغرافیایی ایران. 7 (22). 104-83

Annex II to the WMO Technical Regulations Part A – Alphnumeric Codes WMO-No. 306, A- 56,376,356, 2011edition, pp:l.2- CODE/FLAG Tabels/20-6.

Annex II to the WMO Technical Regulations, Manual on Codes International Codes Volume I.1, Part A – Alphnumeric Codes, Updated in 2015.pp:Xviii.

Bivand, R & Altman., M & Anselin, L. ( 2017). Spatial Dependense Weighting Schemes statistics and Model. Package ʽspdepʼ. R Core Development Team. 2017. Version 0.7-4. URL: http:// github.com/r-spatial/spdep/

Caeiro, F & Mateus, A. (2015). Testing Randomness in R. Package ʽrand testsʼ. R Development Core Team. 2015. Version 1.0.

Colles J, & Traylor.(2003). Francis, Air Pollution. Inc, Lamdon and New York.

Cressie, N. (1993). Statistics for spatial data,John Wily,Sons,NewYork.

De Cesare, L. Myers, D. Posab (2001). D. Estimating and modeling spacetime correlation structures. Statistics & Probability Letters. 51, (1), 9-14.

Gaetan, C. Guyon, X. (2010). Spatial Statistics and Modeling. Springer New York Dordrecht Heidelberg London. 166.

Gräler, B & Pebesma,E.& Heuvelink,( 2016). G. Spatio-Temporal Interpolation using gstat, The R Journal. 8/1,. 2073-4859.

Hengel,T & Roudier, P & Beaudette, D & Pebesma, E.(2015). Plot KML: Scientific Visualization of Spatio-Temporal Data. Journal of Statistical Software., 63(5). http://www.jstatsoft.org/ Institute for Geoinformatics University of M¨unster, Germany.

Kilibarda, M. (2013). A Plot Google Maps Tutorial. University of Belgrade, Faculty of Civil Engineering, Department of Geodesy and Geo informatics, Bulevar kralja Aleksandra,73, 11000 Belgrade, Serbia.3(14).

Loecher, M. (2016). Overlays on Static Maps. Package ʽR Google Mapsʼ. R Core Development 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. 531- 534.

Pebesma, 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. (2012). spacetime: Spatio-temporal data in R. Journal of Statistical Software, 51(7), 1-30.

Pebesma, E. (2013). Spatio-temporal overlay and aggregation. Ifgi. Institute for Geoinformatics University of Münster.

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. (2016). Spatio-temporal geostatistics using gstat. Institute for Geoinformatics, University of Münster Rep.

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

R Development Core Team. (2011). R: A language and environment for statistical computing.

Robert J. Hijmans. 2017. Geographic Data Analysis and Modeling.‘Raster’Package.R Core Development Team. Version 2.5-8.URL http://cran.r-project.org/package=raster.

United Nations Enviroment Programme, Environmental News Emergencies, Available from: URL: http//: www unep org/ depi/ programmes/ emergencies html, (Accessed: 2005).