بکارگیری زمین آمار مکانی-زمانی در پایش خشکسالی‌های شمال شرق ایران

آب و خاک

مقاله 10، دوره 33، شماره 5 - شماره پیاپی 67، آذر 1398، صفحه 779-793   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v33i5.73766

نویسندگان

مهسا سامتی¹؛ سید حسین ثنایی نژاد^{* 1}؛ فیروزه ریواز²؛ بیژن قهرمان¹

¹دانشگاه فردوسی مشهد

²دانشگاه شهید بهشتی

چکیده

خشکسالی به عنوان یکی از زیان­بارترین بلایای طبیعی، از جمله پدیده­هایی است که هم تغییرات مکانی و هم تغییرات زمانی آن حائز اهمیت است. تحلیل توأم مکانی-زمانی خشکسالی­ها بطور قطع، یکی از روش­های موثر در پایش و ارزیابی خشکسالی­ها به منظور تشخیص به موقع این رویداد و جلوگیری از اثرات مخرب بعدی خواهد بود. روش­های زمین­آمار مکانی-زمانی از جمله روش­هایی هستند که با وارد نمودن بعد زمان در معادلات خود به این گونه تحلیل­ها می­پردازند. در این تحقیق، با استفاده از داده­های بارش ماهانه 48 ایستگاه هواشناسی، باران­سنجی و اقلیم­شناسی شمال شرق کشور طی دوره­ی آماری 1981-2012، شاخص خشکسالی SPI در مقیاس 12 ماهه محاسبه گردید. سپس چهار نوع تابع ­تغییرنگار مکانی-زمانی بکار گرفته شد و از طریق معیارهایMSE در برآورد پارامترهای مدل و معیار MSPE در پیش­بینی مقادیر مشاهده نشده مقایسه شدند. مدل ضربی-جمعی به عنوان بهترین مدل شناخته شد. با بکارگیری این مدل، مقادیر شاخص SPI در سال 2012 توسط روش کریجینگ مکانی-زمانی برآورد شده و نقشه­های ماهانه آن با نقشه­های مقادیر مشاهداتی مقایسه شدند. از نتایج تحلیل مشخص شد که مدل توانسته است به خوبی وضعیت­های خشکسالی و ترسالی را شناسایی نماید. بنابراین به کمک روش­های تحلیل توأم می­توان شاخص­ خشکسالی را برای موقعیت­ها و زمان­های دلخواه، پیشگویی کرد. اعتبارسنجی متقابل توابع تغییرنگار مکانی-زمانی و مکانی محض نشان داد عمکرد توابع مختلف تفاوت چشمگیری با یکدیگر نداشته و این مدل­ها نتوانسته­اند دقت مدل­های مکانی را افزایش دهند.

کلیدواژه‌ها

خشکسالی؛ زمین آمار؛ ضربی-جمعی؛ کریجینگ

مراجع

1-Ahmed S.O., Mazloum R., and Abou-Ali H. 2018. Spatiotemporal interpolation of air pollutants in the Greater Cairo and the Delta, Egypt. Environmental Research 160: 27–34.

2-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. Journal of Water and Soil 27(3): 613-629. (In Persian with English abstract)

3-Ashgar Toosi, Sh., and Alizadeh A. 2005. Monitoring and forecasting droughts in eastern Iran. Journal of Drought and Agricultural Drought 16: 1-16. (In Persian)

4-Ansari H., and Davari K. 2007. Dry period zoning using standardized precipitation index in GIS environment (Case study: Khorasan Province). Journal of Geographical Researches 60: 97-108. (In Persian)

5-Bonaccorso B., Bordi I., Cancelliere A., Rossi G., and Sutera A. 2003. Spatial variability of drought: An analysis of the SPI in Sicily. Water Resources Management 17(4): 273–296.

6-Bordi I., Fraedrich K., Jiang J.-M., and Sutera A. 2004. Spatio-temporal variability of dry and wet periods in eastern China. Theoretical and Applied Climatology 79(1–2): 81–91.

7-De Cesare L., Myers D.E., and Posa D. 1997. Spatial temporal modeling of SO2 in the Milan district. In: Baafi, E.Y., Scho6eld, N.A. (Eds.), Geostatistics Wollongong ’96, Vol. 2. Kluwer Academic Publishers, Dordrecht, pp. 1031–1042.

8-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.

9-De Cesare L., Myers D.E., and Posa D. 2001b. Product–sum covariance for space–time modeling: an environmental application. Environmetrics 12: 1–23.

10- 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.

11-De Iaco S., Myers D.E., and Posa D. 2002a. Space-time variograms and a functional form for total air pollution measurements. Computational Statistics and Data Analysis 41(2): 311–328.

12-Dimitrakopoulos R., and Luo X. 1994. Spatiotemporal modeling: covariances and ordinary kriging System. In R. Dimitrakopoulos (ed), Geostatistics for the Next Century. Kluwer Academic Publisher, Dordrecht. P. 88–93.

13-Dracup J.A., Lee K.S., and Paulson E.G. 1980. On the definition of droughts. Water Resources Research 16(2): 297–302.

14-Gneiting T. 2002. Nonseparable, stationary covariance functions for space–time data. American Statistical Association 97(458): 590–600.

15-Gocic M., and Trajkovic S. 2014. Spatiotemporal characteristics of drought in Serbia. Hydrology 510: 110–123.

16-Gräler B., Rehr M., Gerharz L., and Pebesma E. 2013. Spatio-temporal analysis and interpolation of PM10 measurements in Europe for 2009. ETC/ACM Technical paper 2012/8, March 2013.

17-Gräler B., Pebesma E., and Heuvelink G. 2016. Spatio-Temporal Interpolation using gstat. Available at Web site https://cran.r-project.org/web/packages/gstat/vignettes/spatio-temporal-kriging.pdf.

18-Hasanalizadeh N., Mosaedi A., Zahiri A.R., and Hosseinalizadeh M. 2015. Modeling spatio-temporal variation of monthly precipitation (Case study: Golestan province). Journal of Water and Soil Conservation 22(1): 251-269. (In Persian with English abstract)

19-Hengl T., Heuvelink G.B.M., Tadić M., and Pebesma E.J. 2012. Spatio-temporal prediction of daily temperatures using time-series of MODIS LST images. Theoretical and Applied Climatology 107(1–2): 265–277.

20-Heuvelink G.B.M., Griffith D.A. 2010. Space-time geostatistics for geography: A case study of radiation monitoring across parts of Germany. Geographical Analysis 42(2): 161–179.

21-Hu D., Shu H., Hu H., and Xu J. 2017. Spatiotemporal regression Kriging to predict precipitation using time-series MODIS data. Cluster Computing 20(1): 347–357.

22-Karamooz M., and Araghi nejhad Sh. 2010. Advanced Hydrology. Publication of Amirkabir University of Technology(polytechniques), Tehran. (In Persian)

23-Kim D.W., Byun H.R., and Choi K.S. 2009. Evaluation, modification, and application of the Effective Drought Index to 200-Year drought climatology of Seoul, Korea. Hydrology 378(1–2): 1–12.

24-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. Geophysical Research: Atmospheres 119(5): 2294–2313.

25-Komuscu A.U. 1999. Using the SPI to Analyze Spatial and Temporal Patterns of Drought in Turkey Using the SPI to Analyze Spatial and Temporal Patterns of Drought in Turkey. Drought Network News 11(1): 6–13.

26-LLoyd-Hughes B., Saunders M.A. 2002. A drought climatology for Europe. Climatology 22(13): 1571–1592

27-Lorenzo-Lacruz J., and Moran-Tejeda E. 2016. Spatio-temporal patterns of meteorological droughts in the Balearic Islands (Spain). Cuadernos de Investigacion Geografica 42(1): 49-66.

28-Mckee T.B., Doesken N.J., and Kleist J. 1993. The relationship of drought frequency and duration to time scales. In 8’th Conference on Applied Climatology , Anaheim, California, 17-22 January 1993, p. 17–22.

29-Montero J., Fernandez-Aviles G., and Mateu J. 2015. Spatial and Spatio-Temporal Geostatistics Modeling and Kriging. John Wiley & Sons, Ltd, Chichester, UK.

30-Oh S.B., Byun H.R., and Kim D.W. 2014. Spatiotemporal characteristics of regional drought occurrence in East Asia. Theoretical and Applied Climatology 117(1): 89–101.

31-Potop V., Boroneanţ C., Možný M., Štěpanek P., and Skalak P. 2014. Observed spatiotemporal characteristics of drought on various time scales over the Czech Republic. Theoretical and Applied Climatology 115(3–4): 563–581.

32-Raziei T., Saghafian B., Paulo A.A., Pereira L.S., and Bordi I. 2009. Spatial patterns and temporal variability of drought in Western Iran. Water Resources Management 23(3): 439–455.

33-Rivaz F., Mohammadzadeh M., and Jafari Khaledi M. 2007. Emperical Bayesian prediction for spatio-temporal data under a separable model. Journal of Statistical Science 1(1): 45-59. (In Persian)

34-Rivaz F., M. Mohammadzadeh M., and Jafari Khaledi M. 2011. Spatio-temporal modeling and prediction of CO concentrations in Tehran city, Applied Statistics 38(9): 1995–2007.

35-Rodriguez‐Iturbe I., and Mejia J.M. 1974. The design of rainfall networks in time and space. Water Resources Research 10(4): 713–728.

36-Shadeed S. 2013. Spatio-temporal Drought Analysis in Arid and Semi-arid Regions: A Case Study from Palestine. Arabian Journal for Science and Engineering 38(9): 2303–2313.

37-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. Geoderma 112(3–4): 253–271.

38-Vicente-Serrano S.M., Gonzalez-Hidalgo J.C., De Luis M., and Raventos J. 2004. Drought patterns in the Mediterranean area: The Valencia region (eastern Spain). Climate Research 26(1): 5–15.

39-Wilhite D.A. 2000. Drought as a natural hazard: Concepts and definitions. In: Wilhite D (ed) Drought: A Global Assessment, Vol 1. Routledge publishers, London. pp. 3–18.

40-Wilhite D.A., and Glantz M.H. 1985. Understanding: the Drought Phenomenon: The Role of Definitions. Water International 10(3): 111–120.

41-Zamani R., Akhonali A.M., Solaimani K., Ansari A., and Allahbakhshian P. 2012. Application of geostatistics in zone classification of drought severities (Case study: Fars province). Journal of Watershed Management Research 6: 15-29. (In Persian with English abstract)

42-Zhang Q., Sun P., Li J., Singh V.P., and Liu J. 2015. Spatiotemporal properties of droughts and related impacts on agriculture in Xinjiang, China. Climatology 35(7): 1254-1266.