پهنه‌بندی تعداد روز طوفانی در کشور ایران با استفاده از روش‌های زمین‌آماری و ریاضی

علوم و تکنولوژی محیط زیست، دورهبیست و دوم، شماره هشت، آبان ماه 99

پهنه‌بندی تعداد روز طوفانی در کشور ایران با استفاده از

روش‌های زمین‌آماری و ریاضی

حسن فتحی زاد [1]

علی خنامانی^{1 *}

Khanamani@gmail.com

محمد زارع [2]

چکیده

زمینه و هدف: تعداد روز طوفانی به وسیله عوامل گوناگونی مانند سرعت وزش باد، میزان بارش، رطوبت خاک و غیره قرار دارد. بررسی این شاخص در کشور می­تواند در برنامه­ریزی­های گوناگون مورد توجه قرار گیرد. هدف از انجام این تحقیق پهنه­بندی تعداد روزهای طوفانی در کشور و انتخاب بهترین مدل بر اساس داده­های 150 ایستگاه هواشناسی در دوره آماری 25 ساله 2010-1986میلادی است.

روش بررسی: بعد از تعیین ایستگاه­ها با پراکندگی مناسب، داده­های تعداد روز طوفانی در کشور ایران مربوط به دوره­ی زمانی 2010-1986 در سال 1395 جمع­آوری شد. به منظور بررسی نرمال بودن داده­ها از روش کلموگروف- اسمیرنف استفاده گردید. جهت نشان دادن همبستگی مکانی بین داده­های تعداد روز طوفانی از واریوگرام استفاده شد. وایروگرام گوسین با میزان همبستگی 96/0، بهترین همبستگی بین داده­ها را مدل­سازی نمود و برای درون­یابی از روش کریجینگ استفاده گردید. سپس با استفاده از روش­های مختلف زمین­آماری و ریاضی، نقشه­ تعداد روزهای طوفانی در کشور ترسیم شد. به این منظور از روش­های درون­یابی ریاضی شامل روش عکس فاصله (IDW)، درون­یاب چند جمله­ای جهانی (GPI)، تابع شعاعی (RBF)، درون­یاب موضعی (LPI) و روش زمین­آماری کریجینگ استفاده شد. جهت انتخاب بهترین روش درون­یابی از شاخص­های آماری ریشه میانگین مربعات (RMS) و میزان همبستگی داده­های مشاهداتی و پیش­بینی­شده استفاده گردید.

یافته ها: نتایج نشان داد که پیش­بینی روش کریجینگ شاخص (Kriging Indicator) دارای بیشترین میزان همبستگی با داده­های مشاهداتی است (R²=0.74). همپنین مناطق جنوب شرقی و جنوب غربی کشور دارای بیشترین میزان تعداد روز طوفانی در کشور می­باشند.

بحث و نتیجه گیری: بالا بودن این شاخص در جنوب شرق ناشی از خشک شدن دریاچه هامون و وجود بادهای 120 روزه­ی سیستان و در جنوب غرب کشور ناشی از گرد و غبار ورودی از کشورهای عربی است. نوار شمالی کشور نیز دارای کمترین میزان شاخص تعداد روز طوفانی در کشور است.

واژه های کلیدی: ایران، کریجینگ، گرد و غبار، میان­یابی، قابلیت دید.

Mapping of Dusty Stormy Days in Iran Using Geostatistical and Mathematical Methods

Hassan Fathizad [3]

Ali Khanamani ¹*

Khanamani@gmail.com

Mohammad Zare  [4]

Abstract

Background and Objective: The number of stormy days is determined by various factors such as wind speed, rainfall, soil moisture and so on. The study of this index in the country can be considered in various plans. The purpose of this research is mapping of the number of dusty stormy days in Iran and selecting the best model based on the climatic data of 150 meteorological stations for the period of 25 years (1986-2010).

Method: Dust stormy days’ data of the studied stations were analyzed using variogram curves to represents their spatial correlation. Gaussian variogram (R²=0.96) shows the highest correlation between the data. Then, map of the number of dust stormy days in Iran were prepared using different geostatistical and mathematical methods. For this purpose, several mathematical interpolation methods including Inverse Distance Method (IDW), Global Polynomial Interpolation (GPI), Radial Basis Function (RBF), Local Polynomial Interpolation (LPI), and geostatistical method of Kriging were used. To select the best interpolation method among several geostatistical and mathematical methods, statistical indicators of Root Mean Square (RMS) and correlation coefficient between observed and predicted data were used.

Findings: Results show that the highest correlation between predicted and observed data (R² = 0.74) was found in kriging indicator method. The southeast and southwest of the country have the highest number of dust storm days.

Discussion and Conclusion: High number of dust stormy days in the southeast is resulting from drying of Hammon lakes and blowing of 120-day winds in Sistan plain, and entering of dust from Arabic countries form the direction of southwest. North part of the country has the lowest number of dust storm days.

Keywords: Iran, Kriging, Dust Storm, Interpolation, Visibility.

مقدمه

امروزه، پدیده گرد و غبار به یکی از جدی­ترین مسائل محیط­زیستی پیش روی بشر تبدیل شده است. طوفان­های گرد و غبار از پدیده­های هواشناسی هستند که معمولاً در مناطق خشک و نیمه­خشک با بارش سالانه کمتر از 250 میلی­متر در مواقع وزش تند بادهایی با سرعت بیش از حد آستانه رخ می­دهند. بروز این پدیده، متأثر از هر دو سیستم زمین و اتمسفر می­باشد، به طوری­که دلایل اصلی وقوع آن سرعت زیاد باد، کمبود رطوبت و اراضی لخت بدون پوشش ذکر شده است (1). این فرآیند در مناطق برداشت باعث ایجاد فرسایش خاک می­شود و در نقاط دیگر متناسب با قدرت و سرعت باد باعث انباشت رسوبات می­گردد. این طوفان­ها با ذرات 1/0 تا 5/0 میلی­متر (رس و سیلت) می­توانند مسافت­های طولانی (بیش از چندین هزار کیلومتر) را طی کنند. بیابان صحارا در آفریقا بزرگترین منبع تولیدکننده گرد و غبار در جهان است که سالانه 700 میلیون تن گرد و غبار را وارد اتمسفر می­کند (2). مراکز تولید گرد و غبار اغلب در مناطق خشک جهان قرار دارند. ارزیابی می­شود که انتشار گرد و غبار جهانی نزدیک 1000 تا 3000 تن در سال است و این میزان در بیابان صحرا حدود 500 تا 1000 تن در سال می­باشد. بزرگ­ترین و فعال ترین مراکز تولید گرد و غبار در جهان مناطقی هستند که فعالیت های بشری در این مناطق محدود است (3). این مراکز همچون کمربندی از غبار از سواحل شمال غربی آفریقا آغاز شده و ضمن عبور از خاورمیانه، آسیای مرکزی و جنوبی به چین می­رسند. به عبارت دیگر، نیمکره جنوبی را می­توان عاری از غبار دانست (4).

در سال­های اخیر، به دنبال تغییرات آب و هوایی و همچنین تخریب­های گسترده محیط­زیست ناشی از فعالیت­های انسانی مانند سد سازی، این پدیده در خاورمیانه به صورت مشکلی جدی در آمده است. طوفان­های گرد و غبار زیادی در مناطق بیابانی غرب خاورمیانه رخ داده و آسیب­های زیادی را به ایران وارد کرده است. در ایران به جز مناطق محدودی از شمال و غرب کشور که دارای اقلیمی مرطوب و نیمه مرطوب است، بقیه سطح کشور در رده سرزمین­های خشک قرار دارد. علاوه بر خشک بودن شرایط آب و هوایی در بیشتر مناطق کشور، خشکسالی­های زیادی نیز اتفاق می­افتد. به طورکلی خشکسالی در نواحی جنوبی کشور، گستردگی جغرافیایی بیشتری دارد و هرچه از بخش­های جنوبی و مرکزی کشور فاصله گرفته می­شود، از شدت و فراوانی خشکسالی­ها نیز کاسته می­شود. ویژگی­های خشکسالی ایران نشان می­دهد که به طورکلی بخش وسیعی از کشور از این پدیده در امان نبوده تاثیر این پدیده مخرب را تجربه می­نماید. بخش­های جنوبی، شرقی و مرکزی کشور به علت نوسانات زیاد در مقادیر بارندگی، آسیب پذیری بیشتری دارند. البته مطالعات نشان می­دهد که منابع اصلی گرد و غبارهای ورودی به غرب ایران، نواحی بیابانی نسبتاً نزدیک به این منطقه مثل بیابان سوریه، عراق و صحرای موجود در شمال شبه جزیره عربستان می­باشد (5 و 6).

در زمان طوفان گرد و غبار، دید افقی بر حسب شدت پدیده در محدوده­ وسیعی (از 10 تا 100 متر و 4 تا 10 کیلومتر) تغییر می­کند. شدت طوفان گرد و غبار به وسیله­ بقای آن و کاهش دید تعیین می­گردد. بر حسب تداوم زمانی، این پدیده به دو نوع طوفان گرد و غبار کوتاه مدت (تا نیم ساعت) و طولانی مدت (تا چند ساعت و حتی یک شبانه روز) تقسیم می­شود. الکتریسیته جوّی مربوط به طوفان گرد و غبار بر روی ارتباطات رادیویی تاثیر می­گذارد (7).

تعیین مناسب­ترین روش درون­یابی در سطح یک منطقه و تبیین چگونگی توزیع فضایی و مکانی آن، جهت برآورد توزیع مکانی شاخص­های اقلیمی ضروری است. برای برآورد و تخمین متغیرهایی از این دست روشهای مختلفی وجود دارد. به عنوان نمونه میتوان روش­های کلاسیک، همچون تیسن[5] و میانگین حسابی را نام برد. همه این روش ها از نظر محاسبه­ها، سریع و آسان می­باشند. روش­های مختلفی برای برآورد داده­های مکانی وجود دارد که از معمول­ترین این روش­ها می­توان به میانگین حسابی، گرادیان و تیسن اشاره نمود (8 و 9). ولی به دلایلی از جمله در نظر نگرفتن موقعیت، آرایش و همبستگی بین مشاهده­ها، از دقت کافی برخوردار نیستند. البته روش­های دیگری نیز وجود دارند که به دلیل در نظر گرفتن همبستگی و ساختار مکانی داده­ها اهمیت زیادی دارند. ایرادهای روش­های یاد شده، ضرورت بهره­گیری از روش­های زمین­آماری را مطرح می­کند. روش­های زمین­آماری به دلیل در نظر گرفتن همبستگی مکانی داده­ها از اهمیت ویژه در بررسی­های مربوط به توزیع مکانی داده­های زمینی برخوردار می­باشند و برآوردهای بهتری از پارامتر مورد بررسی در نقاط نمونه­برداری نشده می­دهند (10).

یکی از روش­هایی که امروزه جایگزین روش های مبتنی بر استفاده از شیوه های آمار کلاسیک (مانند رگرسیون، مربع معکوس وزنی فاصله و ...) شده، روش­های زمین آماری است. امروزه از این روش­ها برای درون­یابی ایستگاه­های بارندگی و سایر متغیرهای که وابستگی مکانی دارند استفاد می­شود (11 و 12). محققان بسیاری به مقایسه و ارزیابی روش­های مختلف درون­یابی پرداخته­اند که نشان­دهنده اهمیت موضوع در کاهش خطای ناشی از انتخاب روش است (7، 13، 14، 15).

هدف از انجام این مطالعه، پهنه­بندی تعداد روزهای طوفانی در کشور بر اساس داده­های 150 ایستگاه هواشناسی در دوره آماری 25 ساله (1986-2010) میلادی جهت رسیدن به یک دیدگاه کلی از وضعیت طوفان در کشور و استفاده در تصمیم­گیری­ها کلان با استفاده از ایستگاه­های هواشناسی با پراکندگی مناسب و انتخاب بهترین مدل بر اساس روش­های مختلف زمین­آماری و ریاضی و تعیین بهترین روش در این زمینه می­باشد.

مواد و روش­ها

معرفی منطقه مورد مطالعه

کشور ایران با مساحت 1648195 کیلومتر مربع بین عرض­های 25 تا 40 درجه شمالی و طول 44 تا 63 درجه شرقی قرار گرفته است. بنابراین از نظر عرض جغرافیایی قسمت­های جنوبی آن در نواحی گرمسیری^[6] و قسمت­های شمالی آن در نواحی نیمه گرمسیر^[7] واقع است (شکل 1).

روش تحقیق

برای پهنه­بندی تعداد روز طوفانی در کشور ایران نیاز به داده­های دراز مدت تعداد روز طوفانی که توسط ایستگاه­های هواشناسی ثبت می­شوند می­باشد. برای این­کار داده­های 150 ایستگاه موجود در کل کشور در دوره آماری 25 ساله (2010-1986) در سال 1395جمع­آوری شد (شکل 1). به منظور بررسی نرمال بودن داده­ها از روش کلموگراف - اسمیرنف^[8] استفاده شد. داده­های تعداد روز طوفانی پس از نرمال­سازی مورد استفاده قرار گرفت (جدول 1). در مرحله بعد با استفاده از نرم افزار GS⁺جهت تعیین میزان همبستگی مکانی بین داده­ها، انواع وایروگرام­ها ترسیم و بررسی شدند. برای تعداد روز طوفانی در سطح ایران ازروش­های درون­یابی [9]IDW، ^[10]GPI، ^[11]RBF، ^[12]LPI و Kriging با توان­های 1، 2 و 3 در محیط نرم­افزار ArcGIS 10.3 استفاده شد. از بهترین وایروگرام بدست آمده در جهت تهیه و ارزیابی انواع روش­های کریجینگ استفاده شده است. جهت ترسیم نقشه پهنه­بندی ابتدا مختصات ایستگاه­های مطالعاتی وارد محیط نرم­افزاری GIS گردیدند و از فایل نقطه­ای آن­ها که مبنی بر موقعیت ایستگاه­ها و داده­های تعداد روز طوفانی بود، خروجی گرفته شد. سپس با استفاده از روش­های زمین آماری، مبادرت به میان­یابی و تبدیل داده­های نقطه­ای به پهنه­ای گردید و نقشه پهنه­بندی تعداد روز طوفانی کشور برای کل دوره (25 ساله) در محیط نرم­ افزاری GIS  ترسیم شد. در ادامه جهت انتخاب بهترین مدل زمین­آماری از پارامترهای R² و RMS استفاده گردید. مراحل انجام تحقیق در شکل 2 آورده شده است.

شکل 1- ایستگاه­های مورد استفاده در منطقه مورد مطالعه

Figure 1. Stations used in the study area

جدول 1- خصوصیات آماری داده­های تعداد روزهای طوفانی در کشور

Table 1. Statistical Properties of Stormy Day in the Country

شکل 2- مراحل انجام تحقیق

Figure 2. Research steps

طوفان گرد و غبار

پدیده فرسایش بادی در قالب دو فرآیند نمود دارد: فرآیند طوفان­های گرد و غباری[13] و طوفان شن[14]. در پدیده فرسایش بادی، ریزگردهای با فطر کمتر از 5/2 میکرومتر معمولا به صورت عمودی و یا افقی در هوا منتشرشده و ریزگردهای درشت­تر یا همان ماسه با حالت خزشی پیش می­روند تا این­که انرژی باد کاهش پیدا کرده و ذرات ریز بر روی زمین رسوب نموده و ریزگردهای درشت تر (ماسه) تپه­های ماسه­ای و یا به اصطلاح ریگ­زارها را به وجود می­آورند. مفهوم گرد و خاک معادل ریزگردهای حاصل از پدیده فرسایش بادی است که در مناطق خشک به وجود می­آیند و قطر آنها کوچکتر از 177 میکرون می باشد. غبار[15] میتواند در اثر آتش­سوزی و یا فعالیت­های انسانی به وجود بیاید. ریزگردها می­توانند مسافت­های بسیار طولانی را درنوردند و حتی از مرز قاره­ها بگذرند.

 برخی تعاریف مرتبط با گرد و غبار به شرح زیر می باشد:

طوفانخاک: شرایط هوای غیرمعمول که همراه با بادهای شدید و هوای غبارآلود در ناحیه­ گسترده­ای در سرزمین­های خشک که ریزگردها به وفور یافت می­شود، اتفاق میافتد و کیلومترها طول و ارتفاع دارد. وقوع طوفان خاک ارتباط نزدیکی با شرایط اقلیمی محلی مثل بارندگی، دما و همچنین ویژگی های سطح زمین مثل پوشش گیاهی، پوشش برف روی سطح زمین و بافت خاک دارد.

طوفانماسه­ای: باد شدیدی است که ذرات ماسه را در هوا حمل می­کند و قطر ریزگردها در آن بین 08/0 تا 1 میلی­متر است و در ارتفاع کمتر از 3 متری از سطح زمین به وجود میآید و حداکثر به ارتفاع 5/4 متر از سطح زمین می­رسد.

طوفانگردوخاک : بادی که مخصوص نواحی خشک و نیمه­خشک بوده و بر اثر وزش آن، ابر متراکمی از گرد و غبار در فضا ایجاد شود. تراکم این ابر غبارآلود آنقدر زیاد است که جلوی دید را کاملاً گرفته و ارتفاع آن گاه تا 3000 متر می­رسد. در چنین حالتی در هر کیلومتر مکعب هوا، حدود 4000 تن غبار وجود دارد.

رتبه­بندی کدهای هواشناسی مربوط به پدیده­های گرد و خاکی در جدول 2 آورده شده است. کد 00 به کم اهمیت­ترین رخداد و کد 99 به پراهمیت­ترین رخداد هواشناسی از لحاظ بحران آب و هوایی اختصاص داده می­شود. گاهی در طول یک دوره گزارش بیش از یک رخداد هواشناسی اتفاق میافتد که در این شرایط کارشناسان رخداد مهمتر که در رتبه­بندی صورت گرفته توسط WMO بیشترین کد را به خود اختصاص داده است، گزارش می­کنند (16).

جدول2-کدهایهواشناسیتعریفشدهتوسطسازمانجهانیهواشناسی WMOبرایبیانپدیدهگردوغبار (16)

Table 2. Meteorological codes defined by the WMO World Meteorological Organization for the expression of dust phenomena (Wali and Roostae, 2017)

درون­یابی زمین­آماری و ریاضی

 زمین آمار براساس ساده ترین تعریف، در واقع یک روش درونیابی است که معیار مورد استفاده در آن برای درونیابی یا تخمین، کمینه شدن مقدار واریانس تخمین است (16). درون­یابی در واقع برآورد میزان متغیر پیوسته مجهول براساس نمونه­های معلوم در منطقه است (17). تخمین زمین آماری یکی از دقیق­ترین روش­های تخمین است، چرا که عوامل زیادی نظیر فاصله نقاط، ناهمسانگردی، تغییر­­پذیری فضایی را مورد بررسی قرار می دهد.با این وجود، این روش حجم محاسبات بسیار بالایی دارد که باعث می شود در عملیات­های بزرگ، زمان محاسبات افزایش یابد (18).

آنالیز زمین­آماری به بررسی پدیده­های متغیر در زمان و مکان و تجزیه و تحلیل نقاط نمونه­برداری شده با موقعیت­های متفاوت به منظور تولید یک سطح پیوسته می­پردازد (19). آنالیزهای زمین­آماری به دنبال راهی برای توصیف پیوستگی مکانی و همچنین جمع­آوری ابزارهای آماری و قطعی و مدل نمودن این دسته از تغییرات هستند .فرض اساسی این روش تحلیل مکانی- آماری این است که مشاهدات نزدیک به هم نسبت به مشاهدات دور از هم همبستگی آماری بیشتری دارند .لازم به ذکر است، امکان دستیابی به نتایج صحیح و کارا از طریق این نوع آنالیزها، زمانی رخ می­دهد که داده­ها دارای توزیع نرمال و تا حد امکان ثابت بوده و میانگین و واریانس آنها در فضا متغیر نباشد (20).

واریوگرام

واریوگرام یکی از مهم­ترین مفاهیم زمین­آمار است که اغلب تعاریف و مفاهیم دیگر زمین آماری بر اساس آن تبیین می­گردند. برای تعیین میزان همبستگی مکانی یک متغیر در فواصل نمونه­برداری شده و استخراج پارامترهای لازم در مراحل درون­یابی از واریوگرام استفاده می­شود (11). واریوگرام اولین قدم برای مدل­سازی ساختار مکانی به منظور استفاده در کریجینگ است. هدف اصلی از برقراری تابع نیم­تغییرنما^[16] آن است که بتوان ساختار تغییرپذیری متغیر را نسبت به فاصله مکانی شناسایی نمود. واریوگرام با استفاده از رابطه (1) محاسبه می­شود (21).

که در آن:

γ (h): مقدار نیم­تغییرنما برای جفت نقاطی که به فاصله h از هم قرار دارند.  : تعداد زوج نقاطی است که به فاصله h از یکدیگر قرار دارند.  : مقدار مشاهده شده متغیر در نقطه x..  : مقدار مشاهده شده متغیری که به فاصله h از x قرار دارد.

در منحنی واریوگرام با افزایش فاصله (h) مقدار γ (h) افزایش می­یابد و این وضعیت تا فاصله معینی ادامه دارد که از آن پس مقدار آن ثابت می­شود. در این تحقیق از انواع مدل­های خطّی، نمایی، گوسین و کروی استفاده می­شود و در زیر به شرح آنها پرداخته شده است (21).

مدل خطی: معادله مدل خطی از رابطه (2) به دست می­آید.

 مدل نمایی: معادله مدل نمایی از رابطه (3) به دست می آید.

مدل گوسین: معادله مدل گوسین از رابطه (4) به دست می­آید.

مدل کروی: معادله مدل کروی از رابطه (6) به دست می آید.

در این تحقیق، به منظور بررسی تعداد روزهای طوفانی از روش­های درون­یابی ریاضی شامل روش معکوس فاصله وزنی (IDW)، درون­یاب چند جمله­ای جهانی (GPI)، تابع شعاعی (RBF)، درون­یاب موضعی (LPI) و روش زمین­آماری شامل کریجینگ استفاده شد.

روش عکس فاصله (IDW)

روش معکوس فاصله یکی از روش­هایی است که در مطالعات جغرافیایی به صورت متداول از ان استفاده می شود. فرض اصلی این روش بر آن است که با افزایش فاصله میزان تأثیر پارامترها در برآورد متغیر برای هرنقطه از سطح منطقه مورد مطالعه کاهش می­یابد. در این روش به نقاط نزدیک به محل تخمین، وزن­ بیشتر و به نقاط دورتر، وزن کمتر اختصاص می­یابد (17). بیان آماری چنین رویکرد وزن­دهی، عبارت از ریاضی این روش به صورت رابطه (7) می باشد:

که در آن:

di: عبارت از فاصله بین نقطه تخمین تا هر کدام از نمونه­های واقع در همسایگی آن.

Z_O:مقدار تخمین متغیر z.

Z_i: مقدار نمونه در نقطه i.

d_i: فاصله نقطه مورد تخمین تا نقطه i.

n: توان فاصله که تنظیم کننده وزن فاصله می باشد و بین 0 تا n تغییر می کند.

روش چند جمله­ای جهانی (GPI)

روش چند جمله­ای، یک مدل رگرسیونی چند متغیره بر اساس تمامی داده­ها ایجاد می­کند. این روش مدلی را بر نقاط نمونه­برداری برازش می­کند که می­تواند یک سطح چند جمله­ای با توان 1، 2 و یا 4 باشد. بهترین کاربرد این روش در سطوحی می باشد که در آن متغییر دارای تغییرات ملایم و تدریجی است (19).

روش تابع پایه شعاعی (RBF)

روش تابع پایه شعاعی از جمله روش­های درون­یابی می­باشد که در آن دامنه مقادیر تخمینی از حد مقادیر مشاهده شده فراتر می رود، یا تخمین از دامنه مشاهده خارج می شود و به عنوان یکی از روش­های شبکه عصبی مصنوعی^[17] است. در این روش مقادیر برآورد شده به دامنه حداقل و حداکثر مقادیر مشاهده شده محدود نمی­شود و ممکن است مقادیر تخمینی بیشتر از بیشینه مقادیر مشاهده شده و یا کمتر از کمینه مقادیر مشاهده شده نیز وجود داشته باشند (14).

روش موضعی (LPI)

این روش یک دامنه کوتاه از تغییرات در داده­های ورودی را در نظر می­گیرد و با فواصل همسایگی در پنجره مشترک حساس است، بدین گونه که پنجره حرکت کرده و مقادیر سطحی در مرکز هر پنجره در هر نقطه به وسیله برازش یک چند ضلعی تخمین زده می­شود. این روش انعطاف­پذیری بالاتری نسبت به روش تخمین عام دارد. این دو روش هیچ فرضی برای داده­ها نیاز ندارند (14).

روش کریجینگ (Kiriging)

یکی از روش­های پیشرفته زمین آمار است که بر اساس تحلیل نیم تغییرنما استوار می­باشد. نیم تغییرنما یکی از روش­های محاسبه تغییرات مکانی است که هدف اصلی از برقرار کردن تابع آن، شناسایی ساختار تغییرپذیری متغیر نسبت به فاصله مکانی می­باشد. کلید اساسی در کریجینگ نیم تغییرنما است که در واقع بررسی همبستگی مکانی بین دو نقطه است. اما فرض بر آن است که مقادیر یک متغیر در فواصل نزدیک بیشترین شباهت را داشته و با افزایش فاصله از میزان همبستگی مقادیر آن متغیر کاسته می شود (14). از مهمترین ویژگی­های کریجینگ آن است که به ازای هر تخمینی خطای مرتبط با آن را نیز محاسبه می­کند. در روش کلاسیک (مانند رگرسیون و معکوس وزنی فاصله) معمولا این چنین نیست (22). معادله کلی کریجینگ برای برآورد مقادیر یک متغیر به صورت رابطه (8) بیان می­شود.

که در آن:

Z^*: میزان داده برآورد شده. W_i مجموعه­ای از وزن­هاست، که به نحوی انتخاب می­شوند تا Z _xi^*برآورد نااریب با حداقل خطا Z^* باشد (14).

معیارهای ارزیابیوانتخاب بهترینمدل

 بعد از انتخاب مدل واریوگرام و درونیابی انجام یافته توسط روش­های مورد بررسی در این تحقیق، در ادامه صحت این درونیابی­ها مورد ارزیابی قرار گرفت. روش­های عمده­ای که در بررسی صحت درونیابی استفاده می­شود شامل صحت­یابی (validation) و صحت­یابی سرتاسری است (11) که در روش اول یک منطقه تعلیمی (Traning) و یک منطقه آزمایش انتخاب می شود. در ابتدا برای منطقه تعلیمی رابطة درونیابی به دست می آید، سپس برای منطقه آزمایش به کار می­رود و میزان دقت برآورد محاسبه می­گردد (19). برخلاف­ آن در روش صحت­یابی سرتا­سری که در این تحقیق استفاده شده است بدین گونه عمل می شود که تمام داده­ها در ایستگاه­های شاخص حذف گردیده و سپس بر اساس مدل درونیابی تمامی داده های ایستگاه­های شاخص برآورد می­گردند که تفاوت بین مقدار واقعی و مقدار برآورد شده در ایستگاه­های شاخص را خطای برآورد گویند. دراین تحقیق از پارامترهای میزان مربع میانگین ریشه خطای باقی مانده ^[18] و R² برای انتخاب بهترین روش درونیابی مورد استفاده قرار گرفت (رابطه 9) (11).

X: مقدار مشاهده شده، X_i: مقدار برآورد شده و n: تعداد داده­ها است.

نتایج و بحث

 در این تحقیق برای نشان دادن همبستگی مکانی بین داده تعداد روزهای طوفانی از ترسیم واریوگرام استفاده شد، نتایج حاصل از ترسیم واریوگرام­های مختلف در جدول 3 مشاهده می­گردد. در ادامه واریوگرامی برای برازش بر داده­ها استفاده شد که همبستگی مکانی بین داده­ها را به صورت مطلوب­تری از سایر واریوگرام ها نشان دهد. برای این امر از نسبت میان اثر قطعه­ای و سقف واریوگرام استفاده گردید (Co+C). اگر نسبت اثر قطعه­ای بر سقف واریوگرام کمتر از 25/0 باشد، بین داده­ها همبستگی مکانی قوی وجود دارد. اگر این نسبت بین 25/0 تا 75/0 باشد میزان همبستگی مکانی متوسط بوده و اگر بیش از 75/0 باشد همبستگی مکانی بین داده­ها کم بوده یا همبستگی وجود ندارد (23). به همین دلیل از این نسبت برای انتخاب بهترین وایروگرام استفاده گردید. با توجه به پارامترهای به دست آمده برای واریوگرام­های برازش شده وایروگرام گوسین با میزان همبستگی 96/0 بهترین همبستگی بین داده­ها را مدل کرده و برای درونیابی استفاده گردید (شکل 3).

با توجه به جدول 4 و شکل 4، روش زمین­آماری کریجینگ شاخص با همبستگی داده­های پیش­بینی­شده به میزان 74/0 بالاترین دقت را نسبت به سایر روش­های زمین­آماری و ریاضی دارد. باتوجه به تعداد بالای ایستگاه­های موجود در منطقه و نحوه توزیع مناسب آنها، در اکثر روش­ها پهنه­بندی کاملی از منطقه تولید می­شود.

شکل 5، پهنه­بندی طوفان در کشور را با استفاده از روش­های مختلف زمین­آماری و ریاضی نشان می­دهد. برای هر روش نیز سه وضعیتِ توان 1، 2 و 3 در نظر گرفته شده است. همان گونه که در روش­های مختلف پهنه­بندی دیده می­شود، نوار شمالی کشور یعنی حاشیه­ی دریای خزر، در کلاس صفر طوفان (کمتر از 2 روز در سال) قرار می­گیرد. تعداد روزهای طوفانی با حرکت از شمال به سمت جنوب، به تدریج افزایش یافته، به طوری­که بیشترین مقدار در بخش­های جنوب غربی و جنوب شرقی کشور مشاهده می­گردد. جدول 5، تعداد روز طوفانی در هر کلاس پهنه­بندی را نشان می­دهد.

همان­طوری­که در شکل 5 مشاهده می­گردد، هر یک از نقشه­های تولید شده تفاوت قابل توجهی با دیگر نقشه­ها دارد. البته پهنه­بندی روش­های کریجینگ شباهت زیادی با یکدیگر دارند، به جز روش کریجینگ شاخص که مقداری از ایران مرکزی را در کلاس­های بسیار کم گرد و غبار طبقه­بندی می­کند که در واقع این روش با داشتن بالاترین همبستگی بین داده­های مشاهداتی و پیش­بینی، بیشترین دقت را دارد. در نتیجه بقیه­ روش­های کریجینگ در این مطالعه طبقه­بندی قابل قبولی را ارائه نمی­دهند. البته روش­های کریجینگ منفصل و ساده شباهت زیادی به طبقه­بندی روش شاخص دارند.

بالا بودن تعداد روزهای طوفانی در جنوب غربی کشور به علت ورود گرد و غبار از عراق و دیگر کشورهای عربی به استان­های خوزستان و ایلام است. این میزان در شهر اهواز 70 روز طوفانی و در امیدیه و دزفول به ترتیب 136 و 109 روز طوفانی در سال (در حدود یک سوم سال) است. شهر بوشهر نیز در جنوب کشور با 109 روز طوفانی وضعیت مناسبی ندارد.

بیشترین تعداد روز طوفانی مربوط به شهر زابل در جنوب شرقی کشور (167 روز در سال یا به عبارتی نیمی از سال) است. بالا بودن این شاخص در شهر زابل به دلیل وجود بادهای 120 روزه­ سیستان می­باشد که عمدتاً از اواخر تابستان تا اوایل پاییز، مشکلات فراوانی را برای مردم این منطقه به وجود می­آورد. شهر زاهدان با حدود 200 کیلومتر فاصله به سمت جنوب، 67 روز در سال دارای وضعیت طوفانی است. منطقه ایران مرکزی در وضعیت متعادلی قرار دارد و عمدتاً در کلاس 5 و 6 قرار می­گیرد که معادل 28- 18 و 44- 28 روز طوفانی می­باشد.

شکل 3- واریوگرام گوسین، به عنوان بهترین واریوگرام برازش داده شده به داده­های تعداد روزهای طوفانی در کشور

Figure 3. Gaussian Virogram, as the best variogram fitted to the number of stormy days in the country

جدول 3- پارامترهایتأثیرقطعه­ایوسقفواریوگرامبهدستآمدهبرایواریوگرام­هایبرازششده

Table 3. Segmental and Ceiling Effect Parameters of the Variogram Obtained for the Fitted Variograms

جدول4- میزان همبستگی داده­های مشاهداتی و پیش­بینی شده بر اساس روش­های مختلف مورد استفاده در این تحقیق

Table 4. Correlation of observed and predicted data based on different methods used in this study

(توان­های 1، 2 و 3 در هر روش، بیانگر توان آن روش در نرم­افزار Arc GIS 9.3می­باشد.)

شکل 4- نمودار مقادیر برآوردی و مشاهداتی در روش کریجینگ

Figure 4. Graph of estimated and observed values ​​in kriging method

جدول 5- کلاس­های تعداد روزهای طوفانی در کشور

Table 5. Classes of Number of Stormy Days in the Country

Kriging Disjunctive

Kriging Universal

Kriging Indicator

Radial Basis Function (RBF)

Kriging Simple

Kriging Ordinary

(IDW. 1)

Local Polynomial Interpolation (LPI. 1)

Global Polynomial Interpolation (GPI. 1)

Figure 5. Storm zoning map of Iran based on different geostatistical and mathematical methods

نتیجه­گیری

مدیریت هوشمندانه مخاطرات طبیعی غیر منتظره، ترکیبی از علم و هنر و عمل است و برنامه­ریزی ابزاری است که ما را از وضعیت موجود به وضعیت مطلوب می رساند. اولین قدم برای برنامه ریزی صحیح تبیین و شناخت وضعیت موجود است که نیاز به واقع­بینی دارد تا خوشبینی. در حال حاضر برخی پدیده­هایی که مخاطرات طبیعی نامیده می شوند، نتیجه عملکرد نادرست و ارتباط نامتعادل انسان با طبیعت است. وقوع طوفان گرد و خاک متاثر از عوامل طبیعی و انسان ساخت است که بخش انسانی آن عمدتاً نوعی واکنش به تغییر پوشش و کاربری اراضی است. استفاده از فن­آوری­های نوین مانند سیستم اطلاعات جغرافیایی (GIS) روز به روز در حال افزایش است. استفاده از GIS در پهنه­بندی مناطق وسیع، سرعت و دقت کار را بسیار بالا برده و دید خوبی از وضعیت شاخص مورد بررسی به ما می­دهد. با پهنه­بندی طوفان در سطح ملّی، می­توان وضعیت تعداد روزهای طوفانی را در کشور به خوبی پایش نمود و این امر به ما اجازه می­دهد در مدیریت این پدیده­ ناگوار زیست­محیطی بهتر عمل نماییم.

در این پژوهش، 6 مدل درون­یابی بر تعداد روزهای طوفانی کشور در دوره آماری 25 ساله (1986-2010) میلادی برازش داده شده و نتایج مورد ارزیابی قرار گرفت. برای نشان دادن همبستگی مکانی بین داده تعداد روزهای طوفانی از ترسیم واریوگرام استفاده گردید. نتایج به دست آمده نشان می دهد که وایروگرام گوسین، بهترین دقت را دارد و تغییرات تعداد روزهای طوفانی بیشتر از این مدل تبعبت می کند. با به کار­گیری نسبت اثر قطعه­ای بر سقف واریوگرام مشخص شد، واریوگرام گوسین با میزان همبستگی 96/0 بهترین همبستگی بین داده­ها را مدل کرده و برای درونیابی استفاده گردید. جهت انتخاب بهترین مدل زمین­آماری از پارامترهای R²و RMSE استفاده شد. نتایج نشان داد که پیش­بینی روش کریجینگ شاخص (Kriging Indicator) دارای بیشترین میزان همبستگی با داده­های مشاهداتی است (R²=0.74).

اقلیم ایران به مقدار زیادی تحت تاثیر رشته­کوه­های البرز و زاگرس قرار دارد. رشته کوه البرز در نوار شمالی ایران، مقدار زیادی از بارش نوار شمالی را به سمت خود جذب کرده و شیب رو به شمال آن بارش زیادی را جذب می­کند. اما مانع عبور جریانات شمالی به قسمت­های میانی می­گردد. در نتیجه در قسمت­های مرکزی به تدریج بر میزان طوفان­های گرد و غبار افزوده می­گردد. شرق کشور از گذشته­های دور از آب ورودی از کشور افغانستان حقابه داشته و از آن بهره می­برده است، اما با ساخت سد در مسیر این آب، مقدار زیادی از دریاچه هامون خشک گردیده و رسوبات بستر دریاچه­ها که عموما از نظر دانه­بندی، آستانه فرسایش بسیار پایینی دارند، به راحتی برداشت شده و مشکلات فراوانی را برای مردم منطقه به وجود می­آورد. میزان گرد و غبار در غرب و جنوب غرب کشور نیز در کلاس­های خیلی زیاد قرار می­گیرد. این امر ناشی از گرد و غبار ورودی به کشور از کشورهای عربی می­باشد که صدمات زیادی به سلامت مردم و جامعه­ گیاهی این مناطق وارد می­سازد. لذا بایستی به فکر چاره­ای جهت کاهش ورود گرد و غبار از مناطق برداشت در کشورهای عربی بود.

هر یک از نقشه­های تولید شده در روش­های مورد استفاده در این تحقیق با دیگر نقشه­ها تفاوت­های قابل توجهی دارد. در نتیجه در هنگام استفاده از روش­های پهنه­بندی نمی­توان به یک یا چند روش اکتفا نمود. لذا بایستی به نتیجه­ مطالعات تعیین بهترین روش زمین­آماری در پهنه­بندی هر منطقه مراجعه نمود و در صورت موجود نبودن چنین داده­ها و مطالعاتی، بایستی در هر تحقیق بهترین روش تعیین گردد که البته روش دوم تا حدودی وقت­گیر است. از جمله موارد دیگر جهت بهبود درون­یابی­های انجام یافته، مقایسه تعداد بیشتری از مدل­های واریوگرام­های تجربی و انتخاب واریوگرامی که بهترین همبستگی را نشان دهد، می­باشد (در این تحقیق از چهار مدل واریوگرام مختلف استفاده شده است). همچنین افزایش شمار ایستگاه­های هواشناسی در سطح کشور، به گونه­ای که بتواند تغییرات مکانی را کامل­تر پوشش دهد، بالا بردن تراکم ایستگاه­های هواشناسی، بویژه در مناطق با ارتفاع بالا، می­تواند مقدار خطای پیش­بینی را کاهش داده و نتایج دقیق­تری به دست آورد.

Reference

1. Di, M., Lu, X., Sun, L., Wang, P., 2008. A Dust-Storm Process Dynamic Monitoring with Multi-Temporal MODIS Data.21st, International Society for Photogrammetry and Remote Sensing. Journal of Photogrammetry and Remote Sensing, Vol 37: pp 965-970.
2. Mattsson, J. O., Nihlén, T., 1996. The transport of Saharan dust to southern Europe: a scenario. Journal of Arid Environments, Vol 32: pp 111-119.
3. Squires, V. R., 2002. Mitigating and preventing sand-dust storms: problems and prospects. In Yang Youlin, Victor Squires & Lu Qi (Eds.), Global Alarm: Dust and Sandstorms from the World's Drylands, (pp. 15-73). New York: United Nations.
4. Zanganeh, M., 2014. Meteorology of Dust Storms in Iran, Applied Meteorology Quarterly, No. 1, pp 1-12. (In Persian)
5. Lamb, P. J., Leslie, L. M., Timmer, R., Speer, M. S., 2009. Multidecadal variability of Eastern Australian dust and Northern New Zealand sunshine: associations with Pacific climate system. Journal of Geophysical Research, [Atmos.] Vol 114, D09106. http://dx.doi.org/ 10.1029/2008JD011184.
6. Sajjadi, A., 2013. Environmental Impacts of Pollutions (Air Pollution, Sound Pollution, Dust), First National Conference on Environmental Engineering and Sustainable Development. (In Persian)
7. Farajzadeh Asl, M, and Alizadeh, Kh., 2011. Temporal and Spatial Analysis of Dust Storms in Iran, Space Planning and Preparation, No. 15, pp. 65-84. (In Persian)
8. Hosseini, E., Gallichand, J. and Caron, J., 1993. Comparison of several interpolators for smoothing hydraulic conductivity data in southwest Iran. ASAE, Vol 36: pp 1687-1693.
9. Corwin, D. L., Sorensen, M. and Rhoades, J. D., 1992. Using GIS to locate salinity on irrigated soils. Proc. 8th Conf. Computing in Civil Engineering in Conjunction with A/E/C system ‘92, TCCP/ASCE-Dallas, TX, June 7: pp 468-485.
10. Karimiznar, M., Fakhirah, A., Feyznia, S., Rashki, A, and Mir-Soleiman, J., 2009. Evaluation of Some Geostatistical Methods for Estimating Wind Erosion Threshold Speed ​​in Sistan Plain, Rangeland and Watershed Management (Iranian Natural Resources), No. 62. Pp 417-405. (In Persian)
11. Shabani, A., Matinfar, H. R., Arekhi, S. and Rahimi, S., 2011. Modeling of Rainfall Erosion Factor Using Geostatistical Method (Case Study: Ilam Dam Watershed), Remote Sensing and Geographic Information System in Natural Resources, No. 2, pp. 66-55. (In Persian)
12. Matinfar, H. R., Shabani, A. and Azizi Ghalati, S., 2010. Investigation of Spatial Changes of Some Soil Nutrients Using Geostatistical Methods (Case Study of Silakhor Plain), Second National Conference on Agriculture and Sustainable Development (Opportunities and Challenges). (In Persian)
13. Mahdian, M., 2002. Determination of Optimization Interpolation Methods to Estimate Rainfall and Temperature in Arid, Semiarid and Humid Regions (IRAN). Project Report Soil Conservation and Watershed Management Research Institute.
14. Mirmousavi, Sh., Mazidi, A., Khosravi Y., 2010. The determination of optimum geostatistics method for estimating precipitation distribution using GIS (case study of Esfahan province), Geographic Space, Vol 10: pp 105-120.(In Persian).
15. Gohardost, A., Azimi, F. and Zohourian, M., 2011. Synoptic Investigation and Analysis of Khuzestan Dust Peak Days, First International Congress on Dust Phenomena and its Impacts, pp 709-718. (In Persian)
16. Vali, A. and Roostae, F., 2017. A Survey of Wind Erosion Trends in Central Iran Using the Dust Storm Index in the Recent Fifty Years, Journal of Water and Soil Science (Agricultural Science and Technology). pp 200-189 (In Persian).
17. Hohn, M. E., 1998. Geostatistics and petroleum geology, Kluwer Academic Publisher, Netherlands.
18. Lu, G. Y., Wong, D. W., 2008. An Adaptive Inverse-Distance Weighting Spatial Interpolation Technique. Computers & Geosciences, Vol 34: pp 1044-1055.
19. Hirsche, K., Boerner, S., Kalkomey, C., Gastaldi, C., 1998. Avoiding pitfalls in geostatistical reservoir characterization: A survival guide: The leading Edge, Vol 17, pp 493-504.
20. Johnston, K., Ver Hoef, J. M., Krivoruchko, K., Lucas, N., 2001. Using Geostatistical Analyst, Environmental Systems Research Institute, Inc (ESRI).
21. Bohling, G., 2005. Introduction to GeoStatistics and Variogram Analysis, Assistant Scientist Kansas Geological Survey Ferro, V., Giordano, G. and Lovino, M. 1991. Isoerosivity and erosion risk map for Sicily. Hydrology Sciences Journal, Vol 36: pp 549–564.
22. Hassani Pak, A. S., 2007. Geostatistics. Tehran University Press.
23. Webster, R., Oliver, M. A., 2000. Geostatistics for environmental scientists. Wiley press, 271 pp.