تحلیل احتمال وقوع حالات بارش به‌شرط حالات دمایی و پهنه‌بندی آن در استان فارس

نویسندگان

1 دانشگاه فسا

2 دانشگاه یزد

3 دانشگاه هرمزگان

چکیده

هدف از انجام این پژوهش، تعیین احتمال وقوع حالات بارش به‌شرط حالات دمایی و پهنه‌بندی آن است. برای این منظور، از داده‌های دما و بارش روزانۀ 13 ایستگاه سینوپتیک استان فارس که دارای حداقل 20 سال دورۀ آماری بودند، استفاده شد. در ابتدا حالات مختلف دمایی و حالات بارش تعیین شد. در گام بعد، فراوانی توأم رویدادهای دمایی و رویدادهای بارشی هر روز در ماتریسی ارائه شد. سپس ماتریس احتمال توأم حالات بارش‌ـ دما محاسبه و احتمال شرطی هریک از رخدادهای بارش به‌شرط حالات دمایی برای هریک از ایستگاه‌های منطقۀ مورد مطالعه محاسبه شد. در ادامه، با استفاده از تحلیل خوشه‌ای و براساس روش فاصلۀ اقلیدوسی و روش ادغام وارد (Ward)، اقدام به طبقه‌بندی منطقۀ مورد مطالعه شد و نمودار درختی آن ترسیم گردید. در گام آخر، نقشۀ پهنه‌بندی و حالات احتمال شرطی با استفاده از نرم‌افزار GIS تهیه شد. نتایج نشان داد که براساس ویژگی‌های احتمال شرطی، منطقۀ مورد مطالعه به سه پهنه تقسیم می‌شود. همچنین، نتایج متوسط احتمال شرطی حالات بارش به‌شرط حالات دمایی، حاکی از بالا بودن احتمال وقوع روزهای بدون بارش و گرم نسبت‌به دیگر حالت‌های ممکن است. در هر سه پهنۀ مورد مطالعه، روزهای توأم با بارش زیاد به‌شرط دماهای کم در درجۀ دوم احتمال قرار دارند. کمترین احتمال وقوع در بین حالت‌های شرطی ممکن مربوط به روزهای پربارش با هوای گرم است.

کلیدواژه‌ها


عنوان مقاله [English]

Determination of Relationship between Probability of Precipitation and Temperature Status and Provide their Zoning Map in Fars Province

نویسندگان [English]

  • Amir Hossein Parsamehr 1
  • Hamid Sodaeizadeh 2
  • Zahra Khosravani 2
  • Mehdi Biniaz 3
1
2
3
چکیده [English]

The aim of this study is determination of probability of occurring precipitation status under the condition temperature status and. zoning map preparation. For this purpose, the daily temperature and precipitation data from 13 synoptic stations were used in Fars province which includes at least the period of 20 years. At first were determined different scenarios of temperature and precipitation. In the next step, daily common frequency of temperature and precipitation events were counted and presented in matrix. In the following, common probability matrix of temperature-precipitation events was calculated. Finally, probability of precipitation under the condition temperature status was calculated for each station. Then 9 probability characteristics of 13 stations were analyzed clustery based on partial Euclidean distance indicator by wards method and their dendrogram were plotted. In the final step, zoning and probability maps was prepared using GIS software. The results showed that based on conditional probability characteristics, study area are divided in to three zones. Also, average results of probability of precipitation under the condition temperature status indicate high chance of days without precipitation and warm than other modes. In all three study zones, the days with high precipitation and low temperature are in second degree of chance. The minimum chance of occurrence, related to days with heavy rain and warm.

کلیدواژه‌ها [English]

  • Conditional Probability
  • Fars Province
  • Zoning
  • Cluster analysis
  1. Akan, A. O. Houghtalen, R. J., 2003. Urban Hydrology, Hydraulics, and Storm Water Quality, John Wily & snos.Inc., U.S.A.
  2. Alijani, B., 1993. Mechanism of rain rising in Iran, Persian language and literature 1, 85-101.
  3. Asakereh, H., Sayadi, F., 2014. Investigation of Markov chain in forecasting and zoning of dry days, Quarterly geography and environment hazards 10, 37-53.
  4. Asakereh, H., Ashrafi, S., Tarkarani, F., 2014-a. The relationship between precipitation status and daily temperature status in Iran. Geography and development. 36, 81-93.
  5. Asakereh, H., Tarkarani, F., Ashrafi, S., 2014-b. Zoning of probability of precipitation status under the condition temperature status in Iran. Quarterly geographical research. 113, 73-86.
  6. Chulsang Yoo, Jinwook Lee, and Yonghun Ro, 2016, Markov Chain Decomposition of Monthly Rainfall into Daily Rainfall: Evaluation of Climate Change Impact, Advances in Meteorology, http://dx.doi.org/10.1155/2016/7957490
  7. Fawcett, L., Walshaw, D., 2006. Markov chain models for extreme wind speeds, Environment risks, DOI: 10.1002/env.794
  8. Grimmett, G., Strirzaker, D., 2001. Prpbability and Random processes, Oxford University press. UK.
  9. Hanafi, A., Khoshakhlagh, F., Soltani, M., 2012. Analyzing the droughts of Tehran province using SPI and forecasting it by the Markov chain model. Quarterly geography and environmental sustainability. 3, 87-100.
  10. Hosseini, S. M., 2010. Identification of meteorological conditions along with heavy precipitation in Caspian area. M. Sc. Thesis, University of Esfahan,
  11. Kaviani, M. R., Alijani, B., 2000, Principle of climatology, Samt press, Tehran, Iran.
  12. Kaviani, M. R., Masoudian, S. A., 2008. Climatology of Iran, Esfahan University press, Esfahan, Iran.
  13. Kay, S. M., 2006. Intuitive probability and random processes using MATLAB. Springer, U.S.A.
  14. Mahavarpour, Z., 2015. The analyzing occurrences daily precipitation probability in Iran and forecast by using Markov chain model. Quarterly geographical research. 115, 229-240.
  15. Meteorological organization of Iran, 2014. Analysis of whether conditions in Fars synoptic stations.
  16. Mieruch, S., Noel, S., Bovensmann, H., Burrows, J., Freund, J., 2010, Markov chain analysis of regional climates, Nonlineear Processes in Geophysics, 17, 651–661.
  17. Raziei, T., Shokouhi, A. R., Saghafian, B. 2004. Prediction of intensity, duration and frequency of drought using time series (Case study: Sistan and Blouchestan Province), Desert. 8: 292-310.
  18. Saligheh, M., 2002. New theory of Monsoon weather, Geography and development. 16, 221-235.
  19. Soong, T. T., 2004. Fundamental of probability and statictics for engineers. John Wiley & Sons Ltd, England.
  20. Vafakhah, M., Bashari, M. 2012. Probability study of hydrological drought and wet period's occurrence using Markov chain in Kashafrood watershed, Quarterly watershed management researches. 94, 1-9.
  21. Yilmaz, M. Tugrul, Timothy DelSole, 2010, Predictability of Seasonal Precipitation Using Joint Probabilities, J. Hydrometeor, 1,533-541.