تحلیل روند تغییرات برخی پارامترهای سینوپتیک با استفاده از روش رگرسیون چندک در بابلسر

نویسنده

استاد گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی ومنابع طبیعی ساری

10.22125/iwe.2021.128203

چکیده

رویدادهای اقلیمی مانند سیل، طوفان و خشکسالی اغلب از آب و هوای حدی حاصل می‌شوند. بیشتر مطالعاتی که در زمینه‌ی تشخیص روند صورت گرفته است بر اساس تحلیل تغییرات در میانگین داده‌ها می‌باشند و اطلاعاتی در مورد نحوه‌ی تغییرات در محدوده‌های متفاوت از دامنه‌ی داده‌های مورد مطالعه در اختیار قرار نمی‌دهند؛ لذا برای بررسی روند تغییرات در محدوده‌های مختلف از سری زمانی داده‌های اقلیمی روش رگرسیون چندک پیشنهاد گردید. رگرسیون چندک این توانایی را دارد که روند تغییرات در چندک‌های مختلف از سری داده را بررسی کند؛ لذا در این پژوهش روند تغییرات در چندک‌های مختلف از سری زمانی داده‌های کمینه و بیشینه‌ی دما، بارش و حداکثر سرعت باد روزانه در ایستگاه سینوپتیک بابلسر برای دوره‌ی زمانی 62 ساله (1399-1338) به صورت فصلی و سالانه تحلیل گردید. نتایج نشان داد که  کمینه و بیشینه‌ی دما و سرعت باد در تمام فصل‌های سال به صورت معنی‌دار افزایش یافته است. شدت این روند‌های افزایشی در چندک‌های پایینی حدی از کمینه دما و چندک‌های بالایی حدی از بیشینه‌ی دما در فصل زمستان بیشتر بوده است. اما داده‌های سرعت باد در چندک‌های بالایی خصوصاً بالایی حدی با شدت بسیار بیش‌تری نسبت به چندک‌های پایینی خصوصاً در فصل پاییز افزایش یافته‌اند. متغیر بارش نیز تغییرات محسوسی در دوره‌ی 62 ساله نداشته است. در مقیاس سالانه بیشترین افزایش برای کمینه و بیشینه‌ی دما در چندک‌های پایینی حدی به ترتیب 28/4 و 85/2 درجه‌ی سانتیگراد و برای سرعت باد در چندک‌های بالایی حدی به اندازه‌ی 24/8 متر بر ثانیه بوده است

کلیدواژه‌ها


عنوان مقاله [English]

Analysis of the Trend of Changes in Some Synoptic Parameters Using Quantile Regression in Babolsar

نویسنده [English]

  • Karim Solaimani
Professor of Sari University of Agricultural Science and Natural Resources.Dept. of Watershed Management
چکیده [English]

Climatic events such as floods, storms and droughts are often caused by extreme weather. Therefore, it is important to study the trend of different ranges of climatic data rather than just average. Most trend detection studies are based on the analysis of changes in mean data and do not provide information on how changes occur in different ranges of the used data range. Therefore, to investigate the trend of changes in different ranges of the time series of climatic data, quantile regression method was proposed. The quantile regression has the ability to examine the changes trend in different quantiles of the data series. Therefore, in this study, we was analyzed the changes trend in the different quantiles of temperature minimum and maximum, precipitation and maximum daily wind speed data time series in Babolsar synoptic station for a period of 62 years (1959- 2020) seasonally and annually. The results showed that the minimum and maximum temperature and wind speed increased significantly in all seasons. The intensity of these increasing trend was higher in the extreme lower quantiles of the daily minimum temperature and extreme upper quantiles of daily maximum temperature in winter. But the wind speed data, in the upper quantiles especially extreme upper quantiles have increased to a much greater intensity than the lower quantiles, especially in autumn. The precipitation did not change significantly in the 62-year period. On an annual scale, the maximum increase for the minimum and maximum temperatures was in the extreme lower quantiles 4.28 and 2.85 degrees centigrade, respectively, and for the wind speed, it was in the extreme upper quantiles 8.24 meters per second.

کلیدواژه‌ها [English]

  • climate change
  • Trend
  • Climatic Data
  • quantile regression
  • Babolsar
اسدزاده، ف.، م. کاکی و س. شکیبا. 1396. بررسی و تحلیل روند تبخیر-تعرق گیاه مرجع با استفاده از آزمون اسپیرمن در ایستگاه‌های سینوپتیک استان کردستان. تحقیقات منابع آب ایران، دوره 13، شماره 1، ص 216-222.
باب الحکمی، ع.، م.ع. غلامی سفیدکوهی و ع.ر. عمادی. 1399. اثر تغییر اقلیم بر تبخیر-تعرق مرجع در استان مازندران. تحقیقات آب و خاک ایران، دوره 51، شماره 2، ص 387-401.
برارخان‌پور، ص.، خ. قربانی، م. سالاری جزی و ل. رضایی قلعه. 1399. مطالعه روند تغییرات فصلی و سالانه بارش با روش رگرسیون چندک (مطالعه موردی: ایستگاه هاشم‌آباد گرگان). پژوهش های اقلیم شناسی، سال دهم، شماره سی و نهم، ص 89-104.
جلالی، م. و ح. کارگر. 1390. تحلیل و مدل سازی آماری دمای ایستگاه بوشهر(2005-1951). نشریه فضای جغرافیایی، دوره 11، شماره 33، ص 173-149.
زارعی، ی.، ع.م. خورشیددوست، م. رضایی بنفشه و ه. رستم زاده.  1399. ارزیابی اثرات تغییرات جهانی اقلیم بر عناصر اقلیمی دما و بارش در نواحی مختلف آب و هوایی ایران با استفاده از سناریوهای RCP.نشریه علمی جغرافیا و برنامه ریزی.
علی‌پور، ح. و آ. ملکیان. 1398. تحلیل همگنی و روند بارش‌های آستانه با رویکرد آماری ناپارامتری در شمال غرب ایران. مهندسی و مدیریت آبخیز، دوره 11، شماره 4، ص917-928.
فتاحی، فرهاد. 1384. رگرسیون چندک بیزی. پایان‌نامه‌ی کارشناسی ارشد، دانشگاه تربیت مدرس.
قربانی، خ. 1393. الگوی فصلی و مکانی تغییر اقلیم دمای هوا در ایران، نشریه‌ پژوهش‌های حفاظت آب و خاک، دوره 21، شماره‌ 5، ص 270-257.
قربانی، خ.، ا. ولیزاده و ص. برارخان‌پور. ۱۳۹۷. بررسی روند تغییرات مکانی-زمانی شاخص دو متغیره خشکسالی هواشناسی SPEI در ایران. نشریه مدیریت بیابان، دوره 6، شماره 11، ص  ۲۵-۳۸. 
کریمی، م.، ف. ستوده و س. رفعتی. 1397. تحلیل روند تغییرات و پیش بینی پارامترهای حدی دمای ناحیه جنوبی دریای خزر. نشریه تحقیقات کاربردی علوم جغرافیایی، دوره 18، شماره 48، ص ۷۹-۹۳.
موسوی، ع.ر.، ک. سلیمانی، ف. شکریان و س.ح. روشان. 1399. بررسی روند تغییرات زمانی و مکانی پارامترهای کیفیت آب زیرزمینی با استفاده از روش‌های زمین آمار (مطالعه موردی: دشت لردگان، استان چهارمحال و بختیاری). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، دوره 10، شماره 3، ص 262-275.
Donner, R.V., R. Ehrcke, S.M. Barbosa, J. Wagner, J.F. Donges and J. Kurths. 2012. Spatial patterns of linear and nonparametric long-term trends in Baltic sea-level variability. Nonlinear Processes Geophys, 19: 95–111.
Dunn, R.H., K.M. Willett and E.P. Parker. 2019. Changes in statistical distributions of sub-daily surface temperatures and wind speed. Journal of Eearth System Dynamics, 10(4): 765-788.
Haugen, M.A., M.L. Stein and E.J. Moyer. 2018. Estimating Changes in Temperature Distributions in a Large Ensemble of Climate Simulations Using Quantile Regression. Journal of CLIMATE, 31: 8573-8588.
Hidalgo, G.J.C., M. De Luı ́s, J. Ravento and J.R. Sa ́nchez. 2003. Dailyrainfall trend in the Valenciaregion ofSpain. Theoretical and Applied Climatology, 75: 117-130.
Kendall, M.G. 1975. Rank Correlation Methods. Charles Griffin, London.
Koenker, R. 2005. Quantile Regression. first ed, New York, Cambridge University Press, 2005, 1-25.
Koenker, R. 2006. Quantile regression in R: A vignette. [Available online at http://www.econ.uiuc.edu/~roger/research/rq/vig.pdf.]
Koenker, R. and G. Bassett. 1978. Regression Quantiles. Econometrica, 46: 33-50.
Kuriqi, A., A. Raushan, Q.B.  Pham, J.M. Gambini, V. Gupta, A. Malik, N.T.T.  Linh, Y. Joshi, D.T. Anh, V.T. Nam and X. Dong. 2020. Seasonality shift and streamflow flow variability trends in central India. Acta Geophysica, 68(5): 1461-1475.
Kyselý, J. and R. Beranová. 2009. Climate-change effects on extreme precipitation in central Europe: uncertainties of scenarios based on regional climate models. Theoretical and Applied Climatology, 95(3-4): 361-374.
Latif, Y., M. Yaoming, M. Yaseen, S. Muhammad and M.A. Wazir. 2020. Spatial analysis of temperature time series over the Upper Indus Basin (UIB) Pakistan. Theoretical and Applied Climatology, 139(1): 741-758.
Lee, K., H. Beak and C. Cho. 2013. Analysis of Changes in Extreme Temperatures Using Quantile Regression. Korean Meteorological Society, 49: 313-323.
Mann, H.B. 1945. Nonparametric Tests Against Trend. Econometrica, 13(3): 245–259.
Mohsenipour, M., S. Shahid, G.F.  Ziarh and Z.M. Yaseen. 2020. Changes in monsoon rainfall distribution of Bangladesh using quantile regression model. Theoretical and Applied Climatology, 142(3): 1329-1342.
Norouzi, N. 2020. Climate change impacts on the water flow to the reservoir of the Dez Dam basin. Water Cycle, 1: 113-120.
Nyikadzino, B., M. Chitakira and S. Muchuru. 2020. Rainfall and runoff trend analysis in the Limpopo river basin using the Mann Kendall statistic. Physics and Chemistry of the Earth, Parts A/B/C, 117: 102870.
Reich, B.J. 2012. Spatiotemporal quantile regression for detecting distributional changes in environmental processes. Journal of the Royal Statistical Society: Series C (Applied Statistics), 61(4): 535-553.
 Sen, P.K. 1968. Estimates of the regression coefficients based on Kendall’s tau, Journal of the American Statistical Association, 63: 1379-1389.
Villarini, G. and L.J. Slater. 2017. Examination of Changes in Annual Maximum Gauge Height in the Continental United States Using Quantile Regression. Journal of Hydrologic Engineering, 23(3): 1-11.
Zhang, S., T.Y. Gan and A.B. Bush. 2020. Variability of Arctic Sea Ice Based on Quantile Regression and the Teleconnection with Large-Scale Climate Patterns. Journal of Climate, 33(10): 4009-4025.