سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,623
تعداد مقالات71,545
تعداد مشاهده مقاله126,898,593
تعداد دریافت فایل اصل مقاله99,946,964
حسینی, احمد, نخعی نژاد, الهه. (1401). تخمین تعداد روزهای گردوغباری ماه مارس بر اساس مدل فضایی-زمانی متریک جمعی در شرق ایران. , 54(2), 273-291. doi: 10.22059/jphgr.2022.332275.1007649
احمد حسینی; الهه نخعی نژاد. "تخمین تعداد روزهای گردوغباری ماه مارس بر اساس مدل فضایی-زمانی متریک جمعی در شرق ایران". , 54, 2, 1401, 273-291. doi: 10.22059/jphgr.2022.332275.1007649
حسینی, احمد, نخعی نژاد, الهه. (1401). 'تخمین تعداد روزهای گردوغباری ماه مارس بر اساس مدل فضایی-زمانی متریک جمعی در شرق ایران', , 54(2), pp. 273-291. doi: 10.22059/jphgr.2022.332275.1007649
حسینی, احمد, نخعی نژاد, الهه. تخمین تعداد روزهای گردوغباری ماه مارس بر اساس مدل فضایی-زمانی متریک جمعی در شرق ایران. , 1401; 54(2): 273-291. doi: 10.22059/jphgr.2022.332275.1007649

تخمین تعداد روزهای گردوغباری ماه مارس بر اساس مدل فضایی-زمانی متریک جمعی در شرق ایران

پژوهش های جغرافیای طبیعی
مقاله 8، دوره 54، شماره 2، مرداد 1401، صفحه 273-291    اصل مقاله (1.5 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2022.332275.1007649
نویسندگان
احمد حسینی* 1؛ الهه نخعی نژاد2
1استادیار گروه آب و هواشناسی دانشگاه پیام نور ایران
2کارشناس ارشد دانشگاه پیام نور، ایران
چکیده
در مطالعات سازمان هواشناسی جهانی بادها با سرعت 15 متر بر ثانیه و بیشتر و دید افقی زیر 1000 متر به‌عنوان طوفان گردوغباری شناخته می‌شود. بر این اساس داده‌های روزانه باد و دید افقی ایستگاه‌های سینوپتیک شرق کشور تهیه شد. تحلیل داده‌ها نشان داد ماه مارس بیشترین تعداد روز گردوغباری در طول دوره آماری در شرق ایران را دارد که به‌عنوان ماه بحرانی انتخاب گردید. سپس تغییرات فضایی- زمانی و تخمین تعداد روز گردوغباری آن موردبررسی قرار گرفت. نتایج نشان داد که مدل متریک جمعی بهترین برازش برای تخمین داده در ماه مارس را دارد. این مدل نشان می‌دهد که داده‌ها تنها قابلیت تخمین مارس 2018 را دارند. تحلیل داده‌ها در سطح اطمینان 95% نشان داد که ایستگاه زاهدان با 8 روز و ایستگاه‌های گلمکان، زابل، میرجاوه، کنارک و ابرکوه با 7 روز بیشترین تعداد روزهای گردوغباری در ماه مارس 2018 در شرق ایران را داشتند.
کلیدواژه‌ها
تخمین؛ بسته‌های آماری؛ نرم‌افزار R؛ گردوغبار؛ مدل متریک جمعی؛ شرق ایران
مراجع
  1. آمار سازمان هواشناسی کشور، داده‌ها آماری، قابل‌دسترس: https://www.irimo.ir/far/wd/720
  2. حسنی پاک، ع. و شرف‌الدین، م. (1391). تحلیل داده‌های اکتشافی، چاپ اول. تهران: انتشارات دانشگاه تهران.
  3. حمیدیان پور، م؛ مفیدی، سلیقه، م. و علیجانی، ب. (2017). نقش توپوگرافی بر شبیه‌سازی ساختار باد سیستان در شرق فلات ایران.تحقیقات کاربردی علوم جغرافیایی، 16، 13-1.‌
  4. محمد زاده، م (1394). آمار فضایی و کاربردهای آن، چاپ دوم. تهران: انتشارات دانشگاه تربیت مدرس.
  1. Annex II to the WMO Technical Regulations, Manual on Codes International Codes Volume1.1, Part A – Alphanumeric Codes, Updated in 2015.pp: Xviii
  2. Bivand, R. (2021). Maptools:Tools for reading and handling spatial objects. R package version 0.8-10, URL http://CRAN. R-project. Org/package= maptools.‌
  3. Bivand, R., M, Altman & L, Anselin. (2022). Spatial Dependense Weighting Schemes statistics and Model. Package ʽspdepʼ. R Core Development Team. Version ʼ.1.2-4. URL: https://orcid.org/0000-0003-2392-6140.
  4. Caeiro, F. & Mateus, A. (2015). Testing Randomness in R. Package ʽrand testsʼ. R Development Core TeamVersion 1.0.
  5. Cressie, N. ,1993, Statistics for spatial data,John Wily&Sons,New York.
  6. Croissant, Y. Millo. G., Tappe, K. A., 2021, Linear Models for Panel Data.plm package. R Core Development Team. Version 1.6-6https://CRAN.R-project.org/package = plmFrontera, A., Cianfanelli. DOI:1007/s12517-020-06291-w
  7. Frontera, A., Cianfanelli, L., Vlachos, K., Landoni, G., & Cremona, G. ,2020, Severe air pollution links tohigher mortality in COVID-19 patients: The “double-hit” hypothesis. Journal of Infection, 81(2), 255-259.
  8. Gräler, B., Rehr, M., Gerharz, L. pebesma, E. ,2013, Spatio- Temporal Analysis and interpolation of PM10 measurements in Europe for 2009. Institute for Geo Information (IfGI), University of Münster, Germany. pp.33.
  9. Griffin, Dw. ,2007, Atmospheric Movement of Microorganisms in Clouds of Desert Dust and Implications for Human Health. Clinical Microbiology Reviews, 20(3), 459-577.
  10. Hamidianpour, M., Jahanshahi, S. M. A., Kaskaoutis, D. G., Rashki, A., & Nastos, P. G. ,2021, Climatology of the Sistan Levar wind: Atmospheric dynamics driving its onset, duration and withdrawal. Atmospheric Research, 260, 105-711.
  11. Hamidianpour, M., Mofidi, Sesah, m., & Alijani. B., (2017). The role of topography on the simulation of the Sistan wind structure in the east of the Iranian plateau. Applied Research in Geographical Sciences, 16, 1-13. [In Persian].
  12. Hoefer, A., Pampaka, D., Wagner, E. R., Herrera, A., Alonso, E. G. R., López-Perea, N., & Gallo, D. N. ,2020,. Management of a COVID-19 outbreak in a hotel in Tenerife, Spain. International Journal of Infectious Diseases, 96, 384-386. https://doi.org/10.1016/j.ecolind.2020.106099
  13. Hosni Pak, A. & Sharafuddin, M. (2011). Exploratory data analysis, firs edition. Tehran: Tehran University Press. [In Persian].
  14. Hyun C., Dong W S., Wonnyon K., Seon J D., Soo H L.,Minsoo N., ,2011, Asian dust storm particles induce a broad toxicological transcriptional program in human epidermal keratinocytes, Toxicology Letters, 200(1-2), 92-99.
  15. Issak, E. H., & Srivastar, R.M. ,1989, An Introduction to Applied Geostatistics. Oxford Univ. Press, Oxford.
  16. Iwashita, F., Monteiro, R.C., Landim, P.M. ,2005, An alternative method for calculating variogram surfaces using polar coordinates. Computers & Geosciences, 31(6), 801-803.
  17. Labban, A. H., & Butt, M. J. (2021). Analysis of sand and dust storm events over Saudi Arabia in relation with meteorological parameters and ENSO. Arabian Journal of Geosciences, 14(1), 1-12.
  18. Loecher, M. ,2020, Package ‘RgoogleMaps’. Overlays on Static Maps, URLhttps://github.com/markusloecher/rgooglemaps/blob/master/rgooglemaps/www/QuickTutorial.html
  19. Mardia, V., Goodall, C. R. ,1993, Spatial- Temporal Analysis of Multivariate Enviromental Monitoring Data. In Multivariate Enviromental Statistics, North- Holland, Amsterdam, 347-386.
  20. Miri A, Ahmadi H, Ghanbari A, Moghaddamnia A, 2007, Dust Storms Impact on Air Pollution and Public Health under Hot and Dry Climate, International Journal of Energy and Environment, 1(2), 101-105.
  21. Mohammadzadeh, M. (2014). Spatial statistics and its applications, second edition. Tehran: Tarbiat Modares University Press. [In Persian].
  22. Montero, J. M., Fernández-Avilés, G., Mateu, J. ,2015, Spatial and spatio-temporal geostatistical modeling and kriging, John Wiley & Sons.
  23. National Meteorological Organization statistics, statistical data, available: https://www.irimo.ir/far/wd/720[In Persian].
  24. Pebesma, E. & Gräler, B. ,2017, Introduction to Spatio-Temporal Variography. Ifgi Institute for Geoinformatics University of Münster, 1-11
  25. Pebesma, E. ,2012, spacetime: Spatio-temporal data in R. Journal of Statistical Software, 51(7), 1-30.
  26. Pebesma, E. ,2021, Classes and Methods for Spatio-Temporal Data. sp’Package. R Core DevelopmentTeamVersion 1.2-5. URL https://github.com/edzer/sp/ https://edzer.github.io/sp
  27. Pebesma, E. 2021,Spatio-temporal overlay and aggregation. Ifgi. Institute for Geoinformatics University of Münster, 1-12
  28. Pebesma, E. J. 2004. Multivariable geostatistics in S: the gstat package. Computers & Geosciences, 30(7), 683-691.
  29. Pebesma, E., & Heuvelink, G. 2016,Spatio-temporal interpolation using gstat. RFID Journal, 8, (1), 204-218.
  30. Pebesma, E.,2021, Spatial and Spatio-Temporal Geostatistical Modelling, Prediction and Simulation. ‘gstat’Package. R Development Core Team, Version1.1-5. URL https://github.com/edzer/gstat/
  31. Pebesma,E., Gräler, B., Gottfried,T., Hijmans, R. 2021,Classes and Methods for Spatio-Temporal Data. spacetime’Package. R Development Core Team, Version1.2-1. URL http://github.com/edzer/spacetime.
  32. R Development Core Team. 2011, R, A language and environment for statistical computing.
  33. Rashki, A., Kaskaoutis, D. G., Rautenbach, C. D., Eriksson, P. G., Qiang, M., & Gupta, P. ,2012, Dust storms and their horizontal dust loading in the Sistan region, Iran. Aeolian Research,  5, 51-62.
  34. Rayegani, B., Barati, S., Goshtasb, H., Gachpaz, S., Ramezani, J., & Sarkheil, H. (2020). Sand and dust storm sources identification: A remote sensing approach. Ecological Indicators, 112, 106099.
  35. Robert, J., L. ,2021, Geographic Data Analysis and Modeling.‘Raster’Package.R Core Development Team. Version 2.5-8.URL http://cran.r-project.org/package=raster.
  36. Shi-gong, W., De-bao, Y., Jiong, J., 1995, Study on the Formative Causes and Countermeasures of the Castarophic Sandstorm Occurred in Northwest China, Journal of Desert Research, 15(1), 19-30.
  37. Statistics of the Meteorological Organization, statistical data, available: https://www.irimo.ir/far/wd/720
  38. Trapletti, A., & Hornik, K., ,2020, Time series analysis and computational finance. Package ‘tseries’. R Core Development Team. Version 0.10-45 URL https://CRAN.R- roject.org/package=tseries
  39. United Nations Enviroment Program, 2005, Environmental News Emergencies, URL: http//: www unep org/ depi/ programs/ emergencies html.
آمار
تعداد مشاهده مقاله: 434
تعداد دریافت فایل اصل مقاله: 317





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب