تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,500 |
تعداد مشاهده مقاله | 124,088,322 |
تعداد دریافت فایل اصل مقاله | 97,191,258 |
تعیین رابطه بین متغیرهای حدی دما با فراوانی گردو غبارزیستمحیطی و ارزیابی بهترین مدل پیشبینی شاخص FDSD در غرب کشور | ||
تحقیقات آب و خاک ایران | ||
دوره 53، شماره 5، مرداد 1401، صفحه 1093-1109 اصل مقاله (2.03 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2022.342666.669261 | ||
نویسندگان | ||
هانیه محمدی1؛ جواد بذرافشان* 2 | ||
1گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج. | ||
2دانشیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
چکیده | ||
گرد و غبار همواره به عنوان یکی از مهمترین مخاطرات محیطی مطرح بوده و پیامدهای زیستمحیطی نامطلوبی را برجای میگذارد. هدف از این پژوهش، بررسی رابطهی متغیرهای حدی دمایی با طوفانهای گرد و غبار و ارزیابی بهترین مدل جهت پیشبینی شاخص FDSD در غرب کشور میباشد. با استفاده از دادههای ساعتی قدرت دید افقی، کدهای سازمان جهانی هواشناسی، نمایههای حدی دمایی شامل دمای بیشینه (T) و دمای کمینه () در مقیاس ماهانه برای 14 ایستگاه هواشناسی واقع در غرب کشور با طول دورۀ آماری 25 ساله (2014-1990) و ضرایب همبستگی تاو-کندال و پیرسون به ارتباط سنجی پرداخته شد. نقشه ضرایب همبستگی برای نمایش بهتر نتایج به روش اسپلاین (روش شعاع پایه) در نرمافزار ArcGIS تهیه گردید. همچنین سه مدل هوش مصنوعی شامل الگوریتم بهترین همسایگی (KNN)، برنامهریزی بیان ژن (GEP) و شبکه بیزین (BN) جهت پیشبینی گرد و غبار مورد ارزیابی قرار گرفتند. نتایج نشان داد که طوفانهای گرد و غباری همبستگی مثبت و معنیداری با نمایههای حدی دمایی در 14 ایستگاه مورد مطالعه دارند به نحوی که بالاترین ضریب همبستگی تاو-کندال با شاخص FDSD مربوط به متغیر بیشینه دما در ایستگاه دو گنبدان با مقدار 202/0 و دمای کمینه در ایستگاه سر پل ذهاب با مقدار 242/0 بود. همچنین بالاترین ضریب همبستگی پیرسون با شاخص FDSD نیز برای متغیر بیشینه دما در ایستگاه دوگنبدان با مقدار 415/0 و دمای کمینه در ایستگاه اسلام آباد با مقدار 211/0 بود. همچنین نتایج پیشبینی حاکی از عملکرد مناسب روش KNNمیباشد که در 13 ایستگاه رتبه نخست را به خود اختصاص داده است و در ایستگاه اسلامآباد روش BN بهترین عملکرد را داشته است. نتایج نشان داد که این مطالعه میتواند به درک صحیح وقوع طوفانهای گرد و غبار و بررسی روابط اقلیمی و همچنین کاهش خسارات ناشی از این پدیده در منطقه مورد مطالعه کمک شایانی کند. | ||
کلیدواژهها | ||
متغیرهای حدی دما؛ همبستگی تاو-کندال؛ پیش بینی؛ الگوریتم بهترین همسایگی؛ شبکه بیزین | ||
مراجع | ||
Abdolshahnejad, M., Khosravi, H., Nazari Samani, A. A., Zehtabian, G. R. & Alambaigi, M. (2020). Determining the Conceptual Framework of Dust Risk Based on Evaluating Resilience (Case Study: Southwest of Iran). Strategic Research Journal of Agricultural Sciences and Natural Resources, 5(1), 33-44. (In Persian) Amini, A. (2020). The role of climate parameters variation in the intensification of dust phenomenon. Natural Hazards, DOI: 10.1007/s11069-020-03933-w. Ansari Ghojghar, M., &, Shahab, Araghinejad, S. (2017). The study of the reaction of temperature variables to the frequency of days with dust storms (Case study of Lorestan province). Fifth International Congress of Civil Engineering, Architecture and Urban Development, Tehran. (In Persian) Ansari Renani, M. (2011). Climatic statistical analysis of dust in Zahedan province in the period 1986-2005. The First International Congress on Dust Phenomena and Combating Its Harmful Effects, Ramin Khuzestan University of Agriculture and Natural Resources. (In Persian) Araghinejad, S. (2013). Data-driven modeling: using MATLAB® in water resources and environmental engineering (Vol. 67). Springer Science & Business Media. Araghinejad S, Ansari Ghojghar M, PourGholam Amigi M, Liaghat A, Bazrafshan J. (2019). The Effect of Climate Fluctuation on Frequency of Dust Storms in Iran. DEEJ, 7 (21), 13-32. (In Persian) Asakereh, H. (2011). Fundamentals of Statistical Climatology. Zanjan University Press, First Edition, Zanjan. Cao, R., Jiang, W., Yuan, L., Wang, W., Lv, Z., & Chen, Z. (2014). Inter-annual variations in vegetation and their response to climatic factors in the upper catchments of the Yellow River from 2000 to 2010. Journal of Geographical Sciences, 24(6), 963-979. Danandehmehr, A. and M.R. Majdzadeh Tabatabai. (2010). Prediction of daily discharge trend of river flow based on genetic programming. Journal of Water and Soil, 24(2), 325-33 (In Persian). Ferreira, C. (2001). Gene expression programming: a new adaptive algorithm for solving problems. Complex System, 13, 87-129. Ferreira, C. (2006). Gene expression programming: mathematical modeling by an artificial intelligence (studies in computational intelligence). Springer-Verlag New York, Inc. Secaucus, NJ, USA. Ghorbani, S., Moddress, R. (2019). Modelling the Relationship between the Frequency of Dust Storms and Climatic Variables in the Summer Time in Desert Areas of Iran. Journal of Soil and Water Sciences, 23(3), 125-140. (In Persian) Goudie, A., (2014). Review Desert dust and human health disorders. Journal of Environment International, 63 (3), 101-113. Goudie, A., Middleton, N. (2006). Desert Dust in the Global System. Springer, 288p. Jalali, M., Bahrami, H., & Dervish Bolurani, A. (2011). Study of the correlation between climatic parameters with dust storms in Khuzestan province, the first international congress on the phenomenon of dust and dealing with its harmful effects. 26-28 February 2011. Ahvaz. (In Persian) Jayawardena, A. W., Li, W. K. & Xu, P. (2002). Neighbor selection for local modelling and prediction of hydrological time series. J. of Hydrology, 258, 40-57. Karlsson, M. & Yakowitz, S. (1987). Nearest-neighbor methods for nonparametric rainfall-runoff forecasting. Water Resources Research, 23(7), 1300-1308. Kingston, G.B., Lambert, M.F. & Maier, H.R. (2005). Bayesian training of artificial neural networks used for water resources modeling. Water Resources Research, 41(12), 11. https://doi.org/10.1029/2005WR004152. Mahdavi, M., & Taherkhani., M, (2005). Application of Statistics in Geography. Qoms Publishing, First Edition, Tehran. (In Persian) MacKay, D.J.C. (1992). A practical Bayesian framework for backpropagation networks. Neural Computation, 4(3), 448-472. Meshkani, A. & Nazemi, A. (2009). Introduction to data mining. Ferdowsi University of Mashhad, 456 pages. (In Persian) Mohammadi, G, H. (2015). Analysis of Atmospheric Mechanisms in Dust Transport over West of Iran. Ph.D. thesis, Tabriz University, 142pp. Movahedi, S., Kh. Hatami Bahman Bigloo and M. Kh. Tangerine Fred. 2014. Spatial and temporal monitoring ofclimatic phenomena related to dust in Iranian cities. Journal of Geography and Environmental Studies, (11), 37-47. (In Persian) O’Loingsigh, T., McTainsh, G. H., Tews, E. K., Strong, C. L., Leys, J. F., Shinkfield, P., Tapper, N. J. (2014). The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records. Aeolian Research, 12, 29-40. Pearson, K. (1897). Mathematical contributions to the theory of evolution. on a form of spurious correlation which may arise when indices are used in the measurement of organs. Proceedings of the royal society of London, 60(359-367), 489-498. Pourgholam-Amiji, M., Ansari Ghojghar, M., Araghinejad, S. & Babaian, I. (2020). Modeling the relationship between dust storms and limit and average temperature variables in the western half of the country. Climatological research, 1400(45), 113-126. (In Persian) Rashki, A., Kaskaoutis, D.G., Francois, P., Kosmopoulos, P.G., & Legrand, M. )2015(. Dust-storm dynamics over Sistan region, Iran: Seasonality, transport characteristics and affected areas. Aeolian Research, 16, 35-48. (In Persian) Saremi Naeini, M. (2016), Estimation of the Frequency of Speed and Direction of the Erosive Winds and Dust storms in the Yazd Province, by Using Windrose, Stormrose and Sandrose, Desert Management, 8, 96-106. (In Persian) Sepahvand, A., Almasian, F. & Zand, M. (2019). Investigating the effect of climatic variables (rainfall, temperature and pressure) on the occurrence of dust in the west of the country. 7th National Conference on Rainwater Catchment Systems. Iran, 20-21 February, 178-187. (In Persian) Shojaeezadeh, K., R. Drijani., & Heidary, F. (2013). Investigation of climate relationship and dust occurrence (Case Study: Mahshahr City). Proceeding of the Second International Conference on Environmental Hazards, Kharazmi University of Tehran. (In Persian) Singh, V.P., Translation, M.R. Najafi. (2002). Hydrological systems for rainfall modeling. Tehran University Press, First Edition, 578 pagesM. (In Persian) Sobhani, B., Safarian zengir, V. (2020). Analysis and prediction of Dust phenomenon in the southwest of Iran. Journal of Natural Environmental Hazards, 8(22), 179-198. (In Persian) Su, B., Zhan, M., Zhai, J., Wang, Y., & Fischer., T. (2014). Spatio-Temporal variation of haze days and atmospheric circulation pattern in china (1961-2013). Quaternary International. 380, 14-21. Tan, M., Li, X., Xin, L. (2014). Intensity of dust storms in China from 1980 to 2007: A new definition. Atmospheric environment, 85, 215-222. Tanarhte, M., Hadjinicolaou, P., & Lelieveld, J. (2012). Intercomparison of temperature and precipitation data sets based on observations in the Mediterranean and the Middle East. Journal of Geophysical Research: Atmospheres, 117(D12). Tarboton, D. G., Sharma, A., and Lall, U. (1993). The use of non-parametric probability distribution in streamflow modeling. In Proceeding of the 6 South African National Hydrological Symposium, Ed. S. A Todeschini, R. (1989). K-nearest neighbour method: Influence of data transformations and metrics. Chemometrics and Intelligent Laboratory Systems, 6, 213-220. Yakowitz, S. J. (1985). Nonparametric density estimation, prediction, and regression for markov sequences. J. Am. Stat. Assoc., 80, 215-221. Yoshino, M. (2002). Climatology of yellow sand (Asian sand, Asian dust or Kosa) in East Asia. Science in china series dearth. Science, 45, 59-70. Zanganeh, M. (2014), Climatological Analysis of Dust Storms in Iran, Applied Climatology, 1(1), 1-12. (In Persian) Zeinali, B. (2016), Investigation of frequency changes trend of days with dust storms in western half of Iran, Natural Environment hazards, 5(7), 87-100. (In Persian) | ||
آمار تعداد مشاهده مقاله: 240 تعداد دریافت فایل اصل مقاله: 210 |