مقایسه پهنه‌های بارشی استان سیستان و بلوچستان با استفاده از داده‌های ماهواره‌ای و ایستگاه‌های زمینی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه جغرافیای دانشگاه سیستان و بلوچستان

2 کارشناس ارشد اقلیم شناسی اداره کل هواشناسی سیستان و بلوچستان

3 کارشناس ارشد اقلیم‌شناسی مرکز تحقیقات هواشناسی کاربردی استان سیستان و بلوچستان

4 کارشناس ارشد فیزیک مرکز تحقیقات هواشناسی کاربردی استان سیستان و بلوچستان

چکیده

برایپهنه بندیبارش در استانسیستانوبلوچستاناز دو سریداده‌هایماهواره (TRMM)[1]1 با قدرت تفکیک 5/0*5/.0درجه وداده‌های145 ایستگاه باران سنجی‌، اقلیم شناسی و ایستگاه‌های سینوپتیک براییکدوره12ساله (1378-1390)استفادهگردید. برایاینتقسیمبندی بر روی هر دو سری داده‌هااز طریق تحلیل مولفه‌های اصلی وتحلیلخوشه‌ایبهروشوارداعمال گردید. با بررسی به عمل آمده بر روی ماتریس بارگویه‌ها و خوشه‌بندی داده‌های ایستگاهی استان به سه پهنه کم بارش وسیع،متوسط بارش مکرانی و پهنه پر بارش سراوانی تقسیم گردید.نتیجه تحلیل مولفه‌های اصلی و خوشه‌بندی بارش با داده‌های ماهواره (TRMM)،تقسیماستانبهسهپهنهپر بارش شمالی، کم بارش مرکزی و پهنه متوسط بارش جنوبی می‌باشد. مقایسه پهنه بندی با دو سری داده مذکور نشان می‌دهد که پهنه‌بندی با داده‌های ماهواره (TRMM) دارای خطای بالایی در تقسیم بندی بارشی استان می‌باشد بطوری که ناحیه شمالی وغربی استان را که دارای ارتفاع کم از سطح دریا و فاصله بیشتری از منابع رطوبت می‌باشند را منطقه‌ای با بیشترین میزان بارش نشان داده و همچنین ناحیه مرکزی که درآن رشته کوه‌های مکران واقع شده و در تابستان از سامانه‌های موسمی هند بهره‌مند است را به عنوان کم بارش ترین ناحیه استان معرفی می‌‎کند. موارد مذکور در پهنه بندی با داده‌های باران سنجی لحاظ شده است و این پهنه بندی مبنای مناسب تری جهت استفاده در برنامه‌ریزی می‌باشد. نقطه قوت دو پهنه بندی در یکسان بودن رژیم بارندگی می‌باشد.  
1. Tropical Rainfall Measuring Mission

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of the Sistine and Baluchistan Province Precipitation Zones Using Satellite Data and Ground Stations

نویسندگان [English]

  • Mahmoud Khosravi 1
  • Mohsen Bostani 2
  • Mohammad Ali Azizoghli 3
  • Mosadeg Goodarzifar 4
چکیده [English]

Introduction Rainfall is the most variable climatic elements. The changes of Precipitation in the location and the time dimension are large. Climate zoning and spatial resolution similar regions in terms of climate Regional development planning and investment capabilities across the country, including Sistan-Baluchistan province seems necessary. Materials and methods For zoning Sistan and Baluchestan province of precipitation two series of satellite (TRMM) data With Resolution 0.5 * 0.5 degrees and 145 rain gauge, Climatology and synoptic stations for a period of 12 years (2000-2011) are used. For this division on the two data series through principal component analysis and cluster analysis the ward method was applied. The monthly precipitation data from stations placed in a matrix of rows and columns of the matrix dimensions of 145 rain stations. In the next step the correlation between annual precipitations measured data and the calculation results in a matrix called the correlation matrix (R) inserted. At Continuation the results of Rotated component Matrix with varimax method As Input Cluster Analysis reused. The procedures were done for both data Series. Satellite (TRMM), Tropical Rainfall Measuring operations, a joint mission of the United States National Aeronautics and Space Agency (NASA) and the Japan Aerospace Exploration Agency (JAXA) is. The Satellite Monitor and study tropical rainfall And How Effect the Precipitation on Global climate. Results and discussion The study performed on Weight matrix and clustering of the stations data, Province divided into three broad zones of Extensive low precipitation, Makran average precipitation and Saravani high precipitation. Analysis of results the principal component analysis and clustering of precipitation with satellite data (TRMM) Province Divided into three zones of the northern high precipitation, central low precipitation and southern average precipitation. Comparison of zoning with two data series Indicates that Zoning with satellite data has a high error in Precipitation division. So that the North West and west of Province Which has a low height above sea level and away from sources of moisture are more Most precipitation in the region shown And the central area where Located the Makran Mountains And Indian summer monsoon system has benefited Defines the area with low precipitation in this province. Conclusion This study compares the Zoning Two Data Series Ground stations and data Sensor Satellite (TRMM) took place. According to Located in this province Close to tropical, Satellite data With Actual data At Zoning rain Province Case Was compared the following results were obtained. 1. Data of Sensor Satellite (TRMM) Relatively large error and use this data Sometimes Results Different from the measured data by Rain stations offers. 2. Best performance, sensor data, satellite (TRMM) in the southern half of the province and the maximum error deviation of the data relative to ground stations in the northern half of the province.    

کلیدواژه‌ها [English]

  • Cluster analysis
  • Zoning
  • Precipitation
  • Sistan and Baluchistan
  • Satellite TRMM

مقدمه

بارش از متغیرترین عناصر اقلیمی است. این تغییرات هم در بعد مکان و هم در بعد زمان زیاد است. بویژه در مناطقی که از بارش کمتری برخوردار است این تغییرات شدیدتر است. مرزبندی و تفکیک زمانی- مکانی به واحدهای مستقل از یکدیگر براساس یک یا چند معیار مفروض همواره در کانون توجه جغرافیدانان بوده است. امروزه با استفاده از تکنیک‌های نوین آماری، اقلیم شناسان به دنبال استفاده از روش‌هایی می‌باشند که با حداقل خطا، واقعیت‌های موجود در پهنه‌های اقلیمی را آشکار سازند. پهنه بندی اقلیمی و تفکیک مکانی مناطق همسان از لحاظ شرایط اقلیمی در توسعه منطقه ای و برنامه ریزی جهت سرمایه گذاری وبه فعل رساندن توانمندی های مناطق مختلف کشور از جمله استان سیستان و بلوچستان ضروری به نظر می‌رسد.

 استان سیستان و بلوچستان در عرض‌های جغرافیایی بین 25 تا 31 درجه شمالی 57 تا 63 درجه شرقی واقع شده است. این استان بالغ بر 170000 هزار کیلومتر مربع وسعت دارد و در منتهی الیه جنوب شرق ایران قرار گرفته و دومین استان از لحاظ وسعت به شمار می رود. از شمال به استان خراسان جنوبی، از شرق به کشورهای افغانستان و پاکستان، از مغرب به استان‌های کرمان و هرمزگان و از جنوب به دریای عمان محدود می‌شود. این استان از مناطق گرم و خشک ایران است، بطوری که میانگین دمای سالانه هوا در زابل حدود 24، زاهدان18، خاش20، سراوان 26، ایرانشهر 27 و چابهار 25 درجه سانتیگراد و میانگین دما برای کل استان 5/23 درجه می‌باشد که نشان دهنده گرم بودن استان است، منشاء اصلی بارندگی های جنوب شرق ایران عمدتاً سامانه هایی هستند که در فصل سرد در بستر بادهای غربی به این منطقه وارد می‌شوند. تفاوت بین سالی در فراوانی سامانه های مدیترانه ای موثر بر استان باعث می شوند که بارندگی های این منطقه از سالی به سالی دیگر متفاوت و ضریب تغییرات آن افزایش یابد سامانه های مدیترانه ای زمانی به استان می رسند که از نظر مقدار رطوبت دچار فرسودگی شده و توان کافی برای ایجاد بارش در این استان را ندارند و بارندگی اندکی را سبب می شوند. به همین علت میزان بارندگی سالانه ایستگاه های این استان در اغلب سالها کمتر از 100 میلی متر ثبت شده است (عزیزاقلی،1390).

در جهان و ایران پژوهش هایی زیادی جهت پهنه بندی اقلیمی بوسیله عنصر بارش با استفاده از روش تحلیل عاملی و خوشه‌ای صورت گرفته است که در ادامه برخی از آنها  آورده شده است. پووانش و منیکم (Puvanes & Manickam, 1990) با استفاده از 28 متغیر اقلیمی برای 113 ایستگاه کوئیزلند استرالیا (به گستره کشور ایران) با تحلیل عاملی و خوشه بندی توانسته است با دخالت سه فاکتور اصلی یعنی رطوبت، دما و بارش سه ناحیه همسان اقلیمی کوئیزلند را مشخص کند. دومرس و راناتونگ (Domroes and Ranatung, 1993) برای ناحیه‌بندی بارش‌های روزانه در سریلانکا با استفاده از روش‌های آماری تحلیل عاملی و چرخش واریماکس، بارش‌های روزانه 42 ایستگاه هواشناسی را در یک دوره 15 ساله (1971-1985) بکار گرفته اند. آنها توانسته اند با تشکیل ماتریس داده ها به ابعاد 42 در 5475 آرایه مکانی، 10 عامل اورتورگونال (غیر همبسته) بارش های روزانه را مشخص نمایند. این ده عامل، 1/65 درصد از واریانس کل را تبیین می‌کند. بدین ترتیب بارش‌های روزانه سریلانکا پهنه‌بندی می‌شود، باسالیروا (Basalirwa, 1995) بر روی بارش‌های ماهانه، فصلی و سالانه 102 ایستگاه باران‌سنجی اوگاندا برای دوره آماری (1940- 1975) با استفاده از روش چرخش واریماکس و تحلیل عاملی توانسته است با 65% تبیین واریانس، چهار عامل مهم و شاخص را در داده‌های هواشناسی جمع آوری شده بررسی نماید.گونگ و ریچمن (Gong & Richman, 1995) در مطالعه‌ای تحت عنوان «کاربرد تحلیل خوشه‌ای برای داده‌های بارندگی فصل رشد در شرق کوههای راکی در شمال امریکا» نشان داده‌اند که روش‌های مختلف تحلیل خوشه‌ای کارآیی بسیار خوبی در ناحیه‌بندی بارش‌های روزانه دارد. دومروس و همکاران(Domroes & Partners, 1998) بر روی بارش ماهانه 71 ایستگاه کشور به روش تحلیل مولفه‌های اصلی و تحلیل خوشه‌ای پنج رژیم بارشی در ایران را شناسایی کردند. حیدری و علیجانی (1378) با استفاده از 49 متغیر اقلیمی، 43 ایستگاه هواشناسی (1963-1990) ایران را با روش‌های تجزیه به عامل‌ها به سه عامل متعامد بر هم موسوم به رطوبت، دما و جهت باد را از هم تمیز دادند. ایشان مقادیر سه عامل اول را برای ایستگاه ها محاسبه و روی نقشه سطح کشور رسم کردند، ایشان با توجه به مقادیر عامل های مذکور، ایستگاه های مورد مطالعه را با روش تجزیه خوشه ای وارد گروه بندی کردند و نتیجه گرفتند که این روش تطبیق خوبی با واحدهای توپوگرافیک نشان می‌دهد (حیدری و علیجانی، 1378). ترابی و جهانبخش (1383) با استفاده از روش تحلیل عاملی و تجزیه مؤلفه‌های اصلی که روی داده های ماهانه 41 ایستگاه سینوپتیک در دوره آماری (1993-1995) انجام دادند به این نتیجه رسیدند که مهمترین مؤلفه نم نسبی می باشد که بیش از 40 درصد کل واریانس را به خود اختصاص داده است. مسعودیان (1382) پس از بررسی 27 عنصر اقلیمی در مقیاس سالانه، شش عامل اقلیمی گرمایی، نم و ابر، بارشی، بادی و غباری و تندری را در ساخت اقلیم ایران موثر می داند. ایشان پس از بکار گرفتن روش خوشه بندی بر روی شش عامل یاد شده ایران را به 15 ناحیه اقلیمی تقسیم بندی کرده است. حاتمی و همکاران (1389) پهنه های اقلیمی استان فارس را با بیست و پنج متغیر اقلیمی در ارتباط با رطوبت، دما، بارش و تابش را با داده های هجده ایستگاه هواشناسی سینوپتیک استان فارس و با کاربرد روش تحلیل عاملی بر مبنای مدل مولفه‌های اصلی برای شناخت مولفه‌های سازنده نواحی و تحلیل خوشه ای به روش ادغام وارد انجام دادند. آنها چهار ناحیه اقلیمی به عنوان ناحیه سرد و خشک شمالی، ناحیه معتدل و مرطوب مرکزی، ناحیه گرم و نیمه مرطوب غربی و ناحیه گرم و خشک جنوبی را در استان فارس مشخص نمودند. همچنین در تحقیق دیگری مسعودیان (1388) با استفاده از داده‌های بارش روزانه 333 ایستگاه همدیدی و کلیماتولوژی و تهیه نقشه های هم بارش اقدام به پهنه بندی بارش کرده است.وی برای پهنه بندی از روش تحلیل خوشه ای با استفاده از ضریب فاصله اقلیدسی و روش ادغام وارد بهره گرفته است. نتیجه بررسی وی تقسیم ایران به چهار بخش از دیدگاه مقدار و زمان دریافت بارش است. بخش‌های به دست آمده، بخش های بسیار کم بارش- کم بارش- نیمه پر بارش و پر بارش می باشند. عزیزاقلی (1390) با استفاده از داده‌های 144 ایستگاه بارانسنجی با روش تعیین عاملی مولفه‌های اصلی و خوشه‌بندی به روش وارد استان سیستان و بلوچستان را به سه پهنه بارشی تقسیم نمود. در مورد استفاده از داده‌های سنجنده ماهوره (TRMM) کوموروف و همکاران (Kummerow & Partners, 1998) به معرفی مجموعه سنسورهای ماهواره (TRMM) اقدام نمودند. هوگز (Hughes, 2006) داده های ماهواره‌ای بارش را با داده‌های اندازه گیری شده بوسیله شبکه ایستگاه‌های بارانسنجی مقایسه نمود.

یوشی کازو(Yoshikazu, 2011)  با استفاده از داده‌های رادار بارش ماهواره (TRMM) و شبکه رادارهای پروفیل باد به مطالعه بارش‌های روزانه در مناطق استوایی اندونزی پرداختند و به این نتیجه رسیدند که داده های رادار بارش ماهواره (TRMM) می‌تواند دارای مقیاس مناسب افقی برای مطالعه چرخه بارش روزانه باشد. مطالعه دیگری بر روی ارزیابی سازگاری داده های بارش ماهواره (TRMM) و کاربرد آن در حوضه رودخانه  دونگی جانگ انجام شد و مشخص شد که همبستگی خوبی بین داده‌های ماهواره (TRMM) و بارندگی اندازه گیری شده از سطح زمین در این حوضه وجود دارد. اما در مقیاس نقطه‌ای دقت داده‌های ماهواره‌ای کمتر است(Cheng Chen & Partners, 2011).

المرزوعی (Almazroui, 2011) داده‌های اقلیمی بارش ماهواره (TRMM) را بوسیله داده‌های ایستگاه‌های باران سنجی کالیبره نمود و مشخص کرد که بین آنها ضریب همبستگی قوی 9/0 در سطح معنی داری 99 درصد وجود دارد. تنویر اسلام و همکاران(Tanvir Islam & Partners, 2012) به ارزیابی عملکرد برآورد داده‌های بارش ماهواره (TRMM) با استفاده از داده‌های قابل اطمینان شبکه رادارهای زمینی نمودند. نذرول اسلام و یوادا (Nazrul Islam & Uyeda, 2007) نشان دادند که استفاده از داده‌های ماهواره (TRMM) در مشخص نمودن خصوصیات بارش در بنگلادش روشی مناسب می باشد. جوانمرد و همکاران (1390) بر روی توزیع مکانی و زمانی نرخ بارش‌های همرفتی و پوششی بر روی ایران با استفاده از داده‌های ماهواره (TRMM) اقدام نمودند.

داده ها و روش تحقیق

در این پژوهش از دو سری داده‌های ماهانه بارش 145ایستگاه سینوپتیک، اقلیم شناسی، بارانسنجی اداره کل هواشناسی سیستان و بلوچستان و داده های ماهانه بارش سنسور میکروموج بارش(TMI) ماهواره (TRMM) در مقیاس 5/0*5/0 درجه برای دوره آماری (1378-1390) استفاده شده است. ماهواره (TRMM) عملیات اندازه گیری بارش حاره ای، ماموریت مشترک سازمان ملی هوانوردی و فضایی ایالات متحده آمریکا (NASA) و آژانس اکتشافات هوا فضای ژاپن (JAXA) می باشد. در این ماموریت ناسا علاوه بر نظارت و مطالعه بارش‌های منطقه حاره و جمع آوری داده در بلند مدت جهت هماهنگی در پژوهش ها و تحقیقات برای مطالعه زمین به عنوان یک سیستم جهانی تلاش می‌کند. این ماهواره در 27 نوامبر 1997 با اهداف پایش و مطالعه  بارش مناطق حاره ای و چگونگی تاثیر این بارش‌ها بر آب و هوای جهانی با استفاده از ابزار تصویربرداری میکروموج بارش(TMI)، رادار بارش(PR) و اسکنر مادون قرمز و مرئی(VISIR) به فضا پرتاب شد در ادامه الگوریتم استخراج داده بوسیله این ماهواره آورده شده است (سایت ناسا، 2011).

http://www.gsfc.nasa.gov, 25th December 2011, 20:45

 

 

 

شکل 1- الگوریتم استخراج داده‌های بارش بوسیله ماهواره (TRMM)

 

 

شکل 2- پراکنش ایستگاه‌های باران سنجی مورد مطالعه در سطح استان سیستان و بلوچستان

 

 

 

 

شکل 3- موقعیت جغرافیایی سلول‌های مورد مطالعه استان سیستان و بلوچستان (داده‌های TRMM)

 


صحت سنجی آماری داده‌های مورد مطالعه در روند تحقیق

پس از مقایسه چشمی مقادیر میانگین و انحراف معیار، اقدام به صحت سنجی داده‌های ماهواره (TRMM) و داده‌های چهار ایستگاه زمینی به ترتیب از عرض جغرافیایی بالاتر به پایین در سطح استان شامل زابل، زاهدان، ایرانشهر و چابهار از طریق محاسبه مقدار خطای مطلق(MAE) بین دو سری داده، برای ایستگاه‌های نام برده شد.

(1)                                     MAE=1/n

که در آن S ‌وO به ترتیب نشان دهنده داده‌های ماهواره و داده‌های ایستگاه زمینی هستند که شامل پارامتر میانگین بارش و n‌ تعداد ماه های سال است. نتایج  مربوط به خطای مطلق بین دو سری داده برای ایستگاه‌های منتخب در جدول (1) آمده است.

 

جدول 1- محاسبه خطای مطلق داده های ماهواره(Trmm) و داده های چهار ایستگاه زمینی

خطای مطلق میانگین بارش ماهانه برای دو سری داده

مولفه

ایستگاه

32/0

زابل

28/0

زاهدان

24/0

ایرانشهر

21/0

چابهار

 

 

با توجه به جدول 1، میزان خطای مطلق برای عرض جغرافیایی پایین تر کمتر و داده‌ها به هم نزدیک تر می باشد.

روش کار

فرض اساسی تحلیل مؤلفه‌های اصلی این است که مؤلفه‌های زیر بنایی را می‌توان برای تبیین پدیده‌های پیچیده به کاربرد و همبستگی مشاهده شده بین متغیرها، حاصل اشتراک آنها در این مؤلفه‌هاست. برای تحلیل مؤلفه‌های اصلی، ابتدا داده‌های بارش ماهانه ایستگاه‌ها در ردیف‌های ماتریس قرار داده شده و ایستگاه‌های باران سنجی 145 گانه نیز ستون‌های ماتریس را تشکیل می‌دهند. در مرحله بعد همبستگی بین داده‌های بارش سالانه ایستگاه‌ها محاسبه و نتیجه این محاسبات در ماتریسی به نام ماتریس همبستگی (r) درج می‌شود. ماتریس همبستگی داده‌ها بر اساس فرمول ذیل محاسبه می‌شود:

(2)

 

که  و  متغیرها،  و  میانگین آنها و  و  واریانس متغیرهاست.

بعد از محاسبه ماتریس همبستگی و جهت ادامه فرآیند کار، بایستی معنادار بودن ماتریس همبستگی و کفایت نمونه برداری آن مورد آزمون قرار گیرد. برای معنادار بودن ماتریس همبستگی از آزمون کرویت بارتلت:

(3)

 

که در آن  معرف تعداد سال‌ها، تعداد ایستگاه‌ها،  قدر مطلق دترمینان ماتریس همبستگی است استفاده شد. این مشخصه دارای توزیع مجذور کای با  درجه آزادی است. کفایت نمونه برداری نیز با استفاده از آزمون کیسر-میر-اولکین مورد بررسی قرار گرفت. این آزمون بر اساس فرمول زیر محاسبه می‌شود:

(4)

 

که  ضریب همبستگی ساده بین متغیرهای  و  و  ضریب همبستگی جزئی بین همه زوج متغیرها است.

 

جدول 2- مقادیر کفایت نمونه برداری، کرویت بارتلت، درجه آزادی و سطح معنی داری برای داده‌های ایستگاه‌های باران سنجی

نوع شاخص

مقدار

شاخص کفایت نمونه برداری

کیسر-میر-اولکین

865/0

آزمون کرویت بارتلت

8679

درجه آزادی

5945

سطح معنی داری

01/0

 

بعد از اطمینان از معنادار بودن ماتریس همبستگی و کفایت نمونه برداری، تحلیل مؤلفه‌های مبنا بر روی ماتریس همبستگی اعمال و ماتریس بارگویه‌ها محاسبه می‌شود. بارگویه ها در واقع ارتباط بین مؤلفه ها و متغیرهای اولیه را نشان می‌دهد. در ماتریس بارگویه‌ها ستون‌ها معرف مؤلفه‌ها و ردیف‌ها معرف ایستگاه‌ها هستند. در مرحله بعد مؤلفه‌های مبنای بدست آمده از مرحله قبل چرخش داده می‌شوند. چرخشی که در این مرحله از آن استفاده می‌شود، چرخش واریماکس است. در نهایت نتیجه چرخش مؤلفه‌های مبنا در ماتریسی به نام ماتریس بارگویه‌های چرخش یافته ذخیره می‌شوند. اجرای روش مؤلفه‌های مبنای چرخش یافته با روش واریماکس نشان می دهد که نزدیک 8/98 درصد تفاوت بارش‌های ماهانه استان سیستان و بلوچستان را می‌توان با 6 مؤلفه تبیین کرد. اما به دلیل اینکه سه مؤلفه آخر بر روی هیچ کدام از 145 ایستگاه مورد مطالعه بار مؤلفه بالایی نداشت لذا تصمیم گرفته شد که سه مؤلفه چهار، پنج و شش حذف و بارش‌های استان سیستان و بلوچستان با 3 مؤلفه تبیین شود. لذا 4/92 درصد تفاوت بارش‌های این استان با 3 مؤلفه قابل تبیین است. اهمیت نسبی مؤلفه ها به صورت پلکانی در شکل3 مرتب شده اند.

 

 

جدول 3- مقادیر ویژه و واریانس های مؤلفه های بارش های ماهانه ایستگاه های باران سنجی

 استان سیستان و بلوچستان

مجموع واریانس تبیین شده

اجزا

مجموع استخراج شده مربع بارهای عاملی

مقادیرمربع بارهای عاملی بعد از چرخش

کل

درصد واریانس

درصد تجمعی

کل

درصد واریانس

درصد تجمعی

1

101/40

71/419

70/419

66/973

47/509

47/509

2

15/229

9/576

80/995

36/010

28/007

75/516

3

7/881

5/473

86/468

17/061

17/848

92/364

4

6/426

4/463

90/931

6/373

3/426

95/790

5

3/902

2/710

93/641

5/716

2/969

97/659

6

3/429

2/381

96/022

4/576

1/178

98/837

روش استخراج: تحلیل مولفه‌های مبنایی

 

 

 

 

 

شکل4- نمودارصخره ای مؤلفه های اصلی بارش های ماهانه ایستگاه های بارانسنجی استان سیستان و بلوچستان

 

 

در ادامه نتایج حاصل از ماتریس بارگویه‌های چرخش یافته به عنوان ورودی تحلیل خوشه‌ای مورد استفاده قرار می‌گیرند. تحلیل خوشه ای یکی از روش‌های آماری است که در زمینه کاهش داده‌ها و پیدا کردن گروه‌های واقعی مورد استفاده قرار می‌گیرد. هدف اصلی این روش، ایجاد گروه‌ها و طبقاتی است که تنوع و تفرق درون گروهی آنها کمتر از تفرق و پراکنش بین گروهی باشد. برای انجام این کار، دو گام اساس بایستی پیموده شود: گام اول محاسبه درجه همانندی ایستگاه‌ها با یکدیگر و گام دوم چگونگی ادغام ایستگاه‌ها برحسب درجه همانندی آنها با یکدیگر است. در این مطالعه از مجذور فاصله اقلیدسی استفاده گردیده است. زیرا در این شاخص به مشاهده هایی که فاصله زیادتری از همدیگر دارند وزن بیشتری  داده می‌شود. اگر m تعداد متغیرها، Xij مقدار متغیر j برای نفر I ام باشد مجذور فاصله اقلیدسی بین K و I عبارت است از:

(5)                                      

پس از اندازه گیری درجه همانندی ایستگاه‌ها باید شیوه‌ای برای ادغام ایستگاه‌هایی که بالاترین درجه همانندی را نشان داده اند به کار برد. روش وارد روشی است که در این مرحله از آن استفاده گردید. در این روش، گروه های  و  در صورتی ادغام می شوند که افزایش واریانس ناشی از ادغام آنها نسبت به ادغام هر یک از آنها با دیگر گروه‌ها کمینه باشد؛ به بیان ریاضی:

(6)                                 

که در اینجا  فاصله بین گروه و گروه است.

روش مزبور این مزیت را دارد که هر ایستگاه را در گروهی جای می‌دهد که مجموع مربعات انحرافات درون گروهی به حداقل برسد. ایستگاه‌هائی که به این روش در یک خوشه جای می‌گیرند از نظر مکانی بر روی نقشه در همسایگی یکدیگر واقع می‌شوند. با اجرای این روش بر روی ماتریس بارهای مؤلفه ایی بارش های ماهانه استان مشخص شد که در استان سیستان و بلوچستان سه پهنه بارشی قابل شناسایی است: پهنه کم بارش وسیع، پهنه متوسط بارش مکرانی و پهنه پر بارش سراوانی (شکل 4). در نهایت در محیط نرم افزاری سیستم های اطلاعات جغرافیایی اقدام به پهنه بندی نواحی بارشی استان سیستان و بلوچستان گردید (شکل5).

نتیجه تحلیل واریانس بر روی میانگین بارش سالانه سه پهنه به دست آمده نیز نشان می دهد که در سطح احتمالاتی  تفاوت بین پهنه ها معنادار است. لذا تفکیک استان سیستان و بلوچستان به سه پهنه از لحاظ آماری قابل قبول است.

در پهنه‌بندی داده‌های میانگین ماهانه بارش داده‌های سنجنده ماهواره (TRMM)، از روشی که در داده‌های میانگین ماهانه بارش ایستگاه‌ها بکار رفته استفاده شده است. در این داده‌ها اجرای روش مؤلفه‌های مبنای چرخش یافته با روش واریماکس نشان می‌دهد که نزدیک 7/94 درصد تفاوت بارش‌های ماهانه استان سیستان و بلوچستان را می‌توان با 3 مؤلفه تبیین کرد وسعت سایر مولفه‌ها و درصد بارگویه آنها بسیار کم و قابل چشم پوشی است. در شکل 6، نقشه پهنه بندی با این روش آمده است.

 

 

 

شکل 5- نمودار درختی حاصل از تحلیل خوشه ای بر روی مؤلفه های اصلی بارش های ماهانه

ایستگاه های باران سنجی استان سیستان و بلوچستان.

 

 

شکل 6- پهنه بندی نواحی بارشی استان سیستان و بلوچستان حاصل نتایج تحلیل خوشه ائی بر روی داده‌های باران سنجی طی دوره آماری (1378-1390)

شکل 7- پهنه بندی نواحی بارشی استان سیستان و بلوچستان حاصل نتایج تحلیل خوشه ائی بر روی داده های ماهواره (TRMM) طی دوره آماری (1378-1390)

 


نتایج و بحث

توزیع باران در سطح استان سیستان و بلوچستان تابعی از موقعیت و سامانه هایی هستند که در فصل های گرم و سرد به استان وارد می‌شوند. سامانه‌های باران زای استان که ناشی از فعالیت کم فشار سودانی، مدیترانه ای و جریانات مرطوب تابستانه اقیانوس هند ودریای عمان است باعث گردیده که توزیع بارندگی در نقاط مختلف استان یکنواخت نباشد. در ادامه نتایج پهنه‌بندی با استفاده از داده های ایستگاه های زمینی آورده شده است.

 

پهنه کم بارش وسیع

 بزرگترین پهنه بارشی از لحاظ وسعت در استان سیستان و بلوچستان به شمار می آید که حدود 72 درصد استان را در بر می گیرد (شکل6). میانگین بارش سالیانه این ناحیه بارشی 5/96 میلیمتر است که فصل زمستان با 8/61 میلیمتر بارش، پرباران ترین فصل و تابستان با 2/8 میلیمتر کم باران ترین فصل این ناحیه به حساب می آید. ماه های اسفند و دی هر کدام به ترتیب با 4/21 و 9/20 میلیمتر بارش، پرباران ترین ماه های سال و دو ماه شهریور و مهر هر کدام با 9/0 و 2/1 میلیمتر خشک ترین ماه های این ناحیه را تشکیل می دهند (شکل8).

پهنه متوسط بارش مکرانی

دومین ناحیه بزرگ بارشی استان سیستان و بلوچستان می باشد که در جنوب پهنه کم بارش وسیع واقع شده است و تقریباً حدود 19 درصد از مساحت استان را شامل می شود (شکل6). میانگین بارش سالیانه این ناحیه4/122 میلیمتر است که بیشترین آن در فصل زمستان 1/63 میلی متر و کمترین آن در فصل تابستان 4/17 میلی متر می بارد. ماه‌های دی و خرداد هر کدام با 8/36 و 4/22 میلیمتر پربارش ترین ماه‌ها و دو ماه اردیبهشت و مهر هر کدام با 8/0 و 6/1 میلیمتر کم بارش ترین ماه های این ناحیه می‌باشد (شکل8).

پهنه پر بارش سراوانی

کم وسعت ترین و در عین حال پربارش ترین ناحیه بارشی استان سیستان و بلوچستان است. حدود 9 درصد از مساحت استان را شامل می شود و در شرق استان واقع شده است (شکل6). میانگین بارش سالیانه این ناحیه 7/142 میلیمتر است که فصل زمستان با 7/58 میلیمتر پربارش ترین و پاییز با 8/21 میلیمتر کم بارش ترین فصل این ناحیه به حساب می آیند. ماه های تیر و اسفند با 9/25 و 5/21 میلیمتر دارای بیشترین بارش ها و ماه های مهر و شهریور با 4/4 و 4/4 میلیمتر دارای کمترین بارش ها هستند (شکل8). ازدلایل میزان بارش بیشتراین پهنه نسبت به سایر مناطق استان بهره مندی آن از بارش های سیستم موسمی هند در تابستان می باشد. در فصل تابستان با یکی شدن کم فشار های محلی جنوب شرق کشور و کم فشار پاکستان یک کم فشار وسیع منطقه ای شکل می گیرد که توسط حرکت چرخندی آن انتقال رطوبت سیستم موسمی هند با جهت شرقی – غربی از طریق پاکستان به منطقه مورد مطالعه میسر می شود (نجار سلیقه،1385).

با استفاده از داده های ماهواره (TRMM) استان به سه پهنه کم بارش جنوبی، متوسط بارش مرکزی و پربارش شمالی تقسیم می شود.

پهنه پربارش شمالی

میانگین سالانه بارش در این پهنه 2/ 92 میلی متر می باشد که بیشترین میزان بارندگی سالانه و از لحاظ وسعت دومین ناحیه در استان سیستان و بلوچستان را به خود اختصاص می دهد(شکل7). فصل زمستان با 3/60 میلی متر پرباران ترین فصل و تابستان با 1/3 میلیمتر بارندگی کم باران ترین فصل ناحیه محسوب می شود. ماه های دی و بهمن با 6/29 میلیمتر و 3/16 میلیمتر دارای بیشترین بارش ها و شهریور و تیرماه با 5/0 میلیمتر و  8/0 میلیمتر دارای کمترین میزان بارندگی هستند (شکل9).

پهنه متوسط بارش جنوبی

این پهنه از لحاظ وسعت کوچکترین ناحیه در استان سیستان و بلوچستان را به خود اختصاص می دهد (شکل7). میانگین بارش سالانه آن 9/90 میلی متر می باشد که از این نظر دومین پهنه در استان به شمار می رود. فصل زمستان با 5/47 میلیمتر پرباران ترین فصل و تابستان با 10 میلیمتر بارندگی کم باران ترین فصل این پهنه محسوب می شود. برای این ناحیه دی و آذر با 2/23 میلیمتر و 2/14 میلیمتر دارای بیشترین مقدار بارندگی و مهر و آبان با 1 میلیمتر و 7/1 میلیمتر دارای کمترین مقدار بارش بوده اند (شکل9).

پهنه کم بارش مرکزی

میانگین سالانه بارش در این پهنه 69 میلی متر می باشد که کم ترین میزان بارندگی سالانه و از لحاظ وسعت بیشترین میزان را در استان سیستان و بلوچستان به خود اختصاص می دهد(شکل7). فصل زمستان با 3/36 میلیمتر پرباران ترین فصل و تابستان با 6/8 میلیمتر بارندگی کم باران ترین فصل ناحیه محسوب می شود. در این قسمت ماه های دی و اسفند با 9/14 میلیمتر و 6/12 میلیمتر دارای بیشترین بارش ها و ماه های مهر و آبان با 7/0 میلیمتر و 1 میلیمتر دارای کمترین میزان بارندگی هستند(شکل9).

مقایسه پهنه بندی با داده های سنجنده ماهواره (TRMM) و پهنه بندی با داده های ایستگاه های باران سنجی نشان می دهد که در طول دوره آماری 12 ساله (1378-1390) میانگین بارندگی سالانه با داده های ایستگاه های بارن سنجی در استان 92 میلیمتر است و با استفاده از داده های سنجنده ماهواره (TRMM)81 میلیمتر است.

در پهنه بندی با داده های ماهواره (TRMM) در منطقه شمال و غرب استان پهنه ای پر بارش تر نسبت به دیگر پهنه های استان واقع شده است (شکل6).

این منطقه در پهنه بندی با داده های ایستگاه های باران سنجی متفاوت است و کم بارش ترین پهنه به این مناطق اختصاص داده شده است شکل7، با توجه به دوری شمال استان از منابع رطوبتی و ارتفاع کم این منطقه و منطقه غرب استان، همچنین عدم وجود رشته کوه  منسجم و نفوذ بسیار نادر سامانه های جوی موسمی اقیانوس هند به این مناطق، پهنه بندی بوسیله داده های ایستگاه های باران سنجی موارد مذکور را بهترنشان می دهد. همچنین نواحی مرکزی و شرقی استان در پهنه بندی با داده های ماهواره (TRMM)،پهنه ای با بارش کم مشخص شده است. در صورتی که این ناحیه ضمن نزدیک بودن به منابع رطوبتی دریای عمان وخلیج فارس دارای رشته کوه منسجم مکران با جهت غربی-شرقی می باشد که در ایجاد بارندگی های با منشاء توپوگرافیک در این مناطق نقش بسزایی دارد.با توجه به شکل8، بارندگی های مناطق مذکورعلاوه بر رژیم زمستانه مناسب دارای بارندگی های موسمی در تابستان می‌باشد که به افزایش میانگین بارندگی در نواحی مرکزی و جنوب شرقی استان کمک می کند. موارد ذکر شده در پهنه بندی با داده های ایستگاه های باران سنجی به خوبی نشان داده شده است در صورتی که در پهنه بندی با داده های سنجنده ماهواره (TRMM) منطقه مرکزی و بخشهایی از منطقه جنوب شرقی استان با پهنه ای کم بارش تر نسبت به سایر پهنه ها مشخص شده است. که با توجه به داده های واقعی صحیح نمی باشد.

در قسمت جنوبی استان علیرغم وجود منابع رطوبتی و قرار گرفتن در سواحل دریای عمان بدلیل عدم وجود مکانیسم های لازم جهت ایجاد بارندگی از میزان بارندگی کمتری برخوردار است. این مورد در پهنه بندی با داده های ایستگاه های باران سنجی بطور صحیح نشان داده شده است در صورتی که در داده های سنجنده ماهواره (TRMM) این منطقه به عنوان دومین پهنه بارشی معرفی شده است. تنها اشتراک پهنه بندی به وسیله دو سری مختلف داده های ایستگاه ها و سنجنده ماهواره (TRMM) با توجه به شکل‌های 8 و 9، و با صرف نظر از میزان میانگین ماهانه،یکسان بودن رژیم بارندگی سالانه در هردو پهنه بندی است ودر هردو مورد پراکندگی فصلی تقریبا" یکسانی مشاهده می شود.

 

 

 

شکل 8- جدول میانگین ماهانه بارش اندازه گیری شده بوسیله ایستگاه های باران سنجی در استان

سیستان و بلوچستان طی دوره آماری (1378-1390).

 

شکل 9- جدول میانگین ماهانه بارش اندازه گیری شده بوسیله داده های ماهواره (TRMM)

 در استان سیستان و بلوچستان  طی دوره آماری (1378-1390).

 


نتیجه گیری

در این پژوهش مقایسه پهنه‌بندی با دو سری داده ایستگاه‌های زمینی و داده‌های سنجنده ماهواره (TRMM) صورت گرفت. داده‌های سنجنده ماهواره (TRMM) در سال های اخیر امکان جدیدی را برای استخراج داده های بارش بویژه در مناطق حاره و جنب حاره بوجود آورده است. با توجه به قرارگیری این استان در نزدیکی مناطق حاره داده‌های ماهواره با داده‌های واقعی در پهنه‌بندی بارشی استان مورد مقایسه قرار گرفت و نتایج زیر حاصل شد.    

1-      داده‌های بدست آمده از سنجنده ماهواره (TRMM) دارای خطای نسبتآ زیادی بوده و استفاده از این داده ها بعضاً نتایج عکس و متفاوتی با داده های اندازه گیری شده بوسیله ایستگاه های باران سنجی می دهد.

بهترین عملکرد داده های سنجنده ماهواره (TRMM) در نیمه جنوبی استان و بیشترین خطا و انحراف نسبت به داده‌های ایستگاه‌های زمینی در نیمه شمالی استان می باشد.

 

  1. Almazroui, M., 2011, Calibration of TRMM rainfall climatology over Saudi Arabia during 1998–2009, Atmospheric Research, No. 99, Issues 3–4, pp. 400-414.
  2. Azizoghli,M., 2011, Sistan and Baluchistan Province rain zoning based on principal component analysis, climatology, Master Thesis, Azad University of Tehran, Supervisor Dr. Fatahi.
  3. Basalirwa, C.P.K., 1995, delineation of Uganda into Climatologically rainfall zones using the method of principal component analysis. International journal climatology, No .15, pp. 1161-1177.

 

 

 

 

  1. Cheng Chen, Zhongbo Yu, Li Li, Y. Chuanguo, Adaptability Evaluation of TRMM Satellite Rainfall and Its Application in the Dongjiang River Basin, Procedia Environmental Sciences, No.10, Part A, 2011, pp. 396-402.
  2. Dormoes, M., E. Ranatung, 1993, A Statistical approach toward a regionalization of daily rainfall in Srilanka. Intrr.j. climatology, No. 13, pp.741- 754.
  3. Domroes, M., M. Kaviani And D. Schaefer, 1998, An Analysis of Regional and Intra- Annual Precipitation Variability over Iran Using Multivariate Statistical Methods, The Application. Climatology, No. 61, pp. 151–159.
  4. Gong, X., M. Richman, 1995, on the application of cluster analysis to growing season precipitation data in North America eastern rookies. J. climatol, No. 8, pp. 897- 930.
  5. Hatami, B., B. Khodakaram, J. Khooshhale dastjerdi, 2010, Climatic zoning Fars Province with factor analysis method, Journal Of Geographical Research,No.32, pp. 135-150.
  6. Heydari, H., B. Alijani, 2008, Iran's climate classification using multivariate statistical technique - Geographical Studies No. 27- Tehran.
10. Hughes, 2006, Comparison of satellite rainfall data with observations from gauging station networks, Journal of Hydrology, No. 3, pp. 399-410.

11. Javanmard, S., S. Golestani, y. Abedini, 2011, Study and Survey on Spatial and temporal Distribution of Convection and Covered precipitation Rate on Iran with Use TRMM-TMI satellite data, Set of Iranian Physics Conference Articles.

12. Kummerow, C., B. Barnes, T. Kozu, J. Shiue and J. Simpson, 1998, The Tropical Rainfall Measuring Mission (TRMM) Sensor Package, Journal of Atmospheric and Oceanic Technology  No. 15, pp. 809-817.

13. Masoudian, A., 2003, examined the geographical distribution of precipitation in Iran during the factor analysis, Journal of Geography and development in the first year, Zahedan.
Masoudian, A., 2009, Regional rainfall, Geography and Development, No. 13, pp. 79–91.
Najarsalighe, M., 2006, Mechanisms of precipitation in southeast Iran, Geographical Journal, No. 55, pp. 1-13.

14. Nazrul Islam, Md., H. Uyeda, Use of TRMM in determining the climatic characteristics of rainfall over Bangladesh, Remote Sensing of Environment, No. 108, Issue 3, 15 June 2007, pp. 264-276.

15. Puvanes wavan, Manickam, 1990. Climatic classy frication for Queensland using Multivariate statistical technique in t. Jour. Climatology, No. 10, pp. 591-608.

16. Tanvir Islam, A. Miguel, R. Ramirez, Dawei Han, Prashant,  Srivastava, A. Ishak, Performance evaluation of the TRMM precipitation estimation using ground-based radars from the GPM validation network, Journal of Atmospheric and Solar-Terrestrial Physics, No.  77, March 2012, pp. 194-208.

  1. 17.  Torabi, S., S. Jahanbakhshasl, 2004, Determination of Underlying variable At Iran’s climate classification, Geographical Studies, No. 2, Mashhad.
18. Yoshikazu, T., H. Hiroyuki, K. Masayuki, Yamamoto, Manabu, Yamanaka, Shuichi, Fadli, Observational study on diurnal precipitation cycle in equatorial Indonesia using 1.3-GHz wind profiling radar network and TRMM precipitation radar, Journal of Atmospheric and Solar-Terrestrial Physics, No. 73, Issue 9, June 2011, pp. 1031-1042.