Journal of Applied Research in Geographical Sciences
نشریه تحقیقات کاربردی علوم جغرافیایی
jgs
Literature & Humanities
http://jgs.khu.ac.ir
1
admin
2228-7736
2588-5138
10.61186/jgs
fa
jalali
1395
9
1
gregorian
2016
12
1
16
43
online
1
fulltext
fa
تحلیل فضایی بارش سالانه استان خوزستان، رویکردی از تحلیل رگرسیون های فضایی
Spatial analysis of annual precipitation of Khuzestan province; An approach of spatial regressions analysis
پژوهشي
Research
<p dir="RTL" style="text-align: justify;"><strong>بارش از جمله عناصر اقلیمی است که در برنامه ریزی محیطی دارای اهمیت بسیار می باشد. در این راستا برای مدل سازی و پیش بینی مکانی بارش سالانه در استان خوزستان و ارتباط آن با عوامل مکانی از روش رگرسیون های فضایی استفاده شده است. لذا از آمار 13 ایستگاه سینوپتیک استان خوزستان از بدو تأسیس تا سال 2010 میلای جهت پیشگویی فضایی و ارتباط با عوامل جغرافیایی توپوگرافی (ارتفاع، شیب و جهت دامنه ها) و طول- عرض جغرافیایی به روش رگرسیون های فضایی مربعات معمولی(</strong><strong><span dir="LTR">OLS</span></strong><strong>) و موزون جغرافیایی</strong><strong><span dir="LTR">GWR)</span></strong><strong>) بهره گرفته شده است. نتایج حاصل از این پژوهش نشان دهنده یک ارتباط قوی بین بارش با عوامل جغرافیایی است. نتایج دو مدل رگرسیون عمومی و وزنی جغرافیایی برای پیش بینی بارش سالانه حاکی از برآورد مقادیر پیش بینی بهتر در مدل رگرسیون موزون جغرافیایی است. بطوری که میزان برآورد حاصل از روش رگرسیون موزونی جغرافیایی در استان خوزستان، نشان از مقادیر پایین باقیمانده ها ی خطا، مقادیر بالای </strong><strong><span dir="LTR"><img alt="AWT IMAGE" height="28" src="file:///C:UsersnasserAppDataLocalTempmsohtmlclip1�1clip_image002.gif" width="23" ></span></strong><strong> ، عدم وجود خودهمبستگی فضایی و نرمال بودن مقادیر باقی مانده مدل را نمایش می دهد. میزان</strong><strong><span dir="LTR"><img alt="AWT IMAGE" height="28" src="file:///C:UsersnasserAppDataLocalTempmsohtmlclip1�1clip_image004.gif" width="40" ></span></strong><strong>در مدل رگرسیون مربعات معمولی 75% تغییرات بارش را با عوامل مکانی تببین می کند. در حالیکه در رگرسیون وزنی جغرافیایی این میزان در دامنه 82% تا 97% در روی پهنه بارش خوزستان در نوسان است و نشان دهنده برآورد بهتر این مدل می باشد. بر همین اساس مشخص شد که نقش ارتفاعات درشرق، شمالشرق و شمال استان، جهت دامنه ها در بخش های شرق ، شمالشرق و در محدوده کوه های زاگرس، و شیب نیز در همین محدوده های ذکر شده مهم ترین عوامل مکانی موثر بر مقادیر بارش به شمار می آیند. </strong></p>
<p style="text-align: justify;">Knowing of precipitation values in different regions is always of main and strategic issues of human which has important role in short- term and long-term decisions. In order to determine of precipitation model and forecasting it, there are different models, but given that the precipitation data have a spatial autocorrelation, the spatial statistic is a powerful tool to recognition of spatial behaviors. In this research, for determine of precipitation model and predicting of it with geographical factors e.g. altitude, slope and view shade and latitude- longitude by using spatial regressions analysis such as ordinary least squares (OLS) and geographical weighted regressions(GWR), 13 synoptic stations of Khuzestan province from establishment to 2010 were used. Results showed a powerful correlation between precipitations with geographical factors. Also results of modeling through OLS and GWR representative that forecasting of GWR is close to reality, so that in GWR, the sum of errors of residuals is less, the <img alt="AWT IMAGE" height="18" src="file:///C:DOCUME~1ADMINI~1LOCALS~1Tempmsohtmlclip1�1clip_image002.gif" width="17" > is more and there aren't any spatial autocorrelation in residuals and the residuals are normal. The <img alt="AWT IMAGE" height="18" src="file:///C:DOCUME~1ADMINI~1LOCALS~1Tempmsohtmlclip1�1clip_image002.gif" width="17" >of OLS can only justify 75 percent of precipitation variations with spatial factors while in GWR this quantity is 82- 97 percent. Accordingly, it was found that, in east, northeast and north of province the altitudes, in east and northeast and Zagros Mountains the view shade and slope are the most important spatial factors, respectively.</p>
خودهمبستگی فضایی, رگرسیون موزون جغرافیایی, رگرسیون مربعات معمولی, بارش, خوزستان.
Spatial autocorrelation, OLS, GWR, Khuzestan precipitation
125
147
http://jgs.khu.ac.ir/browse.php?a_code=A-10-2328-5&slc_lang=fa&sid=1
Saeed
balyani
سعید
بلیانی
ybalyani52@yahoo.com
10031947532846001890
10031947532846001890
Yes