پهنه بندی شمالغرب ایران بر مبنای بارش های روزانه، فواصل زمانی بارش ها و روزهای بارانی باکاربرد روش هایPCA,Ward, K-mean

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

روش های تحلیلی کاهش ابعاد داده ها مانند آنالیز مولفه های اصلی برای درک صحیحی از عوامل مؤثر بر تغییرات اقلیمی با توجیه قسمت مهمی از کل واریانس با تعداد محدودی از مولفه های اصلی، در برنامه ریزی منابع آب حائز اهمیت می باشند. در این تحقیق روش PCA به عنوان تصویرکننده فضای اطلاعات روی محورهای محدود و معین، K-mean به عنوان روش خوشه سازی گروهی و Wardبه عنوان خوشه سازی سلسله مراتبی مورد استفاده قرار گرفته است. در تحقیق حاضر با استفاده از این روش ها و کاربرد داده های بارش روزانه 60 ایستگاه هواشناسی در طول دوره آماری 35 ساله (2004-1970)،4 نوع پهنه بندی بر مبنای بارش های روزانه، سری شاخص فاصله-مقدار، فواصل زمانی بارش و سری روزهای بارانی انجام گرفت. آماره S برای آزمون همگنی مناطق بدست آمده به کار گرفته شد. نتایج نشان داد که روش PCA به لحاظ ماهیت خود فضای داده ها را روی محورهای اصلی تصویر می کند و ساختار واقعی فضا را نشان خواهد داد اما در روش های سلسله مراتبی که در هر مرحله خوشه یا اعضا را به هم متصل می کنند، از نظر ماهیت فضایی خوشه ها بیانگر ساختار واقعی نمی باشند لذا انتظار می رود که خوشه های حاصل از PCA واقعی تر از خوشه های حاصل از دیگر روش‌ها باشد. اما از نقطه نظر گسترش اطلاعات خوشه بندی بر مبنای همگنی، روش های خوشه بندی سلسله مراتبی بر خوشه بندی واقعی ارجحیت پیدا می‌کند.

کلیدواژه‌ها


عنوان مقاله [English]

Regionalization of Northwest Iran Based on Daily Rainfalls and Rain’s Time Intervals Using PCA, Ward and K-mean Methods

نویسندگان [English]

  • B. Fallahi
  • A. Fakheri Fard
  • Y. Dinpajooh
  • S. Darbandi
چکیده [English]

Having a correct view of the effective factors on climatic changes by explanation of a considerable part of the total variance in data with limited number of principal components the analytical methods of decreasing data dimensions, such as PCA are important tools in water resources planning. In this study PCA method as a projection tool for projecting the information space on the limited and specific axes, ward’s method as a hierarchical clustering and k-mean as partitioning clustering method has been applied in this research. Using this methods and application of daily precipitation data of 60 meteorological stations during a 35 years period (1970-2004), 4 types of delineated regions were come out on the basis of daily precipitations, distance-quantity index, time intervals and rainy days series. S statistic test algorithm was used for homogeneity test of the regions. Results showed the nature of the PCA method is such that projects the data space on the main axes and shows the real space. But in the hierarchical methods, clusters do not describe the real structure. Therefore we do expect that the resulting clusters of PCA would be more realistic than that of methods. But hierarchical methods have the advantage of containing the wider clustering information on the basis of homogeneity than the others.

کلیدواژه‌ها [English]

  • regionalization
  • Principal Components Analysis
  • Cluster analysis
  • Ward
  • K-mean