دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

2 دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران،تهران،ایران

چکیده

چکیده
رگبارهای شدید عامل تولید سیلاب های مخرب اند. معمولاً تحلیل رگبارهای ساعتی در حوضه های بدون آمار یکی از پارامترهای اصلی تحلیل سیلاب هاست. تعیین رگبار حوضه نیاز به تحلیل منطقه ای رگبارها و انتقال آن ها به مرکز ثقل حوضه دارد. حداکثر بارش روزانه ( ) قابل دسترس‌ترین رگبارهای هر منطقه است. این بارش قابل تفکیک به رگبارهای ساعتی است. بنابراین تحلیل نقطه ای و منطقه ای از ضروریات طرح‌های آب و هواشناسی است. پهنه بندی می تواند گام مثبت و کارا در تحلیل رگبارها و سیلاب های مولد باشد. برای پهنه بندی باید از روش های قدیمی اقلیم بندی و یا روش های آماری جدیدتر مانند تحلیل خوشه ای و آزمون های همگنی گشتاورهای خطی استفاده کرد. در این پژوهش از روش دوم استفاده شده است. کلیه ایستگاه های باران سنج کشور(396 ایستگاه) که زیر نظر سازمان هواشناسی کشور و وزارت نیروست انتخاب و تمام آمارهای آنها از بدو تأسیس تا آخرین سال اعلام شده(2005) به کار گرفته شده اند. گشتاورهای خطی به داده های پرت حساسیت کمتری دارند و مرز مشخصی برای اندازه نمونه تعریف نمی‌کنند. یعنی می توان از طول دوره های آماری متفاوت ایستگاه ها استفاده کرد. لذا از تمام آمار ایستگاه استفاده شده است. آزمون‌های پایه شامل: تصادفی بودن، استقلال، همگنی، داده پرت و ایستائی انجام و تعداد 266 ایستگاه به علت نداشتن شرایط لازم حذف و 130 ایستگاه در تحلیل شرکت کرده اند. روش مؤلفه های اصلی برای حذف متغیرهای غیرضرور به کار گرفته شد که ضرورت فقط 6 متغیر( ارتفاع، میانگین و انحراف معیار بارش سالانه و حداکثر روزانه و نسبت بارش زمستان به بهار) از 21 متغیر تأیید شد. روش تحلیل خوشه ای سلسله مراتبی را برای پهنه‌بندی ایستگاه ها مورد استفاده قرار داده و کشور به هفت ناحیه تفکیک شده است. این نواحی در نقاط مختلف ایران پراکنده بوده و نقشه پهنه بندی آنها ارائه شده است. آزمون های گشتاورهای خطی برای تأیید همگنی هفت ناحیه به کار رفته است. نتایج این آزمون ها همگنی و همنوائی را برای این هفت ناحیه تأیید می کند.

واژه های کلیدی: پهنه بندی، حداکثر بارش روزانه، تحلیل مولفه های اصلی، تحلیل خوشه ای، گشتاورهای خطی

عنوان مقاله [English]

Regionalization of maximum daily precipitation of Iran

نویسندگان [English]

  • F. Khamchin Moghadam 1
  • H. Sedghi 2
  • F. Kaveh 1
  • M. Manshouri 1

1 Islamic Azad University, Science and Research Branch – Tehran

2 Tehran Science and Research branch, Islamic Azad University, Tehran, Iran

چکیده [English]

Abstract
Most heavy storms result in destructive floods. One of the basic elements in analyzing floods in watersheds without data is hourly storms. The Determination of the storm of the watershed needs regional analysis of storms and transferring them to the gravity center of the watershed. Maximum daily precipitation ( ), is the most accessible storm in any region, which can be converted to hourly precipitation. The analysis of the point and regional is one of climate studies requirement. Regionalization of , can be an influential step toward analyzing storms and floods. In order to accomplish such a task, two approaches are possible, one is using the old methods of geographical regionalization and the other one is using the new methods like "Cluster Analysis" and "L-Moments Homogenous Tests". In this paper second approach was employed. All existing rain-gauge stations (N=396) were considered and their available data were collected in this study. Basic tests were applied and 266 stations were removed due to the lack of the required conditions and only 130 stations were used in analysis. "Principal Components" method was used to omit the uninfluential variables (only 6 variables out of 21 were proved as basic and important). "Hierarchical Clustering" was used in the process of regionalization of the stations indicated of seven different regions. These regions were distributed in different locations throughout the country and the regionalization map is presented. The "L-Moments Homogenous Tests" were also employed for further indication. According to the final results, the regionalization of of Iran's rain-gauge stations can be defined as 7 homogenous regions.

Keywords: Regionalization, Maximum daily precipitation, Principal Components, Cluster Analysis, L-Moment

CAPTCHA Image