ارزیابی خودهمبستگی فضایی تغییرات زمانی- مکانی جزایر گرمایی در خراسان رضوی

نوع مقاله : پژوهشی

نویسندگان

1 دانشگاه جکیم سبزواری

2 حکیم سبزواری

چکیده

تعامل عوامل محلی و الگوهای گردشی اتمسفر، نوع و حالت آرایش جزایر گرمایی هر پهنه جغرافیایی را در بلندمدت تعیین می‌کند. آگاهی از پراکندگی مکانی دما، زمینه‌ساز برنامه‌ریزی و سیاست‌گذاری‌های درست محیطی است. این پژوهش با هدف شناسایی تغییرات مکانی و زمانی خودهمبستگی فضایی جزایر گرمایی انجام‌شده است. نخست پایگاهی از داده‌های شبکه‌ای دمای بیشینه و کمینه روزانه استان ایجاد شد. سپس دوره آماری 30 ساله (1/01/1980تا 31/12/2010 میلادی) برای 12 ایستگاه هواشناسی همدید استان برای مطالعه انتخاب و یاخته‌ای به ابعاد 15×15 کیلومتر بر منطقه موردمطالعه گسترانیده شد. به‌منظور دست‌یابی به تغییرات درون سالی جزایر گرمایی از روش‌های نوین آمار فضایی از قبیل خودهمبستگی فضایی موران جهانی، شاخص انسلین محلی موران و لکه‌های داغ در محیط برنامه‌نویسی و مورد استفاده قرار گرفت. نتایج حاصل نشان می دهد که تغییرات زمانی و مکانی جزایر گرمایی استان دارای الگوی خوشه‌ای بالا می‌باشد. بر اساس شاخص موران محلی و لکه داغ، جزایر گرمایی در جنوب غرب و جنوب شرق استان دارای الگوی خودهمبستگی فضایی مثبت (جزایر گرمایی گرم) و بخش‌های شمالی و نواحی مرتفع مرکزی (عمدتاً قوچان، گلمکان و نیشابور) دارای خودهمبستگی فضایی منفی (جزایر گرمایی سرد) هستند. همچنین بخش اعظمی از استان هیچ‌گونه الگوی معنی‌داری یا خود همبستگی فضایی در طی دوره مطالعه ندارد. به‌طورکلی جزایر گرمایی استان تحت تأثیر دو سیستم ایجاد و کنترل می‌شوند؛ عوامل محلی کنترل‌کننده مکان (آرایش جغرافیایی جزایر گرمایی) و عوامل بیرونی کنترل‌کننده زمان (رژیم جزایر گرمایی).

کلیدواژه‌ها


رحیم زاده، فاطمه؛ نساجی زواره، مجتبی؛ 1393. روند و تغییرپذیری دما در ایران در دوره 1960-2010 پس از تعدیل ناهمگنی‌های غیر طبیعی موجود در داده‌ها. فصلنامه تحقیقات جغرافیایی. شماره4. صص 181-196.
عزیزی، قاسم؛ روشنی، محمود؛ 1387. مطالعه تغییر اقلیم در سواحل جنوبی دریای خزر به روش من-کندال. پژوهش‌های جغرافیایی. شماره 64. صص 28-13.
علیجانی، بهلول؛ کاویانی، محمدرضا؛1371. مبانی آب و هواشناسی. انتشارات سمت. تهران.
محمدرضایی، شهریار؛ 1382. رویکرد سیستمی به تجزیه‌وتحلیل اکوسیستم‌ها. سازمان حفاظت محیط‌زیست. تهران.
محمدی، حسین؛ 1390. آب و هواشناسی شهری. انتشارات دانشگاه تهران. تهران.
مسعودیان، سید ابوالفضل؛ 1382. تحلیل ساختار دمای ماهانه ایران. مجله پژوهشی دانشگاه اصفهان. شماره 1و 2. ص87.
مسعودیان، سید ابوالفضل؛ 1384. آب‌وهوای ایران. انتشارات دانشگاه اصفهان. اصفهان.
مسعودیان، سید ابوالفضل؛ 1384. بررسی روند دمای ایران در نیم سده گذشته. پژوهش‌های جغرافیای. شماره 54. صص 45-29.
Ageena, I., Macdonald, N., & Morse, A. (2014). Variability of maximum and mean average temperature across Libya (1945–2009). Theoretical and Applied Climatology, 117(3-4), 549-563.
Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115.
Anselin, L., Syabri, I., & Kho, Y. (2010). GeoDa: an introduction to spatial data analysis. In M. M. Fischer & A Getis (Eds.), Handbook of applied spatial analysis (pp. 73-89). Springe: Berlin Heidelberg.
Bajat, B., Blagojević, D., Kilibarda, M., Luković, J., & Tošić, I. (2015). Spatial analysis of the temperature trends in Serbia during the period 1961–2010. Theoretical and Applied Climatology, 121(1-2), 289-301.
Ben-Gai, T., Bitan, A., Manes, A., Alpert, P., & Rubin, S. (1999). Temporal and spatial trends of temperature patterns in Israel. Theoretical and Applied Climatology, 64(3-4), 163-177.
Braganza, K., Karoly, D. J., & Arblaster, J. (2004). Diurnal temperature range as an index of global climate change during the twentieth century. Geophysical Research Letters, 31(13), 1-4.
Cressie, N. (1993). Statistics for spatial data: Wiley series in probability and statistics. Wiley-Interscience New York, 15, 16.
De Lucena, A. J., Rotunno Filho, O. C., de Almeida França, J. R., de Faria Peres, L., & Xavier, L. N. R. (2013). Urban climate and clues of heat island events in the metropolitan area of Rio de Janeiro. Theoretical and Applied Climatology, 111(3-4), 497-511.
De Smith, M. J., Goodchild, M. F., & Longley, P. (2007). Geospatial analysis: A comprehensive guide to principles, techniques and software tools. Winchelsea: Winchelsea Press.
De Smith, M. J., Goodchild, M. F., & Longley, P. (2013). Geospatial analysis. Winchelsea: Winchelsea Press.
del Rio, S., Herrero, L., Pinto-Gomes, C., & Penas, A. (2011). Spatial analysis of mean temperature trends in Spain over the period 1961–2006. Global and Planetary Change, 78(1), 65-75.
Diggle, P. J. (1983). Statistical analysis of spatial point patterns. London: Academic press.
Founda, D., Papadopoulos, K., Petrakis, M., Giannakopoulos, C., & Good, P. (2004). Analysis of mean, maximum, and minimum temperature in Athens from 1897 to 2001 with emphasis on the last decade: trends, warm events, and cold events. Global and Planetary Change, 44(1), 27-38.
Getis, A., & Aldstadt, J. (2010). Constructing the spatial weights matrix using a local statistic Perspectives on spatial data analysis (pp. 147-163). Berlin: Springer.
Getis, A., & Ord, J. K. (1992). The analysis of spatial association by use of distance statistics. Geographical analysis, 24(3), 189-206.
Haining, R., & Griffith, D. A. (1989). Spatial Autocorrelation: a primer. Washington, D. C.: JSTOR.
Homar, V., Ramis, C., Romero, R., & Alonso, S. (2010). Recent trends in temperature and precipitation over the Balearic Islands (Spain). Climatic change, 98(1-2), 199-211.
Illian, J., Penttinen, A., Stoyan, H., & Stoyan, D. (2008). Statistical analysis and modelling of spatial point patterns. Chichester: John Wiley & Sons.
Jacquez, G. M., & Greiling, D. A. (2003). Geographic boundaries in breast, lung and colorectal cancers in relation to exposure to air toxics in Long Island, New York. International Journal of Health Geographics, 2(1), 3.
Johnston, C. A. (1998). Geographic information systems in ecology. Victoria: Blackwell Science.
Jolliffe, I. T., & Philipp, A. (2010). Some recent developments in cluster analysis. Physics and Chemistry of the Earth, Parts A/B/C, 35(9), 309-315.
Kaas, E., & Frich, P. (1995). Diurnal temperature range and cloud cover in the Nordic countries: observed trends and estimates for the future. Atmospheric Research, 37(1), 211-228.
Kendall, W. S. (1998). Perfect simulation for the area-interaction point process. In L. Accardi & C. Heyde (Eds.), Probability towards 2000 (pp. 218-234). New York: Springer.
Kim, S., & Singh, V. P. (2014). Modeling daily soil temperature using data-driven models and spatial distribution. Theoretical and Applied Climatology, 118(3), 465-479.
Levine, N. (1996). Spatial statistics and GIS: Software tools to quantify spatial patterns. Journal of the American Planning Association, 62(3), 381-391.
Mitchel, A. (2005). The ESRI Guide to GIS analysis, Volume 2: Spartial measurements and statistics. New York: ESRI Guide to GIS analysis Press.
Nel, W. P., & Cooper, C. J. (2009). Implications of fossil fuel constraints on economic growth and global warming. Energy Policy, 37(1), 166-180.
Nemec, J., Gruber, C., Chimani, B., & Auer, I. (2013). Trends in extreme temperature indices in Austria based on a new homogenised dataset. International Journal of Climatology, 33(6), 1538-1550.
Ohayon, B. (2011). Statistical analysis of temperature changes in Israel: An application of change point detection and estimation techniques. Global Nest Journal, 13(3), 215-228.
Ord, J. K., & Getis, A. (1995). Local spatial autocorrelation statistics: distributional issues and an application. Geographical Analysis, 27(4), 286-306.
Ripley, B. D. (2005). Spatial statistics (Vol. 575). Chichester: John Wiley & Sons.
Shahid, S., Harun, S. B., & Katimon, A. (2012). Changes in diurnal temperature range in Bangladesh during the time period 1961–2008. Atmospheric Research, 118, 260-270.
Solow, A. R. (1987). Testing for climate change: An application of the two-phase regression model. Journal of Climate and Applied Meteorology, 26(10), 1401-1405.
Waagepetersen, R., & Schweder, T. (2006). Likelihood-based inference for clustered line transect data. Journal of Agricultural, Biological, and Environmental Statistics, 11(3), 264-279.
Wheeler, D. C. (2007). A comparison of spatial clustering and cluster detection techniques for childhood leukemia incidence in Ohio, 1996–2003. International Journal of Health Geographics, 6(13), 1-16.
Wheeler D. C. (2014). Geographically weighted regression. In M. M. Fischer & A. Getis (Eds.), Handbook of applied spatial analysis: Software tools, methods and applications (pp.461-486). Berlin and Heidelberg: Springer.
Zhang, C., Luo, L., Xu, W., & Ledwith, V. (2008). Use of local Moran's I and GIS to identify pollution hotspots of Pb in urban soils of Galway, Ireland. Science of the Total Environment, 398(1), 212-221.
Zhou, D., Khan, S., Abbas, A., Rana, T., Zhang, H., & Chen, Y. (2009). Climatic regionalization mapping of the Murrumbidgee Irrigation Area, Australia. Progress in Natural Science, 19(12), 1773-1779.
Zquiza, E. P. i. (1998). Comparison of geostatistical methods for estimating the areal average climatological rainfall mean using data on precipitation and topography. Int. J. Climatol, 18, 1031-1047.
CAPTCHA Image