Spatial Relationship Modeling of the Sum Frequency of Monthly Heavy Precipitation Occurrence (Cool Seasons) in Iranian Coastal Region of Caspian Sea

Document Type : Research Article

Authors

• Hossein Asakereh ¹
• Leila Hosseinjani ²

¹ University of Zanjan

² univercity of zanjan

10.22067/geo.v0i0.58731

Abstract

Introduction

One of the most important goals of spatial statistics is the study of spatial relationships of environmental data for the analysis of patterns and spatial dependencies. From behavioral aspects of precipitation as environmental data are extreme amounts of precipitation. Extreme event is the occurrence of a value of a weather or climate variable above (or below) a threshold value near the upper (or lower) ends of the range of observed values of the variable, that are associated with  negative and environmental-human consequences (such as flood, drought, landslide, soil erosion, and physical damage to infrastructure (roads-dams), impact on human activities (settlement-agriculture-industry-services). In this regard, exploratory analysis of spatial data provides methods for distinguishing between random and non-random patterns. Precipitation extremes follow a geographical pattern like all other climate elements. Recognition of such patterns, specifically in those areas where people’s lives depend on precipitations can determine the success in environmental management as well as certainty in resources planning. The geographical position of Iran’s coastal region of Caspian Sea,(Adjacent to the Caspian sea, and  the Alborz mountains), and the adjacent various geographic units (sea, plain and mountains),as well as their interactions with each other, provide  appropriate conditions for extreme precipitation occurrences in this area. As researchers believe that the extreme precipitations in Caspian region is part of the intrinsic properties (Mofidi,2008).  Regarding extreme precipitation in Iran’s coastal region of Caspian Sea, especially in eastern parts, is one of the natural hazards.the recognition of spatial auto-correlation of such a phenomenon can facilitate environmental planning and the reduction of vulnerability and also increasing  adaptability  capacities with such a disaster.

Materials and Methods

In order to analyze the auto-correlation of the sum frequency of monthly heavy precipitations of the study area, the 90-95, 95-99 percentile of precipitation for each pixel of the map is considered in both groups for cool seasons. Accordingly, 385 stations (synoptic, climatology, and rain gauge of Islamic Republic Organization of Meteorology, and rain gauge of the Ministry of Power) were studied during the time period covering 1966 to 2016. At first, the frequency of monthly extreme precipitation was plotted in the Surfer software. Then, spatial statistics techniques (global Moran index (function 1), local Moran (function 2), and Gettis-ord-J index (function 3) were used to analyze spatial auto-correlation features.
 



 

Function (1)




 




Function (2)

 



 




Function (3)   

 
 



 
In the last step, the relationship between the spatial factors with the extreme precipitation frequency for each month was calculated using general Moran multivariate statistics (function 4).
 




                 Function(4)

 




Results and Discussion

One of the optimal methods for identifying the spatial distribution of climate events is to analyze the spatial relationships. The study aimed at determining the spatial pattern of the sum monthly precipitation frequency patterns in two groups (90-95, 95-99 percentile), using the spatial statistics techniques (global Moran index, local Moran, and Gi* index). The findings indicated that the global Moran index is statistically at 99% significant level. Results of the present showed that the dominant behavior in sum frequency of monthly extreme precipitation of the study area followed a cluster pattern in each group. The areas with positive auto-correlated clusters were in western and central regions and negative auto-correlated clusters were in the eastern parts. Gi* test approved the frequency of clusters with high and low values. The two-variable Moran's statistics between extreme precipitation and geographic factors showed that the effect of geographic factors on the spatial frequency pattern of extreme precipitation occurrence is weaker than the performance and influence of synoptic systems.

Conclusion

In general, it can be said that the Caspian region is more affected by the precipitation of the first group (90-95 percentile), which covers a vast area of the region. Results of the study showed that the dominant behavior in sum frequency of monthly extreme precipitation of study area followed a cluster pattern. The areas with positive auto-correlated clusters wاere in western and central regions and negative auto-correlated clusters were in the eastern parts. The comparison of the findings with those of previous studies showed that the geographical location of the study area, features of Alborz mountains, and also synoptic systems have affected the spatial auto-correlation frequency pattern of extreme precipitation occurrence. Finally, considering that heavy precipitation in the Caspian Sea region causes one of the natural hazards (flood), especially in the eastern parts with heavily-populated regions, recognizing the spatial patterns of this phenomenon can be very useful for planning environmental hazards and reducing vulnerability and increasing the compatibility.

Keywords

• Spatial autocorrelation
• Moran and Gi* statistics
• Environmental data Analysis
• extreme precipitation
• Geographic factors
• Caspian Sea Region

---

References

خوش‌اخلاق، فرامرز؛ فرید مجتهدی، نیما؛ نگاه، سمانه؛ مؤمن پور، فروغ؛ صبوری، شبنم؛ اسعدی اسکویی، ابراهیم؛ 1393. پدیده برف دریاچه ای و نقش آن در رخداد برف‌های سنگین کرانه جنوب غربی دریای خزر ، فضای جغرافیایی، شماره‌ 53، 251-229.

خوشحال دستجردی، جواد؛ 1376. تحلیل و ارائه مدل‌های سینوپتیک کلیماتولوژی برای بارش‌های بیش از یک صد میلی‌متر در سواحل جنوبی دریای خزر. رساله دکتری اقلیم‌شناسی: استاد راهنما: هوشنگ قائمی، دانشگاه تربیت مدرس.

ستوده، فاطمه؛ علیجانی، بهلول؛ 1394. رابطه‌ی پراکندگی فضایی بارش‌های سنگین و الگوهای فشار در گیلان. تحلیل فضایی مخاطرات محیطی،شماره 1، 73-63.

عساکره، حسین؛ 1387. کاربرد روش کریجینگ در میان‌یابی بارش، جغرافیا و توسعه، شماره 12، 42-25.

عساکره،حسین؛ خوش‌رفتار، رضا؛ ستوده، فاطمه؛ 1391. بارش‌های سنگین روزانه سپتامبر در ارتباط با الگوهای همدید در استان گیلان(2005-1976). پژوهش‌های جغرافیای طبیعی، شماره 2، 66-51.

عسگری، علی؛1390. تحلیل‌های آمار فضایی با ARCGIS ، چاپ اول، سازمان فناوری اطلاعات و ارتباطات شهرداری تهران.

علیجانی، بهلول؛ 1394. تحلیل فضایی، مجله مخاطرات محیطی، شماره3، 1-14.

فلاح قالهری، غلام عباس؛ اسدی، مهدی؛ داداشی رودباری، عباسعلی؛ 1394. تحلیل فضایی پراکنش رطوبت در ایران. پژوهش‌های جغرافیای طبیعی، شماره 4، 650-637.

قدرتی، علیرضا؛ رحمتی، سمانه؛ 1394. تحلیل سینوپتیکی بارش‌های رگباری منجر به سیل در غرب گیلان، سومین کنفرانس ملی مدیریت و مهندسی سیلاب، 21-23 مهرماه 1394.

کارخانه، میثم؛ مفیدی، عباس؛ زرین، آذر؛ 1395. شبیه‌سازی نقش دریای خزر بر وقوع بارش‌های منطقه‌ای در سواحل جنوبی دریای خزر، جغرافیا و آمایش شهری- منطقه‌ای، شماره 18، 168-153.

مرادی، حمیدرضا؛ 1380 بررسی سینوپتیک سیلاب 21 آبان ماه سال 1375 نواحی مرکزی مازندران، مجله رشد آموزش جغرافیا، شماره 56، 41-33.

مرادی، حمیدرضا؛ 1385. پیش‌بینی وقوع سیلاب‌ها بر اساس موقعیت‌های سینوپتیکی در ساحل جنوبی دریای خزر، پژوهش‌های جغرافیایی، شماره 55، 131-109.

مظفری، غلامعلی؛ مزیدی، احمد؛ شفیعی، شهاب؛ 1396. واکاوی روابط فضایی بارش‌های فرین غرب ایران. جغرافیا و توسعه، شماره 46، 184-169.

مفیدی، عباس؛ زرین، آذر؛ جانباز قبادی، غلامرضا؛ 1386. تعیین الگوی همدیدی بارش‌های شدید و حدی پاییزه در سواحل جنوبی دریای خزر، مجله فیزیک زمین و فضا، شماره 3، 131-154.

مفیدی، عباس؛ زرین، آذر؛ جانباز قبادی، غلامرضا؛ 1387. تعیین الگوی همدیدی بارش‌های شدید زمستانه و مقایسه آن با الگوی بارش‌های شدید پاییزه در سواحل جنوبی دریای خزر، اولین کنفرانس بین‌المللی تغییرات زیست‌محیطی منطقه خزری، 3 تا 4 شهریورماه 1387، دانشگاه مازندران، بابلسر.

میرموسوی، حسین؛ دوستکامیان، مهدی؛ ستوده، فاطمه؛ 1394. بررسی و تحلیل الگوی فضایی تغییرات درون دهه‌ای بارش‌های سنگین و فوق سنگین ایران، جغرافیا و برنامه‌ریزی محیطی، شماره 3، 76-67.

نظری‌پور، حمید؛ دوستکامیان، مهدی؛ علیزاده، سارا؛ 1394. بررسی الگوهای توزیع فضایی دما، بارش و رطوبت با استفاده از تحلیل اکتشافی زمین‌آمار(بررسی موردی: نواحی مرکزی ایران)، مجله فیزیک زمین و فضا، شماره 1، 117-99.

یوسفی، حسن؛ عزیزی، قاسم؛ 1383. زمانیابی ورود پرفشار سیبری به سواحل جنوبی دریای خزر. فصلنامه مدرس علوم انسانی، شماره 4، 193-213.

Agena, I., Macdonald, N., & Morse, A.P. (2014). Variability of maximum and mean average temperature across Libya (1945–2009). Theoretical and Applied Climatology, (Vol. 117), 549-563.

Alexandersson, H, 1986. A Homogeneity Test Applied to precipitation data. Journal of Climatology, (Vole. 6), 661-675.

Allard, D., & Soubeyrand, S. (2012). Skew-normality for climatic data and dispersal models for plant epidemiology: when application fields drive spatial statistics. Spatial Statistics, (Vol. 1), 50-64.

Anselin, L. (1995).Local indicators of spatial association-LISA. Geographical Analysis, (vol. 27), 93–115.

Chang, H., Kwon, W. (2007). Spatial variations of summer precipitation trends in South Korea, 1973–2005, ENVIRONMENTAL RESEARCH LETTERS2 (045012), 1-9.

Clark, W.A.V., Hosking, P., L. (1986). Statistical Methods for geographers: John Wiley and sons, New York, 379.

Fu,W.J., Jiang,P.K, Zhou,G.M., & Zhao,K.L.( 2014).Using Moran's I and GIS to study the spatial pattern of forest litter carbon density in a subtropical region of southeastern China, Biogeoscinces,11(8), 2401-2409.

Hartmann, S., Baker. & King. L. (2008). Quasi-Periodicities in Chinese Precipitation Time Series. Theoretical and Applied Climatology, (Vol.92), 155-163

IPCC. (2007). the physical science basis. Contribution of Working Group I to Fourth Assessment Report of the Intergovernmental Panel on Climate Change: Cambridge, United Kingdom, & Cambridge University Press.

Jia, S., Zhu, W., Lű, A., & Yan, T. (2011). ''A statistical spatial downscaling algorithm of TRMM precipitation based on NDVI and DEM in the Qaidam Basin of China''. Remote sensing of Environment. 115(12), 3069-3079.

Mc Cabe, M.F., kalma, J.D., & Franks, S.W. (2005).Spatial and temporal patterns of land surface fluxes remotely sensed surface temperatures within an uncertainty modelling framework, Hydrology and Earth system Sciences, 9(5), 467-480.

Ord, J, K, & Getis, A. (1995). Local Spatial Autocorrelation Statistics: Distributional Issues and an Application. Geographical analysis, (Vol. 27), 306-286.

Robeson, S.M., Li., A. & Hunang, C. (2014). Point- pattern analysis on the sphere Statistics. Spatial Statistics (Vol. 10), 76-86.

Rousta, I., Doostkamian, M., Haghighi, E., Ghafarian, H., Yarahmadi, P. (2017). An Analysis of Spatial Autocorrelation Patterns of Heavy and Super-Heavy Rainfall in Iran. Advances in atmospheric sciences, (VOL. 34), 1069–1081.

Rousta, I., Nasserzadeh, M., Jalali, M., Ghaseme, A. (2017). Decadal Spatial-Temporal Variations in the Spatial Pattern of Anomalies of Extreme Precipitation Thresholds (Case Study: Northwest Iran). Atmosphere 2017, (Vol.8), 1-15.

Sugumaran, R., Larson, S. R. & DeGroote, J. P.(2009).Spatial-temporal cluster analysis of county-based human West Nile Virus incidence in the continental United States, International journal of health geographice,8(1),8-43.

Wang, Q., Ni, J., & Tenhunen, J. (2005).Application of a geographically weighted regression analysis to estimate net primary production of Chines forest ecosystems, Global Ecology Biogeography, 14(4), 379-393.