پیش‌بینی خطرپذیری شهر خاش ناشی از مخاطره‌ی طوفان‌ به روش گامبل و سری‌های جزئی

نوع مقاله : مقاله پژوهشی

نویسندگان

• امید پیریان کلات ¹
• جواد جمشید زهی ²
• کرامت الله زیاری ³
• رضا شفیع کناری ¹

¹ کارشناس ارشد برنامه‌ریزی منطقه‌ای -دانشگاه شهید بهشتی- تهران- ایران

² کارشناس ارشد مخاطرات طبیعی- دانشگاه سیستان ‌و بلوچستان- سیستان و بلوچستان- ایران

³ استاد گروه جغرافیای انسانی و برنامه‌ریزی- دانشکده جغرافیا- دانشگاه تهران- تهران- ایران

10.22067/geoeh.2023.81449.1337

چکیده

این مقاله با هدف پیش‌بینی خطرپذیری ناشی از بحرانِ طوفان جهت ضرورت توجه به مدیریت بحران شهر خاش انجام شده است. با در نظر داشتن سرعت آستانه­ای طوفان به مقدار 15 متر بر ثانیه، گل طوفان­های ماهانه، فصلی و سالانه شهر خاش با نرم‌افزار WRPLOT 8.0.2 ترسیم گردید. به روش گامبل و سری­های جزئی به پیش­بینی دوره­های بازگشت طوفان 1 تا 100 ساله برای بازه زمانی ماهانه، فصلی و سالانه بر مبنای آخرین داده­های ثبت شده (از سال 1365 تا 1397) پرداخته شد. نتایج تحلیلی با دو مدل فوق، نشان داد دوره­های بازگشت طوفان به روش سری­های جزئی با شدت بیشتر و به روش گامبل، با شدت کمتر پیش­بینی شده است، در دوره بازگشت 100 ساله شدیدترین طوفان­های ماهانه خاش به روش گامبل با شدت­های 29 و 1/29 متر بر ثانیه بوده است؛ اما در روش سری­های جزئی شدیدترین طوفان­های ماهانه برای دوره بازگشت 100 ساله با شدت­های 2/32، 7/31 و 4/30 متر بر ثانیه است. روش سری­های جزئی به سبب پیش­بینی­های حد بالاتر، که در ایمنی سازه­ها و کاهش خسارات جانی و مالی اهمیت دارد، روش مناسب­تری نسبت به توزیع گامبل برای پیش­بینی طوفان­های خاش و برنامه­ریزی جهت مدیریت بهینۀ بحران به نظر می­رسد.

کلیدواژه‌ها

• ارزیابی آسیب‌پذیری طوفان
• مدیریت بحران
• روش سری‌های جزئی و توزیع گامبل
• پیش‌بینی سرعت باد
• پیش‌بینی ریسک
• شهر خاش

موضوعات

• مدیریت مخاطرات

---

مراجع

Bajo, M. (2020). Improving storm surge forecast in Venice with a unidimensional Kalman filter. Estuarine, Coastal and Shelf Science, 239, 106773. https://doi.org/10.1016/j.ecss.2020.106773

Baker, A. J. (2014). Lagrangian modelling of precipitation and speleothem proxy oxygen isotope systematics in the East Asian Summer Monsoon region. Durham theses, Durham University. http://etheses.dur.ac.uk/11460/

Balamir, M. (2007). Afet Riski ve Planlama Politikaları. TMMOB Afet Sempozyumu Bildir­iler Kitabı, TMMOB, Ankara, ss. 31-43.

Bhunya, P. K., Singh, R. D., Berndtsson, R., & Panda, S. N. (2012). Flood analysis using generalized logistic models in partial duration series. Journal of Hydrology, 420, 59-71. https://doi.org/10.1016/j.jhydrol.2011.11.037

Campbell, S. (1996). Green cities, growing cities, just cities? Urban Planning and the Contradictions of Sustainable 706 Development. Journal of the American Planning Association, 62, 3, 296-312.

Coppola, D. P. (2006). Introduction to International Disaster Management. Elsevier.

Cunnane, C. (1979). A note on the Poisson assumption in partial duration series models. Water Resources Research, 15(2), 489-494. https://doi.org/10.1029/WR015i002p00489

Farajzadeh Asal, M., & Alizadeh, Kh. (2010). Time and place analysis of dust storms in Iran. Space Planning and Planning, 15(1), 65-84. [In Persian] http://hsmsp.modares.ac.ir/article-21-6166-fa.html

Gencer, E. A. (2013). Natural Disasters, Urban Vulnerability, and Risk Management: A Theoretical Overview. The interplay between urban development, vulnerability, and risk management: A case study of the Istanbul metropolitan area. Springer. https://doi.org/10.1007/978-3-642-29470-9_2

Hosseini, S. M. (2012). Synoptic analysis of severe sandstorms in Sistan region. Master's thesis. University of Sistan and Baluchistan. [In Persian]

Houghton, J. T. (1996). Climate change 1995: The science of climate change: contribution of working group I to the second assessment report of the Intergovernmental Panel on Climate Change (2). Cambridge University Press.

Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45. https://doi.org/10.1115/1.3662552

Kapucu, N., Hawkins, C. V., & Rivera, F. I. (2013). Disaster preparedness and resilience for rural communities. Risk, Hazards & Crisis in Public Policy, 4(4), 215-233. https://doi.org/10.1002/rhc3.12043

Khodabandeh, A. (2012). Simultaneous analysis of strong winds in the east of Isfahan city. Master's thesis. University of Sistan and Baluchestan. [In Persian]

Kim, S., Pan, S., & Mase, H. (2019). Artificial neural network-based storm surge forecast model: Practical application to Sakai Minato, Japan. Applied Ocean Research, 91, 101871. https://doi.org/10.1016/j.apor.2019.101871

Kiyani, S., Kiyani, V., & Behdarvand, N. (2021). Forecasting occur probability intense storm using Gumbel Distribution; Case study: Nahavand township. Central Asian Journal of Environmental Science and Technology Innovation, 2(6), 219-226. https://doi.org/10.22034/CAJESTI.2021.06.01

Kohno, N., Dube, S. K., Entel, M., Fakhruddin, S. H. M., Greenslade, D., Leroux, M. D., ... & Thuy, N. B. (2018). Recent progress in storm surge forecasting. Tropical Cyclone Research and Review, 7(2), 128-139. https://doi.org/10.6057/2018TCRR02.04

Lin, G. (2002). Dust storm in the 1930 and sand storm in 1999 in the USA. Global Alarm, dust and sand storm from the world dry lands,160-170.

Liu, M., Westphal, D. L., Wang, S., Shimizu, A., Sugimoto, N., Zhou, J., & Chen, Y. (2003). A high‐resolution numerical study of the Asian dust storms of April 2001. Journal of Geophysical Research: Atmospheres, 108(D23). https://doi.org/10.1029/2002JD003178

Mahdavi, M.(2006). Applied Hydrology. Tehran: Tehran University Press. [In Persian]

Mohammadkhan, S. (2017). Status and trends of dust storms in Iran from 1364 to 1384. Journal of Range and Watershed Managment, 70(2), 495-514. [In Persian] https://doi.org/10.22059/jrwm.2017.123300.867

Ocal, A. (2021). Disaster management in Turkey: a spatial approach. International Journal of Disaster Risk Management, 3(1), 15-22. https://doi.org/10.18485/ijdrm.2021.3.1.2

Pakzad, E., Kalat, O. P., & Pirzaman, Y. K. (2024). Comparative study of the state of sustainability between Iran and Turkey using the triangular sustainable development model. Environmental Engineering & Management Journal, 23(2), 331-344.  http://doi.org/10.30638/eemj.2024.027

Pilehvar, A. A., Jamshidzehi, J., & Pirean kalat, O. (2022). Capacity Assessment of the Vulnerability of Settlements in the Tahlab Watershed of Sistan and Baluchistan Through Accidental Floods. Journal of Geography and Environmental Hazards, 11(2), 193-218. [In Persian] http://doi.org/10.22067/geoeh.2021.72667.1111 

Piryan Kalat, O., Kamkar Ghorbanzadeh, R., Zamani, P., & Ziari, K. (2023). Evaluating and Identifying Potential Areas for the Construction of Industrial Parks in Urmia City. Journal of Geography and Environmental Hazards, 12(3), 217-240. [In Persian]  http://doi.org/10.22067/geoeh.2022.78283.1268

Pourgholam Amiji, M., Ansari Ghojghar, M., Bazrafshan, J., Liaghat, A., & Araghinejad, S. (2020). Comparing the Performance of SARIMA and Holt-Winters Time Series Models With Artificial Intelligence Methods in Dust Storms Forecasting (Case Study: Sistan and Baluchestan Province). Physical Geography Research, 52(4), 567-587. [In Persian] https://doi.org/10.22059/jphgr.2021.303847.1007524

Raeispoor, K., Beykrezaei, E., & Tavoosi, T. (2013). Statistical Analyze and Predicting Incident Probability of Stormy and Strong Winds in Kermanshah Province. Geography and Environmental Planning, 24(3), 93-106. [In Persian] https://dor.20.1001.1.20085362.1392.24.3.9.8

Song, Z. (2004). A numerical simulation of dust storms in China. Environmental Modelling & Software, 19(2), 141-151. https://doi.org/10.1016/S1364-8152(03)00116-6

Tavosi, T., & Raeispoor, K. (2011). Statistical analysis and prediction of occurrence probability of violent. Journal of Arid Regions Geographic Studies, 1(2), 93-105. [In Persian] https://jargs.hsu.ac.ir/article_161268.html? 

Wälitalo, L., & Missimer, M. (2022) The Organization of Social Sustainability Work in Swedish Eco-Municipalities. Sustainability, 14(5), 2770. https://doi.org/10.3390/su14052770

Wetphal, D. L. (2002). Status and Future of Dust Storm Forecasting, Available in naval research laboratory

World Bank & UN. (2010). Natural hazards, unnatural disasters: the economics of effective prevention. Washington, DC: The International Bank for Reconstruction and Development.

Yue, S. (2000). The Gumbel logistic model for representing a multivariate storm event. Advances in Water Resources, 24(2), 179-185. https://doi.org/10.1016/S0309-1708(00)00039-7