پايش مكاني - زماني خشكسالي هواشناسي بر اساس پهنه بندي خوشه هاي ايستگاهي در حوزه آبخيز زاينده رود

Spatio-temporal monitoring of meteorological drought based on the zoning of station clusters

حوزه آبخيز زاينده رود با نقش حياتي در شرب، زيست بوم، كشاورزي، صنعت و توريسم ايران، با مشكلات خشكسالي روبه رو شده است. بررسي وضعيت پراكنش منطقه اي خشكسالي در طي زمان با استفاده از خوشه بندي داده هاي خشكسالي بر اساس فاصله اقليدسي ايستگاه ها مي تواند يك رويكرد مديريتي در جهت كاهش اثرات خطر خشكسالي باشد. در اين پژوهش، رويكرد تعيين پراكنش مكاني-زماني خوشه هاي ويژگي هاي خشكسالي حوزه آبخيز، براي بيان تغييرات بر اساس بارش شاخص نمايه استاندارد بارش (SPI) ايستگاه ها بر اساس احتمال بارش براي مقياس زماني 12 ماهه به كار رفته است. از آن جا كه بيشينه پراكندگي مكاني ايستگاه هاي منطقه و بيشينه بازه زماني دوره آماري بلندمدت ممكن و موجود با شروع يكسان مدنظر بود، از آمار سري زماني بارش مربوط به 26 ايستگاه، طي 12 سال به عنوان داده هاي مرجع استفاده شد. سپس، شاخص SPI 12 ماهه منتهي به دسامبر براي تحليل هاي خوشه بندي شاخص SPI آبخيز تهيه شد. در مرحله بعد، 144 داده سري زماني بارش به چهار گروه خوشه بندي شدند. در ادامه، تحليل پهنه بندي بر روي خوشه هاي داده هاي حاصل صورت گرفت. سپس، رابطه ارتفاع به عنوان يك عامل شكل زمين موثر در خشكسالي با خوشه هاي شاخص خشكسالي SPI با استفاده از همبستگي متغيرها بررسي شد. بدين صورت كه همبستگي SPI با ارتفاع ايستگاه هاي هر خوشه بررسي و يك عدد حاصل شد. نتايج نشان داد كه داده هاي خشكسالي 12 ماههSPI همبستگي بالا و منفي با داده هاي ارتفاع دارند. در ادامه، مساحت هر خوشه و نتايج مقايسه شد. همچنين، نتايج نمودار سري زماني نوسانات شاخص SPI، خشكسالي بسيار شديد در سال هاي 2008 و 2009 و خشكسالي شديد در سال 2010 و خشكسالي ملايم در سال هاي 2003، 2005 و 2013 را نشان داد. نتيجتاً، پايش مكاني-زماني خوشه هاي شاخص هاي خشكسالي به عنوان راه كاري در جهت مديريت اثرات خطر خشكسالي توصيه مي شود.

Gavkhuni Basin has a vital role in Iran's poetry, biomass, agriculture, industry and tourism, faced with drought problems. Clustering approach can be a management approach to reduce drought risk impacts which groups the members with regard to the division based on the Euclidean Distance of stations. In this research, the approach of determining the spatial-temporal distribution of drought clusters in watersheds is used to express variations based on precipitation precipitation index (SPI) parameters of stations, which depends on the probability of precipitation for any time scale. Since the maximum spatial distribution of the meteorological stations in the region and the maximum time period of the long-term and possible long-term statistical period were considered the same, the data of 26 stations from 12 years (2003 to 2014) was used as reference data. In this regard, the12 months SPI index was first calculated. Then, the 12-month SPI index, which ended in December, was used for cluster analysis of the SPI, and then 144 data were clustered into four groups. Further, zoning analysis was performed on data clusters. Then, the relationship between elevations as an effective landform factor in drought with SPI drought index cluster was investigated using correlation of variables. SPI correlation with mean height of each cluster stations was studied and the results were compared and analyzed. The results of the SPI drought fluctuation chart showed a very severe drought in 2008 and 2009 and 2010, and severe drought in 2010 and mild drought in 2003, 2005 and 2013. Also, 12-month SPI drought data showed a high and negative correlation with height data. Consequently, spatial-temporal monitoring of drought indicators clusters is recommended as a way to manage the impacts of drought risk.