استفاده از نگرش تحليل مؤلفه‌هاي اصلي براي وزن‌دهي ويژگي‌هاي آماري، اقليمي و جغرافيايي حداكثر بارندگي 24 ساعته و تحليل مكاني خوشه‌بندي (مطالعه موردي: حوضه درياچه اروميه)

Using the Principal Component Analysis Approach for Weighting Statistical, Climatic and Geographical Attributes of the Maximum 24-hour Rainfall and Spatial Clustering Analysis (A Case Study: Urmia Lake Basin)

ناحيه‌بندي يكي از ابزارهاي مفيد براي انجام تحليل‌هاي مؤثر در مناطق فاقد داده، يا داراي داده‌هاي ناقص ‌است. يكي از روش‌هاي ناحيه‌بندي كه در مطالعات هيدرولوژيك بسيار مورد استفاده قرار مي‌گيرد، خوشه‌بندي است. يكي از عوامل تأثيرگذار بر خوشه‌بندي، درجه اهميت و ميزان مشاركتي است كه هر يك از اين ويژگي‌ها مي‌توانند داشته باشند. در اين پژوهش، سعي شد از يك مجموعه گسترده‌اي از ويژگي‌ها براي مقايسه عملكرد آنها در ناحيه‌بندي استفاده ‌شود. سپس، با توجه به درجه اهميت و نقشي كه هر ويژگي در ناحيه‌بندي دارد، وزن مناسب براي هر يك از گروه ويژگي‌ها با استفاده از خروجي روش تحليل مؤلفه‌هاي اصلي تعيين و تأثير وزن‌دهي در تشكيل ناحيه‌هاي همگن با استفاده از روش خوشه‌بندي وارد بررسي شد. بدين‌منظور، در اين پژوهش از داده‌هاي حداكثر بارش 24 ساعته 63 ايستگاه‌ باران‌سنجي واقع در حوضه درياچه اروميه كه داراي طول دوره آماري 30 سال (1387-1358) ‌هستند، استفاده شد. علاوه بر اين، هفت دسته ويژگي ‌به‌منظور ناحيه‌بندي بارش تعريف شدند. نتايج نشان داد كه با درنظر گرفتن ويژگي‌هاي مختلف و تركيب آنها با يكديگر، ناحيه‌بندي متفاوتي در تعداد نواحي تشكيل شده است و نيز تعداد ايستگاه‌هاي متفاوتي در هر ناحيه وجود خواهد داشت. از ميان هفت گروه ويژگي مشخص شد كه دسته ويژگي‌هاي جغرافيايي و اقليمي- جغرافيايي خوشه‌بندي مناسب‌تري را در سطح حوضه نشان داده‌اند. همچنين، وزن‌‌ دادن به ويژگي‌ها در بيشتر موارد مي‌تواند تأثير مثبتي در بهبود اندازه همگني و تشكيل نواحي مستقل از لحاظ پراكندگي ايستگاه‌ها و چگونگي قرارگيري آنها در سطح حوضه داشته باشد.

Regionalization is one of the useful tools for carrying out effective analyses in regions lacking data or with having only incomplete data. One of the regionalization methods widely used in the hydrological studies is the clustering approach. Moreover, another effective factor on clustering is the degree of importance and participation level for each of these attributes. In this study, it was tried to use a broad range of attributes to compare their performance in regionalization. Then, according to the importance and role of each attribute in regionalization, the appropriate weight for each of the attributes in each category was determined using the principal component analysis (PCA) method, and the effect of this weighting in forming the homogenous regions was investigated by the Ward's clustering method. In this regard, the maximum 24-hour rainfall data of 63 meteorological stations located in Urmia Lake Basin (ULB) was used in this study during a time period of 30 years (1979-2008). Furthermore, seven categories of attributes were defined in order to regionalize the rainfall. The results showed that by considering different attributes and combining them with each other, a different clustering is obtained in each category in terms of the number of clusters and stations. Among seven categories of attributes, it was found that the geographical and climatic-geographical categories of attributes showed a more appropriate clustering over the ULB. Additionally, the weighting of attributes could have more effect on improving homogeneity and forming the independent clusters in most cases in terms of the scattering of station and how to locate over the basin.