پهنه بندي دماهاي كمينه و بيشينه در ايران به روش رگرسيون چند متغيره

Zoning of minimum and maximum temperatures in Iran using multivariate regression

دما اثرات انكارناپذيري بر فعاليت هاي انساني و فرآيندهاي طبيعي مي گذارد. با توجه به گستردگي و تنوع آب و هوايي ايران و پراكندگي مكاني و نوسانات دمايي در گستره ايران، شناخت پهنه هاي دمايي مختلف در ايران در سياست گذاري بخش هاي مختلف صنعت، عمران و كشاورزي يك ضرورت مي باشد. به دليل تنوع اقليمي كشور و به تبع آن احتمال وقوع گراديان هاي دمايي مختلف، در اين مطالعه بررسي روابط دماي كمينه و بيشينه به تفكيك در 6 منطقه اگروكليمايي كشور انجام گرفت. آمار دماي حداقل و حداكثر در 184 ايستگاه سينوپتيك كشور( از سال 2002 تا 2016) استفاده شد. الگوي مورد استفاده براي استخراج ارتفاع نواحي (در سطح كشور) با استفاده از داده هاي مدل رقومي ارتفاع از محصولات ماهواره SRTM و با دقت 90 متر مورد استفاده قرار گرفت.با استفاده ازنرم‌افزار SPSS آناليز رگرسيون چند متغيره گام به گام انجام شد. از داده هاي دماي بيشينه و كمينه به عنوان متغير وابسته و داده هاي ارتفاع، طول و عرض جغرافيايي، به عنوان متغيير مستقل در تحليل رگرسيون استفاده به عمل آمد و رابطه مستقلي براي برآورد دماي بيشينه و كمينه ايجاد شد. مشاهده شد معادلات رگرسيوني براي مدل سازي آماري دماي بيشينه عملكرد بهتري نسبت به دماي كمينه داشته اند. معادلات به دست آمده در هر ناحيه براي كل ناحيه و بافر پيراموني اعمال گرديند و در نهايت با كنار هم قرار گرفتن نواحي و ميانگين گيري از مناطق بافر، نقشه هاي دماي ماكزيمم و مينيمم براي كل كشور ايجاد شدند.

Temperature has a key role on human activities and natural processes. Due to Iran's vast and diverse climate and diverse spatial distribution and fluctuations of temperature, defining temperature zones is necessity in different sectors of industry, civil engineering and agriculture. Due to the country's climate variation and existence of different temperature gradients in different regions, in this study, the minimum and maximum temperature evaluation equations were investigated separately in six major agro-climate regions of the Iran. Minimum and maximum temperature data were obtained from 184 synoptic stations (from 2002 to 2016). The pattern used to extract the elevation of the areas (in the country) using the digital elevation data from SRTM satellite products with a precision of 90 meters was used. Maximum and minimum temperature data were used as dependent variable and elevation, latitude, longitude, data were used as independent variable in regression analysis and an independent relationship was established for estimating maximum and minimum temperatures and the calculations were done using SPSS software, multi-variable stepwise regression analysis. It was found that regression equations for maximum temperature modeling have a better performance than the minimum temperature. The equations obtained in each area are applied to the whole area and the peripheral buffer. Finally, with the addition of regions and averaging of buffer zones, maximum and minimum temperature maps were created for the whole country.