بررسي تغييرات فصلي دماهاي حدي با استفاده از رگرسيون چندك (مطالعه موردي: ايستگاه هواشناسي هاشم‌ آباد گرگان)

Analysis of Seasonal Changes in Extreme Temperatures Using Quantile Regression (Case Study: Hashem Abad Synoptic Meteorological Station, Gorgan)

سري زماني داده‌هاي هواشناسي شامل وقايعي با شدت‌هاي مختلف مي‌باشد كه گرمايش جهاني ناشي از تغيير اقليم مي‌تواند تأثير متفاوتي را بر بخش‌هاي مختلف آن داشته باشد. تغييرات ممكن است در بخش‌هاي مختلف سري داده‌ها يكنواخت نباشد و يا در بخشي از سري، تغييرات افزايشي و در بخش ديگري تغييرات كاهشي باشد و در مجموع در كل سري تغييري ايجاد نشود. بر اين اساس استفاده از روش رگرسيون خطي معمولي و يا آزمون‌هاي ناپارامتري جهت تشخيص روند كه فقط روي ميانگين يا ميانه از سري داده‌ها تمركز مي‌كنند، ممكن است به نتايج درستي نينجامد. از اين‌رو روش رگرسيون چندكي جهت بررسي روند در چندك‌هاي سري زماني داده‌ها مورد استفاده قرار مي‌گيرد. گرگان از قطب‌هاي مهم كشاورزي در ايران است كه هرگونه تغييرات دمايي مي‌تواند بر گياهان زراعي و باغي آن منطقه تأثيرگذار باشد. براي اين منظور، در اين پژوهش حداقل و حداكثر دماي روزانه در دوره 34ساله (1363-1397) ايستگاه سينوپتيك هاشم‌آبادگرگان مورد استفاده قرارگرفت تا در مقياس فصلي هرگونه تغييرات روند در سري داده‌ها با استفاده از رگرسيون چندكي و رگرسيون خطي بررسي شوند. نتايج نشان داد كه همه‌ي فصل‌ها در حال گرم شدن هستند و اين افزايش دما در فصل تابستان به مقدار بيشتر، اما در فصل بهار به ميزان كمتر مي‌باشد. همچنين مقادير حدي بالا، يعني روزهاي گرم از شيب روند تندتري برخوردار هستند. براساس نتايج رگرسيون چندكي مي‌توان نتيجه گرفت كه شريط اقليمي دما در گرگان در حال تغيير است و اين منطقه به سمت گرم شدن پيش مي‌رود.

Global warming due to the climate change could affect differently on various parts of meteorological time series data including events with various intensity Changes may not be uniform in various parts of the time series data or there may be an increasing or decreasing visible trend in different parts of the time series, and generally, the whole series do not change. Accordingly, the use of linear regression method or nonparametric tests to detect the trend that only focuses on the mean or median of the data series, may not lead to the correct results. Therefore, quantile regression method is used to analyze trend in quantiles of data series. Gorgan is one of the important agricultural poles in Iran, where any temperature variation can affect the crops and horticultural plants of that area. For this purpose, in this research, minimum and maximum daily temperature in 34 years’ period (1985-2018) from Gorgan’s Hashemabad synoptic station was used to determine any variations in data series trend using quantile regression and linear regression method in seasonal time scale. The results showed that all seasons are moving towards warmer weather conditions, and this increase in temperature is much higher in summer season, but lower in spring season. Moreover, in upper extreme values, hot days, have a steeper trend. According to the results of quantile regression, it could be concluded that temperature’s climate condition is changing in Gorgan and this region is moving towards warmer weather condition.