مدل سازي مكاني بارش سالانه ي ايران

Spatial Modeling of Annual Precipitation in Iran

بخش عمده اي از نامانايي مكاني بارش ايران حاصل تنوع عوامل مكاني نظير موقعيت، ارتفاع و ويژگي هاي توپوگرافي (شيب و جهت-گيري آن) در اين سرزمين گسترده است. چگونگي هريك از اين ويژگي ها قادر است الگوي رفتار مكاني بارش را تعيين كند. بدين دليل شناخت رفتار مكاني بارش و سازوكار آن از جنبه هاي مهم در مطالعات اقليم شناختي است. از اين رو تلاش شد، با در نظر گرفتن عوامل مكاني و با بهره گيري از پايگاه داده‎ي اسفزاري ويرايش نخست (داده‎هاي شبكه‎اي بارش روزانه‎ي ايران با توان تفكيك مكاني داده‎ها 15 15 كيلومتر) و براساس داده‎هاي 1436 ايستگاه همديد، اقليمي و باران سنجي در گستره ي كشور، دو مدل رگرسيون عمومي (كلي) و رگرسيون موزون جغرافيايي بر بارش كشور برازش يابد. نتايج حاصل شده نشان داد كه در بين دو مدل مذكور، برآورد حاصل از به كارگيري رگرسيون موزون جغرافيايي (GWR) به واقعيت نزديك تر است. بر همين اساس معلوم شد كه ارتفاعات در شمال غرب و نواحي داخلي، جهت دامنه ها در زاگرس و شيب در شمال شرق و نواحي خزري مهم ترين عامل مكاني موثر بر بارش به شمار مي آيند.

Due to deep, complex and everlasting interaction between precipitation and climatic elements-factors, there are changes and varieties in both time and space dimensions of precipitation. So that climate experts and related scientists take their attentions to this phenomenon. An approach to do this kind of investigations is to describe spatial variations based on spatial statistics. The major spatial non-stationary of Iran precipitation is due to variation in situation, elevation and topography characters (slope and its direction) in this country. Circumstances of every one of these characters could determine the precipitation spatial patterns. Accordingly understanding spatial distribution of precipitation and its mechanism are important aspect in climatological researches. One of the common statistical models in which it is possible to determine the relation between variables as well as reconstruct, estimating and forecasting data is multivariate regression model. These sorts of models are useful for time series analyses as well as spatial modeling. One of the regression models that could be used in spatial analyses is called Geographically Weighted Regression (GWR). In current study it will be attempted to introduce this approach and using General Regression (GR) to justify spatial variation of precipitation in Iran based on 1436 stations in Iran.