تحليل مولفه هاي اصلي مشخصات بارش سالانه شهر زنجان

The Analysis of the Trend and the Cycles of Annual Precipitation Characteristics of Zanjan

تحليل مولفه هاي اصلي يك روش بهينه رياضي براي كاهش حجم داده ها و تبديل متغيرهاي اوليه به چند مولفه محدود است به طوري كه اين چند مولفه بيشترين پراش متغيرهاي اوليه را توجيه نمايد. در اين مطالعه برخي مشخصات آماري بارش سالانه شهر زنجان شامل مجموع بارش سالانه، تعداد روزهاي باراني، بزرگ ترين بارش روزانه در سال، نسبت بارش بيشينه به مجموع بارش سالانه و مشخصاتي از قبيل انحراف معيار، چولگي، كشيدگي، ميانگين قدر مطلق انحراف از ميانگين و ميانگين قدر مطلق تغييرپذيري سالانه كه از بارش ماهانه براي هر سال محاسبه گرديد در معرض تحليل مولفه هاي اصلي قرار گرفت. نتايج نشان داد كه با چهار مولفه مي توان بيش از 95 درصد از تغييرات بارش سالانه را توضيح داد. مولفه اول كه بالاترين پراش داده ها (6/42 درصد) را تبيين مي كند، نماينده بارش سالانه و شاخص هاي مطلق تغييرپذيري آن يعني انحراف معيار، ميانگين قدر مطلق انحراف از ميانگين و ميانگين قدر مطلق تغييرپذيري سالانه مي باشد. مولفه دوم نماينده شاخص هاي شكل توزيع فراواني (چولگي و كشيدگي)، مولفه سوم نماينده بارش هاي بيشينه و در نهايت مولفه چهارم نماينده تعداد روزهاي باراني مي باشد. تحليل روند نمرات مولفه ها نشان داد كه نمرات مولفه هاي اول و چهارم به ترتيب داراي روند معني دار كاهشي و افزايشي حول يك خط را دارند كه نشان از كاهش بارش در طول دوره آماري مورد مطالعه از يك طرف و يكنواخت شدن توزيع زماني آن دارد.

Principal Component Analysis (PCA) is an optimum mathematical method to decrease variables into some limited components in order to justify the highest variance of primary variables. In this study some statistical characteristics of annual precipitation of Zanjan city including sum of annual precipitation, number of rainy days, extreme daily precipitation in a year, the ratio of extreme precipitation to the sum of annual precipitation and some characteristics such as Standard Deviation (SD), Skewness (Sk), Kurtosis (Ku), Absolute Mean Deviation (AMD) and Mean Absolute Interannual Variability (MAIV) were was calculated from monthly precipitation for each year, and were introduced principal component analysis technique. The results show that 95% percent of annual precipitation variations can be explained through 4 components. The first component which indicates the highest data variance (42.6%), represents annual precipitation and absolute variability indices including SD, AMD and MAIV. The second component represents the shape of frequency distribution indices (Sk, Ku), the third component represents extreme precipitations and finally the fourth component represents the number of rainy days. The analysis of the trend of components scores show that first and fourth components scores have a significant decreasing and increasing trend, respectively. Round a lines show a precipitation decrease during the period under study from one hand and having uniform temporal distribution on the other hand.