تحليل فضايي بارش سالانه استان خوزستان، رويكردي از تحليل رگرسيون هاي فضايي

Spatial analysis of annual precipitation of Khuzestan province; An approach of spatial regressions analysis

بارش از جمله عناصر اقليمي است كه در برنامه ريزي محيطي داراي اهميت بسيار مي باشد. در اين راستا براي مدل سازي و پيش بيني مكاني بارش سالانه در استان خوزستان و ارتباط آن با عوامل مكاني از روش رگرسيون هاي فضايي استفاده شده است. لذا از آمار 13 ايستگاه سينوپتيك استان خوزستان از بدو تأسيس تا سال 2010 ميلاي جهت پيشگويي فضايي و ارتباط با عوامل جغرافيايي توپوگرافي (ارتفاع، شيب و جهت دامنه ها) و طول- عرض جغرافيايي به روش رگرسيون هاي فضايي مربعات معمولي (OLS) و موزون جغرافيايي (GWR) بهره گرفته شده است. نتايج حاصل از اين پژوهش نشان دهنده يك ارتباط قوي بين بارش با عوامل جغرافيايي است. نتايج دو مدل رگرسيون عمومي و وزني جغرافيايي براي پيش بيني بارش سالانه حاكي از برآورد مقادير پيش بيني بهتر در مدل رگرسيون موزون جغرافيايي است. بطوري كه ميزان برآورد حاصل از روش رگرسيون موزوني جغرافيايي در استان خوزستان، نشان از مقادير پايين باقيمانده ها ي خطا، مقادير بالاي R2، عدم وجود خود همبستگي فضايي و نرمال بودن مقادير باقي مانده مدل را نمايش مي دهد. ميزان R2 در مدل رگرسيون مربعات معمولي 75% تغييرات بارش را با عوامل مكاني تببين مي كند. در حاليكه در رگرسيون وزني جغرافيايي اين ميزان در دامنه 82% تا 97% در روي پهنه بارش خوزستان در نوسان است و نشان دهنده برآورد بهتر اين مدل مي باشد. بر همين اساس مشخص شد كه نقش ارتفاعات درشرق، شمالشرق و شمال استان، جهت دامنه ها در بخش هاي شرق ، شمالشرق و در محدوده كوه هاي زاگرس، و شيب نيز در همين محدوده هاي ذكر شده مهم ترين عوامل مكاني موثر بر مقادير بارش به شمار مي آيند.

Knowing of precipitation values in different regions is always of main and strategic issues of human which has important role in short- term and long-term decisions. In order to determine of precipitation model and forecasting it, there are different models, but given that the precipitation data have a spatial autocorrelation, the spatial statistic is a powerful tool to recognition of spatial behaviors. In this research, for determine of precipitation model and predicting of it with geographical factors e.g. altitude, slope and view shade and latitude- longitude by using spatial regressions analysis such as ordinary least squares (OLS) and geographical weighted regressions(GWR), 13 synoptic stations of Khuzestan province from establishment to 2010 were used. Results showed a powerful correlation between precipitations with geographical factors. Also results of modeling through OLS and GWR representative that forecasting of GWR is close to reality, so that in GWR, the sum of errors of residuals is less, the R2 is more and there aren't any spatial autocorrelation in residuals and the residuals are normal. The R2 of OLS can only justify 75 percent of precipitation variations with spatial factors while in GWR this quantity is 82- 97 percent. Accordingly, it was found that, in east, northeast and north of province the altitudes, in east and northeast and Zagros Mountains the view shade and slope are the most important spatial factors, respectively.