استان کرمانشاه

دانلود پایان نامه

Festuca ovina، Quercus persica،Bromos tomentellus،Hordeom bulbosa به صورت جداگانه مشخص و از نقشه کل گونههای گیاهی جدا گردید. سپس این نقشهها با نقشه شبکه بندی شده مطابقت داده شد و نقاطی که در در محدوده گونههای مورد نظر قرار گرفته شده بودند جدا شدند و برای جک کردن نقشه بازدید صحرای صورت گرفت.
تعیین تاثیر عوامل اقلیمی بر گسترش گونههای گیاهی غالب استان
برای تعیین تاثیر عوامل اقلیمی بر گسترش گونههای گیاهی Festuca ovina، Quercus persica، Bromos tomentellus،Hordeom bulbosa امتیازات عاملی مهمترین عاملها همچنین مقادیر پارامترهای اولیه و مهم که در محدوده این گونهها قرار داشت استخراج گردید و میانگین حسابی آنها مورد بررسی قرار گرفت. امتیاز عاملی هر عامل برآیند تعداد زیادی متغیر اقلیمی میباشد که در آن عامل قرار گرفتهاند بنابراین امتیاز عاملی میتواند مناسبترین و مهمترین ویژگیهای اقلیمی هر تیپ گیاهی و پهنه اقلیمی را به خوبی نشان دهد.

فصل چهارم
نتایج و بحث

داههای هواشناسی
انتخاب پایه زمانی مشترک و بازسازی نواقص آماری
مطالعات اقلیمی نیازمند یک دوره آماری طولانی مدت میباشد از همین رو بازسازی نواقص آماری ایستگاههای منطقه که بخاطر همزمان نبودن تاریخ احداث ایستگاههای هواشناسی، تغییر و جابجای ایستگاه، جنگ و تخریب ایستگاهها در دادهها ایجاد شدهاند، امری اجتناب ناپذیر است. روشهای ایستگاههای معرف، نسبت نرمال و همبستگی بین ایستگاهها از مهمترین روشها برای بازسازی نواقص آماری یک ایستگاه است. روشهای ایستگاه معرف و نسبت نرمال به بیش از یک ایستگاه برای باز سازی نواقص آماری نیاز دارند. همچنین نزدیک بودن مکان ایستگاه و شرایط ایستگاه با ایستگاه ناقص از شرایط استفاده از این روشها میباشد [۴۵]. با توجه به اینکه تعداد ایستگاههای که دارای دوره آماری طولانی مدت در منطقه باشند اندک بوده از روش همبستگی بین ایستگاهها برای بازسازی نواقص آماری استفاده شد. غلامی و همکاران (۱۳۸۰)، مردای و همکاران (۱۳۸۶) و ساداتی نژاد و همکاران (۱۳۸۹) نیز در تحقیقات خود از روش همبستگی بین ایستگاهها برای بازسازی نواقص آماری استفاده نمودهاند. برای بازسازی نواقص آماری در منطقه مورد مطالعه شش ایستگاه کرمانشاه، روانسر، سرارود کرمانشاه، کنگاور، سرپل ذهاب و اسلام آباد به عنوان ایستگاههای شاهد اولیه انتخاب شدند و آمار ایستگاههای ناقص با توجه به آمار این ایستگاهها بازسازی گردید. ضریب همبستگی بین ایستگاههای ناقص و ایستگاههای شاهد برای بازسازی بالای ۸۵/۰ است (جدول ۴-۱) که نشان دهنده مناسب بودن ارتباط و ایستگاه شاهد برای بازسازی است. بعد از بازسازی نواقص آماری به جهت بررسی صحت دادههای بازسازی شده، میانگین، انحراف معیار و ضریب تغیرات آنها محاسبه شد و با مقادیر میانگین، انحراف معیار و ضریب تغیرات قبل از بازسازی مقایسه گردید که نتایج آن در جدول (۴-۱) ارایه شده است. نتایج نشان میدهد که اختلاف زیادی بین مقادیر بدست آمده قبل و بعد از بازسازی وجود ندارد و مقدار تفاوت موجود به این خاطر است که مقدار همبستگی بین دو ایستگاه بصورت صددرصد نیست. با توجه به نتایج بدست آمده میتوان نتیجه گرفت که بازسازی نواقص آماری با دقت بالای انجام گرفته است.
جدول (۴-۱): روابط مورد استفاده در بازسازی نواقص آماری
متوسط اختلاف ضریب تغیرات
متوسط اختلاف انحراف معیار
متوسط اختلاف میانگین
R
ارتباط رگرسیونی
ایستگاه شاهد
نام
ایستگاه

-۰.۰۲
۱.۶۵
۱.۴۳
۰.۹۱
Y=1.178*X+4.91
سرپل(بارش)
قصر شیرین
۱
-۰.۰۱
-۰.۵۷
-۲.۰۸
۰.۹۲
Y=0.8371*X+0.15
سرپل(دما)
قصر شیرین
۲
-۰.۰۱
-۰.۰۱
۰.۴۳
۰.۹۵
Y=0.6988*X+10.6
سرپل(دما)
گیلانغرب
۳
-۲.۱۶
-۰.۶۳
-۰.۶۵
۰.۸۸
Y=8689*X-1.69
سرپل(بارش)
گیلانغرب
۴
-۲.۲۰
-۰.۰۱
۰.۶۱
۰.۹۸
Y=0.76X-2.90
سرارود(دما)
هرسین
۵
۱.۰۸
۲.۰۹
۴.۷۲
۰.۸۶
Y=0.6045*X+15.33
پاوه(بارش)
جوانرود
۶
۰.۱۸
۲.۹۳
-۳.۱۶
۰.۹۷
Y=0.7583*X+0.07
پاوه(دما)
جوانرود
۷
-۰.۱۲
-۰.۵۱
-۰.۳۰
۰.۹۸
Y=0.762*X+10.22
سرپل(دما)
کرندغرب
۸
۰.۰۵
۱.۹۳
۳.۶۰
۰.۸۵
Y=1.0499*X+5.66
سرارودبارش)
ماهیدشت
۹
-۰.۰۳
-۰.۰۷
۰.۱۷
۰.۸۷
Y=0.6550*X+1.37
سرارود(دما)
ماهیدشت
۱۰
۰.۰۶
-۲.۰۲
-۶.۲۹
۰.۸۹
Y=0.5678*X+10.87
روانسر(بارش)
پاوه
۱۱
۰.۱۸
۲.۵۷
-۲.۴۶
۰.۸۷
Y=0.5744*X+0.34
روانسر(دما)
پاوه
۱۲
۲.۶۲
-۴.۵۵
-۴.۷۲
۰.۹۳
Y=1.1802*X+3.77
کنگاور(دما)
صحنه
۱۳
۰.۰۵
۲.۰۸
۰.۵۴
۰.۸۶
Y=0.9134*X+10.27
سرپل(بارش)
سومار
۱۴
۰.۰۱
-۰.۳۶
-۳.۸۳
۰.۹۶
Y=0.1573*X+27.23
سرپل(دما)
سومار
۱۵
-۰.۸۲
۶.۷۷
۴.۳۴
۰.۸۶
Y=1.1453*X+7.69
کنگاور(دما)
سنقر
۱۶
-۰.۰۳
-۳.۴۱
-۰.۳۷
۰.۹۴
Y=-0.88*X+112.95
ماهیدشت(بارش)
تازآباد
۱۷
-۰.۰۱
-۰.۰۴
-۰.۱۸
۰.۹۱
Y=0.9357*X-1.20
ماهیدشت(دما)
تازآباد
۱۸

تعیین دادههای پرت
باکس پلاتها، دادههای که از روند طبیعی دادههای ثبت شده در دوره مورد مطاله تبعیت نمیکنند را مشخص می نماید. به عنوان مثال باکس پلات متوسط دمای ایستگاههای روانسر ماه ژوئن شکل (۴-۱)، کنگاور ماه فوریه شکل (۴-۲)، کرمانشاه ماه فوریه شکل (۴-۳) و بارش ماه فوریه ایستگاه روانسر شکل (۴-
۴) آورده شده است. بعد از شناسایی و مشخص نمودن دادههای پرت، با مراجعه به اداره هواشناسی ایستگاه مربوطه و همچنین مقایسه مقادیر با ایستگاههای مجاور بررسی شد؛ که آیا مقادیر ثبت شده برای این پارامترها در ایستگاه رخ داده و جز دادههای تاریخی میباشند و صحت دارند و عاری از هرگونه خطا میباشند و یا اینکه خطای در ثبت آنها رخ داده و غیر واقعی هستند؟ بررسیها نشان داد که در اکثر موارد دادهها در منطقه اتفاق افتادهاند و تعداد اندکی از آنها به دلیل اشتباه ثبتی بوده است که اصلاح گردید. بابایی و همکاران (۱۳۸۶) و حکیم خانی و علیجانپور (۱۳۸۸) در تحقیقات خود از روش نمودار جعبهای برای تشخیص دادههای پرت استفاده کردهاند. بر همین اساس صحت و دقت دادههای هواشناسی با رسم باکس پلات مربوط به هر پارامتر را مورد ارزیابی قرار می دهد.

شکل (۴-۲): دما ماه فوریه ایستگاه کنگاور شکل (۴-۱): دما ماه ژوئن ایستگاه روانسر

شکل (۴-۳): دما ماه فوریه ایستگاه کرمانشاه شکل (۴-۴): بارش ماه فوریه ایستگاه روانسر
ارتباط پارامترهای هواشناسی با ارتفاع
ارتباط پارامترهای هواشناسی با ارتفاع در هر منطقهای میتواند متفاوت باشد. بینچو و برتون (۱۹۸۷) و وتلینگ و همکاران (۲۰۰۰) بر نقش توپوگرافی در ترسیم نقشههای هم بارش تاکید بسیار نمودهاند. همچنین کد و نان (۲۰۰۳) کونکر (۲۰۰۵) اظهار داشته اند که مدلهای رگرسیونی بهترین روش برای روند تغیرات بارش میباشند. در این مطالعه ارتباط پارامترهای هواشناسی با ارتفاع را با روش رگرسیونی مورد بررسی قرار گرفت. نتایج رگرسیونی بین پارامترهای ارتفاع با بارش سالانه شکل (۴-۵)، متوسط دما شکل (۴-۶) متوسط حداقل دما شکل (۴-۷)، و متوسط حداکثر دما شکل (۴-۸) و در جدول (۴-۲) نشان داده شده است. ضریب همبستگی بدست آمده برای پارامتر بارش سالانه، متوسط حداکثر دما، متوسط دما و متوسط حداقل دما با ارتفاع به ترتیب ۸۸/۰، ۹۷/۰، ۸۸/۰ و ۹۴/۰ هستند که نشان دهنده ارتباط قوی بین ارتفاع با این پارامترها در منطقه مورد مطالعه است. ضریب متغیر ارتفاع (X) در ارتباطای که بین بارش و ارتفاع بدست آمده مثبت بوده که حاکی از همسو بودن این دو متغیر است یعنی با افزایش ارتفاع مقدار بارش نیز افزایش مییابد. اما در ارتباطهای بدست آمده برای پارامترهای دما این ضریب منفی میباشد و به این معنی است که با افزایش ارتفاع دما کاهش مییابد. مقدار ضریب همبستگی بارش (۸۸/۰) و متوسط حداقل دما (۸۸/۰) با ارتفاع نسبت به دو متغیر دیگر نسبتا کم بوده که میتوان دلیل آن را به مکان ساخت ایستگاهها نسبت داد.
ارتباط بارش با ارتفاع بسیار پیچیدهتر از ارتباط دما با ارتفاع میباشد که از دلایل آن میتوان به: وضعیت رطوبتی منطقه، جهت گیری دامنهها در برابر جریانات بارانزا، بادپناه بودن محل ساخت ایستگاه، نبود ایستگاه در ارتفاعات، شکل زمین در نواحی کوهستانی، جهت درهها، وقوع بارش با منشاهای مختلف و … میباشد. همچنین تعدادی از ایستگاههای در شرایط اقلیمی کاملا متفاوت با سایر ایستگاهها قرار دارند مانند قصر شیرین و سومار که تاثیر بسزای در روابط بدست آمده دارند.
جدول (۴-۲): ارتباط و ضریب همبستگی بین پارامترها و ارتفاع در استان کرمانشاه

ارتباط
ضریب همبستگی
بارندگی با ارتفاع
Y=0.233X+162.04
۸۸/۰
متوسط دما با ارتفاع
Y=-0.007X+24.932
۹۴/۰
متوسط حداقل دما با ارتفاع
Y=-0.0081X+17.853
۸۸/۰
متوسط حداکثر دما با ارتفاع
Y=-0.0072X+31.971
۹۷/۰

شکل (۴-۵): ارتباط بارش سالانه با ارتفاع استان کرمانشاه

شکل (۴-۶): ارتباط متوسط دمای سالانه با ارتفاع استان کرمانشاه

شکل (۴-۷): متوسط حداقل دما سالانه با ارتفاع استان کرمانشاه

شکل (۴-۸): متوسط حداکثر دما سالانه با ارتفاع استان کرمانشاه

درونیابی
مناسبترین روش درونیابی
انتخاب یک روش مناسب برای تخمین دادهها برای نقاط فاقد داده دارای اهمیت ویژهای میباشد. روشهای مختلفی برای درونیابی دادهها وجود دارد و هر کدام دارای معایب ومزایایی هستند و میتوان از هرکدام از آنها برای درونیابی دادههای هواشناسی استفاده نمود. در این تحقیق سه روش کرجینگ، کوکرجینک و IDW که تقریبا معمولترین روشها در درونیابی دادهها میباشند مورد ارزیابی قرار گرفتند.
برای تعین مناسبترین روش برای درونیابی با توجه به اهمیت بارش بلاخص مقادیر بارش سالانه، استفاده شده است. در جدول (۴-۳) مقادیر بارش ایستگاهها و مقادیر برآوردی با روشهای مختلف برای هر ایستگاه آورده شدهاست.

جدول (۳-۳) مقادیر بارش ایستگاهها و مقادیر برآوردی با روشهای مختلف برای هر ایستگاه
IDW
KRIGING
CO KRIGING
بارش
نام
IDW
KRIGING
CO KRIGING
بارش
نام
۵۲۲.۸
۵۳۳.۹
۵۳۲.۶
۴۷۰.۷
اسلام آباد غرب
۴۸۲.۸
۴۹۱.۸
۵۰۱.۸
۲۱۲.۶
سومار
۴۳۹.۱
۴۲۸.۳
۴۳۱.۹
۳۹۲.۹
کنگاور
۴۲۶.۲
۴۱۸.۹
۴۱۵.۱
۵۲۸.۰
سنقر
۴۲۷.۰
۴۰۵.۸
۴۰۸.۶
۴۴۱.۶
کرمانشاه
۵۵۲.۶
۵۸۳.۹
۵۸۰.۹
۴۵۰.۶
تازآباد
۵۲۸.۵
۵۰۷.۰
۵۰۹.۱
۵۲۹.۸
روانسر
۵۵۹.۴
۶۴۳.۱
۶۴۶.۴
۴۶۰.۷
سنندج
۴۳۴.۸
۴۱۲.۵
۴۱۹.۴
۴۱۷.۹
سرپلذهاب
۴۵۱.۶
۴۴۹.۰
۴۴۳.۰
۳۳۹.۲
قروه
۴۴۶.۰
۴۲۷.۱
۴۳۴.۲
۳۶۴.۰
قصر شیرین
۵۵۹.۴
۵۹۵.۱
۵۹۳.۶
۹۱۸.۸
مریوان
۴۵۲.۸
۴۲۱.۴
۴۲۲.۰
۴۲۵.۰
گ
یلانغرب
۴۱۶.۱
۳۶۳.۶
۳۶۴.۸
۳۱۷.۷
همدان فرودگاه
۴۵۰.۸
۴۵۸.۱
۴۵۵.۰
۳۷۸.۰
هرسین
۴۴۰.۴
۴۶۹.۵
۴۷۹.۴
۳۹۱.۷
کوهدشت
۵۶۷.۴
۵۷۴.۵
۵۷۴.۰
۵۴۸.۲
جوانرود
۴۲۶.۵
۴۰۹.۶
۴۰۸.۹
۳۶۶.۸
نهاوند
۴۸۰.۰
۴۶۵.۸
۴۵۸.۰
۵۳۹.۴
کرندغرب
۴۰۵.۹
۳۸۸.۱
۳۷۹.۹
۴۷۸.۳
نورآباد لرستان
۴۸۸.۴
۴۷۸.۸
۴۸۰.۰
۳۳۵.۶
ماهیدشت
۵۷۳.۶
۵۴۹.۸
۵۳۹.۷
۶۱۴.۱
ایلام
۵۳۸.۶
۶۰۳.۳
۵۹۷.۸
۷۷۰.۷
پاوه
۵۱۰.۸
۵۰۶.۰
۵۰۴.۵
۶۹۱.۸
ایوانغرب
۴۱۹.۶
۴۳۰.۲
۴۳۴.۲
۴۸۶.۶
صحنه
۴۳۲.۲
۴۲۵.۵
۴۲۶.۹
۴۳۴.۲
سرارودکرمانشاه

نتایج آنالیز ریشه دوم میانگین مربع خطا و مقایسه میانگین دو گروه در جدول (۴-۴) آمده است. این جدول بیانگر مقادیر RMSE، انحراف معیار و انحراف از میانگین برای روشهای کرجینک، کوکرجینگ و روش عکس فاصله وزنی میباشد که از دادهای میانگین بارش سالانه در ایستگاههای مورد مطالعه محاسبه شده است. مقادیر sig نشان میدهد که اعداد بدست آمده با استفاده از هر روش تفاوت معنی داری با مقادیر مشاهده شده ندارد. همچنین هر قدر مقادیر RMSE این روشها به صفر نزدیکتر باشد نشان دهنده دقت بالاتر روش برای درونیابی دادههای هواشناسی در منطقه میباشد. مقادیر RMESبدست آمده برای روش عکس فاصله وزنی ۵۱/۰، کرجینگ ۵۰/۰ و کوکرجینگ ۵۱/۰ میباشد. با توجه به مقادیر RMSE به دست آمده و اختلاف کم حدود ۲ درصد با روش کریجینگ، میتوان از هرسه روش برای درونیابی پارامترها استفاده نمود که با نتیجه ثقفیان و همکاران (۱۳۸۴) همخوانی دارد. اما روش کرجینگ با توجه به اینکه در بین این سه روش دارای کمترین مقدار RMSE، کمترین مقدار انحراف معیار و همچنین مقدار کمتر انحراف از میانگین است مناسبترین روش برای درونیابی دادهها در استان کرمانشاه شناخته میشود که با نتایج بدست آمده از مطالعات جفری و همکاران (۲۰۰۱)، تابیوس و همکاران (۱۹۸۵) و آبتیو و همکاران (۱۹۹۳) همخوانی دارد.
جدول (۴-۴): مقادیر RMSE و نتایج حاصل از مقایسه میانگین

df
S. D
S.E.M

Sig.

Correlation
RMSE
% RMSE
PR & IDW
۲۵
۱۲۷.۰۷
۲۴.۹۲
۰.۸۵
۰.۵۵
۰.۵۱
۱۰۲
PR & KRIGING
۲۵
۱۲۴.۷۷
۲۴.۴۶
۰.۸۳
۰.۵۵
۰.۵۰
۱۰۰
PR & COKRIGING
۲۵
۱۲۷.۱۵
۲۴.۹۴
۰.۸۴
۰.۵۲
۰.۵۱
۱۰۲
برای انجام روش کرجینگ لازم است که ارتفاع ایستگاههای مورد استفاده نرمال باشند که شکل (۴-۹) نشان دهنده نرمال بودن ارتفاع این ایستگاهها میباشد. همچنین مناسبترین ورایوگرام برای درونیابی دادههای با روش کرجینگ مدل نمایی انتخاب گردید شکل (۴-۱۰).

شکل (۴-۹): نرمال بودن ارتفاع ایستگاههای مورد استفاده

شکل (۴-۱۰): مناسبترین مدل برای درونیابی دادهها با روش

Leave a comment