تلفیق مدل‌های تصمیم‌گیری بر پایه بهینه‌سازی، نسبت فاصله و وزن‌‌دهی تجمعی در تعیین الگوی اقلیمی

محورهای موضوعی : اقلیم شناسی

لاله پرویز ¹ (دانشیار، دانشکده کشاورزی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران)
ندا عزیزی ² (دانشکده کشاورزی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران)
خدیجه خانی زنگبار ³ (دانشکده کشاورزی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران.)

تاریخ دریافت : 1402/06/18 تاریخ پذیرش : 1402/11/07 تاریخ انتشار : 1402/09/01

کلید واژه: رتبه بندی, شاخص, حدی, داده‌های هواشناسی,

چکیده مقاله :

شاخص‌های اقلیمی با آشکارسازی تنوع اقلیمی منطقه منجر به توسعه سیاست‌های مدیریتی در بخش کشاورزی، منابع آب و محیط زیست شده‌اند. عملکرد شاخص‌های دومارتن، ایوانف، باران موثر، ضریب بری، دمایی، درصد نرمال بارش، ناهنجاری بارندگی، پوشش گیاهی، خشکی و سیلیانینوف با استفاده از داده‌های 15 ایستگاه هواشناسی بررسی شد. تعیین شاخص اقلیمی موثر با استفاده از روش وزن‌دهی تجمعی ساده (SAW)‌،TOPSIS و ارزیابی همزمان معیارها و گزینه‌ها (SECA) انجام گرفت. تحلیل حساسیت روش SECA نسبت به ضریب β در نتایج تاثیر قابل توجهی داشت. براساس نتایج رتبه‌بندی سه روش تصمیم‌گیری چند معیاره، شاخص ایوانف در وضعیت اقلیمی حاد (با مقادیر حدی بالا و پایین) دارای عملکرد خوبی است و در سایر شرایط اقلیمی بهتر است همراه با شاخص اقلیمی دیگری استفاده شود. مقدار عددی شاخص درصد نرمال بارش در بیشتر ایستگاه‌‌ها حالت بیش برآوردی داشت. شاخص ناهنجاری بارندگی نیز وضعیت اقلیمی بیشتر ایستگاه‌ها را نزدیک به نرمال توصیف کرد. در تعیین شاخص اقلیمی موثر تعداد داده‌های هواشناسی، نوع ارتباط ریاضی آنها و چگونگی مرز بندی اقلیمی دارای اهمیت ویژه‌ای است. بیشترین مقدار شدت و درصد تغییرات در مورد روشSAW و SECA، TOPSIS و SECA بود. بیشترین تعداد رتبه‌های یک در سه روش تصمیم‌گیری چندمعیاره مربوط به شاخص‌های دومارتن، خشکی، پوشش گیاهی و سپس شاخص باران موثر است.

چکیده انگلیسی:

Climate indices by revealing the climatic diversity of the region, have led to the development of management policies in agriculture, water resources and environment fields. The performance of De Martonne, Ivanov, precipitation effectiveness, continental coefficient, temperature, rainfall anomaly, percent of normal precipitation, vegetation, aridity and Selyaninov indices were investigated using the data of 15 meteorological stations. The effective climate index determination was done using simple additive weighting (SAW), TOPSIS and simultaneous evaluation of criteria and alternatives (SECA). The sensitivity analysis of the SECA method rather to the β coefficient had a significant effect on the results. Based on the ranking results of three multi-criteria decision-making methods, Ivanov's index performs well in severe climate conditions (with extreme high and low values), and in other climatic conditions, it is better to use it together with another climate index. The percent of normal precipitation index was overestimated in most of the stations. Rainfall anomaly index also described the climatic condition of most stations as close to normal. In determining the effective climate index, the number of meteorological data, the type of their mathematical relationship and the way of climatic demarcation are of special importance. The highest amount of intensity and percentage of changes was in the case of SAW and SECA, TOPSIS and SECA methods. The highest number of first ranks in three multi-criteria decision-making methods is related to De Martonne, aridity, vegetation indices and then effective precipitation index.