تحلیل و بررسی تغییرات الگوهای فضایی جزایر دمایی استان اصفهان
محورهای موضوعی :
آمایش محیط
مهدی اسدی
1
,
محمد باعقیده
2
1 - (دکتری آب و هواشناسی کشاورزی، دانشگاه حکیم سبزواری)
2 - (دانشیار اقلیم شناسی، دانشگاه حکیم سبزواری)
تاریخ دریافت : 1395/03/10
تاریخ پذیرش : 1395/10/06
تاریخ انتشار : 1398/06/01
کلید واژه:
خودهمبستگی فضایی,
شاخص موران,
جزایر دمایی,
شاخص لکه داغ,
استان اصفهان ,
چکیده مقاله :
این پژوهش با هدف شناسایی تغییرات مکانی و زمانی خودهمبستگی فضایی جزایر دمایی استان اصفهان انجام شده است. بدین منظور، ابتدا اقدام به تشکیل پایگاه داده‌های شبکه‌ای دمای بیشینه و کمینه استان اصفهان شده است. سپس از داده‌های پایگاه مزبور یک دوره آماری 35 ساله، در بازه زمانی روزانه از 1/01/1980 تا 31/12/2014 میلادی را مبنای مطالعه حاضر قرار داده و یاخته‌ای به ابعاد 18×18 کیلومتر بر منطقه مورد مطالعه گسترانیده شده است. به‌منظور دست‌یابی به تغییرات درون سالی جزایر دمایی استان اصفهان از روش‌های نوین آمار فضایی از قبیل خودهمبستگی فضایی موران جهانی، شاخص انسلین محلی موران و لکه‌های داغ در محیط بهره برده شد. نتایج حاصل از این مطالعه نشان داد که تغییرات زمانی و مکانی جزایر دمایی استان اصفهان دارای الگوی خوشه‌ای بالا می باشد. در این بین بر اساس شاخص موران محلی و لکه داغ، جزایر دمایی در شرق و شمال شرق استان دارای الگوی خودهمبستگی فضایی مثبت (جزایر دمایی گرم) و بخش‌های غرب و جنوب غرب دارای خودهمبستگی فضایی منفی (جزایر دمایی سرد) بوده است. در طی دوره مطالعه حدود 45/41 درصد از کل مساحت استان هیچ‌گونه الگوی معنا‌داری یا خودهمبستگی فضایی نداشته است. همچنین مشخص گردید که جزایر دمایی تحت تأثیر دو سیستم ایجاد و کنترل می‌شوند؛ که عبارت‌اند از: عوامل محلی کنترل‌کننده مکان (آرایش جغرافیایی جزایر دمایی)، و عوامل بیرونی کنترل‌کننده زمان (رژیم جزایر دمایی).
چکیده انگلیسی:
This study was fulfilled aiming at the identification of spatial and temporal changes of temperature islands in Isfahan province First, a data basis of the highest and lowest net-based temperature and a committee were founded in Isfahan. Using the data of the basis, a statistical period of 35 years from 1980 to 2014 was chosen as the basis of the study and a geo with dimensions of 18 by 18 kilometers was spread on the area understudy. In order to access the during-year changes of the temperature islands of Isfahan, modern methods of spatial statistics such as Moran's I autocorrelation and hotspots in GIS environment were used. The results of the study showed that the changes of spatial and temporal in temperature islands of Isfahan possess a high cluster pattern. Based on the local Moran’s indicator and hotspot, the temperature islands of the east and north of the province have a positive spatial autocorrelation while the west and southwest areas have negative spatial correlation. During the study 41.45 of the province has not had any meaningful pattern or spatial autocorrelation. It was also shown that the temperature islands are controlled and affected by the local factors which control the space as well as the outside factors which control the time.
منابع و مأخذ:
ترکاشوند، م. 1395. آشکارسازی جزایر حرارتی شهر اراک مبتنی بر تحلیلهای خود همبستگی فضایی، آمایش محیط، دوره 9، شماره 35: 123-148.
زنگی آبادی، ع.، سعیدپور، ش. 1397. تحلیل فضایی پراکنش بانک و مکانیابی بهینه آنها (مطالعه موردی: شهر سقز)، آمایش محیط، دوره 11، شماره 40: 21-43.
ضمیری، م.، نسترن، م.، محمدزاده تیتکانلو، ح. 1392. تحلیلی بر شکل و روند توسعه فضایی و کالبدی شهر بجنورد در دهه 1380 (با استفاده از آنتروپی شانون، ضریب موران و ضریب گری)، آمایش محیط، دوره 6، شماره 23: 167-180.
عزیزی، ق.، م، روشنی. 1387. مطالعه تغییر اقلیم در سواحل جنوبی دریای خزر به روش من-کندال، پژوهش‌های جغرافیایی، شماره 64: 28-13.
علیجانی، ب.، کاویانی، م. 1371. مبانی آب و هواشناسی، انتشارات سمت، تهران، 523 صفحه.
محمدی، ح. 1390. آب و هواشناسی شهری، انتشارات دانشگاه تهران، تهران، 203 صفحه.
مسعودیان، الف. 1384. آب و هوای ایران، انتشارات دانشگاه اصفهان، اصفهان، 237 صفحه.
مسعودیان، الف. 1384. بررسی روند دمای ایران در نیم سده گذشته، پژوهش‌های جغرافیای، شماره 54: 45-29.
Ageena, I., Macdonald, N., & Morse, A. P. 2013. Variability of maximum and mean average temperature across Libya (1945–2009). Theoretical and Applied Climatology: 1-15.
Anselin L, Syabri I, Kho Y. 2009. GeoDa: an introduction to spatial data analysis. In Fischer MM, Getis A (Eds) Handbook of applied spatial analysis. Springer, Berlin, Heidelberg and New York: 73-89.
Bajat, B., Blagojević, D., Kilibarda, M., Luković, J., & Tošić, I. 2014. Spatial analysis of the temperature trends in Serbia during the period 1961–2010. Theoretical and Applied Climatology: 1-13.
Braganza K., Karoly, D.J., Arblaster, J. M., 2004. Diurnal temperature range as an index of global climate change during the twentieth century, Geophysical Research Letters, 31, L13217: 1-4.
De Lucena, A. J., Rotunno Filho, O. C., de Almeida França, J. R., de Faria Peres, L., & Xavier, L. N. R. 2013. Urban climate and clues of heat island events in the metropolitan area of Rio de Janeiro. Theoretical and applied climatology, 111(3-4): 497-511.
Del Río, S., Herrero, L., Pinto-Gomes, C., & Penas, A. 2011. Spatial analysis of mean temperature trends in Spain over the period 1961–2006. Global and Planetary Change, 78(1): 65-75.
Homar V, Ramis C, Romero R, Alonso S. 2010. Recent trends in temperature and precipitation over the Balearic Islands (Spain). Clim Change 98:199–211.
Illian, J., Penttinen, A., Stoyan, H., and Stoyan, D. 2008. Statistical Analysis and Modelling of Spatial Point Patterns. John Wiley and Sons, Chichester, 560 p.
Jacquez GM, Greiling DA. 2003. Local clustering in breast, lung and colorectal cancer in Long Island, New York. Int J Health Geographics 2:3. 1-12.
Jolliffe, I.T. & A. Philipp, 2010. Some Recent Developments in Cluster Analysis, Physics and Chemistry of the Earth, Parts A/B/C, Vol. 35, Issues 9- 12: 309- 315.
Kendall, W. S. 1998. Perfect simulation for the area-interaction point process. In L. Accardi and C.C. Heyde, editors, Probability Towards 2000: 218–234.
Kim, S., & Singh, V. P. 2014. Modeling daily soil temperature using data-driven models and spatial distribution. Theoretical and Applied Climatology: 1-15.
Kousari M.R., Ekhtesasi M.R., Tazeh M., Saremi Naeini M.A., Asadi Zarch M.A., 2010. An investigation of the Iranian climatic changes by considering the precipitation, temperature, and relative humidity parameters, Theoretical and Applied Climatology, 103: 321-335.
Mitchell A, 2005. The ESRI guide to GIS analysis, volume 2: spatial measurements and statistics. ESRI, Redlands [CA], 238 p.
Moller, j. 2008. Handbook of Spatial Statistics, John Wiley and Sons, Chichester: 32 p.
Nel W.P., Cooper C.J., 2009, Implications of fossil fuel constraints on economic growth and global warming, Energy Policy, 37: 166-180.
Nemec, J., Gruber, C., Chimani, B., & Auer, I. 2013. Trends in extreme temperature indices in Austria based on a new homogenised dataset. International Journal of Climatology, 33(6): 1538-1550.
Ohayon, B. 2011. Statitical Analysis of Temperature Changes in Israel: An Application of Change Pointe Detection and Estimation Techniques.
Ripley, B. D. 2005. Spatial statistics, (Vol. 575). John Wiley & Sons: 250 p.
Rogerson, P.A., 2006, Statistics Methods for Geographers: students Guide, SAGE Publications. Los Angeles, California.
Shahid, S., S. Bin Harun & A. Katimon, 2012. Changes in Diurnal Temperature Range in Bangladesh during the Time Period 1961-2008, Atmospheric Research, Vol. 118: 260- 270.
Smith MJ, Goodchild MF, Longley PA. 2006. Geospatial analysis. Troubador, Leicester.
Wheeler D. 2007. A comparison of spatial clustering and cluster detection techniques for childhood leukemia incidence in Ohio, 1996-2003. Int J Health Geographics 6(1):13.
Wheeler D.P. 2009. Geographically Weighted Regression. In Fischer MM, Getis A (Eds) Handbook of applied spatial analysis. Springer, Berlin, Heidelberg and New York: 461-486.
Zhang C, Luo L, Xu W, Ledwith V. 2008. Use of local Moran’s I and GIS to identify pollution hotspots of Pb in urban soils of Galway, Ireland. Sci Total Environ 398 (1-3): 212-221.
Zhou, D. Et al. 2009. Climatic Regionalization Mapping of the Murrumbidgee irrigation area, Australia, Progress in Natural Science, Vol. 19, Issue 12: 1773- 1779.
_||_
