شکل ۱. پراکندگی ايستگاههای سينوپتيک بر روی نقشه رقومی ارتفاع در محدوده مورد مطالعه
منطقه موردمطالعه شامل سه استان مرکزي کشور (یزد، کرمـان، اصفهان) میباشد. محدوده ارتفاعی بین 100 تا 4473 متر متغیر است. به دلیل دقـت و کیفیـت آمـار هواشناسـی ایسـتگاههـايسینوپتبک، در این پژوهش از دادههاي ماهانه دمـا و بـارش 26 ایستگاه سینوپتیک در محدوده موردمطالعـه در طـی سـال هـاي 1950 تا 2010 استفاده شد. در شکل 1 محدوده مورد مطالعه و موقعیت ایستگاههاي سینوپتیک بر روي نقشه توپوگرافی منطقـه نشان داده شدهاست. تغییرات ارتفاعی ایستگاههاي موردنظر بین 470 تا 2290 متغیر است که نشان میدهد در برخـی از منـاطق موردمطالعه ایستگاه هواشناسی وجود ندارد. بهمنظور اسـتخراج دادههاي زیسـت اقلیمـی، ابتـدا دادههـاي ماهانـه دمـا و بـارش بهصورت دادههاي نرمال اقلیمی تعریف شـد . سـپس 20 متغیـر زیست اقلیمی از دادههاي ماهانه دما و بارش استخراج شد (17، جدول 1). در شاخصهاي زیسـت اقلیمـی فصـلی، فصـل بـه صورت بازههاي زمانی سه ماهه تعریف شد. لذا این شاخصها براي تمامی ترکیبهاي متوالی سه ماهه محاسبه و بعد از آن بسته به نوع شاخص مورد نظر حداقل یا حداکثر شاخص انتخاب شد.
جهت تعیین شاخصهاي فصلی براي ماههاي آخر سال (بهمـن و اسفند)، تعریف دوره سه ماهه با استفاده از ماههاي اول سـال انجام گرفت. براي محاسبه متوسـط سـالانه دامنـه روزانـه دمـا (2Bio) از نوسانات دمایی ثبت شده در یک ماه استفاده شد. در این رویکرد استفاده از متوسطهاي ماهانه از نظر ریاضـی برابـربا محاسبه دامنه دمـا بـراي هـر روز از مـاه اسـت (17). متغیـرزیسـتاقلیمـی رژیـم دمـا (10Bio و11Bio)، بـه دو صـورت ضریب تغییرات و انحرافمعیار تعریف شد. در محاسـبه رژیـمبارش بر اساس ضریب تغییرات، بهمنظـور جلـوگیري از اعـدادمنفی و یا صفر در مخرج معادله، دادههاي دمایی بهصورت درجه کلوین وارد معادله شد.
۵۷

تجزيه و تحليل دادهها
بررسی توزیع، همبستگی و رگرسیون متغیرها قبل از انتخاب روش مناسب بـراي درونیـابی دادههـاي دمـا و بارش سـالانه، بـه بررسـی و تجزیـه وتحلیـل توصـیفی دادههـا پرداخته شد، بدین منظور ابتدا شاخصههاي آمار توصیفی براي هر دو متغیر دماي سالانه و بارش محاسبه شد. نرمال بودن دادهها با استفاده از آزمون کولموگروف- اسمیرنوف یک نمونهاي و ترسیم
۵۸
جدول ۱. نحوه محاسبه ۲۰ متغير زيست اقليمی از دادههای ماهانه دما و بارش
0-372653

دماي متوسط سالانه بارش سالانه
متوسط سالانه دامنه روزانه بارش مرطوبترین
56896-409713

حداقل دماي سردترین ماه رژیم بارش
محاسبه محاسبه
i =3
i= ماه؛ Tmax= ميانگين ماهانه حداکثر دمای روزانه؛ Tmin= ميانگين ماهانه حداقل دمای روزانه؛ PPT= بارش کل ماهانه؛ Tavgi- ميانگين دمای ماهانه
نمودار q-q بررسی شـد . بـه منظـور محاسـبه معادلـه رگرسـیون بارندگی با ارتفاع و همچنین دماي سالانه با ارتفاع ابتدا ضریب همبستگی محاسبه شد و سپس معادله رگرسیونی ترسیم شد.

بررسی نیم تغییرنما، روند و همبستگی مکانی متغیرها ارتباط بین گشتاور اینرسی، نمودار پراکندگی دادهها و فاصله بین جفت نقاط (h) موسوم به نیمتغییرنما (Semivariogram) است که یکی از مهمترین روشهاي تحلیل و بررسی همبستگی مکانی دادههاي اقلیمی بهشمار میرود. معادله 1 رابطه نیم تغییرنما را نشان میدهد. در این معاله γ(h) مقدار نیم تغییرنما براي جفت نقاطی است که به فاصله h از هم قرار دارند. n(h) تعداد زوج نقاطی است که به فاصله h از هم قرار دارند.Z (xi) مقدار مشاهده شده متغیر x در موقعیت i وz
(xi+h) مقدار مشاهدهاي متغیر در h از xi است
γ(h) =2 1 ∑in [z(xi) z(xi h− + )]2 n(h) =1 [1]
بهمنظور محاسبه میزان وزن اختصاص داده شده به هر ایسـتگاه در روش کریجینگ و همچنین همبستگی مکانی و روند متغیرها، نیم تغییرنما بر اساس سه مدل کروي، گوسی و نمـایی ترسـیمشد. از آنجا که شبکه ایستگاههـا بـهصـورت نـامنظم در سـطحمنطقه مورد مطالعه پراکنده شده بود، لذا انتخاب گـام (Lap) در نـرم افـزارGIS بـر اسـاس متوسـط فاصـله بـین نقـاط و نـیمتغییرنماي بدون جهت صورت گرفت.
وجود یا عدم وجود روند در دادهها با استفاده از ترسیم نیم تغییرنما بررسی شد. بهمنظور انتخاب مناسبترین مدل برازش داده شده به نیم تغییرنماي تجربی از اعتبارسنجی متقاطع استفاده شد. بدین منظور، مدلهاي مختلف با پارامترهاي متفاوت انتخاب و هر یک از مدلها که پس از اجراي روش کریجینگ داراي خطاي برآورد کمتري بود بهعنوان مدل بهینه نیم تغییرنما انتخاب شد.

انتخاب روش درونیابی بـراي داده هـاي اقلیمـی و زیسـتاقلیمی
انتخاب بهترین روش درونیابی در واقـع نـوعی آزمـون هزینـه منفعت بین کـارایی و پیچیـدگی مـدل اسـت . اکثـر روشهـاي درونیابی از یا رابطه 2 بـراي محاسـبه نقـاط مجهـول اسـتفاده میکنند. تفـاوت هـاي روشهـاي مختلـف درونیـابی ، در وزن اختصاص داده شده (λ i ) به هر ایستگاه است. در ایـن مطالعـه از روشهاي IDW، کریجینگ، کوکریجینگ، کریجینگ با روند خارجی و پنج روش توابع شعاع محور براي مدلسازي مکـانی دادههاي اقلیمی و زیست اقیمی استفاده شد
Z* =∑n λiZ(x )i [3]
i=1
ارزیابی روشهاي درونیابی بهمنظور انتخاب بهتـری ن روش براي دادههاي اقلیمی و زیستاقلیمی
از روش اعتبارسنجی متقاطع براي ارزیابی روشهاي مختلف درونیابی استفاده شد. در این روش براي هر یک از نقاط مشاهده شده، برآورد تخمینی با بهکارگیري روش درونیابی موردنظر انجام میگیرد. معیارهاي مختلفی براي مقایسه مقادیر مشاهدهاي و برآورد شده وجود دارد که در این مطالعه از دو روش میانگین انحراف خطا (MBE) و ریشه دوم مربع میانگین خطا (RMSE) استفاده شد.

بررسی امکان سنجی اجراي روشهاي درونیابی و بهینهسازي پارامترها در هر روش
بهمنظور امکان استفاده از هر یک از 9 مـدل بـه بررسـی رونـد،همبستگی مکانی و ناهمسانگـردي داده هـا پرداختـه شـد و درنهایت مدلهاي قابل اجرا انتخاب شدند. توان فاصله (Power)، تعداد نقـاط همسـایگی (Neighbor point)، شـعاع همسـایگی (Neighbor distance) و پارامتر هموارسازي از جمله مهمترین پارامترهایی بودند که قبل از اجراي مدل، بهینهسـازي شـدند . از روش اعتبارسنجی متقاطع پارامترهـاي هـر مـدل بهینـهشـده وپارامتري که کمترین میزان خطا را داشت بهعنوان پـارامتر بهینـهآن مدل انتخاب شد.

روش معکوس فاصله وزنی
در روش IDW که از جمله روشهاي زمین آمار قطعـی اسـت،مقدار نقاط مجهول (0S) از طریق ترکیب خطی نقاط معلوم (Si) در اطراف نقطه مجهول با استفاده از رابطه 3 محاسبه شد.
Z(S )0 = λ∑miZ(S )i [3]
وزن هر نقطه معلوم (l i ) بر اساس فاصله آن تا نز 1دی=iکترین
۵۹
نقطه معلوم بعدي با استفاده از یک تابع فاصلهاي غیرخطی زیر محاسبه شد (رابطه 4) (23).
326136195640

λ =imdi−0p, ∑m λ =i 1 [4]
303784-7519

pi=1
0
در رابطه 4، di0 فاصله بین نقطه معلوم تا نقطه مجهول1 =iرا نشان میدهد. از روش IDW تا کنون در رابطـه بـا مطالعـات اقلیمـیزیادي استفاده شده است (7 و 18). روش IDW براي منـاطقیکه تعداد دادههاي معلوم زیاد نباشد، روش مناسبی اسـت (22). بهدلیل گستردگی منطقه موردمطالعه و پراکندگی کم ایستگاههاي هواشناســی در مرکــز کشــور، از ایــن روش بــراي درون یــابی متغیرهاي زیستاقلیمی استفاده شد. قبل از اجـراي مـدل، سـه پارامتر توان فاصله، شعاع همسایگی و نقاط همسایگی با استفاده از روش ارزیابی متقاطع بهینه شد.

روش کریجینگ، کریجینگ با روند خارجی و کوکریجینگ روش کریجینگ با روند خارجی در مواردي استفاده میشود که متغیر اصلی با یک متغیر کمکی، ارتباط مکانی خطی داشته باشد. در این روش نخست روند موجود در دادهها با استفاده از نیم تغییرنما محاسبه شد. براي اجراي روش کوکریجینگ نیم تغییرنماي متغیر کمکی (ارتفاع) و نیم تغییرنماي متقابل متغیر اصلی و متغیر کمکی نیز ترسیم گردید.

روش توابع شعاع محور( RBF)
قبل از اجراي روش RBF پارامترهاي این روش بهینه شدند.در این مطالعه پنج مدل مختلف از RBF مورد ارزیابی قرار گرفت و بر اساس میزان ریشه دوم میانگین مربع خطا و همچنین میانگین انحراف خطا بهترین مدل RBF براي درونیابی دو متغیر دما و بارندگی انتخاب شد. تمامی آنالیزهاي آماري با استفاده از نرم افزار SPSS و درونیابی دادهها در محیط Arc GIS انجام شد.

نتایج
تجزیه و تحلیل دادههاي بارش سالانه و دماي میانگین سالانه آمارههاي توصیفی 20 متغیر زیست اقلیمی در منطقه موردمطالعه ۶۰
در جدول 2 نشان داده شدهاست. نتایج بررسی نرمال بودن داده-ها نشان داد که هر دو متغیـر بارنـدگی سـالانه (792/0KS P =) و دماي متوسط سالانه (692/0KS P =) از توزیع نرمـال پیـروي
میکنند (شکل 2). نتایج بررسی هـمبسـتگی نشـان داد کـه بـین متوسـط دمـاي سـالانه و ارتفـاع (00/0R =0/926 ، P=) در منطقـه مورد- مطالعه هـم بسـتگی معنـیداري وجـود دارد . امـا میـزان هـم- بستگی بـین بارنـدگی و ارتفـاع (01/0R =0/483 ، P=) چنـدانزیاد نبود همچنین معادله گرادیـان بارنـدگی و ارتفـاع (X 07/0 +33/36 Y=) و گرادیــان دمــا و ارتفــاع (X 007/0+ 20/28 Y=)بدست آمد.

بررسی نیم تغییرنما، روند و همبستگی مکانی متغیرها نتایج محاسبه نیم تغییر نماي بدون جهت براي سه مدل گوسی، نمایی و کروي در جدول 3 آورده شده است. بـر اسـاس روش ارزیابی متقابل، مدل نمایی کمترین میزان خطا را بـراي هـر دو متغیر دما و بارش نشان داد. لذا از این مدل بـراي انجـام روش کریجینگ استفاده شد. بعـد از بهینـه کـردن بهتـرین مـدل نـیم تغییرنما، ترسیم نیم تغیرنما براي دو متغیـر دمـا و بارنـدگی بـر اساس مدل نمایی انجام شد (شکل 3). همـان طـور کـه در ایـن شکل نشان داده شده است، ترسیم نیم تغییرنماي تجربی نشـان از وجود همبستگی مکـانی در دو متغیـر دمـا و بارنـدگی دارد.
علاوه بر این، شیب کم نیم تغییرنما در نزدیک مبدأ، وجود همبستگی مکانی را تائید میکند. از طرف دیگر، با توجه به اینکـه میـزان نیم تغییرنما با افزایش فاصله، افزایش و سپس به سـقف معینـی میرسد، عدم وجود روند و یا ارتباط خطی مستقیم بـین متغیـراصلی و کمکی در دو متغیر دما و بارندگی مشهود است. بـه منظـور بررسی امکان استفاده از مدل کوکریجینگ، نیم تغییرنماي متقابل بارندگی و ارتفاع و همچنین دما و ارتفاع ترسیم شد (شکل 3).
دما و ارتفاع در نیم تغییرنما همبستگی مکانی نشان دادنـد، لـذا امکان استفاده از روش کوکریجینگ وجود داشت، بهدل یـل عـدم وجود همبستگی مکانی بین بارندگی و ارتفاع امکان اسـتفاده از روش کوکریجینگ در محدوده موردمطالعه وجود نداشت.
جدول 2. میانگین، میانه، مینیمم و ماکزیمم 20 متغیر زیستاقلیمی در محدوده مورد مطالعه (°C)
میانه میانگین ماکزیمم مینیمم توصیف متغیر
17/59 17/90 26/89 10/93 دماي متوسط سالانه Bio١٠
14/54 14/59 17/79 9/45 متوسط سالانه دامنه روزانه دما Bio٢٠
37/72 37/58 45/76 26/44 ایزوترمالی (همدمایی) Bio٣٠
39/03 38/76 42/75 34/67 دامنه سالانه دما Bio۴٠
37/67 37/72 44/08 31/01 حداکثر دماي گرمترین ماه Bio۵٠
-1/15 -1/04 8/55 -8/11 حداقل دماي سردترین ماه Bio۶٠
126/16 134/37 328/98 51/45 بارش سالانه Bio٧٠
24/34 28/47 62/75 12/16 بارش مرطوبترین ماه Bio٨٠
0/14 0/35 1/32 0/00 بارش خشکترین ماه Bio٩٠
8/95 8/93 10/13 7/99 رژیم دما (انحراف معیار) Bio١٠
3/09 3/07 3/47 2/76 رژیم دما (ضریب تغییرات) Bio١١
85/39 87/82 111/58 75/41 رژیم بارش Bio١٢
59/58 67/71 145/72 26/08 بارش سردترین فصل Bio١٣
1/45 2/22 11/12 0/11 بارش خشکترین فصل Bio١۴
28/01 28/73 36/52 22/16 میانگین دماي گرم ترین فصل Bio١۵
6/40 6/68 15/94 -0/82 میانگین دماي سردترین فصل Bio١۶
2/42 3/47 16/58 0/26 بارش گرمترین فصل Bio١٧
61/39 73/83 165/81 29/47 بارش مرطوبترین فصل Bio١٨
8/45 8/92 15/94 4/08 میانگین دماي مرطوبترین فصل Bio١٩
26/96 27/35 35/59 15/90 میانگین دماي خشکترین فصل Bio٢٠

شکل 2. ترسیم نمودار q-q دو متغیر دما و بارش به منظور بررسی نرمال بودن دادهها

۶۱
جدول 3. بررسی مدلهاي مختلف نیم تغییرنما براي دو متغیر دما و بارندگی
Mean of Error RMSE C0 آستانه شعاع همبستگی متغیر نوع مدل مدل
57/49 2/37 52/22
2/36 2125/4 2/36 3656/3 15/76 6/92
7/97 بارندگیدما کروي
مدل 1

59/7 56/31 2981/1 3337 7/85 بارندگی گوسی مدل 2
2/52 2/58 4/99 15/07 7/97 دما
54/04 47/27 0 5158/4 3/58 بارندگی نمایی مدل 3
2/34 2/34 0/47 16/49 7/97 دما

بررسی روش IDW در درون یابی دادههاي دما و بارندگی قبل از اجراي مدل IDW بهینه سازي پارامترها انجام شد. براي دماي سالیانه در منطقه توان 08/3 و براي بارش سالیانه توان 8/3توان بهینه، تعیین شد. تعداد نقاط همسایگی و شعاع همسایگی با استفاده از روش اعتبار،سنجی تقاطعی استخراج شد و در نهایت تعداد نقاط همسایگی هم براي دماي سالانه و هم بارش 6 برآورد شد. میزان خطاي میانگین مربعات در این روش براي متغیر دما 23/2 و براي متغیر بارندگی 94/46 بهدست آمد.

RBF روش
نتایج ارزیابی 5 مدل RBF در (جدول 4) نشـان داده شـده اسـت.
بـــراســـاسمیـــزان MBE و RMSE بـــراي متغیـــر دمـــا، مـــدل Thin plate spline و براي متغیـر بـارشSpline with tension داراي خطــاي کمتــري بــود . میــزان شــاخصRMSE بــراي متغیــر دمــا براساس مدل بهینه 19/2 و براي متغیر بارندگی 19/47 بهدست آمد.
روش کریجینگ، کریجینگ با روند خارجی و کوکریجینگ
از آنجا که نیم تغییرنماي رسم شده بـراي دو متغیـر دمـا و بـارش،عدم وجود روند و یا بهعبـارت دیگـر عـدم وجـود رابطـه خطـیمستقیم بین متغیر اصلی و متغیر کمکی در دادهها را نشـان داد، لـذاامکان استفاده از مدل کریجینگ با روند خارجی براي این دو متغیر در محـدوده مـوردمطالعـه امکـانپـذیر نبـود. در رابطـه بـا مــدل کوکریجینگ نیز نتایج بررسی همبستگی مکانی متقابل بین دو متغیر اصلی دما و بارش با متغیر کمکی ارتفاع بر اسـاس نـیم تغییرنمـاينمایی، تنها در رابطه با متغیر دما همبستگی متقابل نشان داد، لـذا دراین مطالعه مدل کوکریجینگ فقط براي متغیر دما استفاده شد. پـس
۶۲
از بهینه سازي پارامترهاي این مدل، میزان خطاي محاسبه شده براي متغیر دما به ترتیب براي RSME و MBE 30/1 و 093/0- هبدست آمد. نتـایج میـزان میـانگین مربعـات خطـاي درونیـ ابی بـا روشکریجینگ معمولی نیز براي متغیر دما و بارندگی سـالانه بـهترتیـب34/2 و 47/27 محاسبه شد.

ارزیابی مدلها و انتخاب بهترین مدل براي درونیابی دما و بارش

محاسبه میزان میانگین مربعات خطا و میانگین خطاي اسـتاندارد بـااستفاده از روش ارزیابی متقاطع نشـان داد کـه در رابطـه بـا متغیـرمتوسـط دمــاي ســالانه، کمتــرین میــزان خطــا مربــوط بــه روشکوکریجینگ و براي متغیر بارندگی روش کریجینگ است. بـه نظـرمیرسد روش کوکریجینگ و IDW به ترتیب بهترین روشها براي درونیـابی متغیـر دمـاي متوسـط سـالانه و بـارش سـالانه باشـند (جدول 5).
نقشه توزیع مکانی بارندگی سالانه و متوسط دماي سالانه بهترتیـب با روشهاي IDW و کوکریجینگ ترسیم شد (شکل 4). همانطور که انتظار میرود، بهدلیل پیوسته بودن تغییرات دما، نقشه درونیـابیشده میانگین دماي سالانه طبقـه بنـدي منظمـی را نشـان مـیدهـد .
بهنحوي که از شرق به غرب و شمال به جنوب افزایش دما با نظم مشخصی دیده میشود. بهدلیل گسسته بودن تغییـرات بارنـدگی درمرکز کشور، طبقهبندي پیچیدهتري در رابطه با نقشه درونیابی شده تغییرات بارندگی سالانه مشاهده شد (شکل 4).
تعیین بهترین روش درونیابی براي دادههاي زیستاقلمـینیز براساس نتایج بهدست آمده براي دو متغیر اقلیمی دماي متوسط

شکل 3. نیم تغییرنما ترسیم شده براي متغیرهاي بارندگی (a)، دما (b)، دما و ارتفاع (c) و بارندگی و ارتفاع (d) بر اساس مدل گوسی

جدول 4. نتایج ارزیابی پنج مدل مختلف RBF و تعیین بهترین پارامتر هموارساز
RMSE MBE مقدار بهینه پارامتر هموار ساز متغیر روش
2/44
47/41 -0/15 1/48 3/01
4/83 دما بارش Regularized spline
2/24 -/002 0/0002 دما Spline with tension

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

47/19 4/96 0/0002 بارش 2/26 -0/076 0/001 دما Multiquadric
47/34 3/06 0/206 بارش 2/46 -0/15 1/07 دما Inverse multiquadric
47/46 1/60 0/73 بارش 2/19 0/013 6/60 دما Thin plate spline
47/41 1/48 4/83 بارش
جدول 5. ارزیابی روشهاي مختلف درونیابی دادههاي دما و بارش در مرکز کشور
RMSE MBE متغیر روش
2/34
47/27 -0/110
-1/268 متوسط دماي سالیانه بارندگی سالیانه کریجینگ
1/30 -0/093 متوسط دماي سالیانه کوکریجینگ
غیرقابل انجام غیرقابل انجام بارندگی سالیانه 2/23 -0/017 متوسط دماي سالیانه IDW
46/94 1/23 بارندگی سالیانه 2/19 -0/119 متوسط دماي سالیانه RBF
47/19 1/23 بارندگی سالیانه

شکل 4. نقشه پیوسته توزیع مکانی دماي متوسط سالانه (a)، و بارش سالانه (b)، رژیم بارش (c) و رژیم دما (d) بر اساس روشهاي بهینه براي هر متغیر
۶۳
متوسط دما و بـارش بـهترتیـب روش هـاي کوکریجینـگ وIDW بهینهترین روشها تعیین شدند.

بحث و نتیجهگیري
بررسـی تغییـرات اقلیمـی در طـول زمـان تـاثیر بـهسـزایی در کمیسازي اثرات اقلیم بر توزیع پراکنش گونههـا در بـازههـايزمانی و در نتیجه در مدیریت و حفاظـت از تنـوع زیسـتی دارد(17). براساس فرضیه اتکولوژي مایر، پویایی هـر جمعیـت درزیستگاههاي بیابانی اساساً توسط واکنشهاي مستقل آن به محیط و بهویژه آب تعیین میشود. بر این اساس مایر بیان میکند که در اکوسیستمهاي نواحی خشک، آب عامل کنترل کننده فعالیتهاي زیستی گونهها است. بـر اسـاس مـدل مفهـومی ارائـه شـده درخصوص پراکنش بیومها و اجتماعات گیاهی و جانوري، تغییرات فصلی بارندگی عامل تشدیدکننده ویژگیهاي حیاتی جانـدارانتشکیلدهنده بیومهاي بیابانی اسـت . بـر اسـاس نظریـه کنتـرل ناحیهاي الگوهاي پراکنش گاما، میزان تنشهاي اقلیمـی نـواحیبیابانی با تنوع زیستگاههاي بیابانی ارتباط معنیداري دارد.
یکی از مهمترین روشهاي بررسی تـاثیر اقلـیم بـر مدلسـازي زیستگاه گونهها استفاده از شاخصهاي زیستاقلیمی اسـتخراجشده از دادههاي اقلیمی مـ یباشـد . بـا توجـه بـه تـاثیر عوامـل زیستاقلیمی بر بقا و عملکرد زیستی گونهها، بررسی تغییـراتزیست اقلیمی میتواند به فهم ارتباط بین فاکتورهاي زیسـتی ومحیطی و همچنین ارزیابی تنوعزیستی کمک کند (5). دادههاي زیست اقلیم غالب مطالعات مدلسازي پراکنش گونـه هـا کـه در ایران انجام شده است، از منبع جهانی Worldclim استخراج شده است؛ در لحا یکه نحوه محاسـبات دادههـاي زیسـت اقلیمـی بـراي بسیاري از محققین کشورسالانه و بارندگی سالانه صورت گرفـت .
بدین منظور براي تمامی 20 متغیر زیستاقلیمی روشهاي توابع شعاع محور، معکوس فاصله وزنی و کریجینگ انجام شد و بهترین روش براي هر متغیر بر اساس میانگین مربعـات خطـا تعیـین شـد(جدول 6). همانطورکه در این جدول نشان داده شدهاسـت، بـرايدو متغیر زیست اقلیمی رژیـم دمـا و رژیـم بـارش هم اننـد نتـایج
۶۴
بهدست آمده از دو متغیر نامفهوم است. لذا در این مطالعه سعی شد تا در درجه اول نحوه محاسبه متغیرهاي زیستاقلیمـی بیـان شـود .
بدین منظور اسـتخراج 20 متغیـر زیسـت اقلیمـی از دادههـاينرمال دما و بارش سالانه 26 ایستگاه سینوپتیک در طی سالهاي
1950 تا 2010 در منطقه مرکزي کشور بیان شد.
بررسی مطالعات انجام شده نشان میدهـد کـه روشهـايدرونیابی بسته به نوع متغیـر و هـمچنـین ویژگـیهـاي منطقـه موردمطالعه، تراکم نقاط اندازهگیري و نحوه آرایـش آنهـا دقـتمتفاوتی را ارائه میکنند و نمیتوان نتایج یک منطقه را به راحتی به مناطق دیگر تعمیم داد. نتایج بررسی نیمتغییرنما نشان داد که بهترین مدل ریاضی نیمتغییرنما، مدل نمایی است. مدل نمـایی،عدم روند در دادههاي دما و بارش را نشان داد که این امـر اسـتفادهاز روش کریجینگ با روند خارجی را محدود کرد. همچنـین مـدلنیم تغییرنما نشان داد که متغیر دما، بارش و همچنین اثر متقابل بـیندما و ارتفاع همبستگی مکانی وجود دارد. نتایج بررسی همبسـتگیمکانی متقابل بین بـارش و ارتفـاع بـر اسـاس مـدل نـیمتغییرنمـا ، همبستگی مکانی ضعیفی بین بارندگی و ارتفاع نشان داد که این موضوع را میتوان به وسعت زیاد منطقه موردمطالعه و در نتیجه تفاوت در منشأ بارندگی مناطق مختلف محـدوده مـوردمطالعـهنسبت داد. نتایج تحلیل رگرسیونی و میانگین مربعات خطا نشان داد که در مورد بارش سالانه، روش IDW بهترین روش درونیـابی است. اما در مورد دادههاي متوسط دماي سـالانه، نتـایج تحلیـلرگرسیونی و میانگین مربعات خطا، روش کوکریجینگ را بهعنـوان بهترین روش درونیابی معرفـی کـرد. در رابطـه بـا متغیرهـايزیستاقلیمی نیز بسته به نوع متغیر، روش بهینه براي درونیابی دادهها در مرکز کشور تعیین شـد . بـراي بسـیاري از متغیرهـايزیستاقلیمی استخراج شده از متغیـر دمـا هم ان نـد رژیـم دمـا،حداکثر دماي گرمترین ماه، حداقل دماي سردترین ماه، میانگین دماي گرمترین فصل و دمـاي میـانگین سـردترین فصـل روشبهینه روش کوکریجینگ تعیین شـد کـه ایـن موضـوع نشـان ازمناسب بودن متغیر ارتفاع بهعنوان یک متغیر کمکی در درونیابی دادههاي زیستاقلیمی دما، در مرکز کشور است.

۶۵
روش IDW تا کنون در بسیاري از مطالعات بهعنوان روش مناسب جهت درونیابی دادههاي بارش معرفی شدهاست (7 و 18).
از آنجا که روش IDW نیاز به ترسیم نیمتغییرنما ندارد، لذا استفاده از این روش بهدلیل کاربرد آسان، رایجتر میباشد. زمانی که تعداد نقاط مشاهده (ایستگاهها) کمتر از 30 باشد، استفاده از روش IDW بیشتر توصیه میشود (22). در مناطق مرکزي کشور به دلیل اندك بودن تعداد ایستگاههاي هواشناسی، استفاده از این روش در درونیابی دادههاي اقلیمی توصیه میشود. با بهینه سازي سه پارامتر توان فاصله، شعاع همسایگی و فاصله همسایگی میتوان دقت این روش را در درونیابی دادههاي اقلیمی و زیستاقلیمی افزایش داد. در این مطالعه توان بهینه براي درونیابی دادههاي بارش سالانه 8/3 بهدست آمد که این امر نشان از دامنه تغیرات بالاي بارندگی در محدوده موردمطالعه است. لینچ (16) روشهاي تبدیل بارندگی روزانه نقطهاي در آفریقاي جنوبی را بررسی کرد و روش معکوس وزنی فاصله را توصیه نمود. انصافی مقدم و رفیعی (1388) روش IDW را براي پهنهبندي خشکسالیهاي اقلیمی بهعنوان بهترین روش معرفی کردند. روش درونیابی کوکریجینگ نیز تا کنون در بسیاري از مطالعات بهعنوان روش بهینه براي درونیابی دادههاي اقلیمی معرفی شدهاست (11و 21). از آنجا که در محدوده موردمطالعه همبستگی بالایی بین دما و ارتفاع مشاهده شد، لذا استفاده از

مناب ع مورد استفاده
متغیر کمکی ارتفاع و روش کوکریجینگ میتواند سبب افزایش دقت در درونیابی دادههاي زیستاقلیمی دما شود. تعیین مدل نمایی براي نیم تغییرنما در این مطالعه با نتایج پونیاواردنا و کولاسیري (20) (8991) که به بررسی برآورد بارندگی در نواحی خشک سریلانکا پرداختند، تطابق داشت. نتایج مطالعه گوورتز (11) نشان داد که استفاده از روش کوکریجینگ براي مناطقی که ضریب همبستگی بین دما و ارتفاع زیاد باشد، مناسب است. که این موضوع با نتایج این مطالعه تطابق داشت.
هو و ژیانگ (15) در مطالعهاي به مدلسازي زیسـتگاه آهـودر کشور چین پرداختند که در این مطالعه علاوه بـر متغیرهـايمحیطی، 19 متغیر زیستاقلیمی نیز وارد مدل شـد . نتـایج ایـنمطالعه نشان داد که از پنج متغیر مهم تاثیرگذار بر پراکنش گونه، چهار متغیر زیستاقلیمی حداکثر دماي گرمترین مـاه، میـانگیندماي مرطوبترین فصـل، میـانگین دمـاي گـرمتـرین فصـل وایزوترمالیتی دخالت داشتهاست. بر اساس نتایج بهدسـت آمـده، میتوان با استخراج و درونیابی دادههاي زیستاقلیمی نقشههاي مکانی پیوسته این متغیرها را براي نقاط مرکزي کشـور تولیـد ودر مدلهاي مختلف توزیع پراکنش گونههاي زیسـت بـوم هـايمرکزي کشور بهکار گرفت.

انصافی مقدم، ط. و ي. ي. رفیعی. 1380. مقایسه روش هاي درونیابی براي تعیین کمترین خطاي تخمین زده شده. مطالعه موردي دما و تبخیر. مجله تحقیقات مهندسی کشاورزي 8 (12): 78-63
فاطمی قیري، س. و ح. یزدان پناه. 1391.ارزیابی روش هاي مختلف میانیابی بهمنظور برآورد داده هاي بارش استان اصفهان.
فصلنامه علمی پژوهشی فضاي جغرافیایی. 12(40): 63- 46
نادي، م.، م. جامعی، ج. بذرافشان. و س. جنت رستمی. 1391. ارزیابی روشهاي مختلف درونیابی دادههاي بارنذگی ماهانه و سالانه (مطالعهي موردي :استان خوزستان). پژوهشهاي جغرافیاي طبیعی 44(4): 130- 117.
Austin, M. P. 2002. Spatial prediction of species distribution: an interface between ecological theory and
statisticalmodeling. Ecological Modelling 157: 101-118.
Bailey, R. G. 1985. Ecological regionalization in Canada and the United States. Geoforum 16: 265–275.
۶۶
Beaumont, L. J., L. Hughes. and M. Poulsen. 2005. Predicting species distributions: use of climatic parameters in BIOCLIM and its impact on predictions of species, current and future distributions. Ecological Modelling 186: 250–69.
Buishand, T. A., J. J. Beersma, R. Sluiter. and T. Kroon. 2008. Definitie studie raster data meteorologie. De Bilt, KNMI / RWS Waterdienst
Busby, J. R. 1991. BIOCLIM: a bioclimatic analysis and prediction system. PP. 64-68. In: Margules, C. R. and M. P. Austin (Eds), Nature Conservation. CSIRO., Australia.
Carpenter, T. P., M. L. Franke, V. Jacobs. and E. Fennema. 1998. A longitudinal study of invention and understanding in children’s multidigit addition and subtraction. Journal for Research in Mathematics Education 29: 3–20.
Friedman, J. H. 2002. Stochastic gradient boosting. Computer Statistic Data Analysis 38: 367–378. 11. Goovaerts,
P. 2000. Eostatistics for Natural Resources Evaluation. Oxford University Press, New York.
Goovaerts, P. 2000. Geostatistical approach for incorporating elevation into spatial interpolation of rainfall. Journal of Hydrology 228:113–129.
Herkt, M. 2007. Modelling habitat suitability to predict the potential distribution of erhard’s wall lizard podarcis erhardii on Crete. PhD. Thesis, University of Southampton (UK).
Hirzel, A. H., J. Hausser, D. Chessel. and N. Perrin. 2002. Ecologicalniche factor analysis: How to compute habitatsuitability maps without absence data? Ecology 83: 2027–2036.
Hu, J. and Z. Jiang. 2010. Predicting the potential distribution of the endangered Przewalski’s gazelle. Journal of Zoology 282: 54–63.
Lynch, S. D. 2001. Converting point estimates of daily rainfall onto a rectangular grid. PHD. Thesis, Department of Agricultural Engineering, The University of Natal. South Africa.
O’Donnell, M. S. and D. A. Ignizio. 2012. Bioclimatic predictors for supporting ecological applications in the conterminous united states. U.S. Geological Survey, Reston, Virginia.
Perry, M. and D. Hollis. 2005. The generation of monthly gridded datasets for a range of climatic variables over the UK. International Journal of Climatology 25: 1041–1054.
Phillips, S. J. and M. Dudık. 2004. Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation. Ecography 31: 161–175.
Punyawordena, B. V. R. and D. Kulasiri. 1998. Spatial interpolation of rainfall in the dry zone of Srilanka. Journal of the National Science Council of Sri Lanka 26: 247–262.
Schuurmans, J. M., M. F. B. Bierkens. and E. J. Pebesma. 2007. Automatic prediction of high-resolution daily rainfall fields for multiple extents: the potential of operational radar. Journal of Hydrometeorology 8: 1204 – 1224.
Sluiter, R. 2009. Interpolation methods for climate data. literature review.KNMI Intern rapport; IR 2009-
04.Netherlands.


دیدگاهتان را بنویسید