تعیین تیپ اقلیمی مناطق مختلف با استفاده از روش تحلیل مولفه های اصلی

ﺗﻐﯿﯿﺮات اﻗﻠﯿﻤﯽ در اﺑﻌﺎد وﺳﯿﻊ ﺳﺒﺐ اﻓﺰاﯾﺶ تغییر شاخص‌های حدی می‌شود. از آنجا که این شاخص‌ها نقش مهمی در بروز خشک‌سالی‌‌، سیل‌ها و دیگر بلایای اقلیمی دارند، بررسی رفتار آن‌ها در بستر تغییرات اقلیمی ضروری است. در تحقیق حاضر از داده‌های بارش 24 ساعته 11 ایستگاه سینوپتیک در محدوده مرز‌های رسمی استان‌های اصفهان، شیراز، یزد و کرمان طی دوره‌ آماری (1395-1366) استفاده شده است. برای استخراج روندها نیز از شاخص‌های تغییر اقلیم (etccdi) با استفاده از نرم افزار rclimdex بهره‌گیری شده است. همچنین جهت بررسی روند از آزمون ناپارامتری منکندال اصلاح شده (tfpwmn) و به‌منظور منطقه‌بندی شرایط بارش‌حدی از روش تحلیل مولفه اصلی در قالب نرم افزار آماری minitab استفاده گردیده است. نتایح آزمون tfpwmn نشان می‌دهد شاخص‌های بارش در اکثر مناطق مورد مطالعه فاقد روند، روند کاهشی ضعیف و دارای شیب همگن اند. پس از تشکیل ماتریس همبستگی متغیر بارش به کمک روش تحلیل مولفه‌های اصلی به یازده مولفه کاهش و با استفاده از چرخش واریماکس چرخش داده شدند. با بررسی نتایج حاصل از الگوریتم pca چهار تیپ اقلیمی شناسایی شد که تیپ اقلیمی چهارم (ایستگاه شیراز) نسبتا به دیگر ایستگاه‌های مورد مطالعه با 85 درصد ویژه مقدار واریانس از کل تغییرات بارش‌حدی، موثرترین نقش را در ایجاد شرایط اقلیمی بارش‌حدی دارد. در نتیجه می‌توان گفت ساختار کلی بارش در منطقه مورد مطالعه تحت تاثیر عرض جغرافیایی، وجود پیکربندی ناهمواری و توده‌های هوا قرار دارد و با تغییر هر یک از این عوامل، بارش تغییر خواهد کرد.

Determining the Climatic Type of Different Regions Using Principal Components Analyses Method

Climate change on a large scale increases changes in boundary indicators. Since these indicators play an important role in the occurrence of droughts, floods and other climate disasters, it is necessary to study their behavior in the context of climate change. In the present study, 24hour precipitation data of 11 Synoptic Stations during statistical periods (19872017) have been used. Climate change indicators (ETCCDI) have been used to extract trends using RClimDex software Also to check the linear trend of the test TFPWMN and in order to zoning the precipitation conditions, PCA method has been used in the form of Minitab statistical software. The results of mKendall test show that precipitation indicators in all studied stations have a decreasing and negative trend and homogeneous slope. After forming the variable correlation correlation matrix, the principal components were reduced to 11 components using the analysis method and rotated using a varimax rotation. By examining the results of PCA algorithm, four climatic types were identified. The fourth climatic type (Shiraz station) has the most effective role in creating climatic conditions in precipitation with a relatively 85% specific variance of the total changes. As a result, it can be said that the overall structure of precipitation in the study area is affected by latitude, the existence of rough configuration and air masses. And by changing any of these factors, the rainfall will change.