پیش بینی احتمال روزهای گرد و خاک در مناطق شرقی ایران با روش کریجینگ نشانگر فضایی زمانی

یکی از مهم ترین چالش های زیست محیطی به وجود آمده در منطقه خاورمیانه و ایران در سال های اخیر، پدیده گرد و خاک می باشد که در حال افزایش است. بدین منظور با هدف پیش بینی احتمال وقوع روزهای گرد و خاک، داده های سرعت باد و دید افقی در مناطق شرقی ایران با روش کریجینگ نشانگر فضایی – زمانی و با استفاده از نرم افزار r مورد بررسی قرار گرفت که در آن نشانگر یک، برای روز گرد و خاک و نشانگر صفر برای روز بدون گرد و خاک در نظر گرفته شد. سپس آرایه sp data (spatial temporal data)به صورت ترکیبی از ماتریس و بردار در کلاسstfdf(spatial temporal function data fram) و stf (spatial temporal function) ساخته شد. پس از برازش تمامی مدل های تفکیک پذیر و غیر تفکیک پذیر، تغییرنگار متریک جمعی با کمترین میانگین مجموع مربعات به عنوان بهترین مدل برای برازش داده ها انتخاب شد. خروجی مدل نشان داد که داده ها تا 5 روز دارای وابستگی فضایی زمانی هستند، لذا می توان از آخرین روز دوره آماری، احتمال وقوع روز گرد و خاک را برای 5 روز آینده پیش بینی کرد؛ که در اولین روز قابل پیش بینی یعنی 01/04/2017 (24/01/1396)، نقاط بحرانی ایستگاه های سرخس و فریمان در استان خراسان رضوی به ترتیب با احتمال 16 و 20 درصد، ایستگاه های زابل، زهک، میرجاوه، نصرت آباد، زاهدان و خاش در استان سیستان و بلوچستان به ترتیب با 17، 13،13،19،24 و 17 درصد و ایستگاه های ابرکوه، بافق و بهاباد در استان یزد به ترتیب با 20، 16 و 35 درصد، بیشترین احتمال وقوع روز گرد و خاک را دارا بودند.

Probability of SDS Days Prediction in Iran’s Eastern Region Using SpatioTemporal Indicator Kriging model

One of the most important environmental challenges in the Middle East and Iran in recent years is the increasing SDS phenomenon. In order to forecast the probability of SDS days, wind speed and Horizontal view data in the eastern regions of Iran was investigated using Kriging model of SpatialTemporal indicator,and R software, in which indicators one and zero were considered for a SDS and for a day without SDS, respectively. Then the SP Data array (Spatial Temporal Data) was constructed with a combination of the matrix and vector in the STFDF class (Spatial Temporal Function Data Frame), and STF class (Spatial Temporal Function). After fitting all the separable and nonseparable models, the sum metric variogram with the least average of sum of squares was selected as the best model for fitting data. The output of the model showed that the data enjoy a spatialtemporal dependence to 5 days, so from the last day of the statistical period we can forecast the probability of occurrence of the SDS day for the next 5 days. On the first forecast able day, i.e. 2017/04/01, the critical points of Sarakhs and Fariman stations in Razavi Khorasan province with a probability of 16 and 20 percent, respectively, Zabol, Zahak, Mirjawa, Nosrat Abad, Zahedan and Khash stations in Sistan and Baluchestan provice with 17, 13.13, 19.24 and 17 percent, respectively, and finally Abarkuh, Bafgh and Behabad stations in Yazd province with 20, 16 and 35 percent, respectively, enjoyed the highest probability of occurrence of SDS days. Keywords:SpatialTemporal Variogram, Predict, SDS Days, Eastern Rregions of Iran, Kriging Indicator, Sand and Dust Storm(SDS), Region, Indicator Kriging Method, SDS.