تشخیص و تحلیل داده‌های پرت زمانی- مکانی مربوط به پارامترهای سرعت باد و فشار ایستگاه‌های هواشناسی کشور به منظور مطالعات تغییرات آب و هوایی

تشخیص و تحلیل داده های پرت یکی از گام های ابتدایی مهم در تحلیل داده هاست. یک داده پرت در سری های هواشناسی می تواند نشان دهنده ی یک رخداد فرین باشد یا خطای ناشی از اندازه گیری، مشاهده و ثبت است. اگر داده های پرتی که حاصل خطای انسانی یا نقص تجهیزات اندازه گیری هستند شناسایی نشده و حذف نگردند، به عنوان داده ی فرین ثبت خواهند شد و موجب اریبی در نتایج مطالعات اقلیمی می شوند. در این مقاله، داده های پرت سری های زمانی سرعت باد و فشار برای 143 ایستگاه هواشناسی کشور در دوره نرمال اقلیمی 1991- 2020 مورد تحلیل قرار گرفت. برای این منظور ابتدا داده های پرت مکانی با استفاده از الگوریتم کلایماتول مشخص شد و در مرحله دوم با تحلیل­های زمانی و هواشناختی، خطاها شناسایی شدند. در مرحله اول برای پارامترهای فشار ایستگاه، فشار تبدیل شده ایستگاه به سطح دریا، فشار بخار، سرعت باد و سرعت باد ماکزیمم به‌ترتیب 40، 42، 93، 52 و 41 داده پرت شناسایی شد و در مرحله دوم به‌ترتیب 20، 10، 56، 20 و 27 تعداد از این داده ها خطا تشخیص داده شدند. این نتایج به تفکیک ایستگاه و تاریخ گزارش شده اند، تا مورد استفاده محققان در سایر مطالعات، بویژه مطالعات تغییراقلیم، قرار بگیرند.

spatio-temporal outlier detection and analysis in pressure and wind speed data to study climate change

detecting outliers is one of the most important steps in data analysis. in climate data, an outlier can be an extreme event or an error due to measurement, observation and recording. if outliers which are error are not identified and deleted, they will be recorded as extreme data and cause the bias in result of the climate change studies. in this paper, the outliers of wind speed and pressure data for meteorological stations in the normal climatic period 1991-2020 were analyzed. for this purpose, first the spatial outliers were determined using the climatol algorithm and second, errors were identified by temporal and meteorological analyzes. in the first step, for the parameters of station pressure, sea level pressure, vapor pressure, wind speed and maximum wind speed were identified as 40, 42, 93, 52 and 41 outliers, respectively. in the second step, 20, 10, 56, 20 and 27 of those data were recognized error, respectively. these results have been reported by station and date, to be used by researchers in other studies, especially climate change studies.