محمد M. A. Almazah B گروه ریاضیات ، دانشکده علوم و هنر (Muhyil) ، دانشگاه King Khalid ، Muhyil ، عربستان سعودی ؛ گروه ریاضیات و رایانه ، کالج علوم ، دانشگاه IBB ، IBB ، مکاتبات یمن mmalmazah@kku. edu. edu. سعید

Fuad S. Al-Duais D گروه ریاضیات ، دانشکده علوم انسانی و علوم ، دانشگاه شاهزاده Sattam Bin Abdulaziz ، Al Aflaj ، عربستان سعودی ؛ گروه مدیریت E ، کالج علوم اداری ، دانشگاه تامار ، تامار ، یمن

Nouman Iqbal F واحد دانش حسابداری و تجارت اقتصاد تجارت (KUBEAC) ، دانشگاه مدیریت و فناوری ، Sialkot ، پاکستان

Dost Muhammad Khan G گروه آمار ، دانشگاه عبداللی خان ماردان ، خیبر پختونخوا ، پاکستان هیتپس: //orcid. org/0000-0002-3919-8136

Ijaz حسین گروه آمار ، دانشگاه Quaid-i-Azam ، اسلام آباد ، مکاتبات پاکستان ijaz@qau. edu. pk https://orcid. org/0000-0002-1586-1503

• استناد را بارگیری کنید
• https://doi. org/10. 1080/19475705. 2022. 2079429
• جایگاه

مقالات

تجزیه و تحلیل فضایی از تنوع خشکسالی هواشناسی در یک منطقه همگن با استفاده از شاخص های خشکسالی استاندارد

• مقاله کامل
• ارقام و داده ها
• منابع
• استناد
• معیارهای
• مجوز
• چاپ مجدد و مجوزها
• مشاهده pdf pdfview epub epub

خلاصه

نمایش فرمول:؟فرمول های ریاضی به عنوان MATHML رمزگذاری شده اند و در این نسخه HTML با استفاده از MathJax به منظور بهبود نمایشگر خود نمایش داده می شوند. جعبه را برای خاموش کردن MathJax از آن جدا کنید. این ویژگی به JavaScript نیاز دارد. برای بزرگنمایی روی فرمول کلیک کنید.

خشکسالی یکی از رایج ترین خطرات آب و هوایی یا هواشناسی است و دارای ویژگی های مکانی و مکانی است که به طور قابل توجهی بر معیشت و اقتصاد در سراسر جهان تأثیر می گذارد. بنابراین ، نیاز به روشهای کارآمد وجود دارد که به طور دقیق تنوع مکانی مکانی را شناسایی می کنند. علاوه بر این ، ارزیابی مداوم و نظارت بر وقوع خشکسالی مکانی در یک منطقه خاص برای جلوگیری از تأثیرات نامطلوب بسیار مهم است. برای این منظور ، مطالعه حاضر روش جدیدی را برای تجزیه و تحلیل مکانی و مکانی از منطقه ایجاد می کند: شاخص خشکسالی آگلومراتیو با وزنی فضا-زمانی (STWJADI). Stwjadi عمدتاً بر اساس یک طرح وزنه برداری معروف به طرح استاندارد سازی استاندارد دو مرحله ای مکانی (STTSSWS) است. در مرحله اول STTSSWS ، احتمالات حالت پایدار برای چندین ایستگاه (Astor ، Bunji ، Chilas ، Gupis ، Skardu و Gilgit) از منطقه شمالی پاکستان در مقیاس 1 ماهه (مقیاس 1) محاسبه می شود. برای تخصیص وزن برای کلاسهای مختلف خشکسالی. علاوه بر این ، در مرحله دوم STTSSWS ، وزن ها بر اساس خصوصیات وزن مکانی مکانی برای به دست آوردن وزنهای جدید برای کلاسهای خشکسالی بیشمار در منطقه تعیین شده اختصاص می یابد. علاوه بر این ، از وزنهای مکانی مکانی حاصل از STTSSW برای محاسبه استوجی استفاده می شود. نتایج Stwjadi اطلاعات کارآمد و جامع برای توصیف خشکسالی در منطقه منتخب ارائه می دهد.

1. معرفی

خشکسالی یک خطر طبیعی خزنده است که در هر منطقه اقلیمی در سراسر جهان اتفاق می افتد و به طور قابل توجهی بر بخش های کشاورزی ، محیط زیست محیطی و بهزیستی اقتصادی تأثیر می گذارد (Corlett 2016 ؛ Kuwayama et al. 2019 ؛ Hoque et al. 2020 ؛ Meza et al. 2020 ؛ Elhoussaoui etal. 2021 ؛ Savari et al. 2022). غالباً در محیط های اقلیمی ، هیدرولوژیکی و انسانی منطقه ای ضعیف مشخص می شود (ون لون و همکاران 2016 ؛ احمدالیپور و همکاران 2019 ؛ ویسنت-سیرنو و همکاران 2020 ؛ Saharwardi & Kumar 2022). این امر به آرامی در حال تحول و تأثیر بیشتر افراد نسبت به سایر خطرات طبیعی است (Kiem et al. 2016 ؛ Aldunce et al. 2017 ؛ Riebsame et al. 2019 ؛ Quandt 2021 ؛ Okpara et al. 2022 ؛ Ruwanza et al. 2022). فواصل زمانی و خاتمه آن پیچیده است که برای ارزیابی و نظارت چالش برانگیز بوده است (Mavromatis & Voulanas 2021 ؛ Wu et al. 2021). بر اساس کمبود آب که در زمینه های بی شماری رخ می دهد ، خشکسالی را می توان به صراحت به عنوان جنبه های هواشناسی ، کشاورزی ، اجتماعی و اقتصادی و هیدرولوژیکی توصیف کرد (Vogt & Somma 2013 ؛ Haile et al. 2020 ؛ Alahacoon & Edirisinghe 2022 ؛ Lee et al. 2022). کمبود بارش منجر به خشکسالی هواشناسی می شود و کمبود در آبرسانی خاک باعث خشکسالی کشاورزی می شود. علاوه بر این ، کمبود در آبهای سطح یا زیرزمینی باعث خشکسالی هیدرولوژیکی می شود. بسیاری از محققان در زمینه های مربوط به خشکسالی بر خشکسالی هواشناسی متمرکز شده اند (Quiring 2009 ؛ Wang et al. 2016 ؛ Spinoni et al. 2019 ؛ Ayugi et al. 2022). هربست و همکاران.(1966) روشی را برای ارزیابی خشکسالی هواشناسی ارائه داد که بعداً برای مناطق خشک توسط موهان و رانگاچاریا (1991) تطبیق یافتند.

ارزیابی ، نظارت و پیش بینی خشکسالی هواشناسی از اهمیت ویژه ای برخوردار است (Noguera و همکاران 2022 ؛ Cao و همکاران 2022 ؛ شوارتز و همکاران 2022). علاوه بر این ، خشکسالی هواشناسی منبع اصلی سایر انواع خشکسالی (هیدرولوژیکی ، خشکسالی کشاورزی ، اقتصادی و اجتماعی و غیره) به دلیل بارش کافی نیست (Lai et al. 2019 ؛ Guo et al. 2020). علاوه بر این ، ارزیابی دقیق خشکسالی هواشناسی ، اطلاعات ارزشمندی را به تصمیم گیری جهانی برای افرادی که در زمینه های مربوطه کار می کنند ، از جمله کشاورزی ، هیدرولوژی ، صنعتی و مدیریت بودجه آب اضافه می کند (Mahboobeh et al. 2020 ؛ Dikshit et al. 2021)بشرعلاوه بر این ، مطالعات متعددی نشان داده اند که نظارت بر خشکسالی در سطح منطقه ای (Zhai & Feng 2009 ؛ Zhang et al. 2012 ؛ Santos et al. 2019 ؛ Mun et al. 2020 ؛ Jasim & Awchi 2020). نظارت بر خشکسالی در سطح منطقه از اهمیت قابل توجهی برای اقتصاد کشور و سایر فعالیت های انسانی برخوردار است. اثرات جانبی احتمالی خشکسالی در آینده با استفاده از نظارت مناسب خشکسالی منطقه ای به حداقل می رسد (Kisi et al. 2019 ؛ Pontes Filho et al. 2019 ؛ Fung et al. 2020 ؛ Pontes Filho و همکاران 2020). چندین نویسنده تکنیک ها و روش های مختلفی را برای نظارت بر خشکسالی منطقه ای ارائه داده اند که می توانند با توجه به شرایط آب و هوایی مختلف مورد استفاده قرار گیرند. بر اساس شرایط مختلف آب و هوایی ، چندین شاخص خشکسالی در نشریات مختلف ایجاد و مورد استفاده قرار گرفته است (Guo et al. 2020 ؛ Afshar et al. 2022 ؛ Alsafadi et al. 2022). این شاخص ها بر اساس ضبط مناسب و مؤثر مربوط به وقوع خشکسالی است. شاخص ها شامل اطلاعات مهمی است که می تواند برای بهبود پیش بینی و سیاست های هشدار دهنده اولیه برای وقوع خشکسالی در آینده استفاده شود (Kisi et al. 2019 ؛ Dikshit et al. 2021). با این حال ، ارزیابی دقیق خشکسالی ، نظارت و پیش بینی می تواند با استفاده از شاخص های مناسب که سوابق مناسب را برای وقوع خشکسالی در نظر می گیرند ، امکان پذیر شود. بنابراین ، انتخاب شاخص ها و اطلاعات آنها به دست آمده از چندین شاخص تحت شرایط آب و هوایی خاص برای تجزیه و تحلیل خشکسالی ضروری است.

در 20 سال گذشته یا بیشتر ، چندین نویسنده شاخص های جدیدی را برای ارزیابی و نظارت بر وقوع خشکسالی ایجاد کرده اند (مک کی و همکاران 1993 ؛ ویسنته-سیرنو و همکاران 2010 ؛ سانتوس و همکاران 2010 ؛ گبرگیوت و همکاران 2011 ؛ گواو همکاران 2018). توسعه جدید چشم اندازهای مختلفی را برای تصمیم گیرندگان و سیاستگذاران برای نظارت دقیق تر و دقیق تر خشکسالی فراهم کرده است. محاسبات ، توانایی های نمایش و سیستم های اطلاعات جغرافیایی عملکرد شاخص ها را به میزان قابل توجهی افزایش داده است. شاخص های خشکسالی استاندارد (SDI) معمولاً برای توصیف خشکسالی مورد استفاده قرار می گیرد (Vicente-Serrano و همکاران 2015 ؛ Stagge et al. 2015 ؛ Mukherjee et al. 2018 ؛ Niaz ، Almazah ، Zhang et al. 2021 ؛ Niaz ، Zhang ، Iqbal etAl. 2021 ؛ Niaz ، Hussain ، Zhang et al. 2021). ارزیابی SDI بر اساس چندین پارامتر (بارش ، دما و غیره) است. با این حال ، محاسبات و اولویت شاخص ها بر اساس ویژگی های اقلیمی منطقه مورد مطالعه است.

علاوه بر این ، درک وقایع خشکسالی را نمی توان به طور دقیق برای سیاست های آینده بدون سیاست های قابل اعتماد نظارت بر خشکسالی و استراتژی های هشدار اولیه تعیین کرد. بنابراین ، تصمیم گیرندگان به روشهای قابل اعتماد نیاز دارند که به آنها در درک وقایع خشکسالی کمک می کند. درک حوادث خشکسالی نیاز به اطلاعات روشنگری در مورد توزیع مکانی و زمانی خطر خشکسالی در سطح محلی یا منطقه ای دارد. بنابراین ، اقدامات ارزشمندی لازم است که به طور دقیق ویژگی های مکانی مکانی را طبقه بندی کنند (مالک و همکاران 2012 ؛ چنو و همکاران 2013 ؛ سرتیپ و همکاران 2019 ؛ ژو و همکاران 2020 ؛ وانگ و همکاران 2020 ؛ آددیجی و همکاران 2020 ؛ هان و همکاران ؛ هان و همکاران 2020 ؛ هان و همکاران 2020 ؛ هان و همکاران 2020 ؛آل 2021). این مطالعه یک روش ارزیابی خشکسالی جدید برای تجزیه و تحلیل مکانی مکانی در سطح منطقه ای ، شاخص خشکسالی مشترک با وزن و دوز (STWJADI) ایجاد می کند. پتانسیل stwjadi عمدتا بر اساس طرح وزن گیری استاندارد دو مرحله ای فضا-زمانی (STTSSWS) است. در مرحله اول STTSSWS ، احتمالات حالت پایدار (SSP) از ایستگاه های انتخاب شده در یک مقیاس زمانی 1 ماهه محاسبه می شود تا وزنه ها را برای چندین دسته خشکسالی اختصاص دهد. با این حال ، در مرحله دو STTSSWS ، وزن ها بر اساس ویژگی های Spatiotemporal برای به دست آوردن وزنهای جدید برای چندین دسته خشکسالی در منطقه انتخاب شده توزیع می شوند. علاوه بر این ، از وزنهای مکانی مکانی ، که از STTSSW ها محاسبه می شوند ، برای محاسبه stwjadi استفاده می شوند. نتایج Stwjadi اطلاعات ارزشمندی و جامع برای توصیف خشکسالی در منطقه منتخب ارائه می دهد.

2. مواد و روشها

2. 1توضیحات منطقه مورد مطالعه

شش ایستگاه هواشناسی برای تجزیه و تحلیل از منطقه شمالی پاکستان انتخاب شده است (شکل 1). منطقه منتخب تأثیرات قابل توجهی در بخش های کشاورزی در سراسر کشور دارد (Anjum et al. 2010 ؛ Hussain & Lee 2014 ؛ Yamada et al. 2016 ؛ Adnan et al. 2017 ؛ Ali ، Shafqat et al. 2019). از آنجا که وابستگی گسترده بخش های کشاورزی با این منطقه در ارتباط است. بنابراین ، منطقه برای تجزیه و تحلیل انتخاب شده است. مناطق شمالی گروهی از رشته های کوهستانی از جمله کاراکورام ، هندو کوش و هیمالیا را دارند که بیشتر منطقه را احاطه کرده اند (رسول 2011). علاوه بر این ، این منطقه دارای بلندترین کوه های جهان از جمله K-2 ، Nanga Parbat و Rakaposhi است. ارتفاعات زیاد قله ها معمولاً بخش قابل توجهی از بارش را به همراه می آورد (حسین و لی 2014 ؛ یامادا و همکاران 2016 ؛ رسول و همکاران 2011 ؛ عدنان و همکاران 2017). این بخش از بارش برای سیستم مخزن کشور مؤثر است. علاوه بر این ، چندین بخش از کشور به طور غیر منتظره تحت تأثیر گرم شدن کره زمین قرار گرفتند (غافار و جاوید 2011 ؛ نهید و رسول 2010). تأثیرات گرم شدن کره زمین باعث کمبود آب و افزایش دمای چندین قسمت از کشور می شود. بنابراین ، ارائه روشهای کافی که به توصیف وقایع خشکسالی مکانی در منطقه کمک می کند ، ضروری است. از این رو ، مطالعه حاضر یک stwjadi را پیشنهاد می کند که به طور قابل توجهی وقایع خشکسالی مکانی در منطقه انتخاب شده را مشخص می کند. Stwjadi می تواند برای سیاست های هشدار دهنده و کاهش خشکی کمک کند.

تجزیه و تحلیل فضایی از تنوع خشکسالی هواشناسی در یک منطقه همگن با استفاده از شاخص های خشکسالی استاندارد

منتشر شده به صورت آنلاین:

شکل 1. مکان های منتخب مناطق شمالی ارائه شده است. این مکان ها بر اساس اهمیت آنها برای بخش های کشاورزی کشور انتخاب می شوند. این مکان های منتخب به طور قابل توجهی در سیستم های مخزن دولت نقش دارند. بنابراین ، نشریات مختلف این مکان ها را برای نظارت بر خشکسالی ترجیح می دهند. بر اساس مطالعات گذشته و اهمیت مکان های سیستم های مخزن ، مطالعه حاضر این مکان ها را برای تجزیه و تحلیل انتخاب کرده است.

شکل 1. مکان های منتخب مناطق شمالی ارائه شده است. این مکان ها بر اساس اهمیت آنها برای بخش های کشاورزی کشور انتخاب می شوند. این مکان های منتخب به طور قابل توجهی در سیستم های مخزن دولت نقش دارند. بنابراین ، نشریات مختلف این مکان ها را برای نظارت بر خشکسالی ترجیح می دهند. بر اساس مطالعات گذشته و اهمیت مکان های سیستم های مخزن ، مطالعه حاضر این مکان ها را برای تجزیه و تحلیل انتخاب کرده است.

2. 2داده ها و روش ها

داده ها از بخش هواشناسی در پاکستان از طریق [‘مرکز پردازش داده های کراچی (KDPC)] برای ارزیابی خشکسالی فعلی گرفته شده است. داده های جمع آوری شده دارای طیف وسیعی از 47 سال است (یعنی از ژانویه 1971 تا دسامبر 2017). داده ها شامل چندین ایستگاه هواشناسی در سراسر کشور است. KDPC بر اساس توزیع جغرافیایی و مکانی مکانی مکانها ، چندین ایستگاه هواشناسی را در مناطق مختلف پاکستان نصب کرده است. با این حال ، بر اساس اطلاعات جمع آوری شده از چندین ایستگاه ، مشخص شده است که شش ایستگاه (Bunji ، Astor ، Chilas ، Gupis ، Skardu و Gilgit) مناطق شمالی دارای الگوی همگن از وقوع خشکسالی هستند (علی ، حسین ، فیصل.، شوکری و همکاران 2019 ؛ علی ، حسین ، فیصل ، آلمانجهه و همکاران 2019 ؛ نیازی ، حسین و همکاران 2020 ؛ نیاز ، ژانگ ، علی و همکاران 2021 ؛ نیاز ، حسین ، علی و همکاران 2021 ؛ نیاز ، المازاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاهاه. و همکاران 2021 ؛ نیازی و همکاران 2022). علاوه بر این ، وابستگی بخش های کشاورزی و سیستم مخزن در سراسر کشور با منطقه منتخب بسیار مرتبط است. بنابراین ، منطقه برای تجزیه و تحلیل خشکسالی انتخاب شده است. آلوده ، خشکسالی یک خطر هواشناسی است و دارای ویژگی های مکانی و مکانی است که به طور مستقیم یا غیرمستقیم بر بخش های کشاورزی ، منابع طبیعی و اقتصادی تأثیر می گذارد (لای و همکاران 2019 ؛ گوو و همکاران 2020 ؛ وانگ و همکاران 2020 ؛ آددیجی و همکاران 2020 ؛ هانو همکاران 2021). بنابراین ، شناسایی ویژگی های خشکسالی مکانی فوری با توسعه ابزارها و اقدامات جامع و مؤثر مهم است. مطالعه حاضر ، stwjadi را برای توصیف وقایع خشکسالی مکانی و مکانی دقیقاً توسعه می دهد. بنابراین ، از stwjadi می توان برای افزایش توانایی سیاست های نظارت و کاهش خشکسالی استفاده کرد.

2. 2. 1. شاخص خشکسالی استاندارد

از شاخص ها برای ارزیابی شدت ، زمان بندی ، مکان و مدت وقایع خشکسالی استفاده شده است. شاخص ها را می توان با استفاده از شاخص های مختلف (بارش ، دما و غیره) برای بازنمودهای عددی شدت خشکسالی محاسبه کرد. شدت خشکسالی به عزیمت از حالت عادی یک شاخص اشاره دارد. آستانه ای برای شدت خشکسالی ممکن است مشخص شود که خشکسالی با پایان کار آغاز شده و بر منطقه جغرافیایی تأثیر می گذارد (جانگا ردی و گانگولی 2012 ؛ ویسنته-سیرنو و همکاران 2014). شاخص ها می توانند روابط پیچیده را ساده کنند و ابزارهای ارتباطی مفیدی را برای کاربران فراهم کنند. مطالعات متعددی از SSDI ها برای نظارت بر خشکسالی استفاده کرده اند (Zargar et al. 2011 ؛ Vicente-Serrano et al. 2015 ؛ Stagge et al. 2015 ؛ Mukherjee et al. 2018). سه شاخص خشکسالی آشنا ، SPI ، SPEI و SPTI برای تجزیه و تحلیل فعلی در نظر گرفته شده است. مک کی و همکاران. 1993 SPI را توسعه داد. این اغلب برای نظارت بر خشکسالی اعمال شده است. مطالعات بیشماری از SPI برای نظارت بر خشکسالی استفاده کرده است (Angelidis et al. 2012 ؛ Stagge et al. 2015 ؛ ؛ Niaz ، Almazah ، Zhang et al. 2021 ؛ Naaz ، Zhang ، Iqbal et al. 2021 ؛ Niaz ، Hussain ، Zhang et al. 2021). محاسبه SPI بسیار ساده است. فقط داده های بارش برای محاسبه آن استفاده می شوند. SPI را می توان در چندین مقیاس زمانی ارزیابی کرد. محاسبه و دسترسی به داده های بارش نسبتاً آسان است. بنابراین ، SPI اغلب در سراسر جهان مورد استفاده قرار می گیرد. علاوه بر این ، یکی دیگر از شاخص های خشکسالی چند مقیاس SPEI در ارزیابی خشکسالی به ارزش قابل توجهی رسیده است. Vicente-Serrano و همکاران.(2010) Spei پیشنهادی. SPEI به عنوان پسوند SPI در نظر گرفته می شود که در خصوصیات زمانی سادگی را بدست می آورد. Spei هم بارش و هم تبخیر و تبخیر بالقوه را برای ارزیابی تأثیر تقاضای تبخیر در خشکسالی در نظر می گیرد. SPEI را می توان با قرار دادن توزیع های احتمالی بیشمار بر اساس شرایط مختلف آب و هوایی در ایستگاه های منتخب تخمین زد. توضیحات ریاضی مربوط به SPEI توسط Vicente-Serrano و همکاران ارائه شده است.(2010). علاوه بر این ، مانند SPI و SPEI ، شاخص خشکسالی جدید ، معروف به SPTI توسط علی و همکاران ساخته شده است.(2017) برای توصیف خشکسالی در مناطق آب و هوایی سرد و گرم.

2. 2. 2. STTSSWS برای دسته های خشکسالی

STTSSWS پیشنهاد شده است که ارزیابی پیشرفته ای از نظارت خشکسالی ، به طور خاص برای ویژگی های مکانی مکانی منطقه ارائه می دهد. STTSSWS با استفاده از SSP شناخته می شود. SSP را می توان به عنوان میانگین احتمال اینکه سیستم پس از انتقال بسیاری در یک حالت خاص باقی بماند ، مشخص شود. علاوه بر این ، در فرآیند مارکوف ، SSP به طور ضمنی تعریف شده و در مطالعات مختلف مورد استفاده قرار می گیرد (Stewa 2009 ؛ Niaz ، Hussain et al. 2020). علاوه بر این ، توضیحات ریاضی فراگیر مرتبط با SSP زنجیره مارکوف در مطالعه توسط استوارت (2009) در دسترس است. بر این اساس ، تئوری و کاربرد SSP در مطالعه توسط نیاز ، حسین و همکاران در دسترس است.(2020). نیازی ، حسین و همکاران.(2020) از SSP به عنوان یک طرح وزنه برداری برای مطالعات خود استفاده کرد. به طور مشابه ، مطالعه حاضر با استفاده از یک طرح وزنه برداری ، وزن دسته های خشکسالی در منطقه انتخاب شده را محاسبه می کند. SSP برای هر گروه خشکسالی (C) در هر شاخص SPI ، SPEI و SPTI برای ایستگاه خاص (J) به ترتیب در هر بردار S ′ C J ، S ″ C J و S ‴ C J بیان می شود. به عنوان مثال ، در مطالعه حاضر ، احتمالات پایدار برای دسته های مختلف خشکسالی محاسبه می شود ['(بسیار مرطوب (EW) ، به شدت خشک (SW) ، خشک متوسط (MW) ، خشک طبیعی (ND) ، خشکی متوسط (MD)، به شدت خشک (SD) و بسیار خشک (ed)] در ایستگاه های مختلف. علاوه بر این ، این دسته از خشکسالی به صورت عددی توسط [می گویند ، c = 1 (EW) ، 2 (SW) ، 3 (MW) ، 4 (4 (ارائه می شود. Nd) ، 5 (MD) ، 6 (SD) و 7 (ed)]. به طور مشابه ، ایستگاه ها می توانند به صورت عددی توسط [Say ، J = 1 (Astor) ، 2 (Bunji) ، 3 (Gupis) ، 4 ارائه شوند.(Chilas) ، 5 (Gilgit) و 6 (Skardu)]. اکنون ، وزن ها را می توان برای دسته های مختلف خشکسالی در ایستگاه Astor بر اساس SSP بلند مدت به شرح زیر محاسبه کرد:

ew sw mw ed sd md nd ssp for spei = [S ′ 11 S ′ 21 S ′ 31 S ′ 41 S ′ 51 S ′ 61 S ′ 71]

ew sw mw ed sd md nd ssp for spi = [s ″ 11 s ″ 21 s ″ 31 s ″ 41 s ″ 51 s ″ 61 s ″ 71]

ew sw mw ed sd md nd ssp for spti = [s ‴ 11 s ‴ 21 s ‴ 31 s ‴ 41 s ‴ 51 s ‴ 61 s ‴ 71]

علاوه بر این ، SSP به دست آمده برای مقوله های خشکسالی می تواند به عنوان بازدید از گروه خشکسالی در دراز مدت توصیف شود. این احتمالات بلند مدت در دسته های مختلف خشکسالی به عنوان وزنه در نظر گرفته می شود. این وزن ها بیشتر برای محاسبه STTSSW ها استفاده می شوند. در مرحله اول محاسبه STTSSW ، وزن توسط SSP بدست می آید. در مرحله دوم STTSSWS ، وزن به دست آمده از SSP برای کلاسهای خشکسالی بیشمار برای محاسبه وزن جدید فضایی و مکانی با توجه به توزیع داده ها استفاده می شود. مرحله دوم STTSSWS در دو مرحله بیگانه است. در مرحله اول ، وزن ها با پیوستن به ظواهر زمانی داده ها برای هر ایستگاه به طور جداگانه محاسبه می شوند. به عنوان مثال ، در مرحله اول ، وزن های زمانی با مقوله های مختلف خشکسالی برای دسامبر در ایستگاه Astor با معادله (1) محاسبه می شود..، 47 و C = 1 ، 2 ،… ، 7 (1) که در آن دسامبر (P (C I) (ASTOR)) احتمال (وزن) دسته های مختلف خشکسالی را در ماه دسامبر در ایستگاه Astor نشان می دهد. من ماه خاصی را نشان می دهد (مثلاً دسامبر 1971 ، دسامبر 1972 و غیره تا دسامبر 2017) در دوره انتخاب شده متفاوت است (به بخش 2. 2 مراجعه کنید). و C مقولات خشکسالی را که در این مطالعه در نظر گرفته شده است نشان می دهد. مقولات خشکسالی منتخب در چندین نشریه ارائه شده است (نیاز ، حسین و همکاران 2020 ؛ علی و همکاران 2020 ؛ علی ، حسین ، فیصل ، شوکری و همکاران 2019 ؛ علی ، حسین ، فیصل ، آلمانجه و همکاران 2019 ؛ نیاز، Almanjahie و همکاران 2020 ؛ نیاز ، حسین و همکاران 2020 ؛ نیاز ، ژانگ ، علی و همکاران 2021 ؛ نیازی ، حسین ، علی و همکاران 2021 ؛ نیازی ، اقبال و همکاران 2022). SSP برای دسته های مختلف خشکسالی در ماه های مختلف دسامبر از دوره انتخاب شده در ASTOR توسط S (C I) (ASTOR) مشخص می شود. و ∑ i = 1 n s (c i) (ASTOR) وزن های حالت پایدار انباشته شده (ASTOR با دسته های مختلف خشکسالی) را برای ماه دسامبر در طول دوره انتخاب شده نشان می دهد. علاوه بر این ، N نشان دهنده کل ماه های دسامبر در آستور در دوره انتخاب شده است. به عنوان مثال ، اصطلاح نامزد S (C I) (ASTOR) با دسته های مختلف خشکسالی (C) و ماه های مختلف دسامبر (I) در ایستگاه آستور محاسبه می شود ، سپس مخرج (∑ I = 1 N S (C I) (C) (C I) (C I)ASTOR) مبلغ وزن به دست آمده از SSP را برای چندین کلاس خشکسالی دسامبر در دوره مطالعه انتخاب شده در ایستگاه ASTOR در نظر می گیرد.

برای جلوگیری از پیچیدگی معادلات ریاضی ، فرمول فقط برای ایستگاه ASTOR با یک ماه خاص (یعنی دسامبر) ارائه می شود. سپس ، وزن کلاسهای خشکسالی منتخب برای ماه های دیگر (ژانویه ، فوریه ، مارس ، آوریل تا نوامبر) با همان دلیل محاسبه می شود. علاوه بر این ، در مرحله دوم ، این روش برای یافتن ویژگی های مکانی و مکانی از دسته های خشکسالی انتخاب شده ارائه شده است. در حال حاضر ، وزن مکانی مکانی برای این دسته از خشکسالی انتخاب شده را می توان با معادله (2) بدست آورد..، 47 و j = 1 ، 2 ،… ، 6 (2) که در آن دسامبر (P (I) (ASTOR)) احتمال به دست آمده از اطلاعات فضایی و مکانی (وزن فضایی و مکانی) مقوله های مختلف خشکسالی را برای دسامبر برای ایستگاه Astor نشان می دهد. علاوه بر این ، وزن t دسامبر (P (C I) (ASTOR)) که از معادله (1) محاسبه می شود و بیشتر توسط ∑ j = 1 c s cij تقسیم می شود.∑ j = 1 c s cij را می توان برای دسامبر دوره انتخاب شده با اضافه کردن دسته های مختلف خشکسالی (ج) مشاهده شده در چندین ایستگاه منتخب (j) محاسبه کرد ، و تعداد کل ایستگاه های انتخاب شده توسط c نشان داده شده است (یعنی c = 6)بشراین معادله وزن های مکانی مکانی ماهانه را برای ایستگاه Astor می گیرد. در همین حال ، محاسبه بر اساس STTSSWS ویژگی های مکانی و مکانی در مورد وقوع خشکسالی در یک منطقه همگن را ارائه می دهد.

2. 2. 3. شاخص خشکسالی آگلومراتیو مشترک فضا-زمانی

این مطالعه یک روش ارزیابی خشکسالی جدید برای تجزیه و تحلیل مکانی و مکانی در سطح منطقه ای ایجاد می کند: stwjadi. پتانسیل stwjadi مبتنی بر STTSSWS است. شرح مفصلی از STTSSWS در بخش 2. 2 آورده شده است. با این حال ، محاسبه stwjadi بر اساس بردار کلاس های خشکسالی ثابت است که بر روی شاخص های مختلف خشکسالی پخش می شود ، که می تواند به شرح زیر باشد: (3) ∏ I (SPI) = [∏ 1 (E W SPI) ∏ 2 (S W SPI SPI) ∏ 3 (m w spi) ∏ 4 (n d spi) ∏ 5 (m d spi) ∏ 6 (s d spi) ∏ 7 (e d spi)] (3) (4) ∏ i (spei) = [∏ 1 (e w speii) ∏ 2 (s w spei) ∏ 3 (m w spei) ∏ 4 (n d spei) ∏ 5 (m d spei) ∏ 6 (s d spei) ∏ 7 (e d spei)] (4) (5) ∏ i (sp t i)= [∏ 1 (e w spti) ∏ 2 (s w spti) ∏ 3 (m w spti) ∏ 4 (n d spti) ∏ 5 (m d spti) ∏ 6 (s d spti) ∏ 7 (e d spti)] (5)

احتمالات محدود کننده این بردارها [∏ I (SPEI) ، ∏ I (SPI) ، ∏ I (SPTI)] به نسبت یا احتمالات طولانی مدت دسته های خشکسالی برای شاخص های انتخاب شده در ایستگاه های مختلف اشاره دارد. SSP به دست آمده این بازدید را در طولانی مدت دسته خشکسالی خاص در شاخص ها و ایستگاه های مختلف خشکسالی نشان می دهد. ایستگاه های منتخب تقریباً مشابه هستند و نتایج یکدست را نسبت به شاخص های منتخب در مقیاس زمانی 1 ماه ارائه می دهند (نیاز ، حسین و همکاران ، 2020 ؛ علی و همکاران ، 2020 ؛ علی ، حسین ، فیصل ، شوکی و همکاران 2019 ؛علی ، حسین ، فیصل ، آلمانجهه و همکاران 2019 ؛ نیاز ، ژانگ ، علی و همکاران 2021 ؛ نیازی ، حسین ، علی و همکاران ، 2021 ؛ نیازی ، المازا ، حسین ، فلوهو و همکاران ، 2022 ؛ نیاز ، الماساه ، الماساه ، ، الماساه ، الماساه ، الماساها ، الماساه ، الماساه ، الماساه ، الماساهاحسین ، فیصل و همکاران ، 2022 ؛ نیاز ، اقبال و همکاران ، 2022). بنابراین ، جمع آوری اطلاعات مربوط به شاخص های خشکسالی چندگانه اجباری است. اطلاعات جمع شده از منابع همگن متعدد از نظر هیدرولوژیکی مقرون به صرفه خواهد بود.< S PEI − 1 if ∏ i ( SPEI − 1 ) >∏ i ( SPI − 1 ) > ∏ i ( SPTI − 1 ) S P I − 1 if ∏ i ( SPI − 1 ) >علاوه بر این ، روش پیشنهادی مبنای اثبات اطلاعات جامع و دقیق برای بهبود سیاست های پیش بینی و پیش بینی را فراهم می کند. بنابراین ، برای جمع آوری اطلاعات و ارائه اطلاعات دقیق تر در مورد گروه خشکسالی در منطقه انتخاب شده ، مطالعه حاضر روشی را ارائه داده است که فقط در بین سه شاخص خشکسالی که وزن بالایی دارند ، فقط به آن دسته از خشکسالی فکر می کند. شکل ریاضی stwjadi در معادله (6) برای ایستگاه Astor در مقیاس زمانی 1 ماهه آورده شده است. با این حال ، دسته های خشکسالی ایستگاه های دیگر می توانند بر اساس همین دلیل انتخاب شوند. به دلیل جلوگیری از پیچیدگی چندین معادله ریاضی ، فرمول فقط برای ایستگاه Astor ارائه می شود.(6) stwjadi astor =

∏ i (spti - 1) s pti - 1 ، در غیر این صورت (6)

تفسیر Stwjadi ساده است. مقوله های خشکسالی مربوط به سه شاخص خشکسالی از ایستگاه ASTOR می توانند بر اساس نسبت های بالا انتخاب شوند. به عنوان مثال ، معادله (6) شامل سه شاخص خشکسالی در مقیاس زمانی 1 ماهه است. بنابراین ، stwjadi فقط برای ایستگاه Astor در مقیاس 1 ماهه ارائه می شود تا از عوارض معادله ریاضی جلوگیری شود. با این حال ، stwjadi می تواند برای سایر ایستگاه های منتخب بر اساس همین دلیل ارائه شود. در این حالت ، در مقیاس زمانی 1 ماهه ، شاخص های منتخب شامل دسته های مختلف خشکسالی هستند. به عنوان مثال ، در مقیاس 1 SPEI (SPEI-1) در ایستگاه Astor دارای یک دسته بسیار مرطوب است ، در مقیاس = 1 SPI (SPI-1) به شدت خشک و در مقیاس 1 SPTI (SPTI-1) یا در مقیاسممکن است با توجه به شرایط آب و هوایی خاص ، ترکیب دیگری داشته باشد. برای این منظور ، علی ، حسین ، فیصل ، شوکی و همکاران.(2019) و علی و همکاران.(2020) از احتمالات گذرا و SSP به عنوان طرح های وزنه برداری استفاده کرد.

تجزیه و تحلیل فضایی از تنوع خشکسالی هواشناسی در یک منطقه همگن با استفاده از شاخص های خشکسالی استاندارد