رهيافت، شناخت و توسعه خوشه بندي ايران با پارامترهاي اصلي هواشناسي

Clustering approach, recognition and development of Iran by main meteorological variables

خوشه¬بندي يا تفكيك زماني- مكاني به واحدهاي مستقل براساس يك يا چندمتغير مفروض اقليمي، آبي، گياهي و ... همواره در كانون توجه اقليم شناسان، هيدرولوژيست¬ها و ... بوده است. امروزه اين كار با روش¬هاي نوين¬آماري و با حداقل¬خطا به¬كار مي¬رود. تحليل خوشه¬اي يك روش چند متغيره آماري است كه در زمينه كاهش داده¬ها و پيدا كردن گروه¬هاي واقعي استفاده مي¬شود. ايران كشوري وسيع و با تنوع ¬اقليمي زياد است. هدف پژوهش حاضر خوشه¬بندي اقليمي ايران براساس9 متغيرفراگير: دما، بارش، ارتفاع ايستگاه، دامنه¬تغييرات دما، تبخيرسالانه، رطوبت¬نسبي، نمايه¬هاي اقليم¬بندي دومارتن، ايوانف و تورنت¬وايت است. كليه ايستگاه¬هاي همديد ايران (289 عدد) براي اين تحليل (به¬علت دقت آماربرداري) انتخاب شد. غربال داده¬ها فقط 149 ايستگاه را مناسب تشخيص داد. خوشه¬بندي به¬روش¬هاي مختلف انجام كه روش افرازي ¬ميانه¬محور برازش خوبي نشان داد. آزمون-هاي همگني و همنوايي خوشه¬ها با روش گشتاوري خطي انجام شد. نتيجه نهايي تفكيك ايران به¬ سه خوشه سواحلي به¬حجم 39، كوهستاني به¬حجم 59 و بياباني ونيمه¬بياباني به¬حجم 46 ايستگاه است. مي¬توان با تقريب مناسب تعلق يك ايستگاه جديد را به¬خوشه مربوط تشخيص داد. مهم¬ترين متغيرهاي شناخت يك خوشه ارتفاع، ساحلي بودن، دما، نمايه ايوانف و رطوبت نسبي است. نمايش پهنه¬اي اين خوشه¬بندي روي نقشه ايران نشان داده شد.

clustering or partitioning temporal-spatial to independent units based on one or more assumed variables of climatic, water, vegetation and, etc., has always been the focus of Climatologist, Hydrologists and Geographers. Nowaday, this is used by new statistical methods and with minimal errors.Cluster analysis is a statistical multivariate method that is used in reduction of data and to find the real groups. Iran is a vast country with high climatic variability. The aim of the present study is climatic clustering of Iran is based on nine variables: temperature, precipitation, station elevation, range of temperature, Annual evaporation, relative humidity, the Climate Index of Demartonne, Ivanove and Thornthwaite. All Synoptic stations of Iran (289 pcs) for this analysis due to inventory accuracy selected for thise analysis. The screen of data show that just 149 stations were suitable. Clustering was performed using different methods that partitioning around medoeids method fitted well. The homogeneity and discordancy tests in clusters was performed by using linear momemnts. The final resaults partitioned Iran in three clusters by the name of coastal in size 39, mountainous in size 59 and desert semidesert in size 46 stations. So one could be able to belong a new station to a cluster diagnosed. The most important variables of recognition cluster are elevation, of coastal, temperature, Ivanove index and relative humidity. A map of these three clusters was shown on the map of Iran.