تشخيص و تحليل داده‌هاي پرت زماني - مكاني مربوط به پارامترهاي سرعت باد و فشار ايستگاه‌هاي هواشناسي كشور به منظور مطالعات تغييرات آب و هوايي

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

تشخيص و تحليل داده­هاي پرت يكي از گام­ هاي ابتدايي مهم در تحليل داده ­هاست. يك داده پرت در سري ­هاي هواشناسي مي­ تواند نشان دهنده­ ي يك رخداد فرين باشد يا خطاي ناشي از اندازه­ گيري، مشاهده و ثبت است. اگر داده­ها­ي پرتي كه حاصل خطاي انساني يا نقص تجهيزات اندازه­گيري هستند شناسايي نشده و حذف نگردند، به عنوان داده­ي فرين ثبت خواهند شد و موجب اريبي در نتايج مطالعات اقليمي مي­شوند. در اين مقاله، داده­هاي پرت سري­هاي زماني سرعت باد و فشار براي 143 ايستگاه هواشناسي كشور در دوره نرمال اقليمي 1991- 2020 مورد تحليل قرار گرفت. براي اين منظور ابتدا داده­هاي پرت مكاني با استفاده از الگوريتم كلايماتول مشخص شد و در مرحله دوم با تحليل­هاي زماني و هواشناختي، خطاها شناسايي شدند. در مرحله اول براي پارامترهاي فشار ايستگاه، فشار تبديل شده ايستگاه به سطح دريا، فشار بخار، سرعت باد و سرعت باد ماكزيمم به‌ترتيب 40، 42، 93، 52 و 41 داده پرت شناسايي شد و در مرحله دوم به‌ترتيب 20، 10، 56، 20 و 27 تعداد از اين­ داده­ها خطا تشخيص داده شدند. اين نتايج به تفكيك ايستگاه و تاريخ گزارش شده ­اند، تا مورد استفاده محققان در ساير مطالعات، بويژه مطالعات تغييراقليم، قرار بگيرند.

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.