تغییرات فضایی و زمانی رژیم بارش در چین از سال 1961 تا 2014 از شاخص استاندارد بارش

خلاصه

:بینی رویدادهای خشکسالی و سیل می‌تواند دشوار باشد، اما شاخص بارش استاندارد شده (SPI) محاسبه‌شده از داده‌های ماهانه ممکن است ابزار مفیدی برای پیش‌بینی رویدادهای خشکی/مرالی آینده در چین باشد. فصل بارانی SPI از داده های بارش ماهانه از 3804 ایستگاه هواشناسی در چین محاسبه شد. تغییرات مکانی-زمانی، تغییرات دوره ای و روند در فصل بارانی SPI از سال 1961 تا 2014 در هشت منطقه مورد بررسی قرار گرفت. نتایج نشان می‌دهد که SPI فصل بارانی برای ارزیابی تغییرات مکانی و زمانی خشکی / رطوبتی ارزشمند است. سری زمانی SPI در شمال غربی و جنوب غربی روند افزایشی را نشان می دهد، در حالی که شمال شرق چین، جنوب چین و تایوان بیش از یک روند صعودی/نزولی را در طول دوره مطالعه نشان می دهند و سری زمانی SPI در مرکز، شرق، و شمال چین تغییری در روند نشان نمی دهند. جنوب چین دارای یک نوسان دوره ای تقریباً 10 ساله است، در حالی که سایر مناطق نوسان دوره ای تقریباً 16 ساله را نشان می دهند. نتایج این مطالعه نشان می‌دهد که SPI می‌تواند برای کشف تغییرات مکانی و زمانی خشکسالی/سیل تاریخی و همچنین برای پیش‌بینی تغییرات رطوبت/خشکی آینده استفاده شود.

کلید واژه ها:

خشکسالی ; شاخص استاندارد بارش (SPI) ; آزمون من کندال ؛ تجزیه و تحلیل موجک

1. معرفی

جمعیت‌های سراسر جهان از خشکسالی و سیل رنج می‌برند که گسترده‌ترین بلایای طبیعی در جهان به حساب می‌آیند که باعث خسارات شدید می‌شوند، اما پیش‌بینی آن دشوار است [ 1 ، 2 ، 3 ]. تحت سناریوی گرمایش جهانی، خشکسالی/سیل به مشکلات جدی تری تبدیل خواهد شد [ 4 ]. افزایش توانایی ما برای انطباق با اثرات نامطلوب تغییرات آب و هوایی برای مدیریت واکنش های موثر به رویدادهای آینده بسیار مهم است و نیاز به تجزیه و تحلیل دقیق مدت، فراوانی و شدت خشکسالی و سیل دارد.

چین از خشکسالی های طولانی مدت و سیلاب های مکرر رنج برده است که خسارت شدیدی به کشاورزی و خسارات اقتصادی وارد کرده است. تلفات دانه ناشی از خشکسالی تا 50 درصد از کل تلفات دانه را از سال 1950 تا 1990 تشکیل می دهد [ 5 ]. تغییرات ناگهانی در آب و هوای تابستانی، که ممکن است مربوط به صنعتی شدن در شرق چین باشد، از اوایل دهه 1980 با عقب نشینی کمربند بارانی تابستانی موسمی تابستانی (SMRB) به سمت جنوب رخ داده است. یکی از بلایای طبیعی مربوط به SMRB الگوهای آب و هوایی به نام “خشکسالی شمالی با سیل جنوبی” است [ 6]]. این پدیده از اواخر دهه 1990 بیشتر قابل توجه بوده است. به عنوان مثال، در سال 2003، یک سیل در حوضه رودخانه هوآی (مرکز چین) رخ داد، اما میانگین بارندگی بسیار کمتر از میانگین بلندمدت در جنوب چین بود. بسیاری از مناطق در شرق و شمال غرب در سال 2014 سیل قابل توجهی را تجربه کردند، در حالی که برخی از مناطق در شمال شرقی چین خشکسالی شدید را تجربه کردند. در چین، نظارت و پیش‌بینی رویدادهای خشکسالی و سیل به دلیل افزایش جمعیت، کمبود آب بالقوه، و همچنین رویدادهای شدید آب و هوایی که با گرم شدن کره زمین بیشتر می‌شوند، اهمیت بیشتری پیدا می‌کند.

یک نیاز کلیدی برای پایش و تجزیه و تحلیل خشکسالی، توصیف کمی از تغییرات مکانی و زمانی خشکی/مرطوبی، تغییرات روند و تغییرات دوره ای است. مطالعات گسترده ای برای توصیف خشکسالی انجام شده است. بر اساس بررسی دای [ 4 ]، خشکسالی ها را می توان به سه نوع طبقه بندی کرد:

خشکسالی های هواشناسی زمانی رخ می دهد که یک منطقه ماه ها تا سال ها کمتر از حد نرمال بارندگی داشته باشد.
خشکسالی های کشاورزی، که با رویدادهای بارانی شدید اما کمتر مکرر، سطوح تبخیر بالاتر از میانگین بلندمدت، یا زمانی که خاک خشک می شود، رخ می دهد که همه اینها منجر به کاهش تولید محصول و رشد گیاه می شود.
خشکسالی هیدرولوژیکی زمانی اتفاق می‌افتد که جریان رودخانه و ذخیره آب در سفره‌های زیرزمینی، دریاچه‌ها یا مخازن زیر سطح نرمال طولانی‌مدت قرار می‌گیرد.

در دهه‌های اخیر، محققان تغییرات مکانی-زمانی در تغییرات خشکی/مرالی را با استفاده از شاخص‌های مختلف خشکسالی توصیف کرده‌اند. به عنوان مثال، پالمر [ 7 ] شاخص خشکسالی پالمر را که گاهی اوقات شاخص شدت خشکسالی پالمر (PDSI) نامیده می شود، در سال 1965 برای بررسی شرایط خشکسالی در حوضه رودخانه کلرادو توسعه داد. PDSI یک اندازه گیری خشکی بر اساس بارش و دما اخیر، همراه با 66 پارامتر دیگر است [ 7 ، 8] .]. ثابت شده است که PDSI موثرترین شاخص در تعیین خشکسالی بلندمدت (در طی چند ماه) است، اما با شرایطی که بیش از چند هفته طول می کشد به خوبی نیست. منتقدان شکایت کرده‌اند که کاربرد شاخص پالمر به دلیل ماهیت دلخواه الگوریتم‌های پالمر، از جمله تکنیک مورد استفاده برای استانداردسازی، ضعیف شده است. ناتوانی شاخص پالمر در محاسبه برف و زمین یخ زده و همچنین پیچیدگی نسبی محاسبات نیز به عنوان یک ضعف ذکر شده است.

یک شاخص نسبتاً ساده خشکسالی به نام شاخص استاندارد شده بارش (SPI) در سال 1993 توسعه یافت [ 9] .]. SPI مزایای زیادی نسبت به سایر شاخص های سنتی مانند PDSI دارد. اولاً، محاسبه SPI نسبتاً ساده است و فقط به پارامتر بارش نیاز دارد و نه شرایط سطح زمین، در حالی که برای محاسبه PDXI به 68 پارامتر نیاز است. SPI دارای مزیت اضافی مقیاس زمانی متغیر است. این تطبیق پذیری به SPI اجازه می دهد تا بر عرضه کوتاه مدت آب، از جمله رطوبت خاک، که برای تولید کشاورزی مهم است، و منابع آبی طولانی مدت مانند آب های زیرزمینی، جریان رودخانه ها، و سطح دریاچه و مخزن نظارت کند. مزیت سوم SPI این است که فراوانی طبقه بندی خشکسالی (شدید و شدید) برای هر مکان و هر مقیاس زمانی به دلیل ماهیت “استاندارد” سازگار است. که مقایسه کمی وقوع خشکسالی را در مکان‌های مختلف و زمان‌های مختلف ترویج می‌کند. بنابراین، SPI استانداردسازی فضایی بهتری را نسبت به PDSI ارائه می‌کند.8 ] برای تجزیه و تحلیل رویدادهای خشکسالی شدید.

با توجه به این مزایا، SPI به طور گسترده ای برای نظارت بر شرایط آب و هوایی در نقاط مختلف در سراسر جهان استفاده شده است. مطالعه‌ای در اروپا، SPI 3، 6، 9، 12، 18 و 24 ماهه را برای دوره 1901 تا 1999 برای مطالعه سری‌های زمانی قدرت، تعداد، میانگین مدت و حداکثر مدت خشکسالی برای یک مکان یا منطقه معین محاسبه کرد. 9 ]. SPI برای تجزیه و تحلیل خشکسالی در سیسیل از سال 1926 تا 1996 معرفی شد [ 10 ]. مطالعه ای با مقایسه شرق مرکزی چین، سواحل شمالی ژاپن و کره نشان داد که وقوع خشکسالی در این سه منطقه بسیار همبستگی دارد، اما مقیاس های زمانی متفاوت بود [ 11] .]. تجزیه و تحلیل شاخص‌های مختلف خشکسالی برای مقایسه شاخص‌های SPI، PDSI، شاخص Z پالمر و شاخص خشکسالی NOAA (NDI) برای تعیین مناسب‌ترین شاخص برای پایش خشکسالی کشاورزی در دشت‌های کانادا [ 12 ] انجام شد و نتایج نشان می‌دهد . که SPI نسبت به DPSI و NDI با انحراف عملکرد در چمنزارهای کانادا همبستگی بهتری دارد و نشان می‌دهد که SPI شاخص خوبی برای شناسایی خشکسالی کشاورزی است. در ترکیه، روش SPI برای بررسی تغییرات جغرافیایی خشکسالی در چند مرحله زمانی مورد استفاده قرار گرفت [ 13 ]. مطالعه دیگری از SPI برای تجزیه و تحلیل ارتباط بین الگوهای آب و هوایی در مقیاس بزرگ و تنوع بارش منطقه ای در حوضه رودخانه کلرادو استفاده کرد [ 14 ].

SPI همچنین در چین برای مطالعه خشکسالی معرفی شده است و نتایج قابل توجهی به دست آورده است. به عنوان مثال، PDSI و SPI برای 483 ایستگاه هواشناسی در چین با استفاده از داده های بارش ماهانه از سال 1961 تا 2005 برای هفت حوضه رودخانه برای تجزیه و تحلیل توزیع مکانی و روند خشکسالی محاسبه شد [15 ] . تنوع مکانی و زمانی دوره های خشک و مرطوب در شرق چین بر اساس SPI [ 16 ] تجزیه و تحلیل شد. ژانگ و همکاران [ 17 ] رویدادهای خشکسالی را در سین جیانگ، چین با استفاده از SPI بر اساس داده‌های بارش روزانه از 53 ایستگاه از سال 1957 تا 2009 ارزیابی کرد. با استفاده از داده‌های بارش ماهانه از ژانویه 1951 تا دسامبر 1998 از چهار مکان در چین، که به ترتیب آب و هوای مرطوب و خشک را نشان می‌دهند. ، وو و همکاران [18 ] SPI، China-Z Index (CZI) و آماری Z-Score را در مقیاس های زمانی 1 ماه، 3 ماه، 6 ماه، 9 ماه و 12 ماه مقایسه کردند. نتیجه نشان داد که SPI نتایجی مشابه CZI و Z-Score برای همه مقیاس‌های زمانی ارائه می‌دهد. SPI و شاخص خشکی برای مطالعه تغییرات مشاهده شده در قسمت‌های خشکی/مرطوبی در حوضه رودخانه مروارید، چین معرفی شدند و نتایج نشان داد که خواص مرطوب و خشک متفاوتی را می‌توان در سراسر حوضه توسط SPI شناسایی کرد [19 ] .

SPI برای مطالعه تغییرات مکانی و زمانی دوره‌های خشکی/مرطوبی در سراسر جهان استفاده شده است. با این حال، مطالعات در مقیاس کلان در مورد این تغییرات بسیار محدود است، با تنها مطالعات کمی در مورد SPI در چین، با تمرکز بر مناطق محدود انجام شده است. علاوه بر این، الگوی دوره ای SPI در چین به خوبی شناسایی نشده است. بنابراین، اهداف این پژوهش عبارتند از:

برای تشخیص تغییرات مکانی و زمانی در خشکسالی / سیل با استفاده از SPI برای کل چین.
برای تجزیه و تحلیل توزیع فضایی روند خشکی / رطوبتی با استفاده از آزمون همبستگی ناپارامتریک Mann-Kendall. به طور خاص، برای تشخیص روند شدت در رویدادهای خشک و مرطوب در هشت منطقه در چین از سال 1961 تا 2014 با استفاده از آزمون روند متوالی Mann-Kendall.
برای کشف تغییرات دوره ای SPI ممکن در هشت ناحیه چین با تجزیه و تحلیل موجک.

2. مواد و روشها

2.1. جمع آوری داده ها

داده های بارش ماهانه برای چین از سال 1961 تا 2014 از دانشگاه دلاور به دست آمد [ 20]]. مقادیر بارندگی ماهانه در این مجموعه داده از چندین منبع داده ایستگاه مشتق شده است، از جمله نسخه اخیر مجموعه داده شبکه جهانی اقلیم شناسی تاریخی (GHCN2)، داده های آرشیو خدمات محیطی جوی/محیط زیست کانادا، و داده های موسسه آب و هواشناسی در سنت پترزبورگ. ، روسیه (با اجازه نیکولای شیکلومانوف). ارزش‌های ماهانه از آرشیوهایی که مشاهدات روزانه را در بر می‌گرفت، استخراج می‌شد. از داده های موجود در هر رکورد روزانه ایستگاه، زمانی که تعداد روزهای از دست رفته در یک ماه بیش از 5 روز نبود، یک بارندگی کل ماهانه محاسبه شد (منابع داده های ایستگاه و ارائه داده ها و جزئیات محاسبه را می توان در فایل توضیحات این مجموعه داده یافت [20 ]]). سوابق بارش در این مجموعه داده تحت یک استاندارد، با راه حل فضایی یکسان در سراسر چین نرمال شده است و کل دوره مطالعه (1961 تا 2014) را در هر ایستگاه پوشش می دهد، و این مجموعه داده را کاندید مناسبی برای تغییرات مکانی-زمانی رطوبت/خشکی می کند. تحلیل و بررسی. وضوح مکانی داده‌های بارش ماهانه 0.5 درجه در عرض جغرافیایی و 0.5 درجه در طول جغرافیایی بود ( شکل 1 ). در مجموع، داده های 3804 سایت هواشناسی برای محاسبه مقادیر SPI برای چین جمع آوری شد. میانگین بارندگی ماهانه در چین از سال 1961 تا 2014 نشان می دهد که بارش عمدتاً در طول فصل بارانی در هر هشت منطقه متمرکز بوده است (از آوریل تا سپتامبر، شکل 2) .). تغییرات و روند در سری های زمانی ناهنجاری بارش از سال 1961 تا 2014 در بین هشت منطقه در چین متفاوت بود ( شکل 3 ).

2.2. محاسبه SPI

SPIهای فصل بارانی از 3804 ایستگاه برای شناسایی تغییرات فضایی-زمانی خشکی / رطوبتی، روندها و تغییرات دوره ای در هشت ایستگاه در چین محاسبه شد. SPI نتیجه تقسیم تفاوت بین بارش نرمال شده فصل بارانی و میانگین فصلی آن از سال 1961 تا 2014 بر انحراف استاندارد است [ 9 ]. SPI بر اساس تکنیک‌های آماری است که می‌تواند میزان رطوبت را با مقایسه مجموع بارش‌های ۱، ۳، ۶، ۱۲ یا ۲۴ ماهه با دوره بارش تاریخی تعیین کند. طبق یک مطالعه، فصل بارانی شش ماهه (از آوریل تا سپتامبر) SPI شاخص خوبی برای طبقه بندی شرایط مرطوب و خشک غیرعادی برای حوضه رودخانه مروارید است [ 19] .]. در مطالعه ما، میانگین بارندگی ماهانه از سال 1961 تا 2014 نشان می دهد که بارش عمدتاً در طول فصل بارانی (از آوریل تا سپتامبر، شکل 2 ) در هر هشت منطقه در چین متمرکز شده است. بنابراین، ما همچنین SPI فصل بارانی شش ماهه را برای تجزیه و تحلیل شرایط خشکسالی/سیل در هشت منطقه در چین انتخاب می‌کنیم.

به طور گسترده پذیرفته شده است که سری زمانی بارش ماهانه به ندرت با توزیع نرمال مطابقت دارد. بنابراین، برای اینکه SPI از توزیع نرمال پیروی کند، معمولاً یک تبدیل اولیه روی سری داده‌های بارش ماهانه انجام می‌شود. مک کی و همکاران [ 9 ] در ابتدا از یک تبدیل گامای ناقص برای عادی سازی داده های بارش استفاده می کرد. لوید-هیوز و ساندرز [ 8] توزیع گاما و توزیع نرمال را مقایسه کرد و دریافت که توزیع گاما مدل بهتری برای توصیف بارندگی ماهانه در بیشتر نقاط اروپا ارائه می دهد. یک مطالعه در حوضه رودخانه مروارید نشان داد که توزیع نرمال لگاریتم عملکرد بهتری در فصل بارانی (آوریل تا سپتامبر) داشت، اما توزیع گاما در زمستان (ژانویه، فوریه و دسامبر) بهتر عمل کرد [19 ] . لازم به ذکر است که هیچ یک از تحولات توزیع بهتری را در همه سایت ها ارائه نکرد. بر اساس نتیجه‌گیری ژانگ و همکاران [ 19 ]، یک تبدیل ورود به سیستم برای بارش فصل بارانی در تمام ایستگاه‌ها در این تحقیق اعمال شد. پس از تبدیل لگاریتمی مجموعه داده، میانگین نمونه و واریانس داده های تبدیل شده است

\hat{u_{y}}

\hat{σ_{y}}

به ترتیب، و SPI را می توان به صورت معادله (1) محاسبه کرد:

SPI = ln ( ایکس من ) - μ y σ y

(1)

که در آن x _i میزان بارندگی فصل بارانی را نشان می دهد (مشاهده i-ام) در یک ایستگاه آب و هوایی x .

از آنجایی که SPI برابر با z-value توزیع نرمال است، Mckee et al. [ 9 ] یک طبقه بندی هفت طبقه ای برای SPI پیشنهاد کرد ( جدول 1 ). مقدار SPI معیاری از شدت خشکسالی را ارائه می دهد و از آنجایی که نرمال است، این مقدار از سایتی به سایت دیگر و از سالی به سال دیگر قابل مقایسه است.

2.3. آزمون همبستگی من-کندال (MK).

آزمون همبستگی ناپارامتری Mann-Kendall [ 21 ] برای آزمایش تغییر روند SPI در تمام 3804 ایستگاه آب و هوایی در چین از سال 1961 تا 2014 استفاده شد . آماره S به صورت محاسبه می شود

S = \sum_{i = 1}^{n - 1} \sum_{j = i + 1}^{n} s i g n (T_{j} - T_{i}

) که در آن T _j و T _i مقادیر SPI برای سالهای j و i , j > i هستند . در حالی که علامت ( Tj – Ti ₎ = 1 اگر ( _Tj – Ti ) > ₀ ، علامت ( Tj – Ti ) ₌ 0 اگر ( Tj _– Ti ₎ = 0، _و علامت ( Tj – _Ti₎ ) = -1 اگر ( T_j − T _i ) < 0. برای n ≥ 10، آماره S تقریباً به طور معمول با میانگین E( S ) = 0 توزیع می شود و واریانس (σ2⁾ به صورت زیر تعریف می شود:

σ 2 = n ( n - 1 ) ( 2 n + 5 ) - \sum تی من ( i ) ( i - 1 ) ( 2 i + 5 ) 18 ،

جایی که $t_{i}$ نشان دهنده تعداد پیوندهای گسترش i است . مقدار آماری، کندال تاو ( τ )، به دست آمده توسط آزمون من-کندال، ضریبی است که درجه تطابق بین دو متغیر رتبه بندی شده در آزمون من-کندال [ 22 ] را اندازه گیری می کند. Tau ( τ ) اساساً یک اندازه مقیاس شده از S است و در معادله (2) توضیح داده شده است:

τ = اس n ( n - 1 ) / 2

(2)

در جایی که n تعداد اندازه گیری های غلظت را نشان می دهد ( n = 54 در این مطالعه)، τ از 1- تا 1 متغیر است، اگر قدر مطلق τ نزدیک به 1 باشد، یک روند “قوی” است، یک مقدار τ منفی نشان دهنده روند نزولی است. و مقدار τ مثبت نشان دهنده روند صعودی است. با توجه به سطح اطمینان 0.05 = α، τ ≥ 0.184 نشان دهنده روند صعودی قابل توجهی و τ ≤ -0.184 نشان دهنده روند نزولی قابل توجهی است.

2.4. آزمون متوالی من-کندال

روش آماری همبستگی ناپارامتریک Mann-Kendall می‌تواند روند یکنواخت را در هر مکان آزمایش کند، اما نمی‌تواند تشخیص دهد که چگونه الگوهای رطوبت/خشکی با زمان تغییر می‌کند. برای مطالعه چگونگی تغییر رطوبت / خشکی در طول زمان در هشت منطقه در چین، از آماره آزمون متوالی Mann-Kendall استفاده شد. ما ابتدا سری زمانی SPI 3804 ایستگاه را در هشت منطقه جمع کردیم و در هر منطقه، نسخه متوالی آمار آزمون Mann-Kendall، پیشنهاد شده توسط اسنیرز [23]، مزیت ارائه تمام مقادیر آماری سری های زمانی را فراهم می کند. داده ها و امکان شناسایی زمان شروع روند یا تغییر را فراهم می کند. این روش به طور گسترده در بسیاری از زمینه های تحقیقاتی استفاده شده است [ 24 , 25 , 26 , 27]. آزمون متوالی Mann-Kendall مقادیر رتبه بندی شده یک سری زمانی معین (x ₁ , x ₂ , x ₃ , …, x _n ) و بزرگی های y _i را محاسبه می کند ( i = 1, 2, 3, …, n ) با y _j مقایسه می شوند ( j = 1، 2، 3، …، i- 1). برای هر مقایسه، مواردی که y _i > y _j شمرده می شود و با n _i نشان داده می شود . یک آمار d _i به صورت محاسبه می شود

d_{i} = \sum_{j = 1}^{i} n_{i}

جایی که توزیع d _i میانگین دارد

E (d_{i}) =

i(i – 1)/4 و واریانس

Var (d_{i}

) = i ( i – 1)(2 i + 5)/72. مقادیر متوالی یک متغیر استاندارد شده برای هر متغیر آماری آزمون u ( d _i ) طبق رابطه (3) محاسبه می شود:

تو (د من) = د من - E ( د ) V یک آر ( د من ) - - - - - - \sqrt

(3)

برای یک سطح اطمینان معین ( α = 0.05 در این مطالعه)، اگر

| u (d_{i}) | \geq 1.96

برای آزمون دو دنباله، فرضیه صفر رد می شود، که دلالت بر وجود روند دارد. مقدار مثبت نشان دهنده روند صعودی (افزایشی) و مقدار منفی نشان دهنده روند نزولی (کاهشی) است. نمایش گرافیکی تمام u ( d _i )، 1 ≤ i ≤ n ، C ₁ نشان داده می شود ، که یک سری مترقی نیز نامیده می شود. به منظور بومی سازی شروع تغییر، همان روش محاسبه ای که برای آماره u ( d _i ) اعمال می شود، برای سری رتروگراد u’ ( d _i ) نیز اعمال می شود. نمایش گرافیکی سری رتروگراد C _{2 است}. در مورد یک روند قابل توجه، تقاطع C ₁ و C ₂ تغییر را محلی می کند و به کاربران اجازه می دهد تشخیص دهند که روند یا تغییر چه زمانی شروع می شود. در این مطالعه، از آزمون متوالی Mann-Kendall برای تشخیص تغییر روند SPI و تشخیص آغاز تغییر در هشت منطقه در چین استفاده شد و از آمار تاو Mann-Kendall برای آزمایش روند یکنواخت SPI برای همه هواشناسی 3804 استفاده شد. سایت ها در چین

2.5. تجزیه و تحلیل موجک

تجزیه و تحلیل موجک یک ابزار قدرتمند برای تجزیه و تحلیل تغییرات دوره ای در یک سری زمانی است [ 25 ]، که ما از آن برای بررسی تغییرات دوره ای در SPI برای تجزیه و تحلیل و پیش بینی خشکسالی های آینده در چین استفاده کردیم. ایده اصلی تبدیل موجک نمایش یا دستیابی به یک سری زمانی با استفاده از تبدیل موجک پیوسته (CWT) است که به صورت تعریف شده است.

f (t) \in L^{2} (R)

\int_{- \infty}^{+ \infty} f (t) d (t) = 0

. CWT را می توان به عنوان انتگرال در تمام زمان سیگنال واقعی f(t) ضرب در نسخه های مقیاس شده و تغییر یافته تابع موجک تعریف کرد که می تواند با استفاده از رابطه (4) تعریف شود:

دبلیو f (a, b) = | آ | - 1/2__🔻 + \infty - \infty f (تی) ψ ¯ ¯ (t - b آ) د تی

(4)

جایی که $\bar{ψ} (\frac{t - b}{a})$ تابع مزدوج پیچیده تابع موجک مادر است $ψ (\frac{t - b}{a})$ a متغیر مقیاس است که کشش پنجره تحلیل را تعریف می کند، b متغیر زمان است و $W_{f} (a, b)$ نتیجه CWT سیگنال f(t) است.

ایده اساسی CWT تجزیه سیگنال f(t) به ضرایب موجک است که در رابطه (4) نشان داده شده است، بنابراین انتخاب توابع موجک برای تجزیه و تحلیل موجک حیاتی است. رایج ترین توابع موجک مورد استفاده در تحقیقات هیدرولوژی عبارتند از موجک کلاه مکزیکی، موجک هار، موجک Daubechis، موجک مورلت و موجک مایر [ 21 ، 28 ]. به گفته او و همکاران. [ 29]، موجک مورلت فاز و نوسان قسمت واقعی و قسمت فرضی داده می شود و اختلاف فازی برابر با π/2 دارد که می تواند تناوب های کاذب را حذف کند تا نتایج دقیق تر باشد. در این مطالعه، از موجک مرلت پیچیده برای تجزیه و تحلیل تناوب و تمایل به تغییرات در سری های زمانی SPI برای هشت منطقه در چین استفاده شد (سری های زمانی SPI هشت منطقه مانند آزمون متوالی من-کندال بود که تجمیع شدند. از 3804 ایستگاه به هشت منطقه). در موجک مورلت، تابع ψ ( t ) و واریانس موجک Var ( a ) به صورت معادلات (5) و (6) تعریف می شوند:

ψ (t) = ه من سی تی ه - تی 2 / 2

(5)

V a r (a) = \sum (دبلیو f) 2 (الف ، ب)

(6)

که در آن c یک ثابت است و i قسمت خیالی را نشان می دهد. دوره اصلی سری زمانی با واریانس موجک Var (a) به دست می آید.

3. نتایج

3.1. تغییرات فضایی و زمانی SPI در چین

ما از SPI برای نشان دادن توزیع فضایی رطوبت/خشکی برای سال های 1963، 1978، 1982، 1996، 2003 و 2014 استفاده کردیم ( شکل 4 ). برای شناسایی همبستگی فضایی مقادیر SPI بارانی در چین، ما ابتدا سری زمانی SPI ماهانه (1961 تا 2014) را به میانگین سالانه تجمیع کردیم، سپس از Moran’s I (بسته ‘میمون’ تحت R، نسخه 3.1.3) برای شناسایی استفاده کردیم. خود همبستگی فضایی SPI فصل بارانی در سراسر چین نتایج آماری نشان می‌دهد که SPI فصل بارانی (میانگین مقدار SPI از سال 1961 تا 2014) در سراسر چین همبستگی مکانی بالایی دارد ( pمقدار <0.0001). بنابراین، توزیع فضایی SPI با استفاده از روش کریجینگ در Surfer 10.0 درون یابی شد. ما توزیع فضایی SPI را با سابقه تاریخی رویدادهای خشکسالی/سیل مقایسه کردیم تا مشخص کنیم SPI فصل بارانی چقدر می‌تواند تغییرات خشکسالی/سیل فضایی را شناسایی کند. فصل بارانی SPI هم از نظر مکانی در سراسر چین و هم با زمان متفاوت بود و شش نوع توزیع خشکسالی طبقه بندی شده توسط وانگ و همکاران را پوشش می داد. [ 5 ]: پراکنده در شرق، شرق و غرب، شمال رودخانه زرد، شمال غرب و جنوب شرق، جنوب رودخانه زرد، و شمال چین ( جدول 2 ).

نتایج ما نشان می دهد که SPI شش ماهه (فصل بارانی) به خوبی توزیع فضایی خشکسالی/سیل در چین را به عنوان انواع مختلف خشکسالی توصیف می کند. در سال 1963، خشکی در جنوب شرقی، شمال شرقی و بخشی از استان سین جیانگ توزیع شد ( شکل 4 a)، که با سوابق تاریخی خشکسالی مطابقت دارد ( جدول 2 ). در حالی که رطوبت در حوضه رودخانه یانگ تسه شمالی و حوضه رودخانه زرد جنوبی ( شکل 4 الف) در سال 1963 توزیع شده است، “طوفان باران خارق العاده 1963” در مناطق مشابه گزارش شده است ( جدول 2 ). خشکسالی ها به طور گسترده ای از شرق به غرب در سال های 1978 و 1996 پراکنده شدند، و SPI نشان دهنده خشکی از شرق به غرب نیز بود ( شکل 4 ب، د، و جدول 2) .). در سال 1982، سیلاب ها در بخش میانی و پایینی رودخانه زرد توزیع شدند ( جدول 2 )، که در آن مقادیر SPI رطوبت را نشان می دهد ( شکل 4 ج). خشکسالی ها در میان و پایین دست رودخانه یانگ تسه، شمال چین، و شمال شرقی ( جدول 2 )، که در آن مقادیر SPI خشکی را نیز نشان می دهد، توزیع شده است ( شکل 4 ج). به طور قابل توجه، رویدادهای “خشکسالی جنوب با سیلاب شمالی” در سال 2003 و رویدادهای “خشکسالی شمال با سیلاب جنوبی” در سال 2014 ظاهر شد ( جدول 2 ). بر این اساس، مقادیر SPI در سال 2003 مراکز مرطوبی را در جنوب چین و جنوب شرقی اما خشکی در حوضه رودخانه Huaihe را نشان می‌دهد ( شکل 4) .ه) مقادیر SPI در سال 2014 رطوبت را در جنوب چین و جنوب شرقی نشان می دهد اما خشکی را در شمال شرقی و استان سین جیانگ نشان می دهد ( شکل 4 f).

با مقایسه تغییرات مکانی و زمانی رطوبت/خشکی نشان‌داده‌شده توسط SPI ( شکل 4 ) با سوابق تاریخی خشکسالی/سیل ( جدول 2 )، دریافتیم که فصل بارانی SPI شاخص خوبی از رویدادهای خشکسالی/سیل است.

3.2. واریانس فضایی روند SPI در چین

نتایج بخش 3.1 نشان می دهد که بارش ماهانه می تواند رویدادهای تاریخی خشکسالی/سیل را توضیح دهد. بنابراین ما از سری زمانی SPI فصل بارانی از سال 1961 تا 2014 برای تجزیه و تحلیل روند رطوبت / خشکی در این دوره مطالعه استفاده می کنیم. مقادیر ضریب همبستگی ناپارامتری Mann-Kendall ( τ ) در 3804 ایستگاه بارش ( شکل 5 ) نشان دهنده یک ناهمگونی منطقه ای با روند رطوبت/خشکی است که در چین بین سال های 1961 و 2014 رخ داده است. آزمون من-کندال نشان می دهد که بیشتر مناطق همبستگی در شرق چین روند صعودی یا نزولی غیر قابل توجهی را نشان می دهد ( شکل 5). با این حال، در غرب چین (شمال غربی استان سین کیانگ، بخش‌هایی از چینگ‌های و تبت)، SPI روند صعودی قابل‌توجهی را نشان می‌دهد و روند نزولی در جنوب غربی تبت و منطقه کوچکی در استان یوننان ظاهر می‌شود (شکل 5 ) . این نشان می دهد که ممکن است فراوانی سیل و خشکسالی در این مناطق در حال افزایش باشد.

3.3. روند زمانی SPI در هشت منطقه در چین

همانطور که توسط Sneyers [ 23 ] توضیح داده شد، ما نقاط تغییر احتمالی سری زمانی SPI را در هشت منطقه در چین با مقایسه مقادیر متغیر آماری u ( d _i ) پیشرونده و u’ ( d _{i ) من-کندال تشخیص می‌دهیم.}اگر شما ( d _i) ≥ 1.96، سپس فرضیه صفر رد می شود که دلالت بر وجود روند دارد. برای جلوگیری از خطای نوع I، هر نقطه تغییری را که در 10 سال اولیه (از 1961 تا 1970) و 10 سال آخر (از 2005 تا 2014) سری زمانی شناسایی شده است، حذف می کنیم. تجزیه و تحلیل روندهای زمانی در SPI یک الگوی منطقه‌ای را نشان می‌دهد که چگونه الگوهای رطوبت / خشکی با زمان در هشت منطقه در چین تغییر می‌کند. در چین مرکزی، شرق چین و شمال چین، هیچ روندی در دوره مطالعه مشاهده نمی شود ( جدول 3 و شکل 6 a-c, | u ( d _i)| < 1.96 برای همه زمان ها). SPI برای شمال شرق چین ابتدا یک روند نزولی نشان می دهد (نقطه تغییر در حدود سال 1963 است، اما ما این نقطه تغییر را حذف می کنیم زیرا از 1961 تا 1970 رخ می دهد)، سپس افزایشی را در سال 1985 نشان می دهد (اما نه افزایش قابل توجهی، جدول 3 و را ببینید . شکل 6 د). در سال 1994، SPI دوباره شروع به کاهش کرد (اما نه به طور قابل توجهی). SPI در شمال غربی روند قابل توجه و پیوسته افزایشی را نشان می دهد که از سال 1986 شروع شد .و) روند شروع از حدود سال 1965 تا 1982، سپس SPI شروع به کاهش می کند تا سال 1993، زمانی که SPI دوباره شروع به افزایش می کند (اما نه به طور قابل توجهی). در جنوب غربی، SPI تا حد زیادی قبل از سال 1997 پایدار بود، اما روند افزایشی قابل توجهی را در آغاز سال 1997 نشان داد ( جدول 3 و شکل 6 g). SPI برای تایوان از ابتدا تا سال 1977 افزایش یافت (نقطه تغییر در حدود سال 1967 است، اما ما این نقطه تغییر را حذف می کنیم زیرا در 10 سال اول سری زمانی رخ می دهد، جدول 3 و شکل 6 h را ببینید)، سپس به طور قابل توجهی شروع شد. روند کاهشی تا سال 1997 قبل از افزایش مجدد، البته نه قابل توجه.

3.4. تغییر دوره ای SPI در سراسر چین

تغییرات دوره ای در سری زمانی SPI فصل بارانی با تجزیه و تحلیل موجک مورد بررسی قرار گرفت. بخش واقعی نقشه کانتور ضریب موجک ( شکل 7 ) تغییرات دوره ای در SPI را نشان می دهد. مقادیر قسمت واقعی ضریب موجک > 0 نشان‌دهنده سال‌های مرطوب و مقادیر کمتر از 0 نشان‌دهنده سال‌های خشکسالی است. تغییر در بخش واقعی ضریب موجک در امتداد مقیاس‌های زمانی مختلف (محور Y) نوسان مقیاس زمانی را نشان می‌دهد و دوره‌های غالب دامنه را نشان می‌دهد. واریانس موجک ( شکل 8) توزیع انرژی موجک را بر اساس مقیاس نمایش می دهد و برای تجزیه و تحلیل میانگین دوره و تغییرات نوسان در SPI در هشت ناحیه در چین استفاده می شود. اولین مقدار پیک دارای بیشترین نوسان است و اولین تناوب اصلی را نشان می دهد. مقادیر پیک دوم و سوم به ترتیب مربوط به دوره اصلی دوم و سوم است.

با مقایسه هشت منطقه در چین، متوجه شدیم که وقوع رطوبت / خشکی و نوسانات در این هشت منطقه بسیار مرتبط است. یک دوره تناوب غالب 16 ساله در همه مناطق به جز شمال و جنوب چین دیده می شود که به ترتیب نوسان 10 و 29 ساله غالب را نشان می دهد ( شکل 7 و شکل 8 ). تناوب غالب متداول تغییر سری زمانی SPI نشان می دهد که نوسان رطوبت / خشکی ممکن است به برخی از پدیده های آب و هوایی در مقیاس قاره ای مرتبط باشد که بر الگوی بارش در سراسر چین تأثیر می گذارد.

با این حال، ناهمگونی زیادی در مقیاس‌های زمانی نوسان و ویژگی‌ها در هشت ناحیه دیده می‌شود. در شمال غربی، جنوب غربی چین، و همچنین تایوان، سری های زمانی SPI یک دوره تناوب واحد را نشان می دهند، در حالی که تناوب های متعدد در مناطق دیگر نمایش داده می شوند. در شمال شرقی و جنوب چین و تایوان، یک دوره تناوب در مقیاس بزرگ (بیش از 30 سال) تمایل دارد ظاهر شود، اما این تناوب در مقیاس بزرگ باید با یک سری زمانی طولانی‌تر آزمایش شود. در شرق چین، دومین دوره (24 ساله) و سومین دوره اصلی (8 ساله) در کنار قوی ترین نوسان 16 ساله ( شکل 7 و شکل 8) وجود دارد.). ناهمگونی تناوب تغییرات سری زمانی SPI نشان می‌دهد که برخی از عوامل مقیاس منطقه‌ای نیز نقش مهمی در تأثیر تناوب رطوبت / خشکی در چین دارند.

4. بحث و نتیجه گیری

با توجه به نیاز اجتماعی به ارزیابی بهتر بلایای آب و هوایی (خشکسالی و سیل)، و همچنین پاسخ به کمبود آب، به ویژه با توجه به افزایش سطح جمعیت و تغییرات آب و هوایی، ارزیابی تغییرات مکانی و زمانی در رژیم بارش بیش از پیش حیاتی می شود. مطالعات متعددی با استفاده از شاخص های مختلف آب و هوایی و هیدرولوژیکی بر اساس داده های پایش ایستگاه های سنج هیدرولوژیکی برای بررسی تغییرات مکانی و زمانی در رطوبت، خشکی، جریان رودخانه، رسوبات رودخانه و رطوبت خاک در چین انجام شده است [ 15 ، 16 ، 17 ، 18 ، 19 ، 29]. داده های آب و هوایی بلند مدت و با وضوح مکانی بالا برای تجزیه و تحلیل تغییرات مکانی و زمانی در رژیم بارش بسیار مهم است. با این حال، ایستگاه‌های اندازه‌گیری هیدرولوژیکی در چین از نظر فضایی به طور نابرابر توزیع شده‌اند، با ایستگاه‌های بیشتری در جنوب و شرق چین، اما کمتر در غرب و شمال چین نصب شده‌اند [ 15 ، 16 ]. مسئله دیگر این است که طول رکورد داده ها در ایستگاه ها متفاوت است. حتی بدتر از آن، داده های ایستگاه های مختلف معمولاً ناسازگار هستند. این مشکلات مانع جاه طلبی ما برای روشن شدن تغییرات مکانی و زمانی در رژیم بارش می شود.

در این مطالعه، ما مقادیر SPI را بر اساس یک پایگاه داده جهانی بارش ماهانه محاسبه کردیم، سپس تغییرات مکانی و زمانی رطوبت/خشکی را در هشت منطقه بر اساس مقادیر SPI تجزیه و تحلیل کردیم. نتایج ما نشان می دهد که SPI محاسبه شده بر اساس داده های بارندگی ماهانه جهانی به خوبی نشان دهنده بلایای تاریخی خشکسالی/سیل در سراسر چین است ( شکل 4 و جدول 2 ). علاوه بر این، نتایج ما با بسیاری از مطالعات مبتنی بر ایستگاه‌های سنج هیدرولوژیکی مطابقت دارد. به عنوان مثال، با استفاده از مقادیر PDSI و SPI محاسبه شده از 483 ایستگاه سنج هیدرولوژیکی در چین، Zhai و همکاران. [ 15 ] یک روند خشک صعودی را در حوضه رودخانه Liaohe و حوضه رودخانه Haihei از سال 1961 تا 2005 شناسایی کرد که با روند یافت شده در این مطالعه مطابقت دارد ( شکل 5) .). این مطالعه یک روند افزایشی قابل توجه رطوبت را در شمال غربی پیدا کرد ( شکل 5 و شکل 6 e)، شبیه به نتیجه گزارش شده توسط Zhai و همکاران. [ 15 ]. با این حال، PDSI نشان‌دهنده یک روند منفی آماری معنی‌دار در حوضه رودخانه سونگ‌هوا [ 15 ] است، در حالی که این مطالعه روند مرطوبی (اگرچه نه معنی‌دار، شکل 5 ) را در بیشتر مناطق حوضه رودخانه سونگ‌هوا شناسایی کرد. یکی از دلایل احتمالی این تفاوت این است که تراکم ایستگاه در این مطالعه بسیار بالاتر از ژای و همکاران است. [ 15 ]؛ احتمال دوم این است که ژای و همکاران. [ 15] از PDSI به عنوان شاخص رطوبت/خشکی استفاده کرد، در حالی که این مطالعه از SPI برای نشان دادن تغییرات مکانی و زمانی رطوبت/خشکی استفاده کرد. با استفاده از داده های باران سنج، بوردی و همکاران. [ 16 ] تغییرپذیری مکانی-زمانی مرطوب و خشک را در شرق چین تجزیه و تحلیل کرد و دوره های 24 ساله، 16 ساله و 4 ساله را پیدا کرد که با دوره های تناوب (24 ساله، 16 ساله و 8 ساله) مطابقت دارد. این مطالعه در همان منطقه است. ژانگ و همکاران [ 17 ] تغییرات مکانی و زمانی خشکسالی را از سال 1957 تا 2009 با استفاده از 53 ایستگاه باران سنج در استان سین جیانگ ارائه کرد و دریافت که خشکسالی ها در کل منطقه سین جیانگ در حال ضعیف شدن هستند. در این مطالعه، ما همچنین یک روند افزایشی قابل توجه رطوبت را برای اکثر منطقه سین جیانگ شناسایی کردیم ( شکل 5). در حوضه رودخانه مروارید، دوره‌های خشکسالی/مرطوبی از سال 1960 تا 2005 بر اساس SPI محاسبه‌شده از 42 ایستگاه باران مورد تجزیه و تحلیل قرار گرفت و بخش غربی حوضه رودخانه مروارید مرطوب‌تر و قسمت جنوبی خشک‌تر بود [ 19 ] . در این مطالعه، ما دقیقاً همان روندها را در همان منطقه شناسایی کردیم ( شکل 5 ).

نتایج این مطالعه با تحقیقات قبلی بر اساس ایستگاه‌های باران‌سنج بسیار سازگار است، که نشان می‌دهد از داده‌های بارش ماهانه جهانی می‌توان برای کشف تغییرات فضایی و زمانی رطوبت/خشکی در چین و سایر مناطق استفاده کرد. با توجه به وضوح مکانی بالای آن (0.5 درجه عرض جغرافیایی × 0.5 درجه طول جغرافیایی) و طول رکورد (از 1900 تا کنون، با به روز رسانی مداوم)، این منبع داده کاندیدای مناسبی برای بازسازی تغییرات تاریخی رطوبت/خشکی مکانی و زمانی و برای پیش بینی بهتر آب و هوای آینده است. – بلایای مرتبط (خشکسالی و سیل). ایجاد سابقه ای از خشکسالی و حوادث بلایای سیل تاریخی در چین برای درک بهتر تغییرات مکانی و زمانی در خشکسالی و سیل، و برای نظارت بر خشکسالی و سیل آینده در چین مفید است. این تحقیق یک شاخص بارش نسبتاً ساده ارائه می‌کند که می‌تواند برای توضیح وقوع رویدادهای تاریخی خشکسالی/سیل و همچنین برای شناسایی تغییرات روند و الگوهای دوره‌ای تغییرات رطوبت/خشکی مورد استفاده قرار گیرد که می‌تواند برای پایش خشکسالی و سیل در آینده مفید باشد. . از آنجایی که سوابق بارش در چین سابقه طولانی دارد، SPI را می توان برای ایجاد پایگاه داده ای از رویدادهای بلایای خشکسالی و سیل در چین برای مطالعات آینده معرفی کرد. SPI همچنین می تواند شاخص خوبی برای پایش خطر سیل باشد. به عنوان مثال، دو و همکاران. [ از آنجایی که سوابق بارش در چین سابقه طولانی دارد، SPI را می توان برای ایجاد پایگاه داده ای از رویدادهای بلایای خشکسالی و سیل در چین برای مطالعات آینده معرفی کرد. SPI همچنین می تواند شاخص خوبی برای پایش خطر سیل باشد. به عنوان مثال، دو و همکاران. [ از آنجایی که سوابق بارش در چین سابقه طولانی دارد، SPI را می توان برای ایجاد پایگاه داده ای از رویدادهای بلایای خشکسالی و سیل در چین برای مطالعات آینده معرفی کرد. SPI همچنین می تواند شاخص خوبی برای پایش خطر سیل باشد. به عنوان مثال، دو و همکاران. [26 ] از SPI برای پایش سیل در استان هونان، چین استفاده کرد. سیلر و همکاران [ 27 ] از SPI برای تشخیص خطر سیل در بخش جنوبی استان کوردوبا در آرژانتین استفاده کرد. با این حال، SPI برای پایش سیل کمتر از مطالعه خشکسالی استفاده می شود و کاربردهای SPI در مقیاس قاره ای یا جهانی برای پایش سیل انجام نمی شود.

یک دوره تناوب غالب رایج در حدود 16 سال برای همه مناطق به جز شمال و جنوب چین شناسایی شد ( شکل 7 و شکل 8 )، که نشان می دهد که نوسانات رطوبت/خشکی ممکن است به برخی از پدیده های آب و هوایی در مقیاس جهانی یا قاره ای مرتبط باشد که تأثیر می گذارد. الگوی بارش در سراسر چین با استفاده از داده های مرکز ملی تحقیقات جوی/مرکز ملی پیش بینی محیطی (NCAR/NCEP)، ژانگ و همکاران. [ 19 ] دریافتند که روند افزایشی رطوبت در فصل بارانی تحت تأثیر رطوبت هوا و بخار آب است. مانتوا و خرگوش [ 30] نوسان ده ساله اقیانوس آرام (PDO) را تشریح کرد و نشان داد که این الگوی طولانی مدت مانند EI Niño از تغییرپذیری آب و هوای اقیانوس آرام تأثیر مشخصی بر الگوهای بارش مکانی و زمانی در نیمکره جنوبی، اقیانوس آرام جنوبی در عرض جغرافیایی میانی، استرالیا دارد. و آمریکای جنوبی علاوه بر این، یک نوسان 15-25 سال و 50-70 سال در تغییرات PDO شناسایی شد. زو و یانگ با استفاده از داده های PDO از سال 1951 تا 1998 [ 31] دریافت که الگوی آب و هوایی ده ساله در چین ارتباط نزدیکی با تغییر PDO دارد. به طور خاص، در طول یک دوره رژیم PDO “گرم”، شمال شرقی و شمال چین و دره رودخانه یانگ تسه خشک تر هستند، اما این مناطق در طول دوره رژیم “خنک” PDO مرطوب تر می شوند. تناوب 16 ساله شناسایی شده در این مطالعه ممکن است با تغییرات دوره “گرم” و “سرد” 15 تا 25 ساله مرتبط باشد. به گفته وانگ و ژائو [ 32]، یک گردش جوی 36 ساله بر دوره تناوب خشکسالی/سیل و الگوی آب و هوا در چین تأثیر می گذارد. تجزیه و تحلیل موجک سری زمانی SPI در این مطالعه نشان می دهد که دوره تناوب بیش از 30 سال ممکن است در شمال شرقی و جنوب چین و تایوان وجود داشته باشد. این نوسان در مقیاس بزرگ ممکن است مربوط به نوسان گردش اتمسفر 36 ساله باشد. با این حال، داده های سری زمانی طولانی تری برای تشخیص این تناوب در مقیاس بزرگ مورد نیاز است.

برخی از تفاوت‌ها در مقیاس‌های زمانی نوسان و ویژگی‌ها به طور گسترده در بین هشت منطقه در چین شناسایی شد. در مرکز، شرق، شمال و شمال شرق چین، دوره ای کمتر از 10 سال دیده می شود. این ممکن است مربوط به پدیده EI Niño باشد که یک چرخه دو تا هفت ساله دارد [ 33 ]. یک مطالعه ناهنجاری‌های هیدروگرافی و بیولوژیکی را در دریای چین جنوبی مرتبط با رویداد EI Niño [ 33 ] نشان داد. مطالعه دیگری نشان داد که EI Niño-South Oscillation (ENSO) به شدت بر رویدادهای شدید مانند سیل و خشکسالی بر حوضه رودخانه تأثیر می گذارد [ 34]. همچنین باید توجه داشت که تغییرات دوره‌ای خشکی/مرطوبی به مقیاس زمانی SPI بستگی دارد (به عنوان مثال، 1، 3، 6، …، 24 ماه SPI)، بنابراین دوره نوسان نشان‌داده‌شده توسط تحلیل موجک ممکن است زمانی که مقیاس زمانی SPI متفاوت باشد. تغییر می کند. بنابراین، مطالعات بیشتری برای روشن شدن عدم قطعیت پیش‌بینی‌های تحت تأثیر مقیاس زمانی SPI مورد نیاز است.

روند در رژیم بارش نشان داده شده توسط SPI به وضوح از منطقه ای به منطقه دیگر در چین تغییر می کند. شمال غرب روند مرطوبی پیوسته صعودی را در دوره مورد مطالعه نشان می دهد، اما چین مرکزی، شرق چین و شمال چین هیچ روندی را نشان نمی دهند و سایر مناطق هم روند مرطوبی صعودی و هم نزولی را در دوره های مختلف نشان می دهند (جدول 3 و شکل 6 ) . ناهمگونی روند SPI در مناطق مختلف ممکن است به این واقعیت مرتبط باشد که واکنش بارندگی منطقه ای به تغییرات آب و هوایی جهانی از نظر مکانی متغیر است [ 35 ]. همچنین ممکن است با فعالیت های انسانی مرتبط باشد، مانند برنامه “دانه برای سبز”، که پوشش گیاهی قابل توجهی را در حوضه رودخانه زرد از سال 1982 تا 1999 ترویج کرد [36 ]]. کل زیست توده جنگل در شمال چین اندکی افزایش می‌یابد، اما در جنوب مرکزی و شرق چین کاهش می‌یابد [ 37 ]، و سری SPI نیز الگوی نسبتاً صافی را در شمال چین نشان می‌دهد، اما از سال 1982 در جنوب چین کاهش یافته است (اما نه به طور قابل توجهی، نگاه کنید به جدول 3 و شکل 6 ). در جنوب غربی، جایی که زیست توده جنگل از سال 1949 تا 1976 کاهش یافته و سپس از 1977 تا 1998 افزایش یافته است [ 37 ]، روند مرطوبی مشابهی در جنوب غربی مطابق با SPI در این مطالعه پیدا شد. از سال 1961 تا 1997 بدون تغییر باقی ماند، سپس پس از سال 1997 افزایش یافت (اما نه به طور قابل توجهی، جدول 3 و شکل 6 را ببینید.). این توافقات بین تغییر کاربری زمین و روند تری/خشکی در مناطق مختلف نشان می دهد که فعالیت های انسانی ممکن است به طور بالقوه بر تنوع فضایی و روند رطوبت/خشکی تأثیر بگذارد. با این حال، برای روشن شدن میزان و مکانیسم چگونگی تأثیر فعالیت انسان بر تغییرات مکانی و زمانی در رطوبت/خشکی در چین، باید تحقیقات بیشتری انجام شود.

سری زمانی SPI در چین تنوع مکانی را نشان می دهد ( شکل 5 و شکل 6 )، مانند “خشکسالی جنوب و سیلاب شمالی” در سال 2003 یا “سیلاب جنوبی و خشکسالی شمالی” در سال 2014 ( شکل 3 و جدول 2 ). به طور مشابه، با استفاده از داده های بارش ماهانه از 160 ایستگاه از سال 1951 تا 2000، بوردی و همکاران. [ 16 ] ساختار فضایی تغییرات رطوبت/خشکی را تجزیه و تحلیل کرد و دریافت که وقتی رطوبت در شرق یافت شد، معمولاً شرایط خشک در جنوب چین مشاهده شد و بالعکس. مطالعه ای توسط Xu [ 6] خاطرنشان کرد که این نوع تغییرات فضایی بارش مربوط به حرکت بادهای موسمی تابستانی به سمت جنوب است و علت اصلی این پدیده ممکن است تغییرات اقلیمی صرفاً طبیعی نباشد، بلکه شتاب صنعتی شدن در شرق چین است که مقادیر زیادی گوگرد منتشر می کند. دی اکسید

در نتیجه، گرمایش جهانی و صنعتی شدن منجر به بدتر شدن آب و هوا در چین در چند دهه گذشته شده است. برای مثال، تغییرات آب و هوایی ممکن است با کاهش رطوبت خاک در سه دهه گذشته در شمال چین مرتبط باشد [ 38]]. عقب نشینی کمربند بارانی موسمی تابستانی به سمت جنوب منجر به الگوی جدیدی از خشکسالی و سیل شده است (یعنی “خشکسالی شمالی با سیل جنوبی” در چین). چنین پدیده‌هایی نه تنها نظارت بر خشکسالی و سیل را دشوارتر می‌کنند، بلکه اجرای واکنش‌های انطباقی به رویدادهای شدید را نیز پیچیده‌تر می‌کنند. این تحقیق نشان می دهد که SPI شش ماهه محاسبه شده بر اساس بارش در طول ماه های بارانی به خوبی نشان دهنده توزیع مکانی خشکسالی ها و سیل ها در چین است. تجزیه و تحلیل روند SPI و نوسانات مکانی و زمانی یک روش معتبر برای پیش‌بینی خشکسالی/سیل آینده ارائه می‌کند که می‌تواند به ما در سازگاری با اثرات نامطلوب تغییرات آب و هوایی کمک کند.

منابع

جونگمن، بی. Wagemaker، J.; رومرو، بی. دی پرز، ای. تشخیص زودهنگام سیل برای واکنش سریع بشردوستانه: مهار سیگنال های ماهواره ای و توییتر در زمان واقعی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2246-2266. [ Google Scholar ] [ CrossRef ]
فورسایت، KW; شاتز، بی. Swales، SJ; Ferrato، LJ; اتکینسون، DM تجسم سطح دریاچه مید از سال 1972 تا 2009 تغییر می کند . ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 108-119. [ Google Scholar ] [ CrossRef ]
دی شربینین، ا. چای اون، تی. جایته، م. مارا، وی. پیستولسی، ال. اشنار، ای. Trzaska، S. ادغام داده ها برای نقشه برداری آسیب پذیری آب و هوا در غرب آفریقا. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2561-2582. [ Google Scholar ] [ CrossRef ]
دای، A. خشکسالی تحت گرمایش جهانی: بررسی. سیم ها قله. چانگ. 2011 ، 2 ، 45-65. [ Google Scholar ] [ CrossRef ]
وانگ، جی. سان، اچ. خو، دبلیو. ژو، جی. تغییر فضایی و زمانی فاجعه خشکسالی در چین در پنجاه سال اخیر. جی. نات. فاجعه 2011 ، 11 ، 1-6. [ Google Scholar ]
Xu, Q. تغییر ناگهانی آب و هوای اواسط تابستان در مرکز شرق چین توسط تأثیر آلودگی جوی. اتمس. محیط زیست 2001 ، 35 ، 5029-5040. [ Google Scholar ] [ CrossRef ]
پالمر، WC خشکسالی هواشناسی ; اداره هواشناسی ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1965.
لوید، اچ بی؛ ساندرز، MA اقلیم شناسی خشکسالی برای اروپا. بین المللی جی.کلیماتول. 2002 ، 22 ، 1571-1592. [ Google Scholar ] [ CrossRef ]
مک کی، سل؛ دوسکن، نیوجرسی؛ Kleist, J. رابطه فراوانی و مدت خشکسالی با مقیاس های زمانی. در مجموعه مقالات هشتمین کنفرانس اقلیم شناسی کاربردی، آناهیم، کالیفرنیا، ایالات متحده آمریکا، 17 تا 23 ژانویه 1993.
بوناکورسو، بی. بوردی، آی. Cancelliere، A.; روسی، جی. Sutera، A. تغییرپذیری فضایی خشکسالی: تجزیه و تحلیل SPI در سیسیل. منبع آب مدیریت 2003 ، 17 ، 273-296. [ Google Scholar ] [ CrossRef ]
حداقل، SK; Kwon، WT; پارک، ای اچ. چوی، ی. مقایسه مکانی و زمانی خشکسالی در کره با شرق آسیا. بین المللی جی.کلیماتول. 2003 ، 23 ، 223-233. [ Google Scholar ] [ CrossRef ]
کویرینگ، اس ام. Papakryiakou، TN ارزیابی شاخص‌های خشکسالی کشاورزی برای چمنزارهای کانادا. کشاورزی برای. هواشناسی 2003 ، 118 ، 49-62. [ Google Scholar ] [ CrossRef ]
Sönmez، FK; Kömüscü، A.Ü. ارکان، ع. تورگو، ای. تحلیلی از بعد مکانی و زمانی آسیب‌پذیری خشکسالی در ترکیه با استفاده از شاخص بارش استاندارد شده. نات. خطرات 2005 ، 35 ، 243-264. [ Google Scholar ] [ CrossRef ]
کیم، تی. والده، جی بی. نیسن، بی. Roncayolo، D. کمی سازی ارتباط بین الگوهای آب و هوایی در مقیاس بزرگ و بارش در حوضه رودخانه کلرادو. جی هیدرول. 2006 ، 321 ، 173-186. [ Google Scholar ] [ CrossRef ]
Zhai, J. تغییرات فضایی و روند در شاخص‌های PDSI و SPI و ارتباط آنها با جریان در 10 منطقه بزرگ چین. جی. کلیم. 2010 ، 23 ، 649-663. [ Google Scholar ] [ CrossRef ]
بوردی، آی. فرادریش، ک. جیانگ، جی.ام. Sutera، A. تغییرپذیری مکانی-زمانی دوره‌های خشک و مرطوب در شرق چین. نظریه. Appl. کلیماتول. 2004 ، 79 ، 81-91. [ Google Scholar ] [ CrossRef ]
ژانگ، Q. لی، جی. سینگ، معاون; ارزیابی رویدادهای خشکسالی مبتنی بر SPI در سین کیانگ، چین. نات. خطرات 2012 ، 64 ، 481-492. [ Google Scholar ] [ CrossRef ]
وو، اچ. هیز، ام جی. ویس، ا. Hu، Q. تکامل شاخص بارش استاندارد، شاخص چین-Z و آماری Z-score. بین المللی جی.کلیماتول. 2001 ، 21 ، 745-758. [ Google Scholar ] [ CrossRef ]
ژانگ، Q. Xu، CY; Zhang، Z. تغییرات دوره‌های خشکسالی/مرالی را در حوضه رودخانه مروارید، چین، با استفاده از شاخص بارش استاندارد و شاخص خشکی مشاهده کرد. نظریه. Appl. کلیماتول. 2009 ، 98 ، 89-99. [ Google Scholar ] [ CrossRef ]
ویلموت، سی جی; ماتسورا، ک. Legates، DR زمینی دمای هوا و بارش: سری زمانی ماهانه و سالانه (1950-1999) ; دانشگاه دلاور: نیوآرک، DE، ایالات متحده آمریکا، 2001. [ Google Scholar ]
جیان، جی. جیائو، جی. دو، X. Ma، L. رواناب و دینامیک رسوب و عوامل محرک در ایستگاه هیدرولوژیکی Jiaoqiao رودخانه Nunkiang. گاو نر حفظ آب خاک 2011 ، 31 ، 15-21. [ Google Scholar ]
بهترین، دی جی; Gipps, PG احتمالات دم بالایی تاو کندال. JR Stat. Soc. 1974 ، 23 ، 98-100. [ Google Scholar ]
Sneyers, R. در مورد تجزیه و تحلیل آماری مجموعه ای از مشاهدات. در تبصره فنی – سازمان جهانی اندازه‌شناسی سازمان جهانی هواشناسی: ژنو، سوئیس، 1990; صص 1-192. [ Google Scholar ]
چاترجی، اس. خان، ا. مقاله پژوهشی Barman، NK از آزمون متوالی Mann-Kendall برای تشخیص نقطه تغییر تقریبی قابل توجهی در دمای هوای سطحی برای رصدخانه هواشناسی کلکته، بنگال غربی، هند. بین المللی J. Curr. Res. 2014 ، 6 ، 5319-5324. [ Google Scholar ]
وی، ی. جیائو، جی. ژائو، جی. ژائو، اچ. او، ز. Mu، X. تغییرات مکانی-زمانی و تغییر دوره ای در جریان جریان و تخلیه رسوب معلق در امتداد جریان اصلی رودخانه زرد در طول 1950-2013. Catena 2016 ، 140 ، 105-115. [ Google Scholar ] [ CrossRef ]
دو، ج. نیش، جی. خو، دبلیو. Shi، P. تجزیه و تحلیل شرایط خشک / مرطوب با استفاده از شاخص بارش استاندارد و سودمندی بالقوه آن برای نظارت بر خشکسالی / سیل در استان هونان، چین. استوک. محیط زیست Res. ارزیابی ریسک 2013 ، 27 ، 377-387. [ Google Scholar ] [ CrossRef ]
سیلر، RA; هیز، ام. Bressan، L. استفاده از شاخص بارش استاندارد شده برای پایش خطر سیل. بین المللی جی.کلیماتول. 2002 ، 22 ، 1365-1376. [ Google Scholar ] [ CrossRef ]
لی، CH; یانگ، ZF; هوانگ، جی اچ. Li, YP شناسایی رابطه بین لکه های خورشیدی و رواناب طبیعی در رودخانه زرد بر اساس تجزیه و تحلیل موجک گسسته. سیستم خبره Appl. 2009 ، 36 ، 3309-3318. [ Google Scholar ] [ CrossRef ]
او، بی. میائو، سی. شی، W. روند، تغییر ناگهانی، و تناوب جریان در جریان اصلی رودخانه زرد. محیط زیست نظارت کنید. ارزیابی کنید. 2013 ، 185 ، 6187-6199. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مانتوا، نیوجرسی؛ Hare, SR نوسان ده ساله اقیانوس آرام. J. Oceanogr. 2002 ، 58 ، 35-44. [ Google Scholar ] [ CrossRef ]
زو، ی. یانگ، X. روابط بین نوسان ده ساله اقیانوس آرام (PDO) و تغییرات آب و هوایی در چین. Acta Meteorol. گناه 2003 ، 61 ، 641-654. [ Google Scholar ]
وانگ، اس. ژائو، زی. نوسان رطوبتی 36 ساله در چین و مکانیسم آن. Acta Meteorol. گناه 1979 ، 37 ، 64-73. [ Google Scholar ]
Tseng، CM; لیو، KK; وانگ، LW; گونگ، GC شرایط هیدروگرافی و بیولوژیکی غیرعادی در شمال دریای جنوبی چین در طول ال نینو 1997-1998 و مقایسه با اقیانوس آرام استوایی. Deep Sea Res. قسمت اول Oceanogr. Res. پاپ 2009 ، 56 ، 2129-2143. [ Google Scholar ] [ CrossRef ]
وانگ، ز. وی، جی. چن، جی. لیو، ی. ما، جی. زی، ال. دنگ، دبلیو. Ke، T. ال نینو-نوسانات نوسان جنوبی ثبت شده در رسوبات دهانه رودخانه Changjiang، چین. کوات. بین المللی 2016 . [ Google Scholar ] [ CrossRef ]
هوانگ، پی. Xie، SP; هو، ک. هوانگ، جی. Huang, R. الگوهای واکنش فصلی بارش استوایی به گرمایش جهانی. نات. Geosci. 2013 ، 6 ، 357-361. [ Google Scholar ] [ CrossRef ]
یانگ، اس. لیو، سی. Sun, R. پوشش گیاهی در 20 سال گذشته در حوضه رودخانه زرد. Acta Geogr. گناه 2002 ، 57 ، 679-684. [ Google Scholar ]
نیش، جی. چن، آ. پنگ، سی. ژائو، اس. Ci, L. تغییرات در ذخیره‌سازی کربن زیست توده جنگلی در چین بین سال‌های 1949 و 1998. Science 2001 , 292 , 2320-2322. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لیو، ی. پان، ز. ژوانگ، س. Miralles، DG; Teuling، AJ; ژانگ، تی. آن، پ. دونگ، ز. ژانگ، جی. او، دی. و همکاران کشاورزی کاهش رطوبت خاک را در شمال چین تشدید می کند. علمی Rep. 2015 , 5 , 11261. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]

شکل 1. منطقه تحقیقاتی و توزیع فضایی بارش در هشت منطقه در چین: چین مرکزی (CC)، شرق چین (EC)، شمال چین (NC)، شمال شرق (NE)، شمال غرب (NW)، جنوب چین (SC)، جنوب غربی (SW) و تایوان (TW).

شکل 2. میانگین بارندگی ماهانه برای دوره 1961 تا 2014 در هشت منطقه در چین: چین مرکزی، شرق چین، شمال چین، شمال شرق، شمال غرب، جنوب چین، جنوب غرب و تایوان.

شکل 3. روند در فصل بارانی (آوریل تا سپتامبر) ناهنجاری بارش (تفاوت بین بارش سالانه و میانگین بلندمدت بارش) از سال 1961 تا 2014 در مرکز چین، شرق چین، شمال چین، شمال شرق، شمال غرب، جنوب چین، جنوب غرب، و تایوان خطوط جامد قرمز روند خطی در سری های زمانی ناهنجاری بارش را نشان می دهد و خطوط آبی نقطه چین برازش رگرسیون چند جمله ای محلی (رگرسیون لس در R) ناهنجاری بارش فصل بارانی را نشان می دهد.

شکل 4. توزیع فضایی SPI شش ماهه (فصل بارانی: آوریل تا سپتامبر) در سراسر چین در سال های 1963، 1978، 1982، 1996، 2003 و 2014. صلیب های قرمز نشان دهنده مکان های خشکسالی، در حالی که صلیب های آبی نشان دهنده مکان های سیل است. توزیع فضایی SPI با استفاده از روش کریجینگ در Surfer 10.0 درون یابی شد. ( الف ) توزیع فضایی SPI در سال 1963. ( ب ) توزیع فضایی SPI در سال 1978. ( ج ) توزیع فضایی SPI در سال 1982; ( د ) توزیع فضایی SPI در سال 1996. ( ه ) توزیع فضایی SPI در سال 2003. ( f ) توزیع فضایی SPI در سال 2014.

شکل 5. توزیع فضایی مقدار تاو آزمون Mann-Kendall سری های زمانی SPI برای تمام 3804 ایستگاه از سال 1961 تا 2014 در چین. Tau ≤ -0.184 نشان دهنده یک روند نزولی قابل توجه است، -0.184 ≤ tau ≤ 0 نشان دهنده روند نزولی اما نه معنی دار است. 0.0 < tau < 0.184 نشان دهنده روند صعودی اما نه معنی دار است. tau ≥ 0.184 نشان دهنده یک روند صعودی قابل توجه است.

شکل 6. آزمون متوالی Mann-Kendall برای سری های زمانی SPI از 1961 تا 2014 در ( a ) مرکزی چین. ( ب ) شرق چین؛ ج ) شمال چین؛ ( د ) شمال شرقی؛ ( ه ) شمال غربی؛ ( و ) جنوب چین؛ ( ز ) جنوب غربی؛ ( ح ) تایوان. خط آبی نشان‌دهنده سری پیشرونده SPI است، خط نقطه‌دار سیاه سری رتروگراد است، خط نقطه قرمز نشان‌دهنده فاصله اطمینان 95٪ است (u = 1.96 یا u = 1.96).

شکل 7. نقشه شمارنده ضریب موجک SPI در چین برای 1961-2014 در ( الف ) چین مرکزی. ( ب ) شرق چین؛ ج ) شمال چین؛ ( د ) شمال شرقی؛ ( ه ) شمال غربی؛ ( و ) جنوب چین؛ ( ز ) جنوب غربی؛ و ( ح ) تایوان.

شکل 8. واریانس ضرایب تبدیل موجک مورلت برای سری های زمانی SPI در شرق چین، شمال چین، شمال شرق، شمال غرب، جنوب چین، جنوب غرب و تایوان از 1961-2014.

جدول 1. دسته بندی شاخص بارش استاندارد شده (SPI) بر اساس طبقه بندی اولیه مقادیر SPI.

جدول 2. خلاصه ای از توزیع خشکسالی و بلایای سیل (و نوع) در چین در سال های 1963، 1978، 1982، 1996، 2003 و 2014.

جدول 3. سال تقریبی شروع یک روند صعودی یا نزولی بر اساس نسخه متوالی آمار رتبه من-کندال برای هشت منطقه در چین از سال 1961 تا 2014. N/A به معنای عدم وجود روند قابل توجه در سطح معنی داری 95 درصد است. + نشان دهنده روند صعودی است. – نشان دهنده یک روند نزولی است. پرانتز نشان دهنده سال تقریبی یک تغییر جدید در روند است که از نظر آماری معنی دار نبود.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب