✍ علی زارعی
🌎نقشه تهیه شده، زمان سفر زمینی از هر نقطه به نزدیکترین منطقه با جمعیت متراکم را در سال ۲۰۱۵ نشان میدهد. مناطق با جمعیت متراکم به عنوان نواحی پیوسته با تراکم حداقل ۱۵۰۰ نفر در هر کیلومتر مربع یا مناطقی با پوشش غالب شهری و جمعیت حداقل ۵۰,۰۰۰ نفر تعریف شدهاند.
📉📈این اطلاعات جهانی توسط پروژه نقشهبرداری مالاریا دانشگاه آکسفورد، گوگل، مرکز تحقیقات مشترک اتحادیه اروپا (JRC) و دانشگاه توئنته، هلند تولید شده است. دادههای پایه شامل جادهها (با استفاده از دادههای OpenStreetMap و Google Roads)، راهآهن، رودخانهها، دریاچهها، اقیانوسها، شیب و ارتفاع زمین، پوشش زمین و مرزهای کشوری هستند. به هر لایه داده، بر اساس نوع عارضه و شرایط فیزیکی زمین، سرعت سفر مشخصی برای عبور از هر پیکسل اختصاص داده شده است. سپس تمامی لایهها با یکدیگر ترکیب شدند تا یک «سطح مقاومت حرکتی» ایجاد شود؛ بهگونهای که هر پیکسل، سرعت یا هزینه زمانی کلی سفر را بر اساس نوع پوشش و شرایط زمین نشان میدهد.
✅ این نقشه برای تحقیقات سلامت، مدیریت بحران و امدادرسانی، برنامهریزی توسعه شهری و منطقهای، تحقیقات محیطی و توسعه پایدار، بسیار مفید است و میتواند تصمیمگیریهای فضایی و سیاستگذاری در ایران را بهبود دهد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
🌎نقشه تهیه شده، زمان سفر زمینی از هر نقطه به نزدیکترین منطقه با جمعیت متراکم را در سال ۲۰۱۵ نشان میدهد. مناطق با جمعیت متراکم به عنوان نواحی پیوسته با تراکم حداقل ۱۵۰۰ نفر در هر کیلومتر مربع یا مناطقی با پوشش غالب شهری و جمعیت حداقل ۵۰,۰۰۰ نفر تعریف شدهاند.
📉📈این اطلاعات جهانی توسط پروژه نقشهبرداری مالاریا دانشگاه آکسفورد، گوگل، مرکز تحقیقات مشترک اتحادیه اروپا (JRC) و دانشگاه توئنته، هلند تولید شده است. دادههای پایه شامل جادهها (با استفاده از دادههای OpenStreetMap و Google Roads)، راهآهن، رودخانهها، دریاچهها، اقیانوسها، شیب و ارتفاع زمین، پوشش زمین و مرزهای کشوری هستند. به هر لایه داده، بر اساس نوع عارضه و شرایط فیزیکی زمین، سرعت سفر مشخصی برای عبور از هر پیکسل اختصاص داده شده است. سپس تمامی لایهها با یکدیگر ترکیب شدند تا یک «سطح مقاومت حرکتی» ایجاد شود؛ بهگونهای که هر پیکسل، سرعت یا هزینه زمانی کلی سفر را بر اساس نوع پوشش و شرایط زمین نشان میدهد.
✅ این نقشه برای تحقیقات سلامت، مدیریت بحران و امدادرسانی، برنامهریزی توسعه شهری و منطقهای، تحقیقات محیطی و توسعه پایدار، بسیار مفید است و میتواند تصمیمگیریهای فضایی و سیاستگذاری در ایران را بهبود دهد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
Telegram
GeoHelper
ارائه دادههای اقلیمی، تصاویر ماهوارهای، نقشهها، مدلسازی، شاخصهای علمی (آسایش حرارتی، اقلیمی، بایوفیزیکی و زیستمحیطی).
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
🔍نگاهی به تحقیقات🔎
عنوان مقاله :
Assessment of temporal changes in human population exposure to cold and heat stress in Iran based on UTCI
نویسنده : علی زارعی (پژوهشگر دکتری اقلیم شناسی دانشگاه تهران)
مجله : Sustainable Cities and Society
ضریب تاثیر مجله : 12
این پژوهش با هدف بررسی تغییرات مواجهه جمعیت انسانی ایران با تنشهای گرمایی و سرمایی طی دوره ۴۰ ساله (1985–2024) انجام شده است. در این پژوهش، براساس شاخص اقلیم حرارتی جهانی (UTCI) مواجهه جمعیت با تنش حرارتی به وسیله بهرهگیری از دادههای جمعیتی ارزیابی گردید. نتایج نشان داد که UTCI در تمامی ماهها روند افزایشی (در اکثر ماه ها از نظر آماری معنادار) داشته و این افزایش در ماههای گرم سال شدیدتر از ماههای سرد بوده است. بر اساس ارزیابی جمعیتی، حدود ۷۰ میلیون نفر از جمعیت کشور ایران در ماههای زمستانی در معرض تنش سرمایی و بیش از ۳۰ میلیون نفر در ماههای تابستانی در معرض تنش گرمایی قرار داشتهاند. همچنین روند ۴۰ ساله جمعیت حاکی از افزایش مواجهه با تنش گرمایی در تابستان و کاهش مواجهه با تنش سرمایی در زمستان است. نتایج همچنین تشدید تنش گرمایی از اوایل دهه ۲۰۰۰ و پیامدهای بالقوه آن برای سلامت عمومی را نشان میدهد که بر ضرورت تدوین راهبردهای ملی پیشگیرانه و برنامهریزی برای کاهش مخاطرات سلامت ناشی از گرما تأکید دارد.
📚منبع :
Zarei, A. (2026). Assessment of temporal changes in human population exposure to cold and heat stress in Iran based on UTCI. Sustainable Cities and Society, 136, 107115. https://doi.org/10.1016/j.scs.2026.107115
عنوان مقاله :
Assessment of temporal changes in human population exposure to cold and heat stress in Iran based on UTCI
نویسنده : علی زارعی (پژوهشگر دکتری اقلیم شناسی دانشگاه تهران)
مجله : Sustainable Cities and Society
ضریب تاثیر مجله : 12
این پژوهش با هدف بررسی تغییرات مواجهه جمعیت انسانی ایران با تنشهای گرمایی و سرمایی طی دوره ۴۰ ساله (1985–2024) انجام شده است. در این پژوهش، براساس شاخص اقلیم حرارتی جهانی (UTCI) مواجهه جمعیت با تنش حرارتی به وسیله بهرهگیری از دادههای جمعیتی ارزیابی گردید. نتایج نشان داد که UTCI در تمامی ماهها روند افزایشی (در اکثر ماه ها از نظر آماری معنادار) داشته و این افزایش در ماههای گرم سال شدیدتر از ماههای سرد بوده است. بر اساس ارزیابی جمعیتی، حدود ۷۰ میلیون نفر از جمعیت کشور ایران در ماههای زمستانی در معرض تنش سرمایی و بیش از ۳۰ میلیون نفر در ماههای تابستانی در معرض تنش گرمایی قرار داشتهاند. همچنین روند ۴۰ ساله جمعیت حاکی از افزایش مواجهه با تنش گرمایی در تابستان و کاهش مواجهه با تنش سرمایی در زمستان است. نتایج همچنین تشدید تنش گرمایی از اوایل دهه ۲۰۰۰ و پیامدهای بالقوه آن برای سلامت عمومی را نشان میدهد که بر ضرورت تدوین راهبردهای ملی پیشگیرانه و برنامهریزی برای کاهش مخاطرات سلامت ناشی از گرما تأکید دارد.
📚منبع :
Zarei, A. (2026). Assessment of temporal changes in human population exposure to cold and heat stress in Iran based on UTCI. Sustainable Cities and Society, 136, 107115. https://doi.org/10.1016/j.scs.2026.107115
👏4❤2
✍️ علی زارعی
🌧مجموعه داده CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) یک مجموعه داده بارش است که با ترکیب تصاویر ماهوارهای و دادههای ایستگاههای زمینی تولید میشود. این دادهها با دقت مکانی 0.05 درجه (تقریباً 5 کیلومتر) و بازه زمانی طولانی، امکان تحلیل روند بارش و خشکسالی را فراهم میکنند.
📈نمودار ارائه شده، بارش سالانه کشور ایران را در بازه 40 ساله نشان میدهد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
🌧مجموعه داده CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) یک مجموعه داده بارش است که با ترکیب تصاویر ماهوارهای و دادههای ایستگاههای زمینی تولید میشود. این دادهها با دقت مکانی 0.05 درجه (تقریباً 5 کیلومتر) و بازه زمانی طولانی، امکان تحلیل روند بارش و خشکسالی را فراهم میکنند.
📈نمودار ارائه شده، بارش سالانه کشور ایران را در بازه 40 ساله نشان میدهد.
Follow us 👇
Telegram : https://t.me/GeoHelperData
👍2
🌧نقشه میانگین 40 ساله (2025-1986) مجموع بارش سالانه کشور ایران (CHIRPS)
Follow us 👇
Telegram : https://t.me/GeoHelperData
Follow us 👇
Telegram : https://t.me/GeoHelperData
👍2
✍️علی زارعی
🌿شاخص NDVI (Normalized Difference Vegetation Index) یکی از پرکاربردترین شاخصهای سنجشازدور برای پایش پوشش گیاهی است و مقادیر آن بین ۱- تا ۱+ قرار دارد، که مقادیر بالاتر نشاندهنده پوشش گیاهی سالم و متراکم هستند. برای محاسبه NDVI با تصاویر لندست که تفکیک مکانی مناسبی دارند، استفاده از یک نسل خاص از این ماهواره، مانند Landsat 8، برای دورههای بلندمدت امکانپذیر نیست، زیرا این نسل تنها بخش محدودی از بازه زمانی را پوشش میدهد. بنابراین، نیاز است تصاویر چندین نسل از لندست با یکدیگر تلفیق شوند تا یک سری زمانی همگن و قابل مقایسه ایجاد شود.
📈 نمودار ارائه شده مقدار شاخص NDVI در بازه 30 ساله (2024-1995)، در مقیاس سالانه برای بخشی از استان گیلان را نشان میدهد که با تلفیق تصاویر لندستهای 5، 7 و 8 به وسیلهی زبان برنامه نویسی پایتون تولید شده است.
Follow us 👇
Telegram : https://t.me/GeoHelperData
🌿شاخص NDVI (Normalized Difference Vegetation Index) یکی از پرکاربردترین شاخصهای سنجشازدور برای پایش پوشش گیاهی است و مقادیر آن بین ۱- تا ۱+ قرار دارد، که مقادیر بالاتر نشاندهنده پوشش گیاهی سالم و متراکم هستند. برای محاسبه NDVI با تصاویر لندست که تفکیک مکانی مناسبی دارند، استفاده از یک نسل خاص از این ماهواره، مانند Landsat 8، برای دورههای بلندمدت امکانپذیر نیست، زیرا این نسل تنها بخش محدودی از بازه زمانی را پوشش میدهد. بنابراین، نیاز است تصاویر چندین نسل از لندست با یکدیگر تلفیق شوند تا یک سری زمانی همگن و قابل مقایسه ایجاد شود.
📈 نمودار ارائه شده مقدار شاخص NDVI در بازه 30 ساله (2024-1995)، در مقیاس سالانه برای بخشی از استان گیلان را نشان میدهد که با تلفیق تصاویر لندستهای 5، 7 و 8 به وسیلهی زبان برنامه نویسی پایتون تولید شده است.
Follow us 👇
Telegram : https://t.me/GeoHelperData
✍️ علی زارعی
🌍پیشآگاهی (Projection)، برآوردی از وضعیت آینده آب و هوا است که بر اساس مدلهای عددی اقلیمی و واداشتهای مختلف انتشار گازهای گلخانهای ساخته میشود.
📈نمودارهای ارائه شده مقادیر دمای هوا شامل دمای کمینه، میانگین و بیشینه را تا پایان قرن نشان میدهند که برای این منظور از مدل ACCESS-CM2 مجموعه دادههای NASA GDDP-CMIP6 و دو سناریوی اقلیمی SSP2-4.5 و SSP5-8.5 استفاده شده است. برای کاهش عدم قطعیت ذاتی مدلهای اقلیمی و افزایش اطمینان در پیشآگاهیها، بهتر است از چندین مدل همزمان (multi-model ensemble) استفاده شود، زیرا اتکا به تنها یک مدل ممکن است دقت را محدود کند و عدم قطعیت را افزایش دهد.
🌡این پیشآگاهیها اهمیت بالایی دارند زیرا اطلاع از تغییرات در آینده، امکان برنامهریزی سازگاری با تغییر اقلیم، مدیریت منابع طبیعی و تصمیمگیریهای راهبردی در بخشهای مختلف مانند کشاورزی، آب و محیط زیست را فراهم میکنند.
Follow us 👇
Telegram : https://t.me/GeoHelperData
🌍پیشآگاهی (Projection)، برآوردی از وضعیت آینده آب و هوا است که بر اساس مدلهای عددی اقلیمی و واداشتهای مختلف انتشار گازهای گلخانهای ساخته میشود.
📈نمودارهای ارائه شده مقادیر دمای هوا شامل دمای کمینه، میانگین و بیشینه را تا پایان قرن نشان میدهند که برای این منظور از مدل ACCESS-CM2 مجموعه دادههای NASA GDDP-CMIP6 و دو سناریوی اقلیمی SSP2-4.5 و SSP5-8.5 استفاده شده است. برای کاهش عدم قطعیت ذاتی مدلهای اقلیمی و افزایش اطمینان در پیشآگاهیها، بهتر است از چندین مدل همزمان (multi-model ensemble) استفاده شود، زیرا اتکا به تنها یک مدل ممکن است دقت را محدود کند و عدم قطعیت را افزایش دهد.
🌡این پیشآگاهیها اهمیت بالایی دارند زیرا اطلاع از تغییرات در آینده، امکان برنامهریزی سازگاری با تغییر اقلیم، مدیریت منابع طبیعی و تصمیمگیریهای راهبردی در بخشهای مختلف مانند کشاورزی، آب و محیط زیست را فراهم میکنند.
Follow us 👇
Telegram : https://t.me/GeoHelperData
👏2
✍️ علی زارعی (پژوهشگر دکتری اقلیم شناسی دانشگاه تهران)
🌎شاخص NDWI (Normalized Difference Water Index) یکی از شاخصهای پرکاربرد در سنجش از دور است که برای شناسایی و پایش پهنههای آبی و مناطق دارای رطوبت مورد استفاده قرار میگیرد. این شاخص با بهرهگیری از بازتاب طیفی سطح زمین، امکان تفکیک آب از سایر عوارض مانند پوشش گیاهی، اراضی خشک و مناطق ساختهشده را فراهم میکند. مقادیر NDWI در بازه 1- تا 1+ قرار دارند؛ بهطوریکه مقادیر مثبت نشاندهنده وجود آب یا رطوبت بیشتر و مقادیر منفی بیانگر سطوح خشک، پوشش گیاهی یا مناطق فاقد آب هستند. به همین دلیل از این شاخص در مطالعات منابع آب، پایش مخازن سدها، بررسی تغییرات سطح آب، شناسایی مناطق سیلابی و ارزیابی شرایط هیدرولوژیکی استفاده میشود.
✅نقشه حاضر نمونهای از نتایج محاسبه شاخص NDWI برای محدوده سد دز در استان خوزستان در سال 2024 است که به منظور نمایش وضعیت و پراکنش پهنههای آبی منطقه با استفاده از تصاویر لندست تهیه شده است.
Follow us 👇
https://t.me/GeoHelperData
🌎شاخص NDWI (Normalized Difference Water Index) یکی از شاخصهای پرکاربرد در سنجش از دور است که برای شناسایی و پایش پهنههای آبی و مناطق دارای رطوبت مورد استفاده قرار میگیرد. این شاخص با بهرهگیری از بازتاب طیفی سطح زمین، امکان تفکیک آب از سایر عوارض مانند پوشش گیاهی، اراضی خشک و مناطق ساختهشده را فراهم میکند. مقادیر NDWI در بازه 1- تا 1+ قرار دارند؛ بهطوریکه مقادیر مثبت نشاندهنده وجود آب یا رطوبت بیشتر و مقادیر منفی بیانگر سطوح خشک، پوشش گیاهی یا مناطق فاقد آب هستند. به همین دلیل از این شاخص در مطالعات منابع آب، پایش مخازن سدها، بررسی تغییرات سطح آب، شناسایی مناطق سیلابی و ارزیابی شرایط هیدرولوژیکی استفاده میشود.
✅نقشه حاضر نمونهای از نتایج محاسبه شاخص NDWI برای محدوده سد دز در استان خوزستان در سال 2024 است که به منظور نمایش وضعیت و پراکنش پهنههای آبی منطقه با استفاده از تصاویر لندست تهیه شده است.
Follow us 👇
https://t.me/GeoHelperData
❤3
✍علی زارعی (دانشجوی دکتری اقلیم شناسی در دانشگاه تهران)
🌡️ جزیره گرمایی شهری (Urban Heat Island - UHI) پدیدهای است که در آن مناطق شهری نسبت به نواحی اطراف دمای بیشتری دارند. این وضعیت به طور کلی به دلیل گسترش سطوح مصنوعی، ساختمانها، آسفالت و کاهش پوشش گیاهی ایجاد میشود. شاخص UHI (سطحی) از اختلاف دمای سطح زمین (LST) بین مناطق شهری و غیرشهری (پیرامون) محاسبه میشود؛ مقادیر مثبت بیانگر جزیره گرمایی و مقادیر منفی نشاندهنده جزیره سرمایی شهری هستند.
🚨نکته مهم این است که جزیره گرمایی شهری عمدتاً یک پدیده شبانه محسوب میشود، زیرا سطوح شهری گرمای جذبشده در طول روز را در شب آزاد میکنند. بنابراین بخش هایی با دمای سطحی بالاتر که در تصاویر روزانه مشاهده می شود، بیشتر «لکههای داغ» (Hot Spots) هستند و لزوماً جزیره گرمایی شهری به شمار نمیآیند.
📍 نقشه ارائهشده شاخص UHI شهر تهران را نشان میدهد که با استفاده از تصاویر MODIS (LST Night) در سامانه Google Earth Engine محاسبه و استخراج شده است. این نقشه بر اساس میانگین سالانه ۲۰ سال داده تهیه شده و الگوی بلندمدت جزایر گرمایی شهر تهران را نمایش میدهد.
Follow us 👇
https://t.me/GeoHelperData
🌡️ جزیره گرمایی شهری (Urban Heat Island - UHI) پدیدهای است که در آن مناطق شهری نسبت به نواحی اطراف دمای بیشتری دارند. این وضعیت به طور کلی به دلیل گسترش سطوح مصنوعی، ساختمانها، آسفالت و کاهش پوشش گیاهی ایجاد میشود. شاخص UHI (سطحی) از اختلاف دمای سطح زمین (LST) بین مناطق شهری و غیرشهری (پیرامون) محاسبه میشود؛ مقادیر مثبت بیانگر جزیره گرمایی و مقادیر منفی نشاندهنده جزیره سرمایی شهری هستند.
🚨نکته مهم این است که جزیره گرمایی شهری عمدتاً یک پدیده شبانه محسوب میشود، زیرا سطوح شهری گرمای جذبشده در طول روز را در شب آزاد میکنند. بنابراین بخش هایی با دمای سطحی بالاتر که در تصاویر روزانه مشاهده می شود، بیشتر «لکههای داغ» (Hot Spots) هستند و لزوماً جزیره گرمایی شهری به شمار نمیآیند.
📍 نقشه ارائهشده شاخص UHI شهر تهران را نشان میدهد که با استفاده از تصاویر MODIS (LST Night) در سامانه Google Earth Engine محاسبه و استخراج شده است. این نقشه بر اساس میانگین سالانه ۲۰ سال داده تهیه شده و الگوی بلندمدت جزایر گرمایی شهر تهران را نمایش میدهد.
Follow us 👇
https://t.me/GeoHelperData
❤1
Media is too big
VIEW IN TELEGRAM
🎥 آموزش استخراج داده از ClimApp
با توجه به بازخورد دریافتی از مخاطبان، ویدیویی آموزشی آماده شده است که در آن نحوه استخراج و دانلود دادهها از ClimApp را قدمبهقدم توضیح میدهد.
🚨لطفا توجه داشته باشید که برای ورود به اپلیکیشن، نیاز است از روش های گذر از تحریم استفاده نمایید.🚨
لینک دسترسی :
https://alizarei.users.earthengine.app/view/climapp
Follow us 👇
https://t.me/GeoHelperData
با توجه به بازخورد دریافتی از مخاطبان، ویدیویی آموزشی آماده شده است که در آن نحوه استخراج و دانلود دادهها از ClimApp را قدمبهقدم توضیح میدهد.
🚨لطفا توجه داشته باشید که برای ورود به اپلیکیشن، نیاز است از روش های گذر از تحریم استفاده نمایید.🚨
لینک دسترسی :
https://alizarei.users.earthengine.app/view/climapp
Follow us 👇
https://t.me/GeoHelperData
❤2
✍علی زارعی (دانشجوی دکتری اقلیم شناسی در دانشگاه تهران)
دمای سطح زمین (Land Surface Temperature (LST)) یکی از مهمترین متغیرهایی است که استفاده فراوانی در مطالعات محیطی و شهری دارد. این متغیر بیانگر دمای سطوح مختلف از جمله پوششهای گیاهی، خاک، آسفالت، بتن، بام ساختمانها و سایر عوارض سطحی است و از طریق سنجندههای حرارتی ماهوارهای اندازهگیری میشود.
به دلیل نقش اساسی LST در تبادل انرژی میان سطح زمین و جو، این شاخص در مطالعات تغییر اقلیم، جزیره حرارتی شهری، ارزیابی تنش گرمایی، مدیریت منابع آب، کشاورزی، پایش خشکسالی و برنامهریزی شهری کاربرد گستردهای دارد.
نکتهای که اغلب موجب برداشت نادرست میشود، یکسان دانستن دمای سطح زمین با دمای هوا است؛ در حالی که این دو کمیت از نظر مفهوم و روش اندازهگیری کاملاً متفاوت هستند. دمای هوا همان دمایی است که ایستگاههای هواشناسی بهطور استاندارد در ارتفاع نزدیک به دو متری از سطح زمین و درون محفظههای مخصوص اندازهگیری میکنند اما LST، دمای خود سطح زمین و عوارض موجود بر روی آن را نشان میدهد که توسط سنجندههای حرارتی ماهوارهای ثبت میشود. به همین دلیل، بهویژه در روزهای گرم و آفتابی، دمای سطح زمین میتواند اختلاف قابلتوجهی با دمای هوا داشته باشد و معمولاً مقادیر بالاتری را نشان دهد.
نقشههای ارائهشده، میانگین سالانه دمای سطح زمین (Annual LST) را برای شهر تهران و حومه در دوره ۲۰۰۶ تا ۲۰۲۵ (میانگین ۲۰ ساله) نشان میدهند. این نقشهها با استفاده از محصولات دمای سطح زمین سنجنده MODIS نصبشده بر روی ماهواره Aqua تهیه شدهاند. نقشه LST روز مربوط به عبور روزانه ماهواره در حدود ساعت ۱۳:۳۰ به وقت محلی و نقشه LST شب مربوط به عبور شبانه در حدود ساعت ۰۱:۳۰ بامداد به وقت محلی است. این دادهها امکان بررسی الگوی مکانی دمای سطح زمین و تحلیل تغییرات حرارتی شهر تهران را در یک دوره بلندمدت فراهم میکنند.
Follow us 👇
https://t.me/GeoHelperData
دمای سطح زمین (Land Surface Temperature (LST)) یکی از مهمترین متغیرهایی است که استفاده فراوانی در مطالعات محیطی و شهری دارد. این متغیر بیانگر دمای سطوح مختلف از جمله پوششهای گیاهی، خاک، آسفالت، بتن، بام ساختمانها و سایر عوارض سطحی است و از طریق سنجندههای حرارتی ماهوارهای اندازهگیری میشود.
به دلیل نقش اساسی LST در تبادل انرژی میان سطح زمین و جو، این شاخص در مطالعات تغییر اقلیم، جزیره حرارتی شهری، ارزیابی تنش گرمایی، مدیریت منابع آب، کشاورزی، پایش خشکسالی و برنامهریزی شهری کاربرد گستردهای دارد.
نکتهای که اغلب موجب برداشت نادرست میشود، یکسان دانستن دمای سطح زمین با دمای هوا است؛ در حالی که این دو کمیت از نظر مفهوم و روش اندازهگیری کاملاً متفاوت هستند. دمای هوا همان دمایی است که ایستگاههای هواشناسی بهطور استاندارد در ارتفاع نزدیک به دو متری از سطح زمین و درون محفظههای مخصوص اندازهگیری میکنند اما LST، دمای خود سطح زمین و عوارض موجود بر روی آن را نشان میدهد که توسط سنجندههای حرارتی ماهوارهای ثبت میشود. به همین دلیل، بهویژه در روزهای گرم و آفتابی، دمای سطح زمین میتواند اختلاف قابلتوجهی با دمای هوا داشته باشد و معمولاً مقادیر بالاتری را نشان دهد.
نقشههای ارائهشده، میانگین سالانه دمای سطح زمین (Annual LST) را برای شهر تهران و حومه در دوره ۲۰۰۶ تا ۲۰۲۵ (میانگین ۲۰ ساله) نشان میدهند. این نقشهها با استفاده از محصولات دمای سطح زمین سنجنده MODIS نصبشده بر روی ماهواره Aqua تهیه شدهاند. نقشه LST روز مربوط به عبور روزانه ماهواره در حدود ساعت ۱۳:۳۰ به وقت محلی و نقشه LST شب مربوط به عبور شبانه در حدود ساعت ۰۱:۳۰ بامداد به وقت محلی است. این دادهها امکان بررسی الگوی مکانی دمای سطح زمین و تحلیل تغییرات حرارتی شهر تهران را در یک دوره بلندمدت فراهم میکنند.
Follow us 👇
https://t.me/GeoHelperData
Telegram
GeoHelper
ارائه دادههای اقلیمی، تصاویر ماهوارهای، نقشهها، مدلسازی، شاخصهای علمی (آسایش حرارتی، اقلیمی، بایوفیزیکی و زیستمحیطی).
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
👍4
✍️علی زارعی (دانشجوی دکتری اقلیم شناسی در دانشگاه تهران)
📊 اعتبارسنجی چیست و چرا اهمیت دارد؟
🌍 یکی از مهمترین مراحل در پژوهشهایی که در آنها از مدلهای اقلیمی استفاده میشود، اعتبارسنجی (Validation) است. در این مرحله، خروجی مدلها با دادههای مرجع مقایسه میشود تا میزان دقت و قابلیت اعتماد آنها مشخص شود. اعتبارسنجی به ما کمک میکند تا مناسبترین مدل را برای مطالعات اقلیمی و پیشآگاهی از تغییرات آینده انتخاب کنیم.
✅یکی از بهترین روشها برای نمایش نتایج اعتبارسنجی، نمودار تیلور (Taylor Diagram) است. این نمودار بهصورت همزمان سه شاخص آماری مهم را نمایش میدهد و امکان مقایسه عملکرد چندین مدل را در یک شکل فراهم میکند.
🔹 اجزای مختلف نمودار تیلور :
📌 انحراف معیار (Standard Deviation):
قوسهای مشکی (در شکل ارائه شده) نشاندهنده انحراف معیار (Standard Deviation) هستند و میزان تغییرپذیری دادههای هر مدل را نمایش میدهند. هرچه انحراف معیار مدل به مقدار دادههای مرجع نزدیکتر باشد، مدل توانسته تغییرات واقعی را بهتر شبیهسازی کند.
📌 ضریب همبستگی (Correlation Coefficient):
خطوط آبی رنگ (در شکل ارائه شده) ضریب همبستگی را نشان میدهند. هرچه مقدار همبستگی به عدد ۱ نزدیکتر باشد، شباهت الگوی تغییرات مدل با دادههای مرجع بیشتر است.
📌ریشه میانگین مربعات اختلاف (Root Mean Square Difference):
کمانهای سبزرنگ (در شکل ارائه شده) مقدار RMSD را نشان میدهند. این شاخص میزان اختلاف کلی بین خروجی مدل و دادههای مرجع را بیان میکند؛ بنابراین هرچه مقدار RMSD کمتر باشد، عملکرد مدل بهتر است.
📌دادههای مرجع یا مشاهداتی Observation:
نقطه Observation نمایانگر دادههای مرجع است و مدلهایی که به این نقطه نزدیکتر باشند، از دقت بیشتری برخوردارند.
🔹 جمعبندی
بهطور کلی، در نمودار تیلور بهترین مدل، مدلی است که:
✅ ضریب همبستگی بالاتری (نزدیک به ۱) داشته باشد.
✅ مقدار RMSD کمتری داشته باشد.
✅ انحراف معیار آن به دادههای مشاهدهای نزدیکتر باشد.
📖 منبع:
نمودار ارائه شده برگرفته از مقاله زارعی و مقبل (2025) است. در بخش اعتبارسنجی این مقاله، عملکرد ۹ مدل گردش عمومی جو (GCM) بهصورت منفرد و همچنین میانگین چندمدلی (MME) در شبیهسازی شاخص ACDD برای ایران، با استفاده از دادههای مرجع ارزیابی شده است.
Reference
Zarei, A., & Moghbel, M. (2025). Detection of changes in the Annual Cooling Degree Days (ACDD) index in Iran for the historical and future periods, considering the highly populated provinces. Journal of Thermal Biology, 104147. https://doi.org/10.1016/j.jtherbio.2025.104147
Follow us 👇
https://t.me/GeoHelperData
📊 اعتبارسنجی چیست و چرا اهمیت دارد؟
🌍 یکی از مهمترین مراحل در پژوهشهایی که در آنها از مدلهای اقلیمی استفاده میشود، اعتبارسنجی (Validation) است. در این مرحله، خروجی مدلها با دادههای مرجع مقایسه میشود تا میزان دقت و قابلیت اعتماد آنها مشخص شود. اعتبارسنجی به ما کمک میکند تا مناسبترین مدل را برای مطالعات اقلیمی و پیشآگاهی از تغییرات آینده انتخاب کنیم.
✅یکی از بهترین روشها برای نمایش نتایج اعتبارسنجی، نمودار تیلور (Taylor Diagram) است. این نمودار بهصورت همزمان سه شاخص آماری مهم را نمایش میدهد و امکان مقایسه عملکرد چندین مدل را در یک شکل فراهم میکند.
🔹 اجزای مختلف نمودار تیلور :
📌 انحراف معیار (Standard Deviation):
قوسهای مشکی (در شکل ارائه شده) نشاندهنده انحراف معیار (Standard Deviation) هستند و میزان تغییرپذیری دادههای هر مدل را نمایش میدهند. هرچه انحراف معیار مدل به مقدار دادههای مرجع نزدیکتر باشد، مدل توانسته تغییرات واقعی را بهتر شبیهسازی کند.
📌 ضریب همبستگی (Correlation Coefficient):
خطوط آبی رنگ (در شکل ارائه شده) ضریب همبستگی را نشان میدهند. هرچه مقدار همبستگی به عدد ۱ نزدیکتر باشد، شباهت الگوی تغییرات مدل با دادههای مرجع بیشتر است.
📌ریشه میانگین مربعات اختلاف (Root Mean Square Difference):
کمانهای سبزرنگ (در شکل ارائه شده) مقدار RMSD را نشان میدهند. این شاخص میزان اختلاف کلی بین خروجی مدل و دادههای مرجع را بیان میکند؛ بنابراین هرچه مقدار RMSD کمتر باشد، عملکرد مدل بهتر است.
📌دادههای مرجع یا مشاهداتی Observation:
نقطه Observation نمایانگر دادههای مرجع است و مدلهایی که به این نقطه نزدیکتر باشند، از دقت بیشتری برخوردارند.
🔹 جمعبندی
بهطور کلی، در نمودار تیلور بهترین مدل، مدلی است که:
✅ ضریب همبستگی بالاتری (نزدیک به ۱) داشته باشد.
✅ مقدار RMSD کمتری داشته باشد.
✅ انحراف معیار آن به دادههای مشاهدهای نزدیکتر باشد.
📖 منبع:
نمودار ارائه شده برگرفته از مقاله زارعی و مقبل (2025) است. در بخش اعتبارسنجی این مقاله، عملکرد ۹ مدل گردش عمومی جو (GCM) بهصورت منفرد و همچنین میانگین چندمدلی (MME) در شبیهسازی شاخص ACDD برای ایران، با استفاده از دادههای مرجع ارزیابی شده است.
Reference
Zarei, A., & Moghbel, M. (2025). Detection of changes in the Annual Cooling Degree Days (ACDD) index in Iran for the historical and future periods, considering the highly populated provinces. Journal of Thermal Biology, 104147. https://doi.org/10.1016/j.jtherbio.2025.104147
Follow us 👇
https://t.me/GeoHelperData
Telegram
GeoHelper
ارائه دادههای اقلیمی، تصاویر ماهوارهای، نقشهها، مدلسازی، شاخصهای علمی (آسایش حرارتی، اقلیمی، بایوفیزیکی و زیستمحیطی).
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
زبانها و نرمافزارهای تحت پوشش : Python, R, MATLAB, GIS, Google Earth Engine, Google Earth و SPSS.
ارتباط با ما :
@Ali_Zarei76
👍4👏2❤1
Media is too big
VIEW IN TELEGRAM
📢 معرفی نرمافزار AZ Validation Tool
📈اعتبارسنجی خروجی مدلها و مقایسه آنها با دادههای مشاهدهای، یکی از مراحل کلیدی در بسیاری از پژوهشهای علمی است. این فرآیند معمولاً نیازمند محاسبه چندین شاخص آماری بوده و میتواند زمانبر باشد.
به همین منظور، نرمافزار AZ Validation Tool طراحی و توسعه داده شده است تا فرآیند اعتبارسنجی را سریع، دقیق و ساده کرده و تنها با چند کلیک، محاسبات موردنیاز انجام شود.
🔹 قابلیتهای نرمافزار:
✅ ورود دادهها از فایل Excel
✅ شناسایی خودکار دادههای موجود در فایل اکسل
✅ محاسبه خودکار شاخصهای آماری:
R
R²
RMSE
MAE
Bias
NSE
✅ نمایش نتایج بهصورت گرافیکی
✅ ذخیره نمودارها با کیفیت بالا در فرمتهای:
PNG، JPG و PDF
این نرمافزار توسط علی زارعی، دانشجوی دکتری رشته اقلیمشناسی دانشگاه تهران، طراحی، توسعه و پیادهسازی شده است.
📩 برای دریافت نرمافزار، از طریق تلگرام با آیدی زیر در ارتباط باشید:
@Ali_Zarei76
Follow us 👇
https://t.me/GeoHelperData
📈اعتبارسنجی خروجی مدلها و مقایسه آنها با دادههای مشاهدهای، یکی از مراحل کلیدی در بسیاری از پژوهشهای علمی است. این فرآیند معمولاً نیازمند محاسبه چندین شاخص آماری بوده و میتواند زمانبر باشد.
به همین منظور، نرمافزار AZ Validation Tool طراحی و توسعه داده شده است تا فرآیند اعتبارسنجی را سریع، دقیق و ساده کرده و تنها با چند کلیک، محاسبات موردنیاز انجام شود.
🔹 قابلیتهای نرمافزار:
✅ ورود دادهها از فایل Excel
✅ شناسایی خودکار دادههای موجود در فایل اکسل
✅ محاسبه خودکار شاخصهای آماری:
R
R²
RMSE
MAE
Bias
NSE
✅ نمایش نتایج بهصورت گرافیکی
✅ ذخیره نمودارها با کیفیت بالا در فرمتهای:
PNG، JPG و PDF
این نرمافزار توسط علی زارعی، دانشجوی دکتری رشته اقلیمشناسی دانشگاه تهران، طراحی، توسعه و پیادهسازی شده است.
📩 برای دریافت نرمافزار، از طریق تلگرام با آیدی زیر در ارتباط باشید:
@Ali_Zarei76
Follow us 👇
https://t.me/GeoHelperData
👍3🔥2❤1
VID_20260816_001846_523.mp4
2.3 MB
🌧📉 تغییرات زمانی_مکانی بارش سالانه ایران طی دوره ۱۹۹۶–۲۰۲۵، با استفاده از دادههای CHIRPS
Follow us 👇
https://t.me/GeoHelperData
Follow us 👇
https://t.me/GeoHelperData
👏3👍1
✍️علی زارعی (دانشجوی دکتری اقلیم شناسی در دانشگاه تهران، اوت 2026)
🌡️روزهای داغ ایران
روز داغ (Hot Day) به روزی گفته میشود که دمای بیشینه از یک آستانه مشخص بالاتر باشد؛ این آستانه بسته به شرایط اقلیمی و هدف مطالعه متفاوت است.
در این بررسی، روزهایی که دمای بیشینه بالاتر از 40 درجه سلسیوس بوده، به عنوان روزهای داغ در نظر گرفته شده و مجموع این روزها در طول سال محاسبه گردیده است.
🗺️📈 نقشه، پراکنش مکانی و نمودار، تغییرات زمانی و روند روزهای داغ را نشان میدهند. نتایج، روند افزایشی معنادار را نشان میدهد؛ بهطوری که حدود ۱.۸ روز در هر ۱۰ سال به روزهای داغ ایران افزوده شده است (استفاده از ERA5-Land).
Follow us 👇
https://t.me/GeoHelperData
🌡️روزهای داغ ایران
روز داغ (Hot Day) به روزی گفته میشود که دمای بیشینه از یک آستانه مشخص بالاتر باشد؛ این آستانه بسته به شرایط اقلیمی و هدف مطالعه متفاوت است.
در این بررسی، روزهایی که دمای بیشینه بالاتر از 40 درجه سلسیوس بوده، به عنوان روزهای داغ در نظر گرفته شده و مجموع این روزها در طول سال محاسبه گردیده است.
🗺️📈 نقشه، پراکنش مکانی و نمودار، تغییرات زمانی و روند روزهای داغ را نشان میدهند. نتایج، روند افزایشی معنادار را نشان میدهد؛ بهطوری که حدود ۱.۸ روز در هر ۱۰ سال به روزهای داغ ایران افزوده شده است (استفاده از ERA5-Land).
Follow us 👇
https://t.me/GeoHelperData
❤2👏2