Scientific journal
Advances in current natural sciences
ISSN 1681-7494
"Перечень" ВАК
ИФ РИНЦ = 0,791

INFLUENCE OF COORDINATES AND HEIGHT OF POSITION AT THE CENTERS OF THE CAPITALS OF SUBJECTS OF WESTERN SIBERIA ON THE PARAMETERS OF CLIMATE AND WEATHER

Mazurkin P.M. 1
1 Volga State University of Technology
1378 KB
From the general matrix of factor analysis of 40 parameters in nine groups, a particular matrix of the influence of the parameters of the first group (coordinates of the centers of capitals and the height of their position) on 11 parameters of the first three groups (3 parameters of position, 4 climates for 1960-1990, 4 weather for 2018). The regularities of the influence of the coordinates and the height of the position of the centers of the capitals in 14 subjects of the Federation of Urals and Siberia by rank distributions, as well as on the parameters of climate and weather, have been revealed. The coefficient of the correlative variation of the partial matrix is ​​0.5989, and it gives the average level of adequacy. Two ratings have been obtained: 1) the influencing variable in the first place is X02 – east longitude, in the second – north latitude and in the third – X03 – height above sea level; 2) the dependent indicator in the first place is X03 – altitude, on the second X02 – longitude and on the third X08 – the average temperature over 30 years in January. The influence of the ranks on the heights of five members gives a maximum relative error of 0,08 %. This applies to Chelyabinsk. For longitude, the fifth term gave the maximum relative error of 0,72 % for Yekaterinburg. Latitude models by ranks gave 0,25 %. This is Kyzyl, the capital of the Tuva Republic. The X01 → X03 pair with a correlation of 0,8674 shows the change in the height of the centers of the capitals from the influence of latitude. the pair X02 → X04 is in second place. With a longitude from 840 to 950, there is a decrease in the night temperature for 1960–1990. in the form of an energy pit The same change in the amount of precipitation for July occurs in the latitude interval from 51,50 to 52,50.
subjects
capitals
Western Siberia
coordinates
height
climate
weather
patterns
1. Rosenzweig C., Solecki W., Romero-Lankao P., Mehrotra S., Dhakal S., Bowman T., Ali Ibrahim S. ARC3,2 Summary for City Leaders, Urban Climate Change Research Network, New York, Second UCCRN Assessment Report on Climate Change and Cities, 2015. 90 р.
2. Cities and climate change, Global report on human settlements 2011. United Nations Human Settlements Programme. London, Washington, DC. 2011. 300 p.
3. Cities and climate change. [Electronic resource]. URL: https://www,unep,org/explore-topics/resource-efficiency/what-we-do/cities/cities-and-climate-change (date of access: 14.07.2021).
4. How climate change is going to affect cities, urban spaces. Urban Plsnning. [Electronic resource]. URL: https://kinder.rice.edu/urbanedge/2019/09/03/how-climate-change-going-change-cities-urban-spaces (date of access: 14.07.2021).
5. Kennell J. The Shape and Layout of Cities Affect the Weather. [Electronic resource]. URL: http://thescienceexplorer.com/nature/shape-and-layout-cities-affect-weather (date of access: 14.07.2021).
6. Mazurkin P.M. Factor analysis of the subjects of the Siberian district by 40 parameters of the population’s life. Biosphere economy: theory and practice. 2021. № 5 (35). P. 17–39.

Города вносят основной вклад в изменение климата. По данным ООН Хабитат, города потребляют 78 % мировой энергии и производят более 60 % выбросов парниковых газов. Однако они занимают менее 2 % поверхности Земли (Cities and Pollution | United Nations).

В городах следует применять долгосрочный системный подход к адаптации к изменению климата и смягчению его последствий [1]. Силы были вызваны развитием и манипулированием окружающей средой в индустриальную эпоху. Последствия урбанизации и изменения климата сочетаются опасно, угрожая оказать беспрецедентное негативное воздействие на качество жизни, экономическую и социальную стабильность [2].

Оценки показывают, что города производят 75 % глобальных выбросов CO2, причем транспорт и здания являются одними из самых значимых источников [3]. Города растут, и по мере того, как происходит изменение климата, городской ландшафт будет продолжать ощущать последствия экологического кризиса [4]. Форма и планировка городов влияют на погоду и качество воздуха. Благодаря эффекту городского теплового острова города часто выглядят довольно благоуханными по сравнению с окружающей средой. На самом деле в городах бывает так жарко, что они начинают влиять на погоду и качество воздуха. Но все сводится не только к теплу, которое выделяют города, но и к их форме и расположению [5].

Цель исследования – выявление закономерностей [6] между 11 параметрами координат и высоты географического положения центров столиц, а также климата за 1960–1990 гг. и погоды за 2018 г. на территории 14 субъектов федерации Урала и Сибири.

Материалы и методы исследования

Составлены данные относительно геодезических координат и высоты положения центров столиц субъектов Федерации (три параметра), а также четырех факторов климата за период 1960–1990 гг. и четырех параметров погоды за 2018 г.

В табл. 1 дан фрагмент консолидированных данных по 14 субъектам из Уральского и Сибирского федеральных округов из сайта https://rosstat.gov.ru/accounts (дата обращения 07.08.2020), в частности из Российского статистического ежегодника, 2019. Данные по координатам столиц субъектов Федерации и их климату были взяты из источников Координаты в городах России, n.d. и Среднемесячные климатические данные, n.d.

Таблица 1

Фрагмент исходных данных по 40 параметрам

Код

Субъект федерации

Западной Сибири

Столица

субъекта

Координаты

   

Х01

Х02

Х03

Х40

45

Курганская область

Курган

5,45

5,3333

75

262,2

66

Свердловская область

Екатеринбург

6,8519

0,6122

255

251,9

72

Тюменская область

Тюмень

7,1522

5,5272

81

174,1

74

Челябинская область

Челябинск

5,154

1,4291

218

251,0

4

Республика Алтай

Горно-Алтайск

1,9606

25,9189

285

222,3

17

Республика Тыва

Кызыл

1,7147

34,4534

624

378,1

19

Республика Хакасия

Абакан

3,7156

31,4292

247

249,9

22

Алтайский край

Барнаул

3,3606

23,7636

189

260,1

24

Красноярский край

Красноярск

6,0184

32,8672

139

262,1

38

Иркутская область

Иркутск

2,2978

44,296

427

320,1

42

Кемеровская обл. – Кузбасс

Кемерово

5,3333

26,0833

104

342,8

54

Новосибирская область

Новосибирск

5,0415

22,9346

164

232,1

55

Омская область

Омск

4,9924

13,3686

90

220,3

70

Томская область

Томск

6,4977

24,9744

117

201,3

Примечание: Выделены субъекты федерации Ангаро-Енисейского макрорегиона.

Для выявления закономерностей влияния трех географических параметров на 11 параметров трех групп (географические, климат и погода) были приняты условные обозначения:

1) географические координаты и высота положения центров столиц субъектов федерации (Х01 – приведенная северная широта, причем MAZUR01.wmf, 0; Х02 – приведенная восточная долгота, причем MAZUR02.wmf, 0; Х03 – высота над уровнем Балтийского моря, м);

2) климатические среднемесячные па- раметры за 30-летний период 1961–1990 гг. (Х04 – средняя ночная температура, 0С; Х05 – средняя дневная температура, 0С; Х06 – средняя сумма осадков, мм; Х07 – среднее число дней с осадками >0,1 мм, шт.);

3) параметры погоды (2018) (Х08 – средняя температура, январь, 0С; Х09 – средняя температура, июль, 0С; Х10 – сумма осадков за январь, мм; Х11 – сумма осадков за июль, мм).

Результаты исследования и их обсуждение

Результаты идентификации данных из табл. 1 ранговых распределений (выделены курсивом) и пар с 11 фактором приведены в табл. 2.

Коэффициент коррелятивной вариации (по Ч. Дарвину коррелятивная вариация) по табл. 2 равен 19,7649 / (3 x 11) = 0,5989, и он дает средний (коэффициент корреляции от 0,5 до 0,7) уровень адекватности системы факторов. Сравнение объектов происходит по силе функциональной связности между всеми учтенными параметрами.

Таблица 2

Корреляционная матрица по трендам и рейтинг факторов

x

Группа I

Группа II

Группа III

Сумма

Σrx

Место

Ix

Х01

Х02

Х03

Х04

Х05

Х06

Х07

Х08

Х09

Х10

Х11

Х01

0,9954

0,6373

0,8674

0,5952

0,2242

0,5427

0,3521

0,7115

0,4510

0,4491

0,8208

6,6467

2

Х02

0,6526

0,9755

0,7402

0,8340

0,5937

0,2432

0,4314

0,7632

0,7382

0,4892

0,5587

7,0199

1

Х03

0,7646

0,5024

0,9913

0,4826

0,2428

0,5240

0,5545

0,7113

0,2965

0,2825

0,7458

6,0983

3

 

2,4126

2,1152

2,5989

1,9118

1,0607

1,3099

1,338

2,186

1,4857

1,2208

2,1253

19,7649

 

2

5

1

6

11

9

8

3

7

10

4

0,5989

Даны два рейтинга: 1) как влияющие переменные на первом месте находится Х02 – приведенная восточная долгота, на втором – приведенная северная широта и на третьем Х03 – высота над уровнем моря; 2) как зависимые показатели (критерии оценки) на первом месте расположился фактор Х03 – высота над уровнем Балтийского моря, на втором Х02 – приведенная восточная долгота и на третьем Х08 – средняя температура за 30 лет в январе.

Ранговые распределения трех параметров I группы показывают добротность измерений (табл. 3). Дополнительно к тренду были идентифицированы три колебания (вейвлета).

Рейтинг географических параметров дан по убыванию коэффициента корреляции:

1) 1,0000 Х03 – высота над уровнем Балтийского моря (рис. 1);

2) 0,9988 Х02 – приведенная восточная долгота (рис. 2);

3) 0,9974 Х01 – приведенная северная широта (рис. 3).

mazyrk3.tif

Рис. 3. Графики рангового распределения приведенной северной широты

Из-за введения вейвлетов малые изменения коэффициента корреляции (по вычислительным возможностям программной среды CurveExpert-1,40) не изменили места в табл. 2.

Таблица 3

Параметры вейвлетов рангового распределения географического положения

Но-

мер

i

Вейвлет MAZUR03.wmf

Коэф,

корр,

r

Амплитуда (половина) колебания

Полупериод колебания

Сдвиг

a1i

a2i

a3i

a4i

a5i

a6i

a7i

a8i

1,0000 Х03 – высота над уровнем Балтийского моря

1

74,88229

0

–0,083913

1,20576

0

0

0

0

1/0000

2

–1,09956

0

–0,19132

1,27095

108,1762

–82,5505

0,087843

–1,24733

3

4,29896e6

14,05188

21,92848

0,32859

2,42095

–0,017978

1,49980

2,15369

0,9407

4

11,88306

8,94444

2,65029

1

1,01539

–0,0019601

1

4,61096

0,9281

5

3,47988

0

2,22844

1

4,09031

0

0

–1,43614

0,8106

0,9988 Х02 – приведенная восточная долгота

1

4,34465e–21

0

–3,77755

1

0

0

0

0

0,9988

2

8,74845

3,18925

2,10578

0,45827

0

0

0

0

3

–1,46959

1,76679

0,35743

1

0,87987

0,12537

1

1,23892

4

0,00043509

4,99330

0,0030079

3,09054

0,98692

0,00054931

2,34460

–2,65407

0,9667

5

0,66132

0

1,91336

1

2,06069

0

0

0,40501

0,9985

0,9974 Х01 – приведенная северная широта

1

1,71905

0

–0,056607

1,10874

0

0

0

0

0,9974

2

1,87826

3,93313

2,94508

0,46620

0

0

0

0

3

0,00027984

24,86442

10,07419

0,67599

92,1210

0

0

–1,35516

4

–0,19595

0,57786

0,010323

2,38088

0,89411

0,0017838

2,07207

1,72504

0,9995

mazyrk1.tif

Рис. 1. Графики рангового распределения высоты над уровнем Балтийского моря (в правом верхнем углу: S – стандартное отклонение; r – коэффициент корреляции)

mazyrk2.tif

Рис. 2. Графики рангового распределения приведенной восточной долготы

Тренд с коэффициентом корреляции 0,9913 дает максимальную относительную погрешность |Δmax| = 35,77 %. Это Курган, столица Курганской области. При этом погрешность более 5 %, поэтому дальше моделировать нужно асимметричными вейвлетами (табл. 3). После пятого члена максимальная относительная погрешность стала |Δmax| = 0,08 %. Это уже относится к Челябинску. Модель по параметрам из табл. 3 является высокоадекватной.

На рис. 2 даны графики распределения по рангам при введенной восточной долготе.

После двухчленного тренда максимальная относительная погрешность равна |Δmax| = 204,39 % для восточной долготы, что значительно превышает допустимый уровень в 5 %. С тремя членами модели максимальная относительная погрешность снижается до 100,00 %. Это долгота Екатеринбурга. При этом всего две точки из 14 больше 5 %. Окончательно после пятого члена получилось |Δmax| = 0,72 % для Екатеринбурга.

На рис. 3 показаны графики рангового распределения приведенной северной широты для 14 субъектов федерации Западной Сибири.

Максимальная относительная погрешность тренда |Δmax| = 8,33 %. Это Абакан, столица Хакасии. По минимальной погрешности трендов северная широта занимает первое место, на втором – высота и на третьем – восточная долгота. Погрешность более 5 % у северной широты всего 2 точки из 14. После последнего, четвертого, члена модели максимальная относительная погрешность равна всего |Δmax| = 0,25 %. Это Кызыл, столица Республики Тыва.

Таким образом, применение к тренду дополнительно нескольких вейвлетов значительно снижает максимальную относительную погрешность моделей распределения.

Тогда получается, что рельеф по географическим параметрам имеет четкую волновую природу. Он получается из-за колебательной адаптации процессов горообразования и эрозии во времени геодинамики. Люди, основавшие города, выбирали на местности точки для установления центров по четким правилам, обусловленным многовековым опытом: прежде всего учитывались водный транспорт, защита от неприятелей, плодородная почва недалеко от городской стены.

В итоге центры городов, хотя за многие века и перемещались, являются хорошим примером сочетания параметров ландшафта и организации жизни в городах и территориях вокруг.

Парные отношения из-за малости количества субъектов и объема статьи моделируются только трендом. Выберем из табл. 2 сильные бинарные отношения с коэффициентом корреляции не менее 0,7 (табл. 4). Из общего количества бинарных отношений 3 х 11 – 3 = 30 шт. сильные факторные связи равны 10 шт., или по доле равно 33,33 % (третья часть).

Таблица 4

Корреляционная матрица парных отношений по трендам (1) при r ≥ 0.7

x

Группа I

Группа II

Группа III

Х01

Х02

Х03

Х04

Х05

Х06

Х07

Х08

Х09

Х10

Х11

Х01

   

0,8674

       

0,7115

   

0,8208

Х02

   

0,7402

0,8340

     

0,7632

0,7382

   

Х03

0,7646

           

0,7113

   

0,7458

Рейтинг сильных пар следующий (табл. 5): 1) 0,8674 Х01 → Х03; 2) 0,8340 Х02 → Х04; 3) 0,8208 Х01 → Х11; 4) 0,7646 Х03 → Х01; 5) 0,7632 Х02 → Х08; 6) 0,7458 Х03 → Х11; 7) 0,7402 Х02 → Х03; 8) 0,7382 Х02 → Х09; 9) 0,7115 Х01 → Х08; 10) 0,7113 Х03 → Х08.

В табл. 5 по убыванию коэффициента корреляции даны параметры всех отобранных 10 закономерностей по тренду из табл. 4. При условии c = 1 из первого члена тренда образуется закон Мандельброта (в физике), Лапласа (в математике), Ципфа–Перла (в биологии) и Парето (в эконометрике). При условии c ≠ 1 получается модифицированный нами закон Мандельброта. Дополнительно при условиях f = 0 и g = 0 вместо биотехнического закона образуется степенная функция. Отрицательный знак перед второй составляющей тренда показывает кризисное изменение показателя при влиянии Х01, Х02 или Х03.

Таблица 5

Параметры тренда бинарных отношений при r ≥ 0.7

Пере-менная

x

Пока-

затель

y

Двухчленный тренд MAZUR04.wmf

Коэф,

корр,

r

Экспоненциальный закон

Биотехнический закон

a

b

c

d

e

f

g

Х01

Х03

6918,4576

0,21987

0,85806

–7588,9455

0,36409

0,51655

0,70463

0,8674

Х02

Х04

–27,88048

–0,017132

1

–7,9943e–152

147,5549

4,99528

1

0,8340

Х01

Х11

126,33416

0,048289

1,48617

–0,23949

18,94809

5,29786

0,99731

0,8208

Х03

Х01

6,56639

0,0011818

1

–1,63282e–11

4,68214

0,00051370

1,39812

0,7646

Х02

Х08

–8,04891

–0,0096242

1

–8,52207

0,10697

0

0

0,7632

Х03

Х11

67,22798

7,23374e–5

1,89888

6,33050e–5

2,75455

0,0064646

0,97084

0,7458

Х02

Х03

282,94532

0,19940

1

1,24254e–6

7,04685

0,15805

1

0,7402

Х02

Х09

18,32800

–0,033824

1

–0,11711

1,67626

0

0

0,7382

Х01

Х08

–321,30800

0,28673

0,94760

375,45468

0,54865

0,69163

0,83092

0,7115

Х03

Х08

–21,15921

0,00025567

1

–1,11347e–9

3,58506

0

0

0,7113

На рис. 4 приведен график Х01 → Х03, который показывает зависимость изменения высоты положения центра столицы субъекта федерации Западной Сибири от влияния северной широты.

mazyrk4.tif

Рис. 4. Графики влияния северной широты на высоту положения столиц

mazyrk5.tif

Рис. 5. Графики моделей сильных влияний географических параметров на климат и погоду

Остальные парные отношения графически показаны на рис. 5.

Остатки на рис. 4 показывают возможность идентификации парных отношений дополнительно к тренду волновыми уравнениями. Однако известно, что для получения добротных вейвлетов необходимо принять количество субъектов не менее 20. Тогда придется рассматривать все субъекты федерации Сибири и Дальнего Востока совместно.

По рис. 5 пара Х02 → Х04 находится на втором месте. Тогда из графика видно, что в интервале приведенной долготы от 240 до 350 имеется снижение средней ночной температуры за 1960–1990 гг. Аналогичное изменение суммы осадков за июль происходит в интервале приведенной широты от 1,50 до 2,50 (широты от 51,50 до 52,50), Так анализируются все пары.

Заключение

Выявлены закономерности влияния координат и высоты географического положения центров столиц у 14 субъектов федерации Урала и Сибири на самих себя (по рангам), а также на параметры климата за 1960–1990 гг. и погоды за 2018 г.

Коэффициент коррелятивной вариации равен 0,5989, и он дает средний уровень адекватности матрицы из 3 х 11 факторов. Получены два рейтинга: 1) влияющей переменной: на первом месте Х02 – восточная долгота, на втором – северная широта и на третьем Х03 – высота над уровнем моря; 2) зависимым показателем: на первом месте Х03 – высота над уровнем моря, на втором Х02 – долгота и на третьем Х08 – средняя температура за 30 лет в январе.

Влияние рангов на высоту по пяти членам дает максимальную относительную погрешность 0,08 %. Это относится к Челябинску. Для долготы пятый член дал 0,72 % для Екатеринбурга. Модели широты по рангам дала 0,25 %. Это Кызыл, столица Республики Тыва. Пара Х01 → Х03 с корреляцией 0,8674 показывает изменение высоты от влияния широты. Пара Х02 → Х04 находится на втором месте. Видно, что в интервале приведенной долготы от 240 до 350 имеется снижение средней ночной температуры за 1960–1990 гг. Аналогичное изменение суммы осадков за июль происходит в интервале приведенной широты от 1,50 до 2,50 (широты от 51,50 до 52,50).

Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований, Правительства Красноярского края, Красноярского краевого фонда науки в рамках научного проекта: «19-45-240004р_а Прогноз эколого-экономического потенциала возможных «климатических» миграций в Ангаро-Енисейском макрорегионе в меняющемся климате XXI века».