КҮНТІЗБЕЛІК ЖЫЛДАРДЫҢ ТИПОЛОГИЯСЫ ЖӘНЕ ЖАҺАНДЫҚ ЖЫЛЫНУ ЖАҒДАЙЫНДАҒЫ ЖЫЛУ РЕЖИМІНІҢ ДИНАМИКАСЫ: АЛМАТЫ ҚАЛАСЫ ҮШІН ҚАТЕРЛЕРДІ БАҒАЛАУ
DOI:
https://doi.org/10.54668/2789-6323-2026-123-3-67-78Кілт сөздер:
Алматы климаты, көпөлшемді статистикалық талдау, факторлық талдау, кластерлеу, жылдар типологиясы, қайталаным динамикасы, өзгеріс нүктесі, Петтит критерийі, Манн-Кендалл критерийі, климаттық тәуекелдер мен бейімделуАңдатпа
Осы зерттеудің мақсаты – Алматы қаласындағы күнтізбелік жылдар бойынша жылулық жағдайлардың статистикалық тұрғыдан негізделген типологиясын әзірлеу және қазіргі климаттың өзгеруі жағдайында осы жағдайлардың өзгерісін сандық тұрғыдан талдау болды. Зерттеу барысында екі сатылы тәсіл қолданылды. Бірінші кезеңде негізгі компоненттер талдауы (PCA) арқылы деректердің өлшемділігі қысқартылып, одан кейін k-means әдісімен кластерлеу негізінде күнтізбелік жылдардың типтері анықталды. Екінші кезеңде анықталған типтердің қайталану динамикасы параметрлік емес статистикалық әдістер (Петтит критерийі, Манн–Кендалл критерийі және Тейлор-Сен бағалауы) көмегімен талданды. PCA нәтижелері (KMO = 0.764) жалпы дисперсияның 61,6%-ын түсіндіретін және негізгі маусымдық заңдылықтарды сипаттайтын төрт жасырын факторды айқындады. Осы факторларға негізделген кластерлік талдау күнтізбелік жылдардың 95,8% дәлдікпен бес статистикалық тұрғыдан сенімді типін (сыныбын) бар екенін көрсетті, бұл нәтиже сызықтық дискриминанттық талдау (LDA) арқылы расталды. Динамикалық талдау климаттық режимде 1993 жылы статистикалық маңызды бұрылыс нүктесінің бар екенін анықтады (Petit критерийі, p < 0,001). Өте жоғары трансформация қарқыны байқалды: ең жылы типтің (жұмсақ қыс, өте жылы жаз) жиілігі әр онжылдықта +8,4%-ға артып отырса, ең суық типтің жиілігі –7,1%-ға төмендеген. Қазіргі кезеңде (2001...2025 жж.) жаңа климаттық норма қалыптасқан, мұнда жылы тип жылдардың 68%-ын құрайды. Алынған типология және оның динамикасының сандық бағалаулары егжей-тегжейлі климаттық диагностика үшін практикалық құрал ретінде қызмет етеді, күрделі тәуекелдерді (жылу толқындары, ауа сапасының нашарлауы, инфрақұрылымға түсетін жүктеме) бағалауға және жаһандық жылынудың «ыстық нүктесі» саналатын аймақта орналасқан мегаполис үшін мақсатты бейімделу стратегияларын әзірлеуге мүмкіндік береді.
References
Semenov, S. M. (2015). Greenhouse effect: development of the concept, role in global climate formation and its anthropogenic changes. Fundamental and Applied Climatology, 2, 103–126. [in Russian]
Shalimov, S. A. (2015). Urban heat island in Almaty: intensity and spatial structure. News of NAS RK. Series of Geography and Geoecology, (4), 15–25. [in Russian]
Jacob, D. J., & Winner, D. A. (2009). Effect of climate change on air quality. Atmospheric Environment, 43(1), 51–63.
Gulakhmadov, A. A. (2021). Assessment of trends and magnitude changes of hydrometeorological parameters over recent decades in Central Asia. TSPBO Bulletin, (1), 8–18. [in Russian]
Huang, D., Qian, Y., & Zhu, J. (2020). Trends in regional blockings and their relationship with temperature extremes in Central Asia. International Journal of Climatology, 40(2), 1158–1172.
IPCC. (2021). Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, 2391 p.
Zadonsky, I. D. (2025). AI in time series forecasting: new approaches to non-linear data analysis. Bulletin of Science, 3(6), 1740–1747. [in Russian]
Kumratova, A. M. (2015). Mathematical methods and software tools for studying trends in evolutionary development of natural processes. Polythematic Online Scientific Journal of Kuban State Agricultural University, (111), 489–503. [in Russian]
Shugurova, M. A. (2026). Forecasting seasonal time series using hybrid regression models. Vestnik of Samara University. Natural Science Series, 32(1), 192–203. [in Russian]
Gulev, S. K., & Soloviev, D. A. (2025). Energetics and climate tipping points of the ocean-atmosphere system: risks and uncertainties for the XXI century. Environment and Energy Science, (4), 39–66. [in Russian]
Soldatenko, S. A., & Yusupov, R. M. (2019). Assessment of the impact of thermal inertia and feedbacks in the atmosphere-ocean system on global surface temperature variability. Izvestiya, Atmospheric and Oceanic Physics, 55(6), 114–126. [in Russian]
Wills, R. C., Dong, Y., Proistosecu, C., et al. (2022). Systematic climate model biases in the large-scale patterns of recent sea-surface temperature and climate change. Geophysical Research Letters, 49(17), 1–12.
Webb, E. J., & Magi, B. I. (2022). The ensemble oceanic Niño index and regional climate impacts. International Journal of Climatology, 42(10), 5321–5341.
Khlustov, V. K., & Kokorin, S. G. (2026). Typology of calendar years as a tool for substantiating economic adaptation to climate change. Environmental Engineering, (3), 120–128. [in Russian]
Gordov, E. P. (2023). Digital twins of systems and processes as a tool for modern climatology. Fundamental and Applied Climatology, 9(3), 269–298. [in Russian]
Bauer, P., Stevens, B., & Hazeleger, W. (2021). A digital twin of Earth for the green transition. Nature Climate Change, 11(2), 80–83.
Li, X., Feng, M., Ran, Y., et al. (2023). Big Data in Earth system science and progress towards a digital twin. Nature Reviews Earth & Environment, 4(5), 319–332.
Chen, G., Yang, J., Huang, B., et al. (2023). Toward digital twin of the ocean: Integrated 3D OHC monitoring and data-driven climate analysis. Intelligent Marine Technology and Systems, 1(1), 3.
Botygin, I. A., Kataev, S. G., Sherstnev, V. S., & Sherstneva, A. I. (2015). Methods for classification and analysis of climate fields. Journal of Eurasian Science, 7(6), 98. [in Russian]
Gusev, V. M., & Osipov, G. S. (2026). Comparative analysis of methods for assessing clustering quality on the example of k-means algorithm. Flagship of Science, (4), 39. [in Russian]
Dunskaia, L. K., & Popova, E. V. (2025). Adaptation of k-means as a tool for automating the forecasting process of weakly structured time series. π-Economy, 18(1), 160–177. [in Russian]
Kömüşcü, A. Ü., Turgu, E., & DeLiberty, T. (2022). Dynamics of precipitation regions of Turkey: A clustering approach by K-means methodology in respect of climate variability. Journal of Water and Climate Change, 13(10), 3578–3606.
Khlustov, V., Demakov, Y., & Bezborodov, Y. (2026). Long-term typology of Almaty thermal regime (1931–2025) based on multidimensional statistical analysis. E3S Web of Conferences, 719, 05001, 1–7.
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36.
Kharchenko, S. V., & Shvarev, S. V. (2020). Forecasting dangerous natural processes based on linear discriminant analysis. Moscow University Bulletin. Series 5. Geography, (3), 22–33. [in Russian]
Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13, 245–259.
Pettitt, A. N. (1979). A non-parametric approach to the change-point problem. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(2), 126–135.
Sen, P. K. (1968). Estimates of the regression coefficient based on Kendall's tau. Journal of the American Statistical Association, 68(324), 1379–1389.
Wang, F., Shao, W., Yu, H., et al. (2020). Re-evaluation of the power of the Mann-Kendall test for detecting monotonic trends in hydrometeorological time series. Frontiers in Earth Science, 8, 14.
Downloads
Жарияланды
How to Cite
Журналдың саны
Бөлім
License
Copyright (c) 2026 Виталий Хлюстов, Юрий Демаков, Юрий Безбородов
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
