ﺗﺤﻘﻴﻘﺎت آب و ﺧﺎك اﻳﺮان ،دوره ,45ﺷﻤﺎره ،1ﺑﻬﺎر ) 1393ص (19-28
ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮيﻫﺎي زﻣﺎﻧﻲ و ﺳﻴﺴﺘﻢ اﺳﺘﻨﺒﺎط ﻓﺎزيـ ﻋﺼﺒﻲ ﺗﻄﺒﻴﻘﻲ 4
ﺑﻬﺮام ﭼﻮﺑﻴﻦ ،1آرش ﻣﻠﻜﻴﺎن* ،2ﻓﺮزاﻧﻪ ﺳﺎﺟﺪي ﺣﺴﻴﻨﻲ ،3اﻣﻴﺪ رﺣﻤﺘﻲ
.1داﻧﺸﺠﻮي دﻛﺘﺮي ،ﺳﺎري ،داﻧﺸﮕﺎه ﻋﻠﻮم ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊ ﻃﺒﻴﻌﻲ ﺳﺎري .2اﺳﺘﺎدﻳﺎر ﭘﺮدﻳﺲ ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊ ﻃﺒﻴﻌﻲ ،داﻧﺸﻜﺪة ﻣﻨﺎﺑﻊ ﻃﺒﻴﻌﻲ ،داﻧﺸﮕﺎه ﺗﻬﺮان .3داﻧﺸﺠﻮي ﻛﺎرﺷﻨﺎﺳﻲ ارﺷﺪ ،ﺳﺎري ،داﻧﺸﮕﺎه ﻋﻠﻮم ﻛﺸﺎورزي و ﻣﻨﺎﺑﻊ ﻃﺒﻴﻌﻲ ﺳﺎري .4داﻧﺸﺠﻮي دﻛﺘﺮي ،ﻟﺮﺳﺘﺎن ،داﻧﺸﮕﺎه ﻟﺮﺳﺘﺎن )ﺗﺎرﻳﺦ درﻳﺎﻓﺖ -1392/8/5 :ﺗﺎرﻳﺦ ﺗﺼﻮﻳﺐ(1393/2/1 :
ﭼﻜﻴﺪه ﻣﺪلﺳﺎزي در ﻣﻨﺎﻃﻖ ﺧﺸﻚ ﺑﺮاي ﻣﺪﻳﺮﻳﺖ ﺑﻬﻴﻨﺔ ﻣﻨﺎﺑﻊ آب اﻫﻤﻴﺖ وﻳﮋهاي دارد .آب زﻳﺮزﻣﻴﻨﻲ از ﻣﻬﻢﺗﺮﻳﻦ ﻣﻨﺎﺑﻊ آﺑﻲ در ﻣﻨﺎﻃﻖ ﺧﺸﻚ ﻣﺤﺴﻮب ﻣﻲﺷﻮد .ﻫﺪف اﻳﻦ ﭘﮋوﻫﺶ ارزﻳﺎﺑﻲ ﻋﻤﻠﻜﺮد ﺳﻴﺴﺘﻢ اﺳﺘﻨﺒﺎط ﻓﺎزي ﻋﺼﺒﻲ ﺗﻄﺒﻴﻘﻲ )اﻧﻔﻴﺲ( و ﻣﺪلﻫﺎي ﺳﺮي زﻣﺎﻧﻲ در ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ اﺳﺖ .در اﻳﻦ ﭘﮋوﻫﺶ ،ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪلﻫﺎي ﺳﺮي زﻣﺎﻧﻲ و ﻣﺪل اﻧﻔﻴﺲ ﺑﺎ ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ﻣﺨﺘﻠﻒ اﻗﺪام ﺑﻪ ﭘﻴﺶﺑﻴﻨﻲ ﻳﻚ ﻣﺎه ﺑﻌﺪ ﺳﻄﺢ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ دﺷﺖ ﺷﻴﺮاز ﺷﺪ .ﺑﻬﺘﺮﻳﻦ ﺗﺮﻛﻴﺐ ورودي و ﻃﻮل دادهﻫﺎي آﻣﻮزﺷﻲ و ﺻﺤﺖﺳﻨﺠﻲ در ﻣﺪل اﻧﻔﻴﺲ ﺑﺎ اﺳﺘﻔﺎده از آزﻣﻮن ﮔﺎﻣﺎ و Mﺑﺮآورد ﺷﺪ .ﻋﻤﻠﻜﺮد ﻣﺪلﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎي ﺧﻄﺎ و دﻳﺎﮔﺮام ﺗﻴﻠﺮ ﻣﻘﺎﻳﺴﻪ ﺷﺪ .ﻧﺘﺎﻳﺞ ﻣﺪل اﻧﻔﻴﺲ ﻧﺸﺎن داد ﻛﻪ اﻳﻦ ﻣﺪل ﺑﺎ ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ Πﺷﻜﻞ ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﺑﻘﻴﺔ ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ دارد ) RMSE= 1/241و .(MAE= 0/953ﻣﻘﺎﻳﺴﺔ ﻋﻤﻠﻜﺮد ﻣﺪلﻫﺎ ،ﺣﺎﻛﻲ از ﻛﺎراﻳﻲ ﺑﺴﻴﺎر ﻣﻨﺎﺳﺐ ﻣﺪل ﺧﻄﻲ ) ARIMA (2,1, 2ﻧﺴﺒﺖ ﺑﻪ ﻣﺪل اﻧﻔﻴﺲ ﺑﺎ ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ﻣﺨﺘﻠﻒ اﺳﺖ )0/325 = RMSEو .(MAE= 0/241 ﻛﻠﻴﺪواژﮔﺎن :آزﻣﻮن ﮔﺎﻣﺎ ،اﻧﻔﻴﺲ ،دﻳﺎﮔﺮام ﺗﻴﻠﺮ.ARIMA ،
ﻣﻘﺪﻣﻪ
1
اﻳﺮان ﻛﺸﻮري ﺑﺎ ﻣﺘﻮﺳﻂ رﻳﺰشﻫﺎي ﺟﻮي 252ﻣﻴﻠﻲﻣﺘﺮ اﺳﺖ و در زﻣﺮة ﻣﻨﺎﻃﻖ ﺧﺸﻚ و ﻧﻴﻤﻪﺧﺸﻚ ﺟﻬﺎن ﻃﺒﻘﻪﺑﻨﺪي ﻣﻲﺷﻮد. ﻣﺤﺪودﻳﺖ ﻣﻨﺎﺑﻊ آﺑﻲ و ﻧﺒﻮد آب ﻣﻨﺎﺳﺐ از ﻋﻤﺪهﺗﺮﻳﻦ ﺗﻨﮕﻨﺎﻫﺎ و ﻣﺸﻜﻼت ﻛﺸﺎورزي در ﻛﺸﻮر اﺳﺖ .از ﺳﻮي دﻳﮕﺮ ،اﻓﺰاﻳﺶ روزاﻓﺰون ﺟﻤﻌﻴﺖ ﻧﻴﺎز ﺑﻪ ﺗﻮﻟﻴﺪ ﻣﻮاد ﻏﺬاﻳﻲ ﺑﻴﺸﺘﺮ را اﻳﺠﺎب ﻣﻲﻛﻨﺪ .ﺑﻨﺎﺑﺮاﻳﻦ ،ﻳﺎﻓﺘﻦ راﻫﻜﺎرﻫﺎﻳﻲ ﺑﺮاي ﻏﻠﺒﻪ ﺑﺮ ﻛﻤﺒﻮد آب در اﻳﻦ ﻣﻨﺎﻃﻖ ﻫﻤﻮاره از اوﻟﻮﻳﺖﻫﺎي ﻣﻄﺎﻟﻌﺎﺗﻲ و ﭘﮋوﻫﺸﻲ اﺳﺖ ﺗﺎ ﺑﺘﻮان ﻣﺤﺼﻮﻻت ﻛﺸﺎورزي را ﺑﺮاي اﻳﻦ ﺟﻤﻌﻴﺖ رو ﺑﻪ ﺗﺰاﻳﺪ ﺗﻮﻟﻴﺪ ﻛﺮد ) .(Afuni et al., 2002ﻳﻜﻲ از ﻓﺎﻛﺘﻮرﻫﺎي ﻣﻬﻢ در ﻣﺪﻳﺮﻳﺖ داﺷﺘﻦ ﻳﻚ دﻳﺪ و ﻧﮕﺮش ﻣﻨﺎﺳﺐ از اﺗﻔﺎﻗﺎت آﻳﻨﺪه اﺳﺖ .در ﻣﺪﻳﺮﻳﺖ ﻣﻨﺎﺑﻊ آب اﻳﻦ اﻣﺮ ﻣﺴﺘﺜﻨﺎ ﻧﻴﺴﺖ و آﮔﺎﻫﻲ از وﺿﻌﻴﺖ ﻣﻨﺎﺑﻊ آب در ﻳﻚ ﻣﻨﻄﻘﻪ ﻧﻘﺶ ﺗﻌﻴﻴﻦﻛﻨﻨﺪهاي در ﺑﺮﻧﺎﻣﻪرﻳﺰيﻫﺎي ﻛﺸﺎورزي دارد .ﺧﺼﻮﺻﺎً اﮔﺮ ﺑﺘﻮان ﺑﺎ اﺳﺘﻔﺎده از ﺗﺤﻠﻴﻞﻫﺎي آﻣﺎري ،ﻣﺪلﻫﺎي رﻳﺎﺿﻲ و ﺷﺮاﻳﻂ ﻣﻨﺎﺑﻊ آب در آﻳﻨﺪه را ﻧﻴﺰ ﭘﻴﺶﺑﻴﻨﻲ ﻛﺮد .ازاﻳﻦرو ،ﻣﻲﺗﻮان ﺑﺮاي ﻣﻮاﺟﻬﺔ ﺑﻬﺘﺮ و ﻣﺪﻳﺮﻳﺖ * ﻧﻮﻳﺴﻨﺪه ﻣﺴﺌﻮل
[email protected]:
ﺑﻬﻴﻨﻪ و ﺻﺤﻴﺢ در آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﻜﻨﻴﻚﻫﺎي ﻣﺪلﺳﺎزي ﺑﻪ ﭘﻴﺶﺑﻴﻨﻲ ﻧﻮﺳﺎﻧﺎت ﺳﻄﺢ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ در ﻣﺎهﻫﺎي آﻳﻨﺪه ﭘﺮداﺧﺖ. ﻣﻄﺎﻟﻌﺎت در زﻣﻴﻨﺔ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﺳﺮي زﻣﺎﻧﻲ و ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻣﻨﺎﺳﺐﺗﺮﻳﻦ ﻣﺪلﻫﺎي اﺳﺘﻔﺎدهﺷﺪه ﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﻫﺴﺘﻨﺪ ;(Ahn, 2000 ) .Daliakopoulos et al., 2005; Wong et al., 2007در ﺳﺎلﻫﺎي اﺧﻴﺮ ،از ﻣﺪل ARIMAﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﭘﺎراﻣﺘﺮﻫﺎي ;(Abghari, 2010 ﻫﻴﺪروﻣﺘﺌﻮﻟﻮژﻳﻜﻲ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ Boochabun et al., 2004; Chattopadhyay and Chattopadhyay, 2010; Chattopadhyay et al., 2011; Wong ) .et al, 2007در دﺷﺖ ﻫﻤﺪانـ ﺑﻬﺎر از اﻃﻼﻋﺎت ﺳﻄﺢ آب
زﻳﺮزﻣﻴﻨﻲ ﻃﻲ ﺳﺎلﻫﺎي 1381-1362اﺳﺘﻔﺎده ﺷﺪ و ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ) ARIMA(1,1,0ﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ در 20ﺳﺎل آﻳﻨﺪه اﺳﺘﻔﺎده ﺷﺪ .ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ﻣﻘﺎدﻳﺮ ﭘﻴﺶﺑﻴﻨﻲ ﺷﺪه ﺑﻪوﺳﻴﻠﺔ ﻣﺪل ﺳﺮي زﻣﺎﻧﻲ ،ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ در ﺻﻮرت ﺛﺎﺑﺖﻣﺎﻧﺪن اﻟﮕﻮي ﻣﺼﺮف و ﻫﻢﭼﻨﻴﻦ ﻋﺪم ﺗﻐﻴﻴﺮات در روﻧﺪ ﺗﻐﺬﻳﺔ ﺳﻔﺮه دﺷﺖ ﻫﻤﺪانـ ﺑﻬﺎر ﻃﻲ ﺑﻴﺴﺖ ﺳﺎل آﻳﻨﺪه ﺑﺎ ﻛﺎﻫﺶ ﺣﺪود 17/5ﻣﺘﺮ ﻧﺴﺒﺖ ﺑﻪ وﺿﻌﻴﺖ ﻓﻌﻠﻲ ﺳﻄﺢ ﺳﻔﺮه
20
ﺗﺤﻘﻴﻘﺎت آب و ﺧﺎك اﻳﺮان ،دوره ،45ﺷﻤﺎره ،1ﺑﻬﺎر 1393
ﻣﻮاﺟﻪ ﺧﻮاﻫﻴﻢ ﺷﺪ ) .(Rahmani and Sedehi, 2005در دﺷﺖ ﺷﻬﺮﻛﺮد ﺑﺎ اﺳﺘﻔﺎده از 17ﻣﺪل ARIMAﻧﻮﺳﺎﻧﺎت آب زﻳﺮزﻣﻴﻨﻲ ﭘﻴﺶﺑﻴﻨﻲ ﺷﺪ و ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد ﻛﻪ ﺑﺎ اداﻣﺔ روﻧﺪ ﻛﻨﻮﻧﻲ ،آﺑﺨﻮان ﺷﻬﺮﻛﺮد ﺑﻪﻃﻮر ﻣﺘﻮﺳﻂ ﻃﻲ ﺳﺎلﻫﺎي آﻳﻨﺪه ،در ﻫﺮ ﺳﺎل 69 ﻣﻴﻠﻴﻮن ﻣﺘﺮﻣﻜﻌﺐ از ﺣﺠﻢ ﺧﻮد را از دﺳﺖ ﺧﻮاﻫﺪ داد (Mirzaei ) .et al., 2006در ﻛﺮة ﺟﻨﻮﺑﻲ ﻧﻴﺰ از ﺳﺮيﻫﺎي زﻣﺎﻧﻲ ﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ ﻣﺎﻫﺎﻧﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ،اﻳﻦ ﻣﻄﺎﻟﻌﻪ ﺑﺮاﺳﺎس روش ﺑﺎﻛﺲ و ﺟﻨﻴﻜﺰ ) (Box-Jenkinsﺑﻮده و ﻧﺘﺎﻳﺞ ﻧﺸﺎن داده اﺳﺖ ﻛﻪ آرﻳﻤﺎي ﻓﺼﻠﻲ ﻋﻤﻠﻜﺮد رﺿﺎﻳﺖﺑﺨﺸﻲ در ﭘﻴﺶﺑﻴﻨﻲ آب زﻳﺮزﻣﻴﻨﻲ دارد ) .(Lee et al., 2009در ﺗﺮﻛﻴﻪ از ﻣﺪل ﺷﺒﻜﺔ ﻋﺼﺒﻲ ﺑﺎزﮔﺸﺘﻲ ARIMA ،و ﻣﺪل ﻫﻴﺒﺮد )ﺷﺒﻜﺔ ﻋﺼﺒﻲ و (ARIMAﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﻛﻴﻔﻴﺖ آب ﻃﻲ ﺳﺎلﻫﺎي 2006-1996اﺳﺘﻔﺎده ﺷﺪ و ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد ﻛﻪ ﻣﺪل ARIMA ﻋﻤﻠﻜﺮد ﻣﻨﺎﺳﺒﻲ دارد ،درﺣﺎﻟﻲﻛﻪ ﻣﺪل ﻫﻴﺒﺮد )ﺷﺒﻜﺔ ﻋﺼﺒﻲ و (ARIMAﻋﻤﻠﻜﺮد ﺑﻬﺘﺮي از ﻣﺪل ﺷﺒﻜﺔ ﻋﺼﺒﻲ ﺑﺎزﮔﺸﺘﻲ ARIMAدارد ) .(Faruk, 2010اﻧﻔﻴﺲ ) (ANFISﻳﻚ ﻣﺪل ﺑﺮآوردﮔﺮ ﺟﻬﺎﻧﻲ اﺳﺖ ﻛﻪ ﺗﻮاﻧﺎﻳﻲ ﭘﻴﺶﺑﻴﻨﻲ ﻫﺮ ﺗﺎﺑﻊ ﭘﻴﻮﺳﺘﻪ را ﺑﺎ درﺟﻪاي از دﻗﺖ و ﺻﺤﺖ دارد (Shirmohammadi et al., ) .2013ﻧﺘﺎﻳﺞ ﭘﻴﺶﺑﻴﻨﻲ ﻣﺼﺎرف آب در ﺗﺮﻛﻴﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺳﻴﺴﺘﻢﻫﺎي اﺳﺘﻨﺘﺎج ﻓﺎزي ﻧﺸﺎن داد ﻛﻪ ﺳﻴﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻓﺎزيـ ﻋﺼﺒﻲ ﺗﻄﺒﻴﻘﻲ ) (ANFISﻧﺴﺒﺖ ﺑﻪ ﺳﻴﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻓﺎزي ﻣﻤﺪاﻧﻲ ) (MFISﺑﺎ ﻣﻮﻓﻘﻴﺖ ﺑﻴﺸﺘﺮي ﻗﺎدر ﺑﻪ ﭘﻴﺶﺑﻴﻨﻲ اﺳﺖ ) .(Firat et al., 2009در ﺳﺎل 2013ﭘﮋوﻫﺸﻲ در ﻏﺮب اﺳﺘﺎن ﺟﻴﻠﻴﻦ در ﻛﺸﻮر ﭼﻴﻦ ﺑﺮاي اﻓﺰاﻳﺶ درك از وﻳﮋﮔﻲﻫﺎي ﭘﻮﻳﺎي ﺳﻄﺢ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ اﺳﺘﻔﺎده ﺷﺪ ،از دادهﻫﺎي ﺳﻄﺢ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ ﻣﺎﻫﺎﻧﻪ ﺳﻪ ﺣﻠﻘﻪ ﭼﺎه در ﺳﺎلﻫﺎي 1986ﺗﺎ 2011 اﺳﺘﻔﺎده ﺷﺪ .ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد ﻛﻪ ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ روﻧﺪ ﻛﺎﻫﺸﻲ در ﺣﺪود 7ﺳﺎل دارد .ﻋﻼوه ﺑﺮ اﻳﻦ ،ﻫﻴﺪروﮔﺮاف ﺳﻪ ﺣﻠﻘﻪ ﭼﺎه ،ﺗﺄﺛﻴﺮات رﻓﺘﺎر اﻧﺴﺎن ﺑﻌﺪ از ﺳﺎل 1995در ﻛﺎﻫﺶ ﺳﻄﺢ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ را ﻧﺸﺎن داد .در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻣﺪل ﻳﻜﭙﺎرﭼﺔ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮك اﺗﻮرﮔﺮﺳﻴﻮ ) ،(ARIMAروش ﺗﺠﺰﻳﻪ ) (Decomposition methodﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ ﺗﻮﺻﻴﻪ ﻣﻲﺷﻮد ) .(Lu, et al., 2013ﭼﻨﺪﻳﻦ ﭘﮋوﻫﺶ دﻳﮕﺮ در زﻣﻴﻨﺔ ﻣﺪﻳﺮﻳﺖ ﻣﻨﺎﺑﻊ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ از ﻣﺪل اﻧﻔﻴﺲ اﺳﺘﻔﺎده ﻛﺮدهاﻧﺪ (Chu and Chang, 2009; Firat et al., 2009; Kisi and Shiri, 2012; Tutmez et al., 2006).در اﻳﻦ ﭘﮋوﻫﺶ ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ )ﻳﻚ ﻣﺎه ﺑﻪ ﺟﻠﻮ( ﺑﺎ ﻛﻤﻚ ﺳﺮي زﻣﺎﻧﻲ و ﺳﻴﺴﺘﻢ اﺳﺘﻨﺒﺎط ﻓﺎزي ﻋﺼﺒﻲـ ﺗﻄﺒﻴﻘﻲ )اﻧﻔﻴﺲ( اﻧﺠﺎم ﺷﺪ .از ﻧﻘﺎط ﻗﻮت اﻳﻦ ﻣﻄﺎﻟﻌﻪ ،ﺑﻬﺮهﮔﻴﺮي از آزﻣﻮنﻫﺎي ﮔﺎﻣﺎ و Mﺑﺮاي ﺗﻌﻴﻴﻦ ﺗﺮﻛﻴﺒﺎت ﻣﺨﺘﻠﻒ ورودي در ﻣﺪلﻫﺎي ﻏﻴﺮﺧﻄﻲ اﺳﺖ .ﺑﺎ
ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺪودﻳﺖ ﻣﻨﺎﺑﻊ آﺑﻲ در ﻛﺸﻮر ،ﭘﻴﺶآﮔﺎﻫﻲ از وﺿﻌﻴﺖ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ ﻣﻲﺗﻮاﻧﺪ ﻛﻤﻚ ﺷﺎﻳﺎﻧﺎﻳﻲ ﺑﻪ ﻣﺪﻳﺮﻳﺖ ﻣﻨﺎﺑﻊ آﺑﻲ ﺑﻪﺧﺼﻮص در ﻣﻨﺎﻃﻖ ﺧﺸﻚ و ﻧﻴﻤﻪﺧﺸﻚ داﺷﺘﻪ ﺑﺎﺷﺪ.
روش ﭘﮋوﻫﺶ ﻣﻨﻄﻘﺔ ﭘﮋوﻫﺶﺷﺪه
ﺣﻮﺿﺔ ﺷﻴﺮاز ﺑﺎ ﺳﻄﺢ ﺑﺮاﺑﺮ ﺑﺎ 1450ﻛﻴﻠﻮﻣﺘﺮﻣﺮﺑـﻊ در ﻣﺨﺘـﺼﺎت 52درﺟﻪ و 12دﻗﻴﻘﻪ ﺗﺎ 52درﺟﻪ و 45دﻗﻴﻘﻪ ﻃﻮل ﺟﻐﺮاﻓﻴـﺎي و 29درﺟــﻪ و 25دﻗﻴﻘــﻪ ﺗــﺎ 29درﺟــﻪ و 58دﻗﻴﻘــﺔ ﻋــﺮض ﺟﻐﺮاﻓﻴﺎي در اﺳﺘﺎن ﻓﺎرس واﻗﻊ ﺷﺪه اﺳـﺖ .ﻣﺘﻮﺳـﻂ ﺑﻠﻨـﺪﻣـﺪت ﺑﺎرﻧﺪﮔﻲ در ﺳـﻄﺢ ﺣﻮﺿـﻪ 350ﻣﻴﻠـﻲﻣﺘـﺮ اﺳـﺖ .ﺑﺮرﺳـﻲﻫـﺎي اﻧﺠﺎم ﺷﺪه ﻧﺸﺎن داده اﺳﺖ ﻛﻪ آﺑﺮﻓﺖ دﺷﺖ ﺷﻴﺮاز ﺑﻪ ﺻﻮرت ﻻﻳـﻪ ﻻﻳﻪ اﺳﺖ و ﻻﻳﻪﻫﺎي رﺳﻲ ﺑﻴﻦ ﻻﻳﻪﻫﺎي آﺑﺪار ﻗـﺮار ﮔﺮﻓﺘـﻪ اﺳـﺖ ﺑﻪﻧﺤﻮي ﻛﻪ رﺳﻮﺑﺎت آﺑﺮﻓﺘﻲ ﺿﺨﺎﻣﺖ ﻳﻜﻨﻮاﺧﺘﻲ ﻧﺪارد و ﻻﻳﻪﻫـﺎي ﺷﻨﻲ ﺑﻴﻦ ﻻﻳـﻪﻫـﺎي رﺳـﻲ و ﺳـﻴﻠﺘﻲ ﻗـﺮار دارﻧـﺪ ) The Water .(comprehensive plan, 1991دادهﻫﺎي ورودي اﺳﺘﻔﺎدهﺷﺪه در اﻳﻦ ﭘﮋوﻫﺶ ﺷﺎﻣﻞ دادهﻫﺎي ﻣﺎﻫﻴﺎﻧﻪ از 5ﻣﺘﻐﻴـﺮ :ﻣﺠﻤـﻮع ﺑـﺎرش ) ،(Pﻣﺘﻮﺳﻂ ﺟﺮﻳﺎن ورودي ﺑﻪ دﺷﺖ ) ،(SFدﻣﺎ ) ،(Tﺗﺒﺨﻴـﺮ )(E و ﺳـﻄﺢ آبﻫـﺎي زﻳﺮزﻣﻴﻨـﻲ ) GL) (Shirmohammadi et al., ) 2013ﻃﻲ دورة زﻣﺎﻧﻲ ﻫﺠﺪهﺳﺎﻟﻪ )1372ـ (1389اﺳﺖ .ﺷـﻜﻞ ) (1دﺷــﺖ و آﺑﺨــﻮان ﺷــﻴﺮاز و ﻫــﻢﭼﻨــﻴﻦ ﻣﻮﻗﻌﻴــﺖ ﭼــﺎهﻫــﺎي ﭘﻴﺰوﻣﺘــﺮي )ﺗﻌــﺪاد 29ﺣﻠﻘــﻪ ﭼــﺎه( ،اﻳــﺴﺘﮕﺎه ﻫﻴــﺪروﻣﺘﺮي و اﻳﺴﺘﮕﺎﻫﻬﺎي ﻫﻮاﺷﻨﺎﺳﻲ را ﻧﺸﺎن ﻣﻲدﻫﺪ.
ﺷﻜﻞ .1ﻣﻮﻗﻌﻴﺖ آﺑﺨﻮان دﺷﺖ ﺷﻴﺮاز و ﺣﻮﺿﺔ ﺑﺎﻻدﺳﺖ آن
ﭼﻮﺑﻴﻦ و ﻫﻤﻜﺎران :ﭘﻴﺶ ﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮي ﻫﺎي زﻣﺎﻧﻲ ...
)راﺑﻄﻪ (3
ﺳﻴﺴﺘﻢ اﺳﺘﻨﺒﺎط ﻓﺎزيـ ﻋﺼﺒﻲ ﺗﻄﺒﻴﻘﻲ
اﻧﻔﻴﺲ اوﻟﻴﻦ ﺑﺎر ﺗﻮﺳﻂ ﺟﺎﻧﮓ ﻣﻌﺮﻓـﻲ ﺷـﺪ ) .(Jang, 1993ﻧﻜﺘـﺔ اﺻــﻠﻲ ﻫﻨﮕــﺎم ﻃﺮاﺣــﻲ ﻳــﻚ ﻣــﺪل اﻧﻔــﻴﺲ ) ،(ANFISاﻧﺘﺨــﺎب ﺳﻴﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻓﺎزي ) ،(FISاﺳﺖ .ﺑﺮاي ﻳﻚ ﻣﺪل ﻓﺎزي ﺳـﻮﮔﻨﻮ ) (Sugenoدرﺟﺔ اول ،ﺑﺎ دو ورودي xو yو ﺧﺮوﺟـﻲ fﻣﺠﻤﻮﻋـﻪ ﻗﻮاﻧﻴﻦ ﺑﻪ ﺻﻮرت ،IF-Thenﺑﻪﺻﻮرت زﻳﺮ اراﺋﻪ ﻣﻲﺷﻮد: ﻗﺎﻧﻮن اول :اﮔﺮ xﻣﺴﺎوي A1و yﻣﺴﺎوي B1ﺑﺎﺷـﺪ ،آن ﮔـﺎه p1 x +q1 y + r1 =f1
ﻗﺎﻧﻮن دوم :اﮔﺮ xﻣﺴﺎوي A2و yﻣﺴﺎوي B2ﺑﺎﺷﺪ ،آن ﮔـﺎه p2 x +q2 y + r2=f2 ﻛــﻪ در آن B1 ،A2 ،A1 :و B2ﺑــﻪﺗﺮﺗﻴــﺐ ﺗﻮاﺑــﻊ ﻋــﻀﻮﻳﺖ ﺑــﺮاي
وروديﻫﺎي xو yﻫﺴﺘﻨﺪ )ﺑﺮاي ﻣﺜﺎل ﺗﻮاﺑﻊ ﮔﻮﺳﻲ ،ﻣﺜﻠﺜﻲ و ...ﻛﻪ ﻧــﻮع ﺗــﺎﺑﻊ ﻋــﻀﻮﻳﺖ ﻗﺎﺑــﻞ ﺗﻐﻴﻴــﺮ اﺳــﺖ( r1 ،q1 ،p1 .وr2 ،q2 ،p2 ﭘﺎراﻣﺘﺮﻫﺎي ﺗﺎﺑﻊ ﺧﺮوﺟﻲ ﻫﺴﺘﻨﺪ ) .(Jang, 1993ﺳﺎﺧﺘﺎر ﻣﻌﻤـﻮل ANFISدر ﺷﻜﻞ 2اراﺋﻪ ﺷﺪه اﺳﺖ.
i = 1,2
21
) Oi2 = wi = µ Ai ( x ) µ Bi ( y
ﻻﻳﻪ :3ﮔﺮه iام اﻳﻦ ﻻﻳﻪ ﻛﻪ ﺑـﺎ Nﻧـﺎم ﮔـﺬاري ﺷـﺪه ﻛـﻪ ﻧـﺴﺒﺖ ﻗﻮاﻧﻴﻦ ﻧﺮﻣﺎلﺷﺪه را ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﺪ: i = 1,2 wi )راﺑﻄﻪ (4 = O i3 = w i w1 + w 2 ﻻﻳــﻪ :4ﮔــﺮه iدر اﻳــﻦ ﻻﻳــﻪ ﻣــﺸﺎرﻛﺖ ﻗــﺎﻧﻮن iام را ﺑــﻪ ﺳــﻤﺖ ﺧﺮوﺟﻲ ﻣﺪل ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﺪ. 4 )راﺑﻄﻪ (5 ) Oi = wi fi = wi ( pi x + qi y + ri ﻛﻪ در آن ، w i :ﺧﺮوﺟﻲ ﻻﻳﻪ 3و } {pi, qi, riﻣﺠﻤﻮﻋﻪ ﭘﺎراﻣﺘﺮﻫﺎ اﺳﺖ. ﻻﻳﻪ :5ﺗﻨﻬـﺎ ﮔـﺮه اﻳـﻦ ﻻﻳـﻪ ،ﺧﺮوﺟـﻲ ﻛﻠـﻲ ANFISﺑـﻪ ﻋﻨـﻮان ﺟﻤﻊﺑﻨﺪي از ﺗﻤﺎم وروديﻫﺎي ﻣـﺪل ،ﻛـﻪ ﻏﻴﺮﻓـﺎزي ﺷـﺪه اﺳـﺖ ﻣﻄﺎﺑﻖ زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﺪ: )راﺑﻄﻪ (6 ∑ wi f i i i
∑w
= Oi5 = ∑ wi f i i
i
آزﻣﻮن ﮔﺎﻣﺎ
آزﻣﻮن ﮔﺎﻣﺎ ) (Gamma Testﻧﻮﻋﻲ ﻣﺪلﺳﺎزي ﻏﻴﺮﺧﻄﻲ و اﺑـﺰاري ﺑــﺮاي آﻧــﺎﻟﻴﺰ اﺳــﺖ و اﺟــﺎزه ﻣــﻲدﻫــﺪ راﺑﻄــﺔ ﺑــﻴﻦ وروديﻫــﺎ و ﺧﺮوﺟﻲ ﻫﺎ در ﻳﻚ ﻣﺠﻤﻮﻋﻪ دادهﻫﺎي ﻋﺪدي اﻣﺘﺤـﺎن ﺷـﻮد .اﻳـﻦ آزﻣﻮن ﻣﻲﺗﻮاﻧﺪ ﻛﻤﺘﺮﻳﻦ ﻣﻘﺪار ﻗﺎﺑـﻞ ﻣﺤﺎﺳـﺒﺔ ﻣﻴـﺎﻧﮕﻴﻦ ﻣﺮﺑﻌـﺎت ﺧﻄﺎ )آﻣﺎره ﮔﺎﻣﺎ) ((δرا ﺑﺮاي ﻫﺮ ﻣﺪل اراﺋـﻪ دﻫـﺪ ،در اﺻـﻞ ﺗﻤـﺎم ﺗﺮﻛﻴﺐﻫﺎي ورودي ﻣﺤﺘﻤﻞ را ﺑﺮرﺳﻲ ﻣﻲﻛﻨﺪ و ﻣﻴـﺰان ﺻـﺤﺖ و ﺷﻜﻞ .2ﻣﻌﻤﺎري ﻣﺪل (ANFIS (Jang, 1993
دﻗﺖ ﻣـﺪلﺳـﺎزي را در ﺗﺮﻛﻴـﺐﻫـﺎي ﻣﺨﺘﻠـﻒ ﺗﻌﻴـﻴﻦ ﻣـﻲﻛﻨـﺪ ) .(Agalbjörn et al., 1997; Končar, 1997در اﻳـﻦ ﭘـﮋوﻫﺶ
ﻛﺎرﻛﺮد ANFISﺑﺪﻳﻦ ﺷﺮح اﺳﺖ: ﻻﻳﻪ :1ﻫﺮ ﮔﺮه در اﻳﻦ ﻻﻳﻪ درﺟﺎت ﻋﻀﻮﻳﺖ از ﻳﻚ ﻣﺘﻐﻴـﺮ ورودي را ﺗﻮﻟﻴﺪ ﻣﻲﻛﻨﺪ: )راﺑﻄﻪ (1 )Oi1 = µ Ai ( x i = 1,2 )راﺑﻄﻪ (2
i = 3,4
)Oi1 = µ Bi −2 ( y
ﭘﺎراﻣﺘﺮ ﻣﻘﺎﻳﺴﻪ ﺷﺪه ﺑﺮاي ﺗﺮﻛﻴﺐ ﻣﺨﺘﻠﻒ ورودي ﻣﻘﺪار آﻣﺎرة ﮔﺎﻣﺎ ) (δﺑﻮد ﻛﻪ ﻣـﺎ ﺑـﺮاي اﻃﻤﻴﻨـﺎن ﺑﻴـﺸﺘﺮ از ﻧـﺴﺒﺖ ) (V ratioﻫـﻢ اﺳﺘﻔﺎده ﺷﺪ .ﻧﺴﺒﺖ ) (V ratioاز ﺗﻘﺴﻴﻢ آﻣﺎرة ﮔﺎﻣـﺎ ﺑـﺮ وارﻳـﺎﻧﺲ دادهﻫﺎي ﺧﺮوﺟﻲ ﺣﺎﺻﻞ ﻣﻲﺷﻮد .ﻛﻮﭼﻚﺗﺮﺑـﻮدن ﻣﻘـﺎدﻳﺮ آﻣـﺎرة ﮔﺎﻣــﺎ و ﻧــﺴﺒﺖ Vﻧــﺸﺎندﻫﻨــﺪة ﺑﻬﺘــﺮﻳﻦ ﺗﺮﻛﻴــﺐ ورودي اﺳــﺖ ).(Agalbjörn et al., 1997; Končar, 1997
ﻛﻪ در آن) x :ﻳﺎ (yورودي ﮔﺮه ﻣﻮرد ﻧﻈﺮ Ai ،ﻳﺎ ) (Bi-2ﻣﺠﻤﻮﻋـﻪ
آزﻣﻮن M
ﻓﺎزي ﻣﺮﺗﺒﻂ ﺑﺎ اﻳﻦ ﮔﺮه اﺳﺖ µ Ai .و µ Biﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ﻣﻨﺎﺳﺐ
آزﻣﻮن ) (M-Testﻧﻮﻋﻲ روش اﻧﺪازهﮔﻴـﺮي ﺑـﺮاي ﺑـﺮآورد ﻗﺎﺑﻠﻴـﺖ
ﺑﺮاي ﻣﺠﻤﻮﻋﻪ ﻓﺎزي Aiﻳﺎ Biﻫﺴﺘﻨﺪ Oi .ﺧﺮوﺟﻲ ﻣﺮﺑﻮط ﺑﻪ ﻫﺮ ﻻﻳﻪ اﺳﺖ. ﻻﻳﻪ :2ﻫﺮ ﮔﺮه در اﻳﻦ ﻻﻳﻪ در ﺳﻴﮕﻨﺎل ورودي ﺿﺮب ﻣـﻲﺷـﻮد و ﺧﺮوﺟﻲ ﻧﺘﻴﺠﻪاي از ﺗﻤﺎﻣﻲ ﺳﻴﮕﻨﺎلﻫﺎي ورودي اﺳﺖ:
اﻋﺘﻤﺎد آﻣﺎرة ﮔﺎﻣﺎﺳﺖ ،ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ دادهﻫﺎي ﻣﻮﺟﻮد ﺑـﺎ ﺑـﺮآورد آﻣﺎرة ﮔﺎﻣﺎ ﺣﺎﺻﻞ ﻣﻲ ﺷﻮد .اﻳﻦ آزﻣﻮن ﺗﻌﺪاد دادهﻫﺎي ﻣـﻮرد ﻧﻴـﺎز ﺑﺮاي ﻳﻚ ﻣﺪل ﻣﻄﻠﻮب را ﺗﻌﻴﻴﻦ ﻣﻲﻛﻨﺪ .آزﻣﻮن ﮔﺎﻣﺎ و Mﻫـﺮ دو در ﻧﺮماﻓﺰار WinGammaﻗﺎﺑﻞ اﺟﺮا اﺳﺖ.
22
ﺗﺤﻘﻴﻘﺎت آب و ﺧﺎك اﻳﺮان ،دوره ،45ﺷﻤﺎره ،1ﺑﻬﺎر 1393
ﻣﺪل ﺧﻮدﻫﻤﺒﺴﺘﺔ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮك ﺗﺠﻤﻌﻲ
ﻳﻜــﻲ از ﻓﺮﺿــﻴﺎت اﺳﺎﺳــﻲ در ﻣــﺪلﺳــﺎزي ﺳــﺮيﻫــﺎي زﻣــﺎﻧﻲ ﻫﻴﺪروﻟﻮژﻳﻜﻲ اﻳﺴﺘﺎ ﺑﻮدن ﺳﺮي زﻣﺎﻧﻲ اﺳﺖ .در اﻳﻦ ﭘﮋوﻫﺶ از دو روش راﻳــﺞ (Unit root test (ADFﻳــﺎ آزﻣــﻮن رﻳــﺸﺔ واﺣــﺪ ) (Dickey and Fuller, 1979و روش Phillip - Perronﻳـﺎ PP ((Phillips and Perron, 1988ﺑﺮاي آزﻣﻮن اﻳﺴﺘﺎﻳﻲ ﺳـﺮيﻫـﺎي زﻣﺎﻧﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﺑﺎ ﻧﺮماﻓـﺰار Eviewsاﺳـﺘﻔﺎده ﺷـﺪ .ﺗﻮﺳـﻌﺔ ﻣﺪلﻫـﺎي ﺳـﺮي زﻣـﺎﻧﻲ ﺷـﺎﻣﻞ ﺳـﻪ ﻣﺮﺣﻠـﺔ ﺷﻨﺎﺳـﺎﻳﻲ ،ﺑـﺮآورد ﭘﺎراﻣﺘﺮﻫﺎ و آزﻣﻮن ﻛﻔﺎﻳﺖ ﻣﺪل اﺳﺖ ).(Box and Jenkins, 1976 ﻣﺮﺣﻠﺔ ﺷﻨﺎﺳﺎﻳﻲ ﺷﻜﻞ ﻋﻤﻮﻣﻲ ﻣﺪل ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ رﻓﺘﺎر ﺳﺮي زﻣﺎﻧﻲ ﺗﻌﻴﻴﻦ ﻣـﻲ ﺷـﻮد .در ﻣﺮﺣﻠـﺔ ﺑـﺮآورد ﭘـﺎراﻣﺘﺮ ،ﭘﺎراﻣﺘﺮﻫـﺎي ﻣـﺪل اﻧﺘﺨﺎب ﺷﺪه در ﻣﺮﺣﻠﺔ ﻗﺒﻞ ،ﻣﺤﺎﺳﺒﻪ ﺷﺪه و در ﻧﻬﺎﻳـﺖ در ﻣﺮﺣﻠـﺔ آزﻣﻮن ﻛﻔﺎﻳﺖ ﻣﺪل ،ﺗﻮاﻧﺎﻳﻲ ﻣﺪل ﻣﻨﺘﺨﺐ در ﻣـﺪل ﺳـﺎزي ﺳـﺮي زﻣﺎﻧﻲ ﺳﻨﺠﻴﺪه ﻣﻲﺷﻮد. در اﻳﻦ ﭘﮋوﻫﺶ ﺳﺮي زﻣﺎﻧﻲ دادهﻫﺎي ﻣﺎﻫﻴﺎﻧﻪ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﻣﺮﺑﻮط ﺑﻪ دورة آﻣﺎري 1372ﺗﺎ 1389ﺑﺮاي ﺗﻮﺳﻌﺔ ﺳﺮيﻫﺎي زﻣﺎﻧﻲ اﺳﺘﻔﺎده ﺷﺪ .در ﻣﺮﺣﻠﺔ ﺷﻨﺎﺳﺎﻳﻲ ،ﺳﺎﺧﺘﺎر ﻫﻤﺒﺴﺘﮕﻲ زﻣﺎﻧﻲ ﺳﺮي ،ﺑﻪوﺳﻴﻠﺔ آزﻣﻮن ﺗﻮاﺑﻊ ﺧﻮدﻫﻤﺒﺴﺘﮕﻲ ) (ACFو ﺧﻮدﻫﻤﺒﺴﺘﮕﻲ ﺟﺰﺋﻲ ) (PACFﺗﻌﻴﻴﻦ ﻣﻲﺷﻮد و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻌﺪاد ﮔﺎمﻫﺎي ﻣﻌﻨﺎدار در ﻫﺮ ﻳﻚ از ﻧﻤﻮدارﻫﺎي ACFو PACFﻣﻲﺗﻮان ﻣﺤﺪودة ﺗﻐﻴﻴﺮات ﻣﺮﺗﺒﺔ ﻣﺪلﻫﺎ را ﺑﻪدﺳﺖ آورد و درﻧﻬﺎﻳﺖ ﺑﺎ ﺗﺮﻛﻴﺐ آنﻫﺎ ﺑﻪ ﻣﺪلﻫﺎي داوﻃﻠﺐ دﺳﺖ ﻳﺎﻓﺖ .ﻣﺪﻟﻲ ﻛﻪ ﺣﺪاﻗﻞ ﻣﻘﺪار ﭘﺎراﻣﺘﺮ آﻛﺎﺋﻴﻜﻪ ) Akaike Information (Criterion-AICو ﺷﻮارﺗﺰ )-Criterion Schwarz's Bayesian (SBCرا داﺷﺘﻪ ﺑﺎﺷﺪ ،ﺑﻪﻋﻨﻮان ﺑﻬﺘﺮﻳﻦ ﻣﺪل اﻧﺘﺨﺎب ﻣﻲﺷﻮد. ﻓﺮﻣﻮل رﻳﺎﺿﻲ (AIC (Akaike, 1974ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ: )راﺑﻄﻪ (7 ﻛـــﻪ در آن m=(p + q + P + Q) :ﺗﻌـــﺪاد ﭘﺎراﻣﺘﺮﻫـــﺎي ﺗﺨﻤﻴﻦزدهﺷﺪه و Lﺗﺎﺑﻊ درﺳﺖﻧﻤﺎﻳﻲ ﻣﺪلﻫﺎي ARIMAاﺳﺖ. ﻓﺮﻣﻮل رﻳﺎﺿﻲ ) (SBC) (Schwarz, 1978ﺑﻪﺻﻮرت زﻳﺮ اﺳﺖ: AIC = −2 log( L ) + 2 m
) SBC = −2 log(L ) + m ln(n
)راﺑﻄﻪ (8 ﻛﻪ در آن n :ﺗﻌﺪاد ﻣﺸﺎﻫﺪات اﺳﺖ. ﺑﺮاي ﺑﺮآورد ﭘﺎراﻣﺘﺮﻫﺎ از ﻧﺮماﻓـﺰار MINITAB16اﺳـﺘﻔﺎده ﺷﺪ .در ﻣﺪل ARIMAﺗﻔﺎﺿﻞ اﺻﻠﻲ ﺑﺎ ﻫـﺮ ﻣﺮﺗﺒـﻪ و ﺗﻨـﺎوﺑﻲ ﻛـﻪ ﻻزم ﺑﺎﺷﺪ ،اﻧﺠﺎم ﻣﻲﮔﻴﺮد ﺗﺎ ﺳﺮي ﺣﺎﺻﻞ اﻳﺴﺘﺎ ﺷﻮد. در ﻣﺮﺣﻠﺔ آزﻣﻮن ﻛﻔﺎﻳﺖ ﻣﺪل ،اﺑﺘﺪا ﺳﺮي ﺑﺎﻗﻴﻤﺎﻧﺪهﻫـﺎ را از ﺗﻔﺎﺿﻞ ﺳﺮي زﻣﺎﻧﻲ ﻣﺸﺎﻫﺪه ﺷﺪه و ﺳﺮي زﻣﺎﻧﻲ ﺣﺎﺻﻞ از ﺑـﺮازش ﻣﺪل ﻣﻨﺘﺨﺐ ﺑﺮ ﺳﺮي زﻣﺎﻧﻲ ﺳـﻄﺢ اﻳـﺴﺘﺎﺑﻲ اراﺋـﻪ ﺷـﺪ ،ﺳـﭙﺲ آزﻣﻮن ﻫـﺎي ﺻـﺤﺖ ﺳـﻨﺠﻲ روي ﺑﺎﻗﻴﻤﺎﻧـﺪهﻫـﺎي دورة واﺳـﻨﺠﻲ
)80درﺻﺪ داده ﻫﺎ( ،ﺑﺮاي ﺑﺮرﺳﻲ ﻛﻔﺎﻳﺖ ﻣﺪل ﻣﻨﺘﺨﺐ اﻧﺠـﺎم ﺷـﺪ ﻛﻪ در اﻳﻦ ﭘﮋوﻫﺶ ﺑﺎ اﺳﺘﻔﺎده از ﻧﻤﻮدار PPﺑـﺮاي ﺑﺮرﺳـﻲ ﻧﺮﻣـﺎل ﺑﻮدن ﺑﺎﻗﻴﻤﺎﻧﺪه و آزﻣﻮن ﭘﻮرﺗﻤﻨﺘﻮ ) (Portmanteauﺑـﺮاي ﺗﻌﻴـﻴﻦ اﺳﺘﻘﻼل ﺑﺎﻗﻴﻤﺎﻧﺪه اﺳﺘﻔﺎده ﺷﺪ .ﺑﺮاي ارزﻳﺎﺑﻲ ﻛـﺎراﻳﻲ ﻣـﺪلﻫـﺎ از ﻣﻌﻴﺎرﻫﺎي رﻳﺸﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ ) (RMSEو ﻣﻴـﺎﻧﮕﻴﻦ ﻗـﺪر ﻣﻄﻠﻖ ﺧﻄﺎ ) (MAEاﺳﺘﻔﺎده ﺷﺪ .ﻫﻤﭽﻨﻴﻦ ﺑـﺮاي ﻣﻘﺎﻳـﺴﺔ دﻗـﺖ ﭘﻴﺶﺑﻴﻨﻲ ﻣﺪلﻫﺎ از ﻧﻤـﻮدار ﺗﻴﻠـﺮ ) (Taylor diagramsاﺳـﺘﻔﺎده ﺷﺪ .ﻧﻤﻮدار ﺗﻴﻠﺮ ﻳﻚ روش ﮔﺮاﻓﻴﻜﻲ اﺳﺖ ﻛﻪ ﭼﮕـﻮﻧﮕﻲ ﻧﺰدﻳﻜـﻲ ﻳﻚ اﻟﮕﻮ ﻳﺎ ﻣﺠﻤﻮﻋﻪاي از اﻟﮕﻮﻫﺎ را ﻧـﺴﺒﺖ ﺑـﻪ ﻣـﺸﺎﻫﺪات ﻧـﺸﺎن ﻣﻲدﻫﺪ .اﻳﻦ ﻧﻤﻮدار در ﺳﺎل 2001ﺗﻮﺳﻂ ﺗﻴﻠﺮ اراﺋﻪ ﺷـﺪه اﺳـﺖ ) .(Taylor, 2001ﻧﻤﻮدار ﺗﻴﻠﺮ ﺑـﺎ اﺳـﺘﻔﺎده از ﺳـﻪ آﻣـﺎرة :ﺿـﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ،رﻳﺸﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ و اﻧﺤﺮاف ﻣﻌﻴﺎر دو ﺳﺮي زﻣﺎﻧﻲ )ﭘﻴﺶﺑﻴﻨﻲ ﺷﺪه و ﻣﺸﺎﻫﺪاﺗﻲ( ﺗﺮﺳﻴﻢ ﻣﻲﺷﻮد .اﻳﻦ ﻧﻤـﻮدار ﺑﻪ ﺧﺼﻮص در ارزﻳﺎﺑﻲ ﻣﺪلﻫﺎي ﻣﺘﻌﺪد ﻳﺎ در اﻧﺪازهﮔﻴـﺮي ﻣﻬـﺎرت ﻧﺴﺒﻲ ﺑﺴﻴﺎري از ﻣﺪلﻫﺎي ﻣﺨﺘﻠﻒ ﻣﻔﻴـﺪ اﺳـﺖ ).(IPCC, 2001 ﻧﻤﻮدار ﺗﻴﻠﺮ در ﻧﺮماﻓﺰار ﻣﻄﻠﺐ ﻗﺎﺑﻞ ﺗﺮﺳﻴﻢ اﺳﺖ.
ﻧﺘﺎﻳﺞ و ﺑﺤﺚ در اﻳﻦ ﭘﮋوﻫﺶ اﺑﺘﺪا دادهﻫﺎ ﺑﺮرﺳﻲ و دورة ﻣﺸﺘﺮك آﻣﺎري اﻧﺘﺨﺎب ﺷﺪ )1372ـ .(1389ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از ﻧﺮماﻓﺰار WinGammaو ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ دو ﭘﺎراﻣﺘﺮ ﮔﺎﻣﺎ و ﻧﺴﺒﺖ Vاز روش اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ اﻗﺪام ﺑﻪ ﺗﻌﻴﻴﻦ ﺑﻬﺘﺮﻳﻦ ﺗﺮﻛﻴﺐ ورودي از ﺑﻴﻦ ﺗﺮﻛﻴﺐﻫﺎي ورودي ﻣﺨﺘﻠﻒ ﺷﺪ و ﻫﻤﭽﻨﻴﻦ ﺑﻬﺘﺮﻳﻦ ﺗﻌﺪاد دادهﻫﺎي آﻣﻮزﺷﻲ ﺑﺎ اﺳﺘﻔﺎده از روش M-Testﺗﻌﻴﻴﻦ ﺷﺪ .ﺗﻌﺪاد n2+ 1ﺗﺮﻛﻴﺐ ورودي وﺟﻮد دارد ﻛﻪ nﻧﺸﺎندﻫﻨﺪة ﺗﻌﺪاد وروديﻫﺎ اﺳﺖ .در اﻳﻦ ﭘﮋوﻫﺶ از دادهﻫﺎي ﻣﺠﻤﻮع ﺑﺎرش ﻣﺎﻫﺎﻧﻪ ) ،(Pﻣﺘﻮﺳﻂ ﻣﺎﻫﺎﻧﺔ ﺟﺮﻳﺎن ورودي ﺑﻪ دﺷﺖ ) ،(SFدﻣﺎ )،(T ﺗﺒﺨﻴﺮ ) (Eو ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ ) (GLﺑﻪﻋﻨﻮان ورودي ﺑﺮاي ﺗﻌﻴﻴﻦ ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ ) (GLﻣﺎه ﺑﻌﺪ (Shirmohammadi et ) al., 2013اﺳﺘﻔﺎده ﺷﺪ .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ ﺗﻌﺪاد وروديﻫﺎ ﭘﻨﺞ ﺗﺎ ﺑﻮد ،ﺑﺮاﺳﺎس ﻓﺮﻣﻮل ﻳﺎدﺷﺪه ﺗﻌﺪاد 31ﻧﻮع ﺗﺮﻛﻴﺐ ﻣﺨﺘﻠﻒ وﺟﻮد دارﻧﺪ .ﺟﺪول 1ﺑﻬﺘﺮﻳﻦ ﺗﺮﻛﻴﺐ را از ﺑﻴﻦ وروديﻫﺎي ﻣﺨﺘﻠﻒ ﻧﺸﺎن ﻣﻲدﻫﺪ .ﺑﻪﻋﻠﺖ ﻣﺤﺪودﻳﺖ ﻓﻀﺎ ﻓﻘﻂ ﺗﻌﺪادي از ﺗﺮﻛﻴﺐﻫﺎ در اﻳﻦ ﺟﺪول اراﺋﻪ ﺷﺪه اﺳﺖ .در اﻳﻦ ﺟﺪول ﻧﻤﻮﻧﻪاي از ﭘﺎراﻣﺘﺮﻫﺎي ورودي ﺑﺎ ﻋﻼﺋﻢ اﺧﺘﺼﺎري ﻧﺸﺎن داده ﺷﺪه اﺳﺖ. آﻣﺎرة ﺷﻴﺐ ،ﻫﻤﺎن ﺷﻴﺐ رﮔﺮﺳﻴﻮن ﺧﻄﻲ اﺳﺖ ﻛﻪ ﺑﺮاي ﻣﺤﺎﺳﺒﺔ آﻣﺎرة ﮔﺎﻣﺎ اﺳﺘﻔﺎده ﻣﻲﺷﻮد .ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﻫﻢ ﻣﻘﺪار ﺻﺤﺖ رﮔﺮﺳﻴﻮن ﺧﻄﻲ را اراﺋﻪ ﻣﻲﻛﻨﺪ .ﻛﻮﭼﻚﺗﺮﺑﻮدن آﻣﺎره ﻧﺸﺎندﻫﻨﺪة ﺻﺤﺖ ﺑﻴﺸﺘﺮ آﻣﺎرة ﮔﺎﻣﺎﺳﺖ Mask .اﻟﮕﻮي ورودي را ﻧﺸﺎن
ﭼﻮﺑﻴﻦ و ﻫﻤﻜﺎران :ﭘﻴﺶ ﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮي ﻫﺎي زﻣﺎﻧﻲ ...
ﻣﻲدﻫﺪ ﻛﻪ اﻋﺪاد ﻳﻚ ﻧﺸﺎندﻫﻨﺪة دﺧﺎﻟﺖدادن ﻣﺘﻐﻴﺮ ورودي ﻣﺮﺗﺒﻂ در ﺗﺮﻛﻴﺐ ورودي اﺳﺖ و ﻋﺪد ﺻﻔﺮ ﻧﺸﺎندﻫﻨﺪة اﺳﺘﻔﺎدهﻧﻜﺮدن از آن اﺳﺖ )اﻋﺪاد ﺑﺮاﺳﺎس ﺗﺮﺗﻴﺒﻲ اﺳﺖ ﻛﻪ وروديﻫﺎ وارد ﻧﺮماﻓﺰار ﻣﻲﺷﻮﻧﺪ( .ﺑﻪﻋﻨﻮان ﻣﺜﺎل ،اﻟﮕﻮي 11001 ﻧﺸﺎندﻫﻨﺪة ﺗﺮﻛﻴﺒﻲ ﺑﺎ وروديﻫﺎي اول ،دوم و ﭘﻨﺠﻢ )ﺑﺎرﻧﺪﮔﻲ، دﻣﺎ و ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ ( اﺳﺖ .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻛﻤﺘﺮﻳﻦ ﻣﻘﺪار ﭘﺎراﻣﺘﺮﻫﺎ ﮔﺎﻣﺎ ) (0/0009و ﻧﺴﺒﺖ (V (021/0ﺑﻬﺘﺮﻳﻦ ﺗﺮﻛﻴﺐ ورودي ﺑﺎ اﻟﮕﻮي 10111و ﺑﺎ وروديﻫﺎي ﺑﺎرﻧﺪﮔﻲ ،دﻣﺎ ،ﺗﺒﺨﻴﺮ و ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ اﻧﺘﺨﺎب ﻣﻲﺷﻮد. ﺑﻬﺘﺮﻳﻦ ﻃـﻮل دادهﻫـﺎي آﻣﻮزﺷـﻲ ﺑـﺎ اﺳـﺘﻔﺎده از M-Test ﺗﻌﻴﻴﻦ ﺷﺪ .در اﻳﻦ آزﻣﻮن ﺧﺮوﺟﻲ ﺑﻪﺻﻮرت ﻧﻤﻮدار اﺳـﺖ ﻛـﻪ در ﻗﺴﻤﺖ اﻧﺘﻬﺎﻳﻲ ﻛﻪ ﻧﻤﻮدار در ﺣﺎل اﻓﻘﻲ ﺷﺪه اﺳﺖ ،ﻧﻘﻄـﻪاي ﻛـﻪ
23
ﭘﺎﻳﻴﻦﺗﺮﻳﻦ ﻣﻘﺪار آﻣﺎرة ﮔﺎﻣﺎ )ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄـﺎ( و ﻧـﺴﺒﺖ را دارد ،ﺗﻌﺪاد ﺑﻬﻴﻨـﺔ دادهﻫـﺎي آﻣﻮزﺷـﻲ را ﻣـﺸﺨﺺ ﻣـﻲﺳـﺎزد ) .(Agalbjörn et al., 1997; Končar, 1997ﻫﻤـﺎنﻃـﻮر ﻛـﻪ در ﺷﻜﻞ 3ﻣﺸﺨﺺ اﺳﺖ ،در ﻗﺴﻤﺖ اﻧﺘﻬﺎﻳﻲ و ﺟﺎﻳﻲ ﻛـﻪ ﻧﻤـﻮدار در ﺣﺎل اﻓﻘﻲﺷﺪن اﺳﺖ )ﺗﻮﺟﻪ ﺷﻮد آﻣﺎرهﻫﺎي ﮔﺎﻣـﺎ ﺑـﺴﻴﺎر ﻛﻮﭼـﻚ ﻫﺴﺘﻨﺪ( ﻛﻤﺘﺮﻳﻦ ﻣﻘﺪار آﻣﺎرة ﮔﺎﻣﺎ و ﻧﺴﺒﺖ Vﻣﺮﺑـﻮط ﺑـﻪ ﺗﻌـﺪاد دادهﻫﺎي 180اﺳﺖ )ﺑـﻪﻋﺒـﺎرت دﻳﮕـﺮ ﻣﻄـﺎﺑﻖ ﺑـﺎ ﭘـﮋوﻫﺶﻫـﺎي ،Agalbjörn et al., 1997; Končar, 1997ﺑﻌـﺪ از اﻓﻘـﻲﺷـﺪن ﻧﻤﻮدار در ﺗﻌﺪاد داده ﺑﺮاﺑﺮ ﺑﺎ 183آﻣﺎرة ﮔﺎﻣﺎ و ﻧـﺴﺒﺖ Vﻛﻤﺘـﺮﻳﻦ ﻣﻘﺪار را دارد ﻛﻪ 83درﺻﺪ ﻛﻞ دادهﻫـﺎي ﻣـﺎ را ﺷـﺎﻣﻞ ﻣـﻲﺷـﻮﻧﺪ(. ﺑﻨﺎﺑﺮاﻳﻦ83 ،درﺻﺪ دادهﻫﺎ ﺑﺮاي ﺳﺮي آﻣـﻮزش و 17درﺻـﺪ ﺑـﺮاي ارزﻳﺎﺑﻲ ﻛﺎراﻳﻲ ﻣﺪل اﻧﻔﻴﺲ اﺳﺘﻔﺎده ﻣﻲﺷﻮد. V
ﺟﺪول .1ﺗﻌﻴﻴﻦ ﺑﻬﺘﺮﻳﻦ ﺗﺮﻛﻴﺐ ورودي ﺑﺎ اﺳﺘﻔﺎده از آﻣﺎرة ﮔﺎﻣﺎ و ﻧﺴﺒﺖv
ﺗﺮﻛﻴﺐ ورودي
P, GL
T, GL
E, GL
ﮔﺎﻣﺎ
0/002
0/002
0/002
ﺷﻴﺐ ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﻧﺴﺒﺖV اﻟﮕﻮ )(Mask ورودي
P, T, E, GL P, SF, T, E, P, SF, E, SF, T, E, P, T, GL SF, E, GL SF, T, GL P, SF, GL GL GL GL 0/0009 0/0013 0/0011 0/001 0/001 0/001 0/001 0/002
0/217
0/241
0/258
0/117
0/150
0/185
0/164
0/203
0/155
0/145
0/225
0/000
0/000
0/000
0/000
0/000
0/000
0/000
0/000
0/000
0/000
0/000
0/050
0/048
0/045
0/045
0/042
0/033
0/036
0/029
0/026
0/028
0/021
10001
00101
00011
11001
01101
01011
01111
10101
11011
11111
10111
ﺷﻜﻞ .3ﺧﺮوﺟﻲ M-Testﺑﺮاي ﺗﻌﻴﻴﻦ ﺑﻬﺘﺮﻳﻦ ﻃﻮل دادهﻫﺎي آﻣﻮزﺷﻲ ﺑﺎ اﺳﺘﻔﺎده از ﻧﺮماﻓﺰار WinGamma
ﺑﺮاي ﻃﺒﻘﻪﺑﻨﺪي دادهﻫﺎي ورودي و اﻳﺠﺎد ﻗﻮاﻧﻴﻦ در ﻣـﺪل
اﻧﺘﺸﺎر اﺳﺖ .در اﻳﻦ ﭘﮋوﻫﺶ ،از ﺗﻤﺎﻣﻲ ﺗﻮاﺑـﻊ ﻋـﻀﻮﻳﺖ دادهﻫـﺎي
(Jang,
ورودي اراﺋﻪﺷﺪه در ﺟﺪول 3اﺳـﺘﻔﺎده و ﺗـﺎﺑﻊ ﻋـﻀﻮﻳﺖ دادهﻫـﺎي
) 1993ﻛﻪ راﻳﺞﺗﺮﻳﻦ روش اﺳﺖ اﺳﺘﻔﺎده ﺷﺪ و اﻟﮕﻮرﻳﺘﻢ ﻳﺎدﮔﻴﺮي
ﺧﺮوﺟﻲ ﺧﻄﻲ اﻧﺘﺨﺎب ﺷﺪ .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ در روش ﺟﺪاﺳـﺎزي
اﺳﺘﻔﺎدهﺷﺪه در اﻳﻦ ﭘـﮋوﻫﺶ ﻫﻴﺒﺮﻳـﺪ ) (hybridﺑـﻮده اﺳـﺖ ﻛـﻪ
ﺗﻮراﻧﻪاي ﺗﻌـﺪاد ﻗـﻮاﻧﻴﻦ ﻓـﺎزي زﻳـﺎد اﺳـﺖ و ﺑـﺮاي ﺗﻌـﺪاد ﺗﻮاﺑـﻊ
ﺗﺮﻛﻴﺒﻲ از روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﺧﻄﺎ و روش ﻛﺎﻫﺶ ﺷـﻴﺐ ﭘـﺲ
ﻋــﻀﻮﻳﺖ زﻳــﺎد ﻣﺤﺎﺳــﺒﺔ ﭘﺎراﻣﺘﺮﻫــﺎي اﻳــﻦ ﻣــﺪل ﺳــﺨﺖ اﺳــﺖ
اﻧﻔـﻴﺲ از روش ) Grid partitionﺟﺪاﺳـﺎزي ﺗﻮراﻧـﻪاي(
24
ﺗﺤﻘﻴﻘﺎت آب و ﺧﺎك اﻳﺮان ،دوره ،45ﺷﻤﺎره ،1ﺑﻬﺎر 1393
) ،(Farokhnia et al. 2011ﺗﻌﺪاد ﺗﻮاﺑـﻊ ﻋـﻀﻮﻳﺖ )از دو ﺗـﺎ ﭘـﻨﺞ
ﺟﺪول 3ﻧﺘﺎﻳﺞ ارزﻳﺎﺑﻲ ﭘـﻴﺶﺑﻴﻨـﻲ ﻣـﺪل اﻧﻔـﻴﺲ ﺑـﺎ ﺗﻮاﺑـﻊ
ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ( ﺑﺮ اﺳﺎس ﺳﻌﻲ و ﺧﻄـﺎ ﺗﻌﻴـﻴﻦ ﺷـﺪ .اﻧﻔـﻴﺲ ﺑـﺮاي
ﻋﻀﻮﻳﺖ ﻣﺨﺘﻠﻒ را ﻧﺸﺎن ﻣﻲدﻫﺪ .ﻫﻤﺎنﻃﻮر ﻛـﻪ ﻣـﺸﺨﺺ اﺳـﺖ
اﻳﺠﺎد ﻗـﻮاﻧﻴﻦ ﻓـﺎزي از ﭘﺎرﻣﺘﺮﻫـﺎي ﺧﻄـﻲ و ﻏﻴﺮﺧﻄـﻲ اﺳـﺘﻔﺎده
ﺗﻤﺎﻣﻲ ﺗﻮاﺑﻊ ﺑﺎ ﺗﻌﺪاد ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ ﺑﺮاﺑﺮ ﺑﺎ دو ﺑﻬﺘـﺮﻳﻦ ﻋﻤﻠﻜـﺮد را
ﻣﻲﻛﻨﺪ ،ﻛﻪ ﺑﺎ ﺗﻐﻴﻴﺮ ﺗﻌﺪاد ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ اﻳﻦ ﭘﺎراﻣﺘﺮﻫﺎ ﻧﻴﺰ ﺗﻐﻴﻴـﺮ
داﺷﺘﻪاﻧﺪ و از ﺑﻴﻦ ﻣﺪلﻫﺎي ﻣﺨﺘﻠﻒ ،رﻳﺸﺔ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ
ﻣﻲﻛﻨﺪ .ﺟﺪول 2ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎي اﺳﺘﻔﺎده ﺷﺪه ﺑـﻪوﺳـﻴﻠﺔ ﻣـﺪل
) (RMSE= 1/241و ﻣﻴﺎﻧﮕﻴﻦ ﻣﻄﻠـﻖ ﺧﻄـﺎي )(MAE= 0/953
اﻧﻔﻴﺲ ﺑﺮاﺳﺎس ﺗﻌﺪاد ﺗﻮاﺑـﻊ ﻋـﻀﻮﻳﺖ را در ﻣـﺪل ﻣﻄﻠـﺐ 2011
ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ Πﺷﻜﻞ در دادهﻫـﺎي آزﻣـﻮن ﻛﻤﺘـﺮ از ﺑﻘﻴـﺔ ﺗﻮاﺑـﻊ
ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﭘﺎراﻣﺘﺮﻫﺎ ﺑﻪ ﺗﻌﺪاد ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ اﺳـﺘﻔﺎدهﺷـﺪه
ﻋﻀﻮﻳﺖ ﺑﻮده اﺳﺖ ﻛﻪ ﻧﺸﺎندﻫﻨﺪة ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮ ﻣﺪل اﻧﻔـﻴﺲ ﺑـﺎ
ﺑﺴﺘﮕﻲ دارد.
اﻳﻦ ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ اﺳﺖ. ﺟﺪول .2ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎي اﺳﺘﻔﺎدهﺷﺪه ﺑﻪوﺳﻴﻠﺔ ﻣﺪل ANFIS
ﺗﻌﺪاد ﻗﻮاﻧﻴﻦ ﻓﺎزي
ﺗﻌﺪاد ﻛﻞ ﭘﺎراﻣﺘﺮﻫﺎ
ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎي ﻏﻴﺮﺧﻄﻲ
ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎي ﺧﻄﻲ
ﺗﻌﺪاد ﮔﺮهﻫﺎ
ﺗﻌﺪاد ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ورودي
2
96
16
80
55
2
3
429
24
405
193
3
4
1312
32
1280
551
4
5
3165
40
3125
1297
5
ﺟﺪول .3ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ﻣﺨﺘﻠﻒ در روش اﻧﻔﻴﺲ
ﻧﻮع ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ
ﺗﻌﺪاد ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ
ﮔﻮﺳﻲ ﮔﻮﺳﻲ2 زﻧﮕﻮﻟﻪاي ذوزﻧﻘﻪاي ﻣﺜﻠﺜﻲ Πﺷﻜﻞ دوﺳﻴﮕﻤﻮﺋﻴﺪي
2 2 2 2 2 2 2
آﻣﻮزش RMSE 0/206 0/204 0/204 0/216 0/235 0/225 0/198
ﺟﺪول 4ﻧﺘﺎﻳﺞ ﺑﺮرﺳﻲ اﻳﺴﺘﺎﻳﻲﺑﻮدن ﺳﺮي زﻣﺎﻧﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ را ﻗﺒﻞ و ﺑﻌﺪ از ﺗﻔﺎﺿﻠﻲﻛﺮدن ﺑﺎ دو روش راﻳﺞ
ADF
آزﻣﻮن MAE 0/153 0/152 0/151 0/151 0/166 0/160 0/145
RMSE 2/048 1/952 2/774 1/589 1/564 1/241 1/793
MAE 1/622 1/388 1/104 1/17 1/865 0/953 1/398
ﻓﻘﺪان ﺑﺮازش Portmanteauﻧﺸﺎن داد ﻛﻪ دادهﻫﺎ ﺑﻪﺻﻮرت ﻳﻜﺴﺎن و ﻣﺴﺘﻘﻞ ﺗﻮزﻳﻊ ﺷﺪهاﻧﺪ ،ﭼﺮاﻛﻪ ﻣﻘﺪار (r) Qﻛﻤﺘﺮ از
2
χ
و PPﺑﺎ ﻧﺮماﻓﺰار Eviewsﻧﺸﺎن ﻣﻲدﻫﺪ .ﻫﻤﺎنﻃﻮر ﻛﻪ ﻣﺸﺨﺺ
اﺳﺖ ) (Q= 32/39 < χ2= 33/4ﻛﻪ ﻧﺸﺎندﻫﻨﺪة اﻳﻦ اﺳﺖ ﻛﻪ
اﺳﺖ ،ﺑﻌﺪ از ﺗﻔﺎﺿﻠﻲﻛﺮدن ﻓﺮض ﺻﻔﺮ ) ،H0: θ=0ﻳﻌﻨﻲ دادهﻫﺎ
اﻧﺘﺨﺎب ﻣﺪل ،ﺻﺤﻴﺢ اﺳﺖ P-P .ﭘﻼت ﻧﺸﺎن داد ﻛﻪ دادهﻫﺎ ﺗﻮزﻳﻊ
ﻧﺎاﻳﺴﺘﺎ ﻫﺴﺘﻨﺪ و ﻧﻴﺎز ﺑﻪ ﺗﻔﺎﺿﻠﻲﻛﺮدن اﺳﺖ( رد ﻣﻲﺷﻮد )ﭼﻮن
ﻧﺮﻣﺎل دارﻧﺪ ،ﭼﺮاﻛﻪ ﻧﻘﺎط ﺑﺮ روي ﺷﻜﻞ 4از اﻟﮕﻮي ﺧﻂ 45درﺟﻪ
ﻣﻘﺎدﻳﺮ ﺳﻄﺢ ﻣﻌﻨﺎداري ﻛﻮﭼﻚﺗﺮ از ﺳﻄﺢ اﻃﻤﻴﻨﺎن 0/01درﺻﺪ
ﺗﺒﻌﻴﺖ ﻣﻲﻛﻨﻨﺪ ﻛﻪ ﻧﺸﺎندﻫﻨﺪة اﻳﻦ اﺳﺖ ﻛﻪ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﺑﺮاي
ﺑﻮده اﺳﺖ( و ﻓﺮض ﻣﺨﺎﻟﻒ ﻣﺒﻨﻲ ﺑﺮ اﻳﺴﺘﺎﺑﻮدن دادهﻫﺎ ﭘﺬﻳﺮﻓﺘﻪ
اﻳﻦ ﻣﺪل ﻣﻨﺎﺳﺐ اﺳﺖ .ﺿﺮاﻳﺐ ﻣﺪل ) ARIMA(2,1,2در
ﻣﻲﺷﻮد .ﻣﻄﺎﺑﻖ ﺑﺎ روش ﺑﺎﻛﺲـ ﺟﻨﻴﻜﺰ و ﺑﺮاﺳﺎس ﺧﻮاص
ﺟﺪول 6اراﺋﻪ ﺷﺪه اﺳﺖ .ﺑﻨﺎﺑﺮاﻳﻦ ،ﻣﻌﺎدﻟﺔ ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ
ﮔﺮاﻓﻴﻜﻲ ﺗﻮاﺑﻊ ﺧﻮدﻫﻤﺒﺴﺘﮕﻲ ) (ACFو ﺧﻮدﻫﻤﺒﺴﺘﮕﻲ ﺟﺰﺋﻲ
آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ ﺑﺮاي ﻳﻚ ﻣﺎه ﺑﻌﺪ ) (t+1ﺑﻪﺻﻮرت زﻳﺮ ﺧﻮاﻫﺪ
) (PACFﻣﺮﺗﺒﺔ pو p ≤2)qو (q ≤ 4ﺗﻌﻴﻴﻦ ﺷﺪ .ﺳﭙﺲ،
ﺑﻮد:
ﺑﺮاﺳﺎس ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﻌﻴﺎرﻫﺎي AICو
ARIMA (2, 1, ،SBC
) 2ﺑﻪﻋﻨﻮان ﺑﻬﺘﺮﻳﻦ ﻣﺪل اﻧﺘﺨﺎب ﺷﺪ )ﺟﺪول .(5ﻧﺘﺎﻳﺞ آزﻣﻮن
)راﺑﻄﻪ (11 Yt +1 =Yt +ϕ1Yt −ϕ1Yt −1 +ϕ2Yt −1 −ϕ2Yt −2 −θ1et −θ2et −1 +c
ﭼﻮﺑﻴﻦ و ﻫﻤﻜﺎران :ﭘﻴﺶ ﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮي ﻫﺎي زﻣﺎﻧﻲ ...
25
Y t +1 =Y t + 1.7281 Y t − 1.7281 Y t −1 − 0.9988 Y t −1 +0.9988 Y t −2 −1.7073 et + 0.958 et −1 − 0.006
ﻛﻪ در آنY :ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ و eاﺧﺘﻼف ﺑﻴﻦ ﺳﻄﺢ آبزﻳﺮزﻣﻴﻨﻲ ﻣﺸﺎﻫﺪه و ﭘﻴﺶﺑﻴﻨﻲ ﺷﺪه اﺳﺖ. ﺟﺪول .4ﻧﺘﺎﻳﺞ ﺑﺮرﺳﻲ اﻳﺴﺘﺎﻳﻲﺑﻮدن ﺳﺮي زﻣﺎﻧﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﻗﺒﻞ و ﺑﻌﺪ از ﺗﻔﺎﺿﻠﻲﻛﺮدن
ﻣﺮﺣﻠﺔ
ﻧﻮع
آﻣﺎرة
ﺳﻄﺢ
ﺑﺮرﺳﻲ
آزﻣﻮن
آزﻣﻮن
ﻣﻌﻨﺎداري**
ﻗﺒﻞ از
-Augmented Dickey
1/19
0/55
ﺗﻔﺎﺿﻠﻲﻛﺮدن
Fuller test -Phillips
1/12
0/57
Perron test -Augmented Dickey
11/3
**0/0034
Fuller test -Phillips
54/1
ﺑﻌﺪ از ﺗﻔﺎﺿﻠﻲﻛﺮدن
ﺷﻜﻞ P-P .4ﭘﻼت
در ﻣﺪل ) ARIMA (2,1, 2ﻣﻘﺎدﻳﺮ رﻳﺸﺔ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌـﺎت ﺧﻄﺎ و ﻣﻴﺎﻧﮕﻴﻦ ﻣﻄﻠﻖ ﺧﻄﺎي دادهﻫﺎي آﻣﻮزﺷﻲ ﺑﻪﺗﺮﺗﻴﺐ 0/325
**0/000
Perron test
و 0/241و ﺑــﺮاي دادهﻫــﺎي ﺻــﺤﺖﺳــﻨﺠﻲ ﺑــﻪﺗﺮﺗﻴــﺐ 0/209و 0/171ﺑﻪ دﺳﺖ آﻣﺪ .ﻣﻘﺎﻳﺴﺔ دﻗﺖ ﻧﺘﺎﻳﺞ ﻋﻤﻠﻜﺮد ﻣﺪل
** در ﺳﻄﺢ 99درﺻﺪ ﻣﻌﻨﺎدار
ARIMA
) (2, 1, 2و اﻧﻔﻴﺲ ﺑﺎ ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ﻣﺘﻔﺎوت ﺑﻪوﺳﻴﻠﺔ دﻳﺎﮔﺮام ﺗﻴﻠﺮ ﺟﺪول .5ﻣﻌﻴﺎرﻫﺎي AICو SBCﺑﺮاي ﻣﺪلﻫﺎي ﻣﺨﺘﻠﻒ
اﻧﺠﺎم ﺷﺪ )ﺷﻜﻞ .(5ﻫﻤﺎنﻃﻮر ﻛﻪ در ﺷﻜﻞ 5ﻣﺸﺨﺺ اﺳﺖ ﻣـﺪل
Model
AIC
SBC
)ARIMA (2, 1, 4
194/3
216/3
ﻫﺸﺖ ﺑﻪ ﻣﺸﺎﻫﺪات ﻣﺎ ﻧﺰدﻳﻚﺗﺮ اﺳﺖ ﻛﻪ ﻧـﺸﺎندﻫﻨـﺪة ﻋﻤﻠﻜـﺮد
)ARIMA (2, 1, 3
196/0
214/9
)ARIMA (2, 1, 2
114/2
129/9
ﻣﺮﺑﻌﺎت ﺧﻄﺎ و ﻣﻴﺎﻧﮕﻴﻦ ﻣﻄﻠﻖ ﺧﻄﺎي )ﺟﺪول (3ﻧﻤﻮدار ﺗﻴﻠﺮ ﻧﻴـﺰ
)ARIMA (2, 1, 1
204/4
217/0
ﻧﺸﺎن داد ﻛﻪ ﻋﻤﻠﻜﺮد ﭘﻴﺶﺑﻴﻨﻲ ﺑﺎ ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ Πﺷﻜﻞ ﻋﻤﻠﻜـﺮد
)ARIMA (1, 1, 4
199/5
218/4
ﺑﻬﺘــﺮي ﻧــﺴﺒﺖ ﺑــﻪ ﺑﻘﻴــﺔ ﺗﻮاﺑــﻊ ﻋــﻀﻮﻳﺖ دارد .ﺷــﻜﻞﻫــﺎي 6و
)ARIMA (1, 1, 3
200/5
216/2
7ﻣﻮﻓﻘﻴﺖ ﭘﻴﺶﺑﻴﻨﻲ ﻣﺪل ) ARIMA (2,1, 2در ﺑﺮاﺑـﺮ دادهﻫـﺎي
)ARIMA (1, 1, 2
202/4
215/0
ﻣﺸﺎﻫﺪاﺗﻲ ﺑـﺮاي دورة آزﻣـﻮن ﻳـﺎ ﺻـﺤﺖﺳـﻨﺠﻲ ﻣـﺪل را ﻧـﺸﺎن
)ARIMA (1, 1, 1
203/0
212/4
ﻣﻲدﻫﺪ .ﭘﮋوﻫﺶﻫـﺎي ﮔﺬﺷـﺘﻪ ﻧﻴـﺰ ﻣﻮﻓﻘﻴـﺖ ﻣـﺪل ARIMAدر
)ARIMA (1, 1, 0
201/0
207/3
ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ را ﻧﺸﺎن دادهاﻧـﺪ
)ARIMA (0, 1, 4
198/1
213/8
)ARIMA (0, 1,3
200/2
212/8
et al., 2012; Aflatooni and Mardaneh, 2011; Lee et al., ).2009; Lu, et al., 2013; Voudouris, 2002
)ARIMA (0, 1,2
203/6
213/0
)ARIMA (0, 1,1
212/4
218/7
ﺟﺪول .6ﺿﺮاﻳﺐ ﻣﺪل (ARIMA (2,1, 2
ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل
φ1 φ2 θ1 θ2 Constant
ﺿﺮاﻳﺐ
ﺳﻄﺢ ﻣﻌﻨﻲداري
T
ﺧﻄﺎي اﺳﺘﺎﻧﺪارد
1/7281 -0/9988 1/7073 -0/958 -0/006
0/000 0/000 0/000 0/000 0/807
468/85 -254/75 43/54 -21/15 -0/24
0/004 0/004 0/039 0/045 0/023
ﺑﻬﺘــﺮ ﻣــﺪل ARIMAﻧــﺴﺒﺖ ﺑــﻪ ﺳــﺎﻳﺮ ﻣــﺪلﻫﺎﺳــﺖ .از ﺑــﻴﻦ ﭘﻴﺶﺑﻴﻨﻲﻫﺎي ﻣﺪل اﻧﻔـﻴﺲ ﻣﻄـﺎﺑﻖ ﺑـﺎ ﻣﻘـﺎدﻳﺮ رﻳـﺸﺔ ﻣﻴـﺎﻧﮕﻴﻦ
(Adhikary
) Rahmani and Sedehi (2005در دﺷﺖ ﻫﻤﺪانـ ﺑﻬـﺎر از ﻣﺪل ) ARIMA (1, 1, 0ﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ در 20ﺳﺎل آﻳﻨﺪه اﺳﺘﻔﺎده ﻛﺮدﻧﺪ ﻛـﻪ ﻧﺘـﺎﻳﺞ ﻧـﺸﺎن دﻫﻨـﺪة ﻋﻤﻠﻜـﺮد ﺧﻮب ﺳﺮيﻫﺎي زﻣـﺎﻧﻲ اﺳـﺖ (2006) Mirzaei et al .در دﺷـﺖ ﺷﻬﺮﻛﺮد ﻧﻴﺰ ﻧﺸﺎن دادﻧﺪ ﻛﻪ ﺑﺎ ﻣﺪل ARIMAﺑﻪﺧـﻮﺑﻲ ﻣـﻲﺗـﻮان ﻧﻮﺳﺎﻧﺎت آب زﻳﺮزﻣﻴﻨﻲ آﺑﺨﻮان ﺷﻬﺮﻛﺮد را ﭘﻴﺶﺑﻴﻨﻲ ﻛـﺮد.
Lee
(2009) et al.در ﻛـﺮة ﺟﻨـﻮﺑﻲ ﻧﻴـﺰ از ﺳـﺮيﻫـﺎي زﻣـﺎﻧﻲ ﺑـﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ آب زﻳﺮزﻣﻴﻨﻲ ﻣﺎﻫﺎﻧﻪ اﺳﺘﻔﺎده ﻛﺮد ،ﻛﻪ ﻧﺘﺎﻳﺞ اﻳﻦ ﻣﻄﺎﻟﻌــﻪ ﻧﺘــﺎﻳﺞ ﻧــﺸﺎن داده اﺳــﺖ آرﻳﻤــﺎي ﻓــﺼﻠﻲ ﻋﻤﻠﻜــﺮد رﺿﺎﻳﺖﺑﺨﺸﻲ در ﭘﻴﺶﺑﻴﻨﻲ آب زﻳﺮزﻣﻴﻨﻲ دارد.
26
ﺗﺤﻘﻴﻘﺎت آب و ﺧﺎك اﻳﺮان ،دوره ،45ﺷﻤﺎره ،1ﺑﻬﺎر 1393
ﺷﻜﻞ .5دﻳﺎﮔﺮام ﺗﻴﻠﺮ ﺑﺮاي ﻣﻘﺎﻳﺴﺔ دﻗﺖ ﻣﺪلﻫﺎي ﭘﻴﺶﺑﻴﻨﻲ
ﺷﻜﻞ .6ﭘﻴﺶﺑﻴﻨﻲ ﻣﺪل ) ARIMA (2,1, 2در ﺑﺮاﺑﺮ دادهﻫﺎي ﻣﺸﺎﻫﺪاﺗﻲ
ﺷﻜﻞ Scatter .7ﭘﻼت ﻣﺮﺑﻮط ﺑﻪ دادهﻫﺎي ﻣﺸﺎﻫﺪاﺗﻲ و ﭘﻴﺶﺑﻴﻨﻲ ﻣﺪل
ARIMA
ﻧﺘﻴﺠﻪﮔﻴﺮي ﭘﻴﺶآﮔﻬﻲ از ﻣﻨﺎﺑﻊ آب ﻣﻲﺗﻮاﻧﺪ ﻛﻤﻚ ﺷﺎﻳﺎﻧﻲ ﺑﻪ ﻣﺪﻳﺮﻳﺖ ﻣﻨﺎﺑﻊ آب ﻛﺸﻮر ﻛﻨﺪ .در اﻳﻦ ﭘﮋوﻫﺶ از دو روش ﺧﻄﻲ و ﻏﻴﺮﺧﻄﻲ ﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ آبﻫﺎي زﻳﺮزﻣﻴﻨﻲ دﺷﺖ ﺷﻴﺮاز ﺗﺎ ﻳﻚ ﻣﺎه ﺑﻌﺪ اﺳﺘﻔﺎده ﺷﺪ .ﺑﺮاي ﺗﻌﻴﻴﻦ ﺗﺮﻛﻴﺐ ورودي ﻣﻨﺎﺳﺐ و ﻣﻘﺪار ﻣﻨﺎﺳﺐ دادهﻫﺎي آﻣﻮزﺷﻲ در روش ﻏﻴﺮﺧﻄﻲ ﺑﻪﺗﺮﺗﻴﺐ از آزﻣﻮن ﮔﺎﻣﺎ و Mاﺳﺘﻔﺎده ﻛﺮدﻳﻢ ﻛﻪ در ﻫﺮ دو روش ﻣﻘﺪار ﺑﻬﻴﻨﻪ ﺑﺮاﺳﺎس ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ ﻳﺎ ﻫﻤﺎن آﻣﺎرة ﮔﺎﻣﺎ ﺗﻌﻴﻴﻦ ﺷﺪ .ﺑﺎ
ﻣﻘﺎﻳﺴﺔ ﻧﺘﺎﻳﺞ اﻧﻔﻴﺲ ﻣﺸﺨﺺ ﺷﺪ ﻛﻪ ﭘﻴﺶﺑﻴﻨﻲ ﺑﺎ ﺗﺎﺑﻊ ﻋﻀﻮﻳﺖ Πﺷﻜﻞ ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﺑﻘﻴﻪ ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ دارد .اﻣﺮوزه ﺑﻪرﻏﻢ اﺳﺘﻔﺎدة ﻛﻤﺘﺮ از ﻣﺪلﻫﺎي ﺧﻄﻲ اﻳﻦ ﭘﮋوﻫﺶ ﻧﺸﺎن داد ﻛﻪ ﻣﺪل ﺧﻄﻲ ) ARIMA (2,1, 2ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮي ﻧﺴﺒﺖ ﻣﺪل ﻏﻴﺮﺧﻄﻲ اﻧﻔﻴﺲ در ﭘﻴﺶﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ دارد .ﻣﺸﺨﺺﺑﻮدن رواﺑﻂ و ﻫﻢﭼﻨﻴﻦ اﺳﺘﻔﺎده از دادهﻫﺎي ﭘﻴﺸﻴﻨﻪ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ )اﺳﺘﻔﺎدهﻧﻜﺮدن از ﻣﺘﻐﻴﺮﻫﺎي ورودي ﻣﺨﺘﻠﻒ ﺑﺎ ﺧﻄﺎي ﻣﺨﺘﻠﻒ( در ﻣﺪل ARIMAﻣﻮﺟﺐ ﻣﻮﻓﻘﻴﺖ ﺑﻬﺘﺮ اﻳﻦ ﻣﺪل ﺷﺪه اﺳﺖ. REFERENCES
Monthly Rainfall Prediction using Linear Stochastic-Base Models in Gharalar Rain Gauge
Abghari, H., Rezaeianzadeh, M., Singh, V. P. and Moradzadeh Azar, F. (2010). Comparison of
27
... ﭘﻴﺶ ﺑﻴﻨﻲ ﺳﻄﺢ اﻳﺴﺘﺎﺑﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮي ﻫﺎي زﻣﺎﻧﻲ:ﭼﻮﺑﻴﻦ و ﻫﻤﻜﺎران
Station Iran. Geophysical Research Abstracts, Vol. 12, EGU2010-2652-1. Adhikary, S.K., Rahman, M.D.M. and Gupta, A.D. (2012). A stochastic Modelling Technique for Predicting Groundwater table Fluctuations with Time Series Analysis. Applied Sciences and Engineering Research, 1(2), 238-249. Aflatooni, M. and Mardaneh, M. (2011). Time series analysis of ground water table fluctuations due to temperature and rainfall change in Shiraz plain. Water Resources and Environmental Engineering, 3(9), 176-188. Afuni, D.M., Malhojy, K. and Rashmeh, K. (2002). The use of saline water for irrigation of several wheat varieties and response. In proceedings of the First National Conference of solutions to deal with the water crisis, Iran, pp. 295-304. (In Farsi) Agalbjörn, S., Končar, N. and Jones, A. J. (1997). A note on the gamma test. Neural Computing and Applications, 53, 131–133. Ahn, H. (2000). Modeling of groundwater heads based on second-order difference time series models. Hydrology, 234(1–2), 82–94. Akaike, H. (1974). A look at the statistical model identification. IEEE Transactions on Automatic Control, 19, 716–723. Boochabun, K., Tych, W., Chappell, N. A., Carling, P. A., Lorsirirat, K. and PaObsaeng, S. (2004). Statistical modelling of rainfall and river flow in Thailand. Geological Society of India, 64, 503– 515. Box, G. E. P. and Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control Holden-Day, San Francisco, CA. USA. Chattopadhyay, S. and Chattopadhyay, G. (2010). Univariate modelling of summer-monsoon rainfall time series: comparison between ARIMA and ARNN. Comptes Rendus Geoscience, 342, 100–107. Chattopadhyay, S. J., hajharia, D. and Chattopadhyay, G. (2011). Univariate modelling of monthly maximum temperature time series over northeast India: neural network versus Yule–Walker equation based approach. Meteorological Applications, 18, 70–82. Chu, H. J. and Chang, L. C. (2009). Application of optimal control and fuzzy theory for dynamic groundwater remediation design. Water Resource Management, 23 (4), 647–660. Daliakopoulos, I. N., Coulibaly, P. and Tsanis, I. K. (2005). Groundwater level forecasting using artificial neural networks. Hydrology, 309(1–4), 229–240. Dickey, D. A. and Fuller, W. A. (1979). Estimators for autoregressive time series with a unit root. American Statistical Association, 74, 427–431. Farokhnia, A., Morid, S. and Byun, H. R. (2011). Application of global SST and SLP data for drought forecasting on Tehran plain using data
mining and ANFIS techniques. Theor Appl Climatol, 104, 71–81. Faruk, D. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligence, 23 (4), 586–594. Firat, M., Turan, M. E. and Yurdusev, M. A. (2009). Comparative analysis of fuzzy inference systems for water consumption time series prediction. Hydrology, 374(3–4), 235–241. Hasmida, H. (2009). Water quality trend at the upper part of Johor River in relation to rainfall and runoff pattern. Faculty of Civil Engineering. MSc. Dissertation, University Teknologi Malaysia. IPCC, Houghton, J. T., Ding, Y., Griggs, D. J., Noguer, M., van der Linden, P. J., Dai, X., Maskell, K. and Johnson, C. A. (eds) (2001). Climate change 2001: the scientific basis, Cambridge University Press. Cambridge, United Kingdom and New York. NY. USA, 881 pp. Jang, J. S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems Man and Cybernetics, 23(3), 665-685. Kisi, O. and Shiri, J. (2012). Wavelet and neuro-fuzzy conjunction model for predicting water table depth fluctuations. Hydrology Research, 43 (3), 286–300. Končar, N. (1997). Optimization methodologies for direct inverse neuro control. Dept. of Computing. Imperial College of Science. Ph. D. dissertation, University of London, London. Lee, S. I., Lee, S. K. and Hamm, S. Y. (2009). A model for groundwater time-series from the well field of riverbank filtration. Korea Water Resources Association, 42, 673–680. Lu, W. X., Zhao, Y., Chu, H. B. and Yang, L. L. (2013). The analysis of groundwater levels influences by dual factors in western Jilin Province by using time series analysis method. Applied Water Science. DOI 10.1007/s13201013-0111-4. Mirzaei, S.y., Chitsazan M., Chinipardaz, R. and Samadi, H. (2006). Groundwater forecasting of Shahrekord plains using time series models and discuss strategies to improve. First Regional Conference on Optimum Utilization of Water Resources (Opportunities and Challenges), 5-6 SEP, Shahrekord University, Iran. (In Farsi) Phillips, P. C. B. and Perron, P. (1988). Testing for a Unit Root in Time Series Regression. Biometrika, 75, 335-346. Rahmani, A. and Sedehi, M. (2005). Prediction of changes in groundwater levels Hamedan - spring plain with time series model. Water and Wastewater, 15 (51), 42-49. (In Farsi) Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), 461–464. Shirmohammadi, B., Vafakhah, M., Moosavi, V. and Moghaddamnia, A. (2013). Application of
1393 ﺑﻬﺎر،1 ﺷﻤﺎره،45 دوره،ﺗﺤﻘﻴﻘﺎت آب و ﺧﺎك اﻳﺮان
Several Data-Driven Techniques for Predicting Groundwater Level. Water Resources Management. DOI 10.1007/s11269-012-0194-y. Taylor, K. E. (2001). Summarizing multiple aspects of model performance in a single diagram. Geophysical Research, 106, 7183-7192. (Also see PCMDI Report 55, http://wwwpcmdi.llnl.gov/publications/ab55.html ). The Water comprehensive plan (1991). Groundwater resources of Shapur and Dalaki, MaharluBakhtegan watersheds. First edition, published by the Ministry of Energy. Jamab Consultant Engineering Company. Tehran. 400 pages. (In Farsi) Tutmez, B., Hatipoglu, Z. and Kaymak, U. (2006). Modelling electrical conductivity of groundwater
28
using an adaptive neuro-fuzzy inference system. Computers & Geosciences, 32, 421-433. Voudouris, K. (2002). Time series analysis using ARIMA models of the groundwater table in Patras industrial area aquifer system NW Peloponnese. Greece Terra Nostra (Bonn), 3, 335-340. Wong, H., Wc, I., Zhang, R. and Xia, J. (2007). Nonparametric time series models for hydrological forecasting. Hydrology, 332(3–4), 337–347. Zakaria, S., Al-Ansari, N., Knutsson, S. and AlBadrany, T. (2012). ARIMA Models for weekly rainfall in the semi-arid Sinjar District at Iraq. Earth Sciences and Geotechnical Engineering, 2(3), 25-55.