Page 1 > > < 45, 1< 1393 ) 28-19( > @ @ @ 1< * 2< @ 3< 4 1 ...

0 downloads 0 Views 438KB Size Report
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 ...
‫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.