داده های هیدرولوژیکی به عنوان اطلاعات پایه و اساسی در طراحی و مدیریت علمی پروژه های منابع آب به کار می روند. یکی از ابزار مهم در پیش بینی فرآیندهای هیدرولوژیکی استفاده از مدل سازی سری های زمانی است. سری های تولید شده جریان رودخانه در مطالعات مختلفی نظیر خشکسالی، سیلاب، بهینه سازی و طراحی سیستم های مخازن و تامین آب و اهداف فراوان دیگر قابل استفاده می باشد. با توجه به اینکه فرآیند جریان رودخانه یکی از سیستم هایی است که می تواند در مقیاس های مختلف زمانی و مکانی غیر خطی باشد، شناخت این فرآیند و استفاده از مدل های غیرخطی سری های زمانی بسیار مفید خواهد بود. در این تحقیق از داده های روزانه 31 ساله دبی جریان رودخانه شهرچای ارومیه واقع در استان آذربایجان غربی و غرب دریاچه ارومیه جهت بیان شکل ریاضی مدل های سری زمانی و پیش بینی استفاده شده است. اغلب سری های هیدرولوژیکی دارای روند بوده و یا در میانگین ناایستا هستند. قبل از مدل سازی لازم است که سری زمانی ایستا شود. بدین منظور ابتدا روند در داده ها با استفاده از آزمون من-کندال و کندال فصلی بررسی شده است. نتایج این آزمون ها روند نزولی در داده های ماهانه و 10روزه را نشان داده که این امر نشان دهنده وجود ناایستایی در این داده ها می باشد. پس از حذف روند دو روش adf و kpss جهت آزمون ایستایی مورد استفاده قرار گرفته است. این روش ها برای اولین بار در مطالعات اقتصادی به کار گرفته شده اند. نتایج این تحقیق نشان داد که با استفاده از روش kpss در هیدرولوژی می توان به نتایج مطلوبی دست یافت. هم چنین آزمون غیرخطی bds جهت بررسی وجود و شدت غیرخطی سری جریان رودخانه در چهار مقیاس زمانی سالانه، ماهانه، 10 روزه و روزانه مورد استفاده قرار گرفته است. این آزمون نیز برای اولین بار در مطالعات منابع آب در ایران معرفی گردید. طبق نتایج حاصله بیشترین شدت غیرخطی در سری های روزانه بوده و در سری های سالانه غیرخطی وجود نداشت. به طوری که هرچه مقیاس زمانی کوچک تر می شود، شدت غیرخطی بودن افزایش می یابد. نتایج این آزمون راهنمای مناسبی در انتخاب نوع مدل از نظر خطی یا غیرخطی بودن خواهد بود. از بین مدل های رایج غیرخطی سری های زمانی، مدل غیرخطی بی لینیر(bl) جهت برازش سری زمانی جریان رودخانه مورد استفاده قرار گرفته است. این مدل در عین سادگی و شباهت به مدل های خطی، نتایج مطلوبی در پیش بینی جریان رودخانه شهرچای ارومیه داشته است. روش تخمین پارامترها و انتخاب رسته مدل بی لینیر شبیه مدل های خطی بوده و با اینکه هنوز عملکرد این روش ها در مدل بی لینیر بررسی نشده و ناشناخته می باشد، از این روش ها جهت برازش و تخمین پارامترهای مدل استفاده شده است. جهت برازش تغییرات واریانس نسبت به زمان نیز از مدل غیرخطی واریانس شرطی ناهمسان خودهمبسته (arch) استفاده شده و مدل تلفیقی bl-arch در این تحقیق پیشنهاد شده است. مقایسه نتایج حاصل از آزمون bds و برازش مدل های خطی و غیرخطی در این تحقیق نشان داد که نتایج این آزمون با نتایج مدل های برازشی هم خوانی کامل دارد و آزمون bds از توانایی و کارآیی کافی جهت آزمون غیرخطی سری های هیدرولوژیکی برخوردار است. با استفاده از مدل غیرخطی بی لینیر نیز که برای اولین بار در این تحقیق معرفی و کاربردی شده می توان جهت پیش بینی جریان های کوتاه مدت رودخانه استفاده نمود و به نتایج مطلوبی دست یافت.

در این مطالعه دبی جریان سالانه، ماهانه و روزانه رودخانه باراندوزچای ارومیه (1388-1352) با استفاده از مدل های سری زمانی خطی و غیرخطی دوخطی و روش برنامه ریزی ژنتیک مدل سازی شد. برای نرمال کردن داده ها از توابع تبدیل مختلف استفاده و از آماره ضریب چولگی برای آزمون نرمال بودن داده ها استفاده شد. جهت بررسی ایستایی داده ها از آزمون adf استفاده گردید. با حذف عوامل ناایستایی، سری های جریان رودخانه ایستا شدند. برای بررسی شدت غیرخطی بودن سری های سالانه، ماهانه و روزانه جریان از آزمون bds استفاده شد. نتایج نشان داد، جریان سالانه خطی و سری ماهانه تا حدودی غیرخطی است. سری دبی جریان روزانه از شدت غیرخطی بیشتری برخوردار بود. هرچه مقیاس زمانی کوچک تر می شد، شدت غیرخطی بودن افزایش می یافت. برای سری سالانه مدل ar(1) با داشتن کمترین مقدار معیار آکایکه اصلاح شده و با توجه به آزمون پورت مانتئو به عنوان مدل مناسب انتخاب شد. مقدار آماره ضریب همبستگی و جذر میانگین مربعات خطا در مدل مذکور برای سری سالانه به ترتیب 97/0 و ( )34/0 به دست آمد. مدل-های arma(1,2) و bl(1,2,1,1) با توجه به مقدار آماره آکایکه اصلاح شده و آزمون نکویی برازش پورت مانتئو به عنوان مدل های منتخب جریان در مقیاس ماهانه انتخاب شدند. مقدار آماره-های r و rmse مدل arma(1,2) معادل90/0 و ( )99/2 به دست آمد. مقدار این آماره ها برای مدل غیرخطی دوخطی به ترتیب 91/0 و ( )69/2 بود. مناسب ترین مدل برای جریان روزانه، مدل خطی arma(1,11) و مدل غیرخطی bl(1,11,1,1)بود که مقدار آماره های r و rmse آنها برای مدل خطی به ترتیب برابر 86/0 و ( )30/4 و برای مدل غیرخطی معادل 90/0 و ( )52/3 بدست آمد. در مطالعه حاضر از برنامه ریزی ژنتیک نیز برای مدل سازی جریان سالانه، ماهانه و روزانه رودخانه باراندوزچای استفاده شد. نتایج نشان داد که در مقیاس سالانه و ماهانه دقت روش gp کمتر از روش های مدل بندی سری زمانی (خطی و غیرخطی) بود. با این حال، در مقیاس زمانی سالانه بهترین عملکرد روش gp بازای ورودی های دبی جریان با یک و دو تاخیر حاصل شد. مقادیر آماره های r و rmse برای روش gp در مقیاس سالانه به ترتیب 39/0 و ( )51/2 محاسبه شد. در مقیاس ماهانه بهترین الگوی ورودی gp دبی یک ماه تاخیر، دو ماه تاخیر، سه ماه تاخیر و چهار ماه تاخیر به دست آمد. مقادیر آماره های r و rmse برای روش gp در مقیاس ماهانه به ترتیب 74/0 و ( )15/5 تخمین زده شد. در مقیاس زمانی روزانه عملکرد روش gp رضایت بخش بود، طوری که دقت آن حتی از مدل غیرخطی bl(1,11,1,1) بیشتر بود. برای سری روزانه بهترین عملکرد روش gp با به کار بردن سه تاخیر زمانی به دست آمد و مقادیر آماره های r و rmse این الگو به ترتیب 93/0 و ( ) 86/2 بود.

دمای هوا یک عامل هواشناسی و اقلیم شناسی مهم است که تغییرات آن منشأ بسیاری تحولات در بخش کشاورزی، منابع آب و محیط زیست می باشد. به همین دلیل اندازه گیری و پیش بینی دمای هوا اهمیت و سابقه طولانی تری نسبت به سایر پارامترهای هواشناسی دارد. هدف از این تحقیق ارائه یک مدل ریاضی برای سری زمانی دمای متوسط ماهانه، با استفاده از روش جدید برنامه ریزی بیان ژن (gep) می باشد. برنامه ریزی بیان ژن یک الگوریتم بسیار قدرتمند برای مدل سازی و کشف رابطه بین پدیده های پیچیده می باشد که از برنامه ریزی ژنتیک مستخرج گردیده است. برنامه ریزی بیان ژن دقت بسیار زیادی نسبت به سایر روش های هوش مصنوعی دارد. همچنین دیگر ویژگی آن ارایه یک رابطه ریاضی از مدل ساخته شده می باشد. این روش در دو مرحله عمده انجام می گیرد. 1- آموزش مدلی که بتواند داده های سری زمانی را تخمین بزند. 2- صحت سنجی یا آزمون مدل ارائه شده در مرحله قبل با داده های واقعی. داده های مورد مطالعه در این تحقیق سری زمانی دمای متوسط ماهانه می باشد که از سازمان هواشناسی کل کشور تهیه گردیده است. مدل ها در شش الگوی حافظه ای (تأخیری) متفاوت آموزش دیدند. در مرحله دوم برای ارزیابی این مدل ها از مجذور میانگین مربعات خطا (rmse) و ضریب تبیین (r2) استفاده شد. 80 درصد داده ها برای آموزش و 20 درصد برای آزمون در نظر گرفته شد. به این ترتیب سری زمانی دمای متوسط ماهانه در 31 ایستگاه سینوپتیک کشور مدل سازی گردید. مدل های بدست آمده در هفت اقلیم متفاوت کشور طبقه بندی شده، نتایج هر اقلیم ارائه و با یکدیگر مقایسه شدند. نتایج تحقیق نشان داد که 45 درصد مدل ها در الگوی چهارم بدست آمد. همچنین گرچه روش برنامه ریزی ژنتیک یک روش بسیار مطلوب برای مدل سازی پارامترهای هیدرولوژیکی می باشد، ولی دقت و کارایی این روش در مناطق و اقلیم های مختلف، متفاوت بوده و برای مدل های بدست آمده از یک اقلیم خاص، انتظار می رود که مدل ها در فاکتورهای اساسی مثل الگوهای ورودی شبیه هم باشند. در نهایت نتایج نشان دادند که مدل gep برای مدل سازی دمای متوسط ماهانه خیلی مناسب است. بهترین مدل در این تحقیق برای گروه اقلیمی هفتم و شهرستان زابل بدست آمد.

در این مطالعه ابتدا خصوصیات آماری اساسی از قبیل روند، ایستایی و نرمال بودن سری های هیدرولوژیکی حوضه آبریز کسیلیان واقع در استان مازندران در دوره آماری 1349 تا 1388 مورد بررسی قرار گرفت. تمامی سری های زمانی ثبت شده، با این فرض اساسی در هیدرولوژی به کار برده می شوند که توزیع فراوانی داده های مورد نظر از توزیع نرمال تبعیت کرده و ایستا هستند اما در بسیاری از موارد داده های ثبت شده متغیرها، توزیعی نامتقارن دارند و در برخی موارد (مانند وجود روند، خاصیت فصلی بودن و غیره) ناایستا می باشند. در این مطالعه برای بررسی وجود روند از ویرایش سوم آزمون من – کندال، برای تشخیص نرمال بودن داده ها از آزمون چولگی و برای تعیین ایستایی یا ناایستایی سری های هیدرولوژیکی حوضه آبریز کسیلیان از روش های adf، dfgls، ers، kpss و pp استفاده شد. نتایج آزمون من– کندال اصلاح شده برای سری های ماهانه و سالانه بارش نشان می دهد که در 40 سال گذشته روند کاهشی خفیفی در منطقه مورد مطالعه وجود داشته و در چهار دهه اخیر 77 میلی متر کاهش بارندگی رخ داده است. همچنین آزمون من– کندال اصلاح شده برای سری ماهانه و سالانه دبی ایستگاه درزیکلا حوضه آبریز کسیلیان نشان دهنده وجود روند کاهشی غیرمعنی دار می باشد. نتایج آزمون من– کندال اصلاح شده برای سری های ماهانه و سالانه دمای حوضه آبریز کسیلیان نیز روند افزایشی دما را نشان می دهد و می توان نتیجه گرفت که افزایش دما در منطقه سبب کاهش بارندگی شده است و این امر در کاهش آبدهی حوضه آبریز کسیلیان موثر می باشد. نتایج آزمون چولگی نشان داد که سری های سالانه، ماهانه و روزانه بارش و دبی نرمال نبوده و چولگی در سری وجود دارد. با بررسی توابع انتقال مختلف، یکی از توابع با داشتن کمترین مقدار چولگی توانست تقارن سری های مورد مطالعه را بهبود بخشد. بعد از نرمال کردن، ایستایی سری ها با روش های adf، dfgls، ers، kpss و pp مورد آزمون قرار گرفت. نتایج آزمون های ایستایی برای سری های نرمال و استاندارد سالانه، ماهانه و روزانه نشان می دهد که همه سری های نرمال و استاندارد ایستا می باشند اما با حذف خاصیت تناوبی از داده ها (استاندارد کردن) ایستایی سری های مورد بررسی بهبود یافت. درنهایت از روش برنامه ریزی ژنتیک به منظور یافتن رابطه مناسب برای متغیر خروجی حوضه (دبی جریان) استفاده گردید و برای مدل سازی جریان روزانه حوضه آبریز کسیلیان از مدل برنامه ریزی ژنتیک استفاده گردید. بدین منظور 85 درصد داده ها برای آموزش و 15 درصد نیز برای تست در نظر گرفته شد. بهترین عملکرد برنامه ریزی ژنتیک در مدل سازی جریان روزانه حوضه آبریز کسلیلیان با سه تاخیر زمانی در ورودی های مدل به دست آمد و ضریب همبستگی و میانگین مربعات مجذور خطا برای این الگو به ترتیب 900/0 و ( )495/0 محاسبه گردید.

پس از یخچال¬ها، منابع آب¬زیرزمینی دومین منبع مهم آب شیرین موجود در جهان هستند. توسعه جمعیت، کشاورزی و صنعت سبب افزایش برداشت از این منابع شده و افت سطح آب-زیرزمینی را به همراه داشته است. برای آگاهی از وضعیت منابع آب¬زیرزمینی و مدیریت بهینه آن لازم است بررسی دقیقی از نوسانات و روند تغییرات سطح آب¬زیرزمینی انجام شود. با بررسی دقیق نوسانات سطح آب¬زیرزمینی می توان از آن در برنامه ریزی تأمین آب قابل اعتماد و نیز در مدیریت منابع آب استفاده نمود. در م‍طال‍ع‍ه حاضر، رون‍د ت‍غ‍ی‍ی‍رات آب ¬زی‍رزم‍ی‍ن‍ی دشت سیلاخور(درود-بروجرد) واقع در استان لرستان با استفاده از اطلاع‍ات 20 ح‍ل‍ق‍ه چ‍اه ¬پ‍ی‍زوم‍ت‍ری در دوره آماری 1390-1376 در سه مقیاس ماهانه، فصلی و سالانه ارزی‍اب‍ی و سپس نتایج حاصل با نتایج بررسی روند منطقه¬ای سطح آب¬زیرزمینی منطقه، مورد بررسی قرار گرفت. جهت بررسی روند منطقه¬ای سطح آب¬زیرزمینی از آزمون کندال¬منطقه¬ای و جهت خوشه¬بندی منطقه مورد مطالعه از روش خوشه¬بندی¬فازی استفاده شد و همچنین بعد از بررسی روند سطح آب¬زیرزمینی با استفاده از داده¬های تاریخی، به وسیله نمونه های خطی سری¬زمانی، سطح آب¬زیرزمینی منطقه مورد مطالعه به مدت 5 سال و در مقیاس ماهانه مدل¬سازی و پیش¬بینی شد. در نهایت با استفاده از داده¬های تاریخی و پیش¬بینی، روند تغییرات سطح آب¬زیرزمینی منطقه مورد مطالعه مورد بررسی قرار گرفت. نتایج بررسی روند سطح آب¬زیرزمینی منطقه مورد مطالعه در مقیاس ماهانه نشان داد که سطح آب¬زیرزمینی در دو چاه مشاهده ای کیوره و چغادون در طی دوره آماری مورد مطالعه به صورت معنی داری در سطح 1 درصد کاهش داشته است. در مقیاس فصلی نیز نتایج مشابه با نتایج بررسی روند تغییرات سطح آب¬زیرزمینی در مقیاس ماهانه است در سه محدوده چغادون، قلعه حاتم و کیوره دارای روند کاهشی و سایر محدوده ها دارای روند افزایشی در سطح آب¬زیرزمینی بود و از بین این سه محدوده، کیوره دارای روند کاهشی معنی¬دار بود. در مقیاس سالانه نیز همانند مقیاس ماهانه و فصلی، سه محدوده چغادون، قلعه حاتم و کیوره دارای روند کاهشی (غیر معنی دار) و سایر محدوده¬ها دارای روند افزایشی هستند.

ازجمله مشخصه¬های مهم هر دریاچه تراز سطح آب آن است. آگاهی از نحوه نوسانات تراز امری موثر در تفسیر و بررسی مسایل مرتبط از جمله ریسک¬پذیری تاسیسات و سازه¬های وابسته، تغییرات ذخیره آبی دریاچه، ساخت و سازهای ساحلی و مباحث زیست محیطی می¬باشد. هرچند که با استفاده از اندازه¬گیری¬های مکرر تراز آب می¬توان دید کلی نسبت به تغییرات آن بدست آورد، اما شبیه¬سازی این متغیر امکان بررسی بیشتر آن، بخصوص تحت سناریوهای مختلف را فراهم می¬آورد. از جمله مباحثی که در سال¬های اخیر مورد توجه بسیاری از محققین و طراحان بوده است، بررسی سطح تراز آب دریاچه ارومیه می¬باشد که در سال¬ها و حتی در ماه¬های آینده در چه ارتفاعی قرار خواهد گرفت و چه بسا که با استفاده از این تراز بتوان مساحت دریاچه ارومیه و همچنین خط تراز دریاچه را مشخص نمود فلذا برای این منظور بکارگیری تکنولوژی هوش مصنوعی در مدل¬های هیدرولوژیکی مورد توجه بوده و توسعه یک مدل برای پیش¬بینی هیدرولوژیکی مبتنی بر سوابق گذشته بسیار مهم می¬باشد. ارایه الگوهای نو و به کارگیری تکنیک¬های پیشرفته می¬تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیر خطی شود. هدف از تحقیق حاضر ارائه روشی جدید در پیش¬بینی تراز آب دریاچه ارومیه و برآورد تراز آب دریاچه ارومیه با تاخیرها، تعداد نرون¬ها و لایه¬های پنهان مختلف با استفاده از ساختار مدل برتر در شبیه¬سازی تراز در حوضه¬ی دریاچه ارومیه با استفاده از شبکه¬های عصبی مصنوعی از نوع پرسپترون چند لایه (mlp) و تابع پایه شعاعی(rbf) و استفاده از تراز سطح آب دریاچه ارومیه به عنوان ورودی می¬باشد. مدل¬های شبکه عصبی عملکرد خوبی در زمینه تحلیل تراز آب دریاچه¬ها دارند. در این تحقیق از مدل¬های هوش مصنوعی که بر حسب تاخیرها، تعداد نرون¬ها ولایه¬های مختلف می¬باشند، جهت مدل¬سازی و پیش¬بینی دقیق تراز آب دریاچه ارومیه در آینده استفاده شده است. پس از استخراج تراز آب دریاچه ارومیه و تعیین ماه¬های مختلف از سال¬های مورد نظر، تراز آب دریاچه ارومیه بعنوان ورودی های شبکه عصبی استفاده گردیده که پس از آموزش و آزمون آنها ، ساختار هر دو نوع شبکه عصبی با توجه به شبیه سازی تراز آب مورد ارزیابی دو شاخص عملکرد ضریب همبستگی (r^2) و مجذور میانگین مربعات خطا (rmse) قرار گرفت که با در نظر گرفتن تاخیرهایی از یک تا 12 ماه و نرون¬های متفاوت مدل mlp به عنوان مدل برتر انتخاب شد که از ساختار این مدل برای پیش¬بینی تراز آب دریاچه ارومیه استفاده گردید. برای پیش¬بینی تراز سطح آب دریاچه ارومیه در آینده پارامتر ورودی همانند دو مدل قبلی تراز سطح آب دریاچه ارومیه بود که با داشتن تعداد نرون، تعداد لایه پنهان و تاخیرهای متفاوت بهترین مدل برای پیش بینی از طریق مطالبقت داده¬های پیش¬بینی شده با داده¬های مشاهداتی تراز سطح آب و بدست آوردن ضریب همبستگی (r^2) و مقدار مجذور میانگین مربعات خطا (rmse) انتخاب شد که مدل با تاخیر 36-12 با بیشترین شاخص عملکرد نمونه بهترین پیش¬بینی¬ها را برای 12 ماه آینده از خود نشان داد و همچنین مدل¬هایی که برای پیش¬بینی 24 ماه آینده انتخاب شده بودند شاخص¬های عملکرد مناسبی را از خود نشان ندادند که شاید علت آن نوع ساختار مدل می¬باشد که برای پیش¬بینی¬های کوتاه مدت مناسب است. همچنین در پیش¬بینی¬ها مشخص گردید که نرون¬های بالا عملکرد مناسبی را از خود نشان ندادند.

چکیده ندارد.