مقاله آمار در خصوص منابع آبی

دانلود مقاله آمار در خصوص منابع آبی

مقدمه
در بخش اول و در بحث برنامه ریزی بیان نمودیم که یکی از قسمتهای مهم در این فرایند تولید داده های مناسب می باشد. در حقیقت میزان درستی و درجهُ اطمینان هر نوع برنامه ریزی ارتباطات مستقیم، کیفیت و اعتبار داده های ورودی آن دارد.
در اکثر برنامه ریزی های منابع آب از داده های آماری گذشته استفاده می شود. میزان دقت ایستگاههای مختلف در اندازه گیری ها و پرت زمان نهدنه برداری از اینگونه شرایط از اهمیت زیادی برخوردار می باشد در بسیاری از اوقات نمی توان تنها به این داده ها اکتفا نمود بدلیل اینکه اولاً تاسسیات آبی غالباً در مدت زمان زیادی مورد بهره برداری قرار می گیرند و در این مدت هر گونه اتفاقاتی باید در نظر گرفته شود . ثانیاً این آمار متقلق به گذشته می باشد و نمی توان آنها را ملاک خوب برای کارهای برنامه ریزی در آینده در نظر گرفت.
در این میان روشهای آماری بکمک برنامه ریزان آمده است تا بتوانند از روی همین داده های موجود و اندازه گرفته شده به داده های مصنوعی بسازند تا جوابگوی این نیاز فرایند باشند.
با توجه به آنچه گفته شد مشاهده می گردد که این آمار مصنوعی چیز جدیدی نمی باشد و تنها با حفظ نمودن بعضی از خصوصیات آماری مربوط به داده های اندازه گرفته شده حاصل شده اند. این فزونی درست می باشد زیرا در اکثر پدیده های هیدرولوژیکی و وابسته به زمان میزان یک پارامتر ارتباط مستقیم با مقدار آن در دورهُ گذشته دارد و این وابستگی در دوره های زمانی نزدیک هم بیشتر است مثلاً‌ جریان یک رودخانه در فروردین وابستگی زیادی به مقدار آن در اسفند دارد و این وابستگی در هفتهٌ آخر اسفند و هفته اول فروردین بمراتب بیشتر است.
سری های زمانی
داده هایی را که از روی آنها داده های مصنوعی ساخته می شود سری های زمانی می نامیم {۲۴}. سری های زمانی با توجه به پارامترهای فضای حالت هر یک می توان بصورت پیوسته و یا گسسته۲ تعریف کردند. اگر متغیرهای سری بصورت تصادفی باشد به آنها فرایندهای اتفاقی اطلاق می گردد که این فرایند ها خود می توانند به هم وابسته و یا مستقل از هم باشند.{۲۴}
همانطور که پیشتر توضیح دادیم، در علم هیدرولوژی اکثر سری مان زمانی بصورت اتفاقی می باشند. سری مان زمانی گاهی بواسطهُ ابعادشان نیز از هم نمیز داده می شوند، سری مان زمانی چند بعدی شامل اندازه گیری از چند متغیر می باشد {۲۴}.
موضوع مهم دیگری که در ارتباط با سری مان زمانی مطرح می باشد ایستایی و نا ایستایی سری مان زمانی می باشد اگر عوامل طبیعی ها و یا غیر طبیعی ، سبب تغییرات عمده در روند وقوع متغییرها نباشد و تابع توزیع احتمال هر متغیر در هر زمان خاص از یک دوره ،‌ثابت باقی بماند سری را ایستا می گوییم و در غیر اینصورت نا ایستایی باشد {۲۳}.
در این مبحث بدلیل اینکه موضوع اصلی این مقاله برنامه ریزی می باشد وارد ویژگی های مربوط به سری های زمانی نمی شویم و تنها راجع به نحوه ساختن داده های مصنوعی از روی این سری مان زمانی گفگو می نماییم . در ارتباط ، ویژگی های سری مان زمانی می توان به مراجع {۲۵ } ، { ۲۴ } ، { ۹ } ، رجوع نمود.
مدلهای اتفاقی تولید آمار مصنوعی
دو روش عمده جهت ساختن مدلهای مصنوعی از سری مان های زمانی موجود می باشد ۱ – روش مستقیم۱ ۲ – روش غیر تجمعی یا تجزیه۲ . در این روش ما چیزی بیش از اطلاعات ارائه شده در سری مان زمانی ازائه نمی گردد و تنها با ثابت نگه داشتن یک یا چند ویژگی آماری از سری مان های زمانی، مدل مصنوعی ساخته می شود. این خواص می توانند میانگین ،‌انحراف معیار ،‌چولگی و … باشد {۲۴ }.
هیچ مدلی قادر نیست تا تمام این ویژگی ها را حفظ نماید و روشهای مختلف با توجه به خصوصیتی که حفظ نمایند از هم تمیز می شوند.
در روش مستقیم پارامترهای آماری مدل ، از ماهی به ماهی گویلر تغییر می کند و مستقیماً‌ جریان مصنوعی ماهیانه تولید می شود. ولی در روش تجزیه یا غیر تجمل ابتدا راواناب سالانه تولید و سپس این مقادیر به جریان ماهیانه توزیع می گردد. { ۲۳ }.
هر کدام از دو روش فوق روش های دیگری تجزیه می شوند که بعضی از آنها ارائه گردیده اند { ۲۳ }
معرفی نرم افزار hec – ۴
در این رسانه برای ساختن داده های مصنوعی جهت برنامه ریزی پویا از نرم افزار hec – ۴ استفاده گردیده است. این نرم افزار از روی مطالعات beard در سال ۱۹۶۲ و در مرکز مطالعات هیدرولوژی گروه مهندسین ارتش آمریکا (usa ce) در سال ۱۹۷۱ تدوین گردید. این برنامه با استفاده از مدل اتورگرسیو AR ( 1 ) و به صورت چند مکانی تهیه شده است و در آن سری جریاان های ماهیانه با استفاده از روش های، کرسیون به طور مستقیم در اتصاله قابل تولید می باشد .{ ۲۴ }.
مدل AR ( 1 ) حالت ساده ای از مدل کلی ARMA ( P , Q } یا مدل باکس جین کنیز ( BOX JENKINS ) می باشد. این مدل دارای F عبارت اتورگرسیو و Q عبارت میانگین متحرک و بصورت کلی زیر می باشد. { ۲۴ }