۵/۴
۴۱
۹/۵۷
کنگاور
منبع (نگارنده)
جدول توزیع بارندگی ماهانه ایستگاههای مورد مطالعه را نشان میدهد. بالاترین میانگین بارندگی در ایستگاههای مربوطه متعلق به بهمن ماه وکمترین آن متعلق به مرداد ماه می باشد. حداکثر بارش در ماههای مذکور به ترتیب در ایستگاه روانسر ۷/۸۵ و حداقل آن در ایستگاه سرپل ذهاب با ۰۵/۰ مشاهده می شود.
شکل۳-۳- نمودار میانگین ماهانه بارش (میلیمتر) ایستگاههای مورد مطالعه
۳-۶-۲- دما
از بررسی آمار و اطلاعات هواشناسی در منطقه چنین استنباط می شود که در سطح منطقه دمای سالانه از ۵/۱ درجه سلسیوس برای دمای تا ۷/۲۶ درجه سلسیوس برای تیر ماه متغییر است. دمای فروردین ماه در ایستگاه کرمانشاه ۱/۱۲ در جه سلسیوس تا مهر ماه دما بیش از میانگین سالانه است، به عبارت دیگر شش ماه از سال دما بالاتر از ۷/۱۳ درجه سلسیوس می باشد و آبان ماه تا فروردین ماه آنومال منفی در دما دیده می شود. (یعنی دمای این ماه از میانگین سالانه کمتر است) اختلاف موجود بین سردترین و گرمترین ماههای سال حدود ۲/۲۵ درجه سلسیوس میباشد. علت آن یکی اختلاف طول روز و دیگری زاویه تابش خورشید است یعنی هم طول روز و هم زاویه تابش خورشید در تابستان بیشتر از زمستان است اختلاف تراز نامه انرژی زمستان و تابستان برای کرمانشاه، اختلاف دمای ۲/۲۵ درجه سلسیوس را به وجود می آورد.
۳-۶-۳- تودههای هوای موثر بر منطقه
۳-۶-۳-۱- کم فشار ایسلند
در ماههای سرد سال کم فشارهای ایسلندی پس از عبور از اقیانوس اطلس و دریای مدیترانه وارد ایران شده و بر نوار غربی کشور ایجاد بارندگی مینماید.
۳-۶-۳-۲-کم فشار مدیترانه
مهمترین سیستم بارش زا بر روی منطقه غرب کشور که استان کرماشاه را هم در بر میگیرد کم فشار های مدیترانه است. دریای مدیترانه علاوه بر اینکه محل عبور کم فشارها است ، خود نیز محل تشکیل کم فشارها میباشد. درفصل سرد سال سیکلونهای مدیترانهای در مسیر حرکت خود در غرب کشور، استان کرمانشاه را تحت أثیر قرار داده و بارندگی مفیدی از جبهههای گرم این کم فشارها در سطح استان ریزش میکرد.
سیکلونهای موثر در آب و هوای ایران قسمتی از سیکلونهای خاورمیانه هستند که پس از تشکیل بر روی دریای مدیترانه توسط فرود بلند مدیترانه به ایران هدایت میشوند. بیشترین سیکلونهای خاورمیانه در چهار مرکز اصلی سیکلونزایی یعنی در دریای آدریاتیک، دریای یونان، جزیره قبرس، جنوب شرقی زاگرس ایجاد میشوند و در سه مسیر به ایران وارد میشوند که عمدهترین مسیر آنها از روی استان کرماشاه میگذرد. (علیجانی، ۲۸:۱۳۷۴)
۳-۶-۳-۳-توده پرفشار سیبری
درفصل سرد سال پرفشارهای قطبی پس از ورود به منطقه غرب کشور، به علت پویده بودت ارتفاعات استانهای کردستان و کرمانشاه از برف، روی منطقه توقف نموده و تقویت میگردند، تا جایی که برخی از نقاط مرتفع غرب در این موقعیت از سردترین نقاط کشور به حساب میآیند. تودههای هوای برآمده از دشتهای پوشیده از برف و یخ سیبری گاهی در زمستانها بر روی بخشهای شمال و شمال شرقی و جنوب شرقی منطقه غرب کشور تأثیر گذاشته و موجب ریزشهای جوی میگردند که عموماً به شکل برف وهمراه با سرمای شدید است.
۳-۶-۳-۴-کم فشار سودانی
تودههای سودانی که از افریقا و دریای سرخ می آید و از سمت جنوب غربی وارد استان کرمانشاه می شود. این توده تأثیرات متفاوتی بر استان کرماشاه دارد. در فصل سرد سال باعث ریزشهای جوی می شود، درفصل بهار وتابستان باعث ایجاد گردو غبار در سطح استان (بویژه مناطق غربی) می شود که درصورت وجود رطوبت باعث ریزش بارانهای گلی می شود.
باد سام (سموم) که در اثر نفوذ هوای گرم و خشک بیابانهای عربستان و عراق در فصل گرم سال به نواحی مرزی مثل قصرشیرین، سومار و نفت شهرمیوزد، دمای هوا را افزایش داده و گاهی اوقات به محصولات کشاورزی خسارت وارد می کند و طوفانهای گرد وغباری را به وجود می آورد، ناشی از توده های هوای سودانی است. (بیگلری۸۹:۱۳۸۶)
فصل چهارم
مواد و روش پژوهش
۴-۱- مقدمه
دراین فصل به توضیح روشهای مورد استفاده شامل رگرسیون، اصول کار با من کندال وسری زمانی و… در جهت بررسی اهداف پرداخته شده است وتفصیل مراحل به صورت گام به گام، در ایجاد مدل بهینه ونیل به هدف پژوهش، ذکر گردیده است. سپس تحلیل نتایج در فصول بعدی مورد تجزیه وتحلیل قرار گرفته است.
۴-۲- مدلهای ARIMA
برای استفاده از مدلهای ARIMA، لازم است که سریهای مدل سازی شده ایستا باشند. منظور از ایستا (ثبات) آن است که متوسط فرایند در طول زمان تغییر نکند.
دلیل اینکه فرایند باید ثابت باشد آن است که هر روندی که وجود دارد تمایل دارد به اینکه یک خودهمبستگی جعلی را در داده ها وارد کند و در نتیجه الگوی خودهمبستگی مخفی بماند. روشی که سبب حذف روندی می شود که سبب فرایند ایستا (ثبات) است را تفاوت یابی گویند.
هنگامیکه مشخص شد که یک سری دارای ثبات است و سپس از طریق امتحان خودهمبستگی نمونه و توابع خودهمبستگی ناقص، مدل از روش حداقل مربعات غیرخطی استفاده می شود. بعد از آنکه پارامترها برآورد شدند، سپس به منظور شناسایی تناسب مدل ساخته شده باقیماندهها را امتحان میکنیم. امتحان باقیماندهها از طریق ارزیابی خودهمبستگی باقیماندههای نمونه انجام می شود. اگر به صورت تجربی مشخص شود که مدل کافی است، باقیماندههای نمونه دارای توزیع نرمال با میانگین صفر و واریانس خواهند بود. همچنین باقیماندهها مستقل خواهند بود. اگر مفروضات مربوط به جملات اشتباه تصادفی یعنی که در آن است، تأمین نشود، در آن صورت باید تصحیحهای لازم را انجام داد. لازم به ذکر است که مفروضات (واریانسهای مساوی، استقلال، و نرمال بودن) همان مفروضات لازم برای جزء اشتباه تصادفی در مدلهای رگرسیون میباشند. (فرشادفر، ۳۶۸:۱۳۸۱ )
۴-۲-۱- تشخیص مدل آزمایشی
تشخیص آزمایشی یک مدل سری زمانی ARIMA از طریق تجزیه و تحلیل داده تاریخی واقعی انجام می شود. به طور کلی ما باید حداقل ۵۰ مشاهده در اختیار داشته باشیم تا به طور رضایت بخش مدل مناسب را تشخیص دهیم. وسیله مهمی که در فرایند تشخیص مورد استفاده قرار میگیرد، تابع خود همبستگی است. در واقع تابع خود همبستگی تئوریک نامعلوم است و باید به وسیله تابع خود همبستگی نمونه تخمین زده شود. تابع خود همبستگی جزئی همچنین ثابت می کند که در فرایند تشخیص مفید است. تابع خود همبستگی جزئی به عنوان خود همبستگی ساده ما بین دو متغییر تصادفی در یک توزیع شرطی تعریف می شود. به محض اینکه توابع خود همبستگی نمونه و خود همبستگی جزئی نمونه محاسبه شدند، آنها را می توان بر روی یک گراف نمایش داد و یک مدل آزمایشی از طریق مقایسه الگوهای مشاهده شده با الگوهای توابع خود همبستگی تئوریک مشخص کرد.
اگر سری زمانی ناایستا باشد ، تابه خود همبستگی نمونه به نحو بسیار کندی از بین خواهد رفت. این امر به دلیل آن است که در هر دریافتی از سریهای ایستا تمایل خواهند داشت که برای پریودهای بسیاری در همان طرف میانگین نمونه باشند، و در نتیجه خود همبستگیهای نمونه بزرگ در تأخیرهای خیلی طولانی تولید خواهند شد. اگر اینو نوع رفتار نمایش داده شود، شیوه معمول این است که تابع خود همبستگی نمونه و تابع خود همبستگی جزئی نمونه را برای اولین دیفرانس سری محاسبه کرد. (مونتگمری وهمکاران، ۱۳۷۳: ۲۸۳)
۴-۲-۱-۱- پیش بینی با مدل ARIM
پیش بینی رفتار اقلیم بدلیل وجود چرخه های موجود در عناصر اقلیمی بوسیلهی مدل های خانوادهی ARIMA به بهترین وجهی حاصل می شود. مدلهای ARIMA قادرند روندهای قطعی و تصادفی را به خوبی نمایش دهند. تحلیل سریهای زمانی به وسیله مدلهای مزبور به طور عملی و نظری از زمان آغاز کار اصلی باکس – جنکینز ( ۱۹۶۰ ) ( تحت عنوان تجزیه و تحلیل سریهای زمانی : پیش بینی و کنترل ) شکل تازهای به خود گرفت و از این زمان روشهای سه گانه ( خود همبستگی، میانگین متحرک و ARIMA ) در تحلیل سریهای زمانی به طور نوین و مشخص به کار گرفته شد. مدلهای ARIMA برای وضعیتهای مفید هستند که بنا به مرتبهی مدل مقادیر حال یک عنصر اقلیمی به مقادیر آن در زمانهای گذشته یا به اثرات آنی و عناصر تصادفی آن در حال و گذشته بستگی دارد. و به فرم ( q، d، p ) ARIMA نوشته می شود. در این فرم P بیانگر بستگی یک عنصر اقلیمی در زمان حال به مقادیر موثر قبلیاش میباشد. در این مدل رگرسیون هر عنصر بر حسب مقادیر پیشین خود تعیین می شود. q نیز مرتبهی میانگین متحرک را معلوم میسازد. که به وسیله آن وابستگی سریهای اقلیمی به عنصر تصادفی حال ( و با حال و گذشتهاش ) تعریف می شود. (نیرومند، ۵۲:۱۳۷۶ )
۴-۲-۲- مدلهای مرکب (اتورگرسیو و میانگین متحرک) ARIMA
روشی که هم از تکنیک اتورگرسیو و هم میانگین متحرک برای پیش بینی استفاده می کنند توسط جورج باکس و ویلیم جنکینز مطرح شده است و به روش باکس- جنکینز معروف است. مدل اصلی به صورت زیر است:
در این فرمول، و و پارامترهای مدل و مقدار مولفه اشتباه تصادفی برای دوره t ام میباشد. در اوّلی، مقدار فعلی بر روی p مشاهده قبلی … و اتورگرسیون می شود. این مولفه قسمت اتورگرسیو مدل (AR) را نشان میدهد.
در دومی، مولفههای اشتباه تصادفی برای رگرسیون بر روی مقدار فعلی بکار میروند. میتوان به صورت جبری نشان داد که این جزء برابر فرایند میانگین متحرک در اجزاء اشتباه تصادفی، یعنی، … و است. بنابراین این جزء نشان دهنده بخش میانگین متحرک مدل (MA) است. این مدل را به طور کلی مدل ARIMA(p,q) گویند، که به این معناست که داریم بر روی p مشاهده اخیر و q مولفه اشتباه اخیر عمل اتورگرسیون را انجام میدهیم. به عنوان مثال مدل (۰ و ۲)ARIMA به صورت زیر است.
یا مدل (۱و۱) ARIMA به صورت زیر است:
مولفه اشتباه در دوره tام یعنی باید دارای توزیع نرمال باشد و بعلاوه مستقل از سایر مولفههای اشتباه و دارای واریانس مشابه سایر مولفههای اشتباه باشد.
برای استفاده از مدل باکس- جنکینز، سری زمانی که در آن است باید ایستا باشد.
منظور از ایستا آن است که مقادیر آن در اطراف یک میانگین ثابت نوسان داشته باشد. اگر سریهای اصلی ایستا نباشند، در آن صورت برای ایجاد سریهای ایستا باید از تبدیل استفاده کرد. اغلب تفاوت یابی سبب به وجود آمدن سریهای ایستا می شود. تفاوتهای اوّل به صورت زیر تعریف میشوند.
تفاوتهای دوم به صورت زیر تعریف میشوند.