2-7-2- مدل واریانس شرطی ناهمسان خوهمبسته ARCH.. 16

2-7-3- مدل دوخطی یا بی لینیر (Bilinear). 17

3- فصل سوم مروری بر مطالعات پیشین… 19

3-1- مقدمه.. 19

3-2- بارندگی… 19

3-3- درجه حرارت… 20

3-4- دبی و جریان.. 21

3-5- تبخیر. 22

3-6- بررسی مطالعات پیشین در مورد مشخصات مهم سری های زمانی تبخیر نظیر روند.. 26

4- فصل چهارم مواد و روشها 33

4-1- منطقه مورد مطالعه.. 33

4-1-1- ایستگاه های تبخیر سنجی مورد استفاده (غرب دریاچه ارومیه). 34

4-1-2- داده های مورد استفاده برای تحلیل روند.. 35

4-2- تحلیل روند.. 38

4-2-1- آزمون من – كندال (MK) 39

4-2-2- ضریب همبستگی اسپیرمن… 40

4-2-3- روش كندال فصلی… 41

4-3- آزمون ایستایی… 41

4-3-1- آزمون ریشه واحد دیكی-فولر (ADF). 42

4-3-2- آزمون KPSS. 43

4-4- آزمون غیر خطی BDS. 44

4-5- مدل سازی خطی… 45

4-6- نرمال سازی و استاندارد کردن داده ها 46

4-6-1- نرمال سازی متغیرهای سری زمانی… 46

4-7- شناسایی مدل.. 47

4-8- تخمین پارامترها 49

4-8-1- محاسبه توابع خود همبستگی و خود همبستگی جزیی… 50

4-8-2- تعیین رسته یا مرتبه مدل.. 50

4-9- تست بهترین برازش….. 51

4-10- تجزیه و تحلیل باقی مانده ها 51

4-10-1 استفاده از تابع خود همبستگی نمونه.. 51

4-10-2 آزمون پورت مانتئو (Portmanteau) 52

4-11- ارزیابی مدل.. 52

4-12- پیش بینی… 53

5- فصل پنجم نتایج و بحث 55

5-1- مقدمه.. 56

5-2- نتایج خصوصیات اساسی سری های زمانی… 56

5-2-1- نتایج نرمال بودن داده ها با استفاده از آزمون چولگی… 56

5-2-2- نتایج آزمون روند.. 57

5-3- نتایج آزمون ایستایی… 61

5-4- نتایج آزمون BDS. 62

5-5- نتایج مدل سازی خطی سری های زمانی… 64

5-5-1- نتایج آزمون بهترین برازش….. 64

5-6- نتایج پیش بینی… 75

6- فصل ششم خلاصه نتایج و پیشنهادات… 80

6-1- خلاصه نتایج… 80

6-2 – پیشنهادات… 82

منابع 83

1-1 مقدمه

لاپلاس در سال 1776 بیان کرد که اگر بتوانیم شرایط اولیه هر پدیده را شناسایی کنیم، می توان آینده آن را نیز به طور دقیق پیش بینی نماییم. این تفکر مدت ها مورد قبول اندیشمندان عرصه علوم تجربی بود. اما پوآنکاره در سال 1903 بیان کرد خطاهای کوچک امروز به خطاهای بزرگ در پیش بینی فردا منجر می شود و از آنجا که اغلب شناخت دقیق وضعیت موجود امکان پذیر نیست و توأم با خطاست، پیش بینی نیز امری غیرممکن می نماید. به هر حال با آنکه نظر غالب امروزی بسیار نزدیک به نظر پوآنکاره است، اندیشمندان علوم مختلف بخش عظیمی از مطالعات خود را بر پیش بینی متغیرها و پدیده های مورد بررسی علوم خود متمرکز ساخته اند. از این میان، علوم هیدرولوژی و اقلیمی را نیز می توان نام برد (سلامی،1380).

پیش بینی فرآیند های اتفاقی یك عنصر كلیدی در تصمیم گیری است. كارآیی نهایی هر تصمیمی بستگی به قانون یك مجموعه از حوادث دارد، كه متعاقب آن تصمیم می آید. اساس بسیاری از تصمیم گیری ها در فرآیند های هیدرولوژیکی و اقلیمی تصمیمات بهره برداری از منابع آب بر پایه پیش بینی و تحلیل سری های زمانی می باشد. در واقع یکی دیگر از کاربردهای مهم فرآیندهای سری زمانی در هیدرولوژی، پیش بینی متغیر هیدرولوژیکی مدل سازی شده برای یک یا چند گام زمانی جلوتر است (مالمیر، 1385)

در عصر كنونی، محدودیت منابع آبی جهت تأمین آب مورد نیاز كشاورزی و غیركشاورزی موجب بروز مشكلات عمده ای شده است. سالانه هزاران میلیارد مترمکعب آب شیرین از مخازن سدها که با هزینه ی زیادی جمع آوری شده، تبخیر می شود و املاح و نمک به جای مانده از آب تبخیر شده، کیفیت آب را کاهش می دهد.