‫ﻣﺤﻴﻂ ﺷﻨﺎﺳﻲ‪ ،‬ﺳﺎل ﺳﻲ و ﺳﻮم‪ ،‬ﺷﻤﺎرة ‪ ،43‬ﭘﺎﻳﻴﺰ ‪ ،1386‬ﺻﻔﺤﺔ‪31-40-‬‬

‫ﭘﻬﻨﻪ ﺑﻨﺪي و ﺗﺤﻠﻴﻞ ﻓﻀﺎﻳﻲ ﺑﺎرش اﻗﻠﻴﻤﻲ اﻳﺮان‬

‫‪2‬‬
‫اﻣﻴﺮ ﻛﺎوﺳﻲ‪ ،*1‬ﻣﺤﻤﺪ رﺿﺎ ﻣﺸﻜﺎﻧﻲ‬
‫‪-1‬داﻧﺸﺠﻮي دﻛﺘﺮي آﻣﺎر داﻧﺸﻜﺪه ﻋﻠﻮم ﭘﺎﻳﻪ‪ ،‬داﻧﺸﮕﺎه ﺗﺮﺑﻴﺖ ﻣﺪرس‬
‫‪-2‬اﺳﺘﺎدآﻣﺎرداﻧﺸﮕﺎه ﺷﻬﻴﺪ ﺑﻬﺸﺘﻲ‬
‫ﺗﺎرﻳﺦ ﺗﺼﻮﻳﺐ‪85/07/19:‬‬ ‫ﺗﺎرﻳﺦ درﻳﺎﻓﺖ‪84/09/20:‬‬

‫‪D‬‬
‫ﭼﻜﻴﺪه‬
‫اﺳﺘﻔﺎده از ﺗﻜﻨﻴﻚﻫﺎ و ﻓﻨﻮن آﻣﺎري اﻣﺮوزه ﺑﻪ ﻃﻮر ﮔﺴﺘﺮدهاي ﻣﻮرد ﺗﻮﺟﻪ ﻣﺤﻘﻘﺎن ﻋﻠﻮم ﻛﺎرﺑﺮدي‪ ،‬ﺑﻪ وﻳﮋه ﻋﻠـﻢ ﻫﻮاﺷﻨﺎﺳـﻲ ﺑـﺮاي ﭘـﻴﺶ ﺑﻴﻨـﻲ و‬
‫ﺷﻨﺎﺳﺎﻳﻲ رﻓﺘﺎر ﺟﻮ‪‬ي ﻣﺎﻧﻨﺪ ﺑﺎرﻧﺪﮔﻲ‪ ،‬رﻃﻮﺑﺖ‪،‬دﻣﺎ و ﻏﻴﺮه ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ‪.‬در اﻳﻦ ﻣﻘﺎﻟﻪ ﺿﻤﻦ اراﺋﺔ ﻛﺎرﺑﺮد روشﻫﺎي ﻧﻮﻳﻦ آﻣـﺎر ﻣﺎﻧﻨـﺪ ﭘـﻴﺶ ﺑﻴﻨـﻲ‬

‫‪SI‬‬
‫ﻓﻀﺎﻳﻲ ﻛﺮﻳﮕﻴﺪن‪ ،‬ﻫﻢﻛﺮﻳﮕﻴﺪن و ﻋﻜﺲ ﻓﺎﺻﻠﺔ ﻣﻮزون در ﻫﻮاﺷﻨﺎﺳﻲ‪ ،‬ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻴﺰان رﻳﺰش ﺑﺎران ﺑﺮاي ﻛﻞ ﻧﻘﺸﻪ اﻳﺮان اﻧﺠـﺎم ﮔﺮﻓﺘـﻪ و ﭘﻬﻨـﻪ‬
‫ﺑﻨﺪي ﺑﺎرش ﺑﺮاي ﻛﺸﻮر ﺗﻬﻴﻪ ﺷﺪه اﺳﺖ‪.‬دراﻳﻦ ﺗﺤﻠﻴﻞ دادهﻫﺎي ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎرش اﻗﻠﻴﻤﻲ اﻳﺴﺘﮕﺎهﻫﺎي ﻫﻮاﺷﻨﺎﺳﻲ از ﺑﺪو ﺗﺄﺳﻴﺲ ﺗﺎ ﺳﺎل ‪ 1383‬ﺑﻜـﺎر‬
‫ﺑﺮده ﺷﺪه اﺳﺖ‪ .‬ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ﺗﺤﻠﻴﻞ اﻋﺘﺒﺎرﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ﺣﺎﻛﻲ از آناﺳﺖ ﻛﻪ ﭘﻴﺶ ﺑﻴﻨﻲ ﺣﺎﺻﻞ از ﻫـﻢ ﻛﺮﻳﮕﻴـﺪن ﺑﻬﺘـﺮ از ﻛﺮﻳﮕﻴـﺪن و روش‬
‫ﻛﺮﻳﮕﻴﺪن ﺑﻬﺘﺮ از ﻋﻜﺲ ﻓﺎﺻﻠﺔ ﻣﻮزون اﺳﺖ‪.‬‬
‫‪of‬‬
‫واژه ﻫﺎي ﻛﻠﻴﺪي‪:‬ﭘﻴﺶ ﺑﻴﻨﻲ ﻓﻀﺎﻳﻲ‪-‬ﻛﺮﻳﮕﻴﺪن‪ -‬ﻫﻢ ﻛﺮﻳﮕﻴﺪن‪-‬ﻋﻜﺲ ﻓﺎﺻﻠﻪ ﻣﻮزون‪ -‬ﺑﺎرش اﻗﻠﻴﻤﻲ‪ -‬اﻳﺮان‬
‫روشﻫﺎي زﻣﻴﻦ آﻣﺎر ﺑﻪ دﻟﻴﻞ اﺳﺘﻔﺎده از ﻫﻤﺒﺴﺘﮕﻲ ﻓـﻀﺎﻳﻲ ﺑـﻴﻦ‬
‫‪ive‬‬

‫داده ﻫﺎ ﻛﻪ ﻋﻤﻮﻣﺄ ﺗﻮﺳﻂ ﺗﺎﺑﻊ ﺗﻐﻴﻴﺮﻧﮕﺎر ﻣﺪل ﺑﻨﺪي ﻣـﻲ ﺷـﻮد از دﻗـﺖ‬ ‫ﺳﺮآﻏﺎز‬
‫ﺑﺎﻻﻳﻲ ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ روشﻫﺎ ﺑﻪ وﻳﮋه روش ﺗﺎﻳـﺴﻦ ﺑﺮﺧـﻮردار اﺳـﺖ‪.‬‬ ‫‪1‬‬
‫در ﻫﻤﺎن زﻣﺎﻧﻲ ﻛﻪ زﻣﻴﻦآﻣﺎر در ﻣﻬﻨﺪﺳﻲ ﻣﻌﺪن در ﻓﺮاﻧﺴﻪ ﺗﻮﺳﻂ‬
‫ﻫﻤﭽﻨﻴﻦ در روش ﻫﺎي ﻛﺮﻳﮕﻴﺪن وارﻳﺎﻧﺲ ﭘﻴﺶ ﺑﻴﻨﻲ در ﻫﺮ ﻧﻘﻄﻪ ﻧﻴـﺰ‬ ‫ﻣﺎﺗﺮون در ﺣﺎلﮔﺴﺘﺮش ﺑﻮد‪ ،‬اﻳﺪهﻫﺎي ﻣﺸﺎﺑﻬﻲ درﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻪ ﻋﻨـﻮان‬
‫اراﺋﻪ ﻣﻲﺷﻮدﻛﻪ اﻳﻦ ﻳﻜﻲ از وﻳﮋﮔﻲﻫﺎي ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد روش ﻛﺮﻳﮕﻴﺪن‬ ‫ﺗﺤﻠﻴﻞ ﻋﻴﻨﻲ ﺗﻮﺳﻂ ﮔﺎﻧﺪﻳﻦدر ﻫﻮا ﺷﻨﺎﺳـﻲ اراﺋـﻪ ﺷـﺪ‪.‬ﮔﺎﻧـﺪﻳﻦ ﻋﺒـﺎرت‬
‫‪ch‬‬

‫اﺳﺖ‪.‬‬ ‫درونﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ را ﺑﻪ ﺟﺎيﻛﺮﻳﮕﻴﺪن ﺑﻪ ﻛﺎرﺑﺮد)‪ .(Cressie, 1993‬در‬

‫ﻫﺪف اﻳﻦ ﻣﻘﺎﻟﻪ ﺗﻬﻴﺔ ﻧﻘﺸﺔ ﺳﻄﺢ ﺗﺮاز رﻳﺰش ﺑـﺎران ﺑـﺮاي ﻛـﺸﻮر‬ ‫اﻳﻦ ﻣﻘﺎﻟﻪ از دادهﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎرش اﻗﻠﻴﻤـﻲ اﺳـﺘﻔﺎده‬
‫اﻳﺮان اﺳﺖ ﻛﻪ از ﺳﻪ روش ﻛﺮﻳﮕﻴﺪن )ﻧﻮﻋﻲ درونﻳـﺎﺑﻲ آﻣـﺎري(‪،‬ﻫـﻢ‬ ‫ﺷﺪه اﺳﺖ‪.‬اﻳﻦ ﻣﻴﺎﻧﮕﻴﻦ از ﻣﺘﻮﺳﻂﻫـﺎي ﺳـﺎﻻﻧﻪ ﻣﺘﻐﻴـﺮ در ﻃـﻮل ﺗﻤـﺎم‬
‫‪Ar‬‬

‫ﻛﺮﻳﮕﻴﺪن )ﻧﻮﻋﻲ درونﻳـﺎﺑﻲ آﻣـﺎري ﻣﺘﻐﻴـﺮ واﺑـﺴﺘﻪ ﺑـﻪ ﻛﻤـﻚ ﺑﺮﺧـﻲ‬
‫ﻣﺘﻐﻴﺮﻫﺎي ﻣﺴﺘﻘﻞ( و ﻋﻜﺲ ﻓﺎﺻﻠﺔ ﻣـﻮزون اﺳـﺘﻔﺎده ﺷـﺪه اﺳـﺖ‪ .‬اﻳـﻦ‬
‫روشﻫﺎ ﻧﻴﺰ از ﻟﺤﺎظ دﻗﺖ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﻧﺪ‪.‬‬
‫اﻓﺮاد ﻣﺨﺘﻠﻔﻲ ﻣﺎﻧﻨﺪ ﻣـﺸﻜﺎﻧﻲ و رﻛـﻦاﻟـﺴﺎداﺗﻲ)‪(Pardo, (1378‬‬
‫)‪1998‬از روش ﻫﺎي زﻣﻴﻦ آﻣﺎر ﺑﺮاي ﭘﻴﺸﮕﻴﺮي ﻣﻘـﺪور رﻳـﺰش ﺑـﺎران‬
‫اﺳﺘﻔﺎده ﻛﺮده اﻧﺪ‪.‬دادهﻫﺎي ﻣﻮرد ﺑﺮرﺳﻲ‪ ،‬ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎرش اﻗﻠﻴﻤﻲ و‬
‫ارﺗﻔﺎع ﻣﺮﺑﻮط ﺑﻪ ‪ 133‬اﻳﺴﺘﮕﺎه ﻫﻮاﺷﻨﺎﺳـﻲ ﺳـﺎزﻣﺎن ﻫﻮاﺷﻨﺎﺳـﻲ ﻛـﺸﻮر‬
‫اﻳﺮان اﺳﺖ‪ .‬ﺑﺮاي ﻫﺮ اﻳﺴﺘﮕﺎه ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎرش ﺳﺎﻻﻧﻪ ﺑﺮ ﺣﺴﺐ ﻣﻴﻠﻴﻤﺘﺮ و‬
‫ارﺗﻔﺎع آن از ﺳﻄﺢ درﻳﺎ ﺑﺮ ﺣﺴﺐ ﻣﺘﺮ و ﻃﻮل و ﻋﺮض ﺟﻐﺮاﻓﻴﺎﻳﻲ آن ﺑﺮ‬
‫ﺣﺴﺐ درﺟﻪ ﺛﺒﺖ ﺷﺪه اﺳﺖ‪.‬‬
‫ﺳﺎﻟﻬﺎﻳﻲ اﺳﺖﻛﻪ ﻣﻘﺪار ﺑﺎرش در اﻳﺴﺘﮕﺎه ﻣﻮرد ﻧﻈـﺮ ﺛﺒـﺖ ﺷـﺪه‪.‬اﻏﻠـﺐ‬
‫ﻣﻴــﺎﻧﮕﻴﻦﻫــﺎ ﻣﺘﻮﺳــﻂ‪ 30‬ﺳــﺎﻟﻪ ﻣﻘــﺪار رﻳــﺰش ﺑــﺎران در اﻳــﺴﺘﮕﺎهﻫــﺎي‬
‫ﻫﻮاﺷﻨﺎﺳﻲاﻧﺪ‪.‬اﻳﻦ ﻣﻴﺎﻧﮕﻴﻦ ﻓﻘﻂ در اﻳﺴﺘﮕﺎهﻫﺎي ﻫﻮاﺷﻨﺎﺳﻲ ﻣﻌﻠﻮم اﺳﺖ‪.‬‬
‫ﺑﺮاي ﭘﻴﺶﺑﻴﻨﻲ ﻣﻘﺪار ﺑﺎرش اﻗﻠﻴﻤﻲ در ﻣﻜﺎنﻫﺎي دﻳﮕﺮ اﻧﻮاع روش ﻫﺎي‬
‫زﻣﻴﻦ آﻣﺎر ﻣﺎﻧﻨﺪ ﻛﺮﻳﮕﻴﺪن‪ ،2‬ﻫﻢﻛﺮﻳﮕﻴﺪن‪ ،3‬ﻋﻜﺲ ﻓﺎﺻﻠﻪ ﻣﻮزون‪ 4‬و ﻏﻴﺮه‬
‫اراﺋﻪ ﺷﺪه اﻧﺪ‪.‬روش ﻣﻌﻤﻮل ﭘﻴﺶﺑﻴﻨﻲ ﻓﻀﺎﻳﻲ در اﻗﻠﻴﻢ ﺷﻨﺎﺳﻲ ﺑﺮاي ﻣﺪت‬
‫ﻧﻴﻢ ﻗﺮن روش ﭼﻨﺪ ﺿﻠﻌﻲﻫﺎي ﺗﺎﻳﺴﻦ‪ 5‬ﺑﻮد ﺗﺎ اﻳﻨﻜﻪ ﻣـﺎﺗﺮون در اواﺳـﻂ‬
‫ﺳﺎل‪ 1960‬ﻣﺒﺎﻧﻲ زﻣﻴﻦآﻣﺎر را ﺑﻨـﺎ ﻧﻬـﺎد)‪ (Matheron, 1963‬وزﻣـﻴﻦ‬
‫آﻣﺎر ﺑﻪﺳﺮﻋﺖ در ﭘﻴﺶﺑﻴﻨـﻲ ﻣﺘﻐﻴﺮﻫـﺎي ﻣﺤﻴﻄـﻲ‪ ،‬ﺑﺨـﺼﻮص در اﻗﻠـﻴﻢ‬
‫ﻛﺮد‪.‬‬ ‫ﺷﻨﺎﺳﻲ ﺗﻮﺳﻌﻪ ﭘﻴﺪا‬

‫‪E-mail-Kavousi_am@yahoo.com‬‬ ‫ﻧﻮﻳﺴﻨﺪه ﻣﺴﺌﻮل ‪:‬ﺗﻠﻔﻦ ‪09122404514:‬‬

‫‪www.SID.ir‬‬
 ‫ﻣﺤﻴﻂ ﺷﻨﺎﺳﻲ ﺷﻤﺎرة‪43‬‬ ‫‪32‬‬

‫)ﺷﻜﻞ ﺷﻤﺎرة‪ (3‬ﻣﻮﻗﻌﻴﺖ ﺟﻐﺮاﻓﻴﺎﻳﻲ اﻳﺴﺘﮕﺎه ﻫﺎ )ﻧﻤﻮﻧﻪ ﻫـﺎ( را ﺑـﻪ‬ ‫روشﻫﺎي ﺑﺮرﺳﻲ‬
‫ﻫﻤﺮاه ﻣﻘﺎدﻳﺮ ﭼﺎركﻫﺎي ﻣﻘﺪار ﺑﺎرش ) ‪ ( TRP‬ﻧﻤﺎﻳﺶ ﻣﻲدﻫﺪ‪ .‬از اﻳﻦ‬ ‫‪6‬‬
‫ﺗﺤﻠﻴﻞ اﻛﺘﺸﺎﻓﻲ داده ﻫﺎ‬
‫ﺷﻜﻞ ﻣﻲﺗﻮان ﺑﻪ ﺑﺮرﺳﻲ وﺟﻮد دادهﻫﺎي ﭘﺮت در ﻫﻤﺴﺎﻳﮕﻲﻫﺎ ﭘﺮداﺧﺖ‪.‬‬ ‫در ﺗﺤﻠﻴﻞ دادهﻫﺎي ﻓﻀﺎﻳﻲ‪ ،‬ﺑﻪ وﻳـﮋه در اﻧـﻮاع ﻛﺮﻳﮕﻴﺪن‪،‬ﻣﻔﺮوﺿـﺎت‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﺷﻜﻞ داده ﭘﺮﺗﻲ ﻣﺸﺎﻫﺪه ﻧﻤﻲﺷﻮد‪ .‬ﺑﺮاي اﻳﻦ ﻣﻨﻈـﻮر از‬ ‫ﺑﻨﻴﺎدي ﻣﺎﻧﻨﺪ ﻧﺮﻣﺎل ﺑﻮدن‪ ،‬ﻣﺎﻧـﺎﻳﻲ در ﻣﻴـﺎﻧﮕﻴﻦ )ﺛﺎﺑـﺖ ﺑـﻮدن ﻣﻴـﺎﻧﮕﻴﻦ(‪،‬‬
‫ﻧﻤﻮدار دﻳﮕﺮي ﺑﻪ ﻧﺎم اﺑﺮ ﺗﻐﻴﻴﺮﻧﮕﺎر‪ 10‬ﻧﻴﺰ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪0‬‬ ‫ﻫﻤﺴﺎﻧﮕﺮدي‪ 7‬و ﻫﻤﭽﻨﻴﻦ وﺟﻮد دادهﻫﺎي ﭘﺮت )ﻧﺎﻫﻤﺨﻮان ﺑﺎ ﺳﺎﻳﺮ داده ﻫﺎ(‬
‫ﺷﻜﻞ ﺷـﻤﺎرة )‪(4‬ﻧﻤـﻮدار اﺑـﺮ ﺗﻐﻴﻴﺮﻧﮕـﺎر ﻣﺘﻐﻴـﺮ ‪ TRP‬و ﺷـﻜﻞ‬ ‫ﺑﺎﻳﺪ ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار ﮔﻴﺮﻧﺪ‪ .‬زﻳﺮا ﺗﺤﻠﻴﻞ ﻣﺬﻛﻮر ﺑﺮ ﭘﺎﻳﺔ اﻳﻦ ﻣﻔﺮوﺿﺎت ﺑﻨﺎ‬
‫ﺷﻤﺎرة)‪(5‬اﺑﺮ ﺗﻐﻴﻴﺮﻧﮕﺎر ﻣﺘﻐﻴﺮ ‪ THA‬را ﻧﻤﺎﻳﺶ ﻣﻲدﻫـﺪ‪ .‬ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ‬ ‫ﻧﻬﺎده ﺷﺪه اﺳﺖ‪ .‬در اﻳﻦ ﻗﺴﻤﺖ ﺑﻪ ﺑﺮرﺳﻲ اﻳﻦ ﻣﻔﺮوﺿﺎت ﻣﻲ ﭘﺮدازﻳﻢ‪.‬‬
‫اﻳﻨﻜﻪ در ﻫﺮ دو ﻧﻤﻮدار ﺗﻘﺮﻳﺒﺎدادهﻫﺎ در ﻳﻚ ﻧﻮار ﻣﻮازي اﻓﻖ ﻗـﺮار دارﻧـﺪ‬ ‫ﭘﺲ از ﺑﺮرﺳﻲ ﻧﺮﻣﺎل ﺑﻮدن دادهﻫﺎ ﺑـﺎ اﺳـﺘﻔﺎده از ﻧﻤـﻮدار اﺣﺘﻤـﺎل‬

‫‪D‬‬
‫ﻣﻲﺗﻮان ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ ﻛﻪ در اﻳﻦ دو ﻣﺠﻤﻮﻋﻪ از دادهﻫﺎ ﻋﺪدي ﭘـﺮت در‬ ‫ﻧﺮﻣﺎل)‪ ،(Madansky, 1988‬ﻣﻼﺣﻈﻪ ﺷﺪ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎرش اﻗﻠﻴﻤﻲ‬
‫ﻫﻤﺴﺎﻳﮕﻲﻫﺎ وﺟﻮد ﻧﺪارد‪.‬‬ ‫و ارﺗﻔــﺎع داراي ﺗﻮزﻳــﻊ ﻧﺮﻣــﺎل ﻧﻴــﺴﺘﻨﺪ‪ ،‬ﺑﻨــﺎﺑﺮاﻳﻦ ﺑــﺎ ﺗﺒــﺪﻳﻞ ﺑــﺎﻛﺲ‬

‫‪SI‬‬
‫ﺷﺎﻳﺎنذﻛﺮ اﺳﺖﻛﻪ ﻣﺎﻫﻴﺖ دادهﻫﺎي ﭘﺮت در داده ﻫﺎي ﻓـﻀﺎﻳﻲ از‬ ‫ﻛﺎﻛﺲ‪ (Madansky, 1988)8‬آﻧﻬﺎ را ﻧﺮﻣﺎل ﻛﺮدﻳﻢ‪ .‬در ﺗﺒﺪﻳﻞ ﺑﺎﻛﺲ‪-‬‬
‫دو ﻧﻮع اﺳﺖ‪.‬ﻧﻮع او‪‬لﻣﺎﻧﻨﺪ دادة ﭘـﺮت در آﻣـﺎر ﻛﻼﺳـﻴﻚ اﺳـﺖ‪،‬ﻛﻪ ﺑـﻪ‬ ‫‪xλ −1‬‬
‫=‪y‬‬ ‫‪,x > 0‬‬
‫ﻛﻤﻚ ﻳﻜﻲازروش ﻫﺎي ﻣﻌﻤﻮل ﻣﺎﻧﻨـﺪ ﻧﻤﻮدارﺟﻌﺒـﻪاي ‪(Madansky,‬‬ ‫‪λ‬‬ ‫ﻛﺎﻛﺲ‪ ،‬ﻳﻌﻨﻲ‬
‫)‪1988‬ﻣﻲﺗﻮان آن را ﺷﻨﺎﺳﺎﻳﻲ ﻛﺮد‪.‬ﻧﻮع دوم دادة ﭘـﺮت در ﻫﻤـﺴﺎﻳﮕﻲ‬ ‫داده ﻫﺎي ﺑﺎرش اﻗﻠﻴﻤـﻲ ﺑـﺎ ‪ λ = 0.1‬و ارﺗﻔـﺎع ﺑـﺎ ‪λ = 1.5‬‬
‫‪of‬‬
‫ﻳﻚ ﻣﻮﻗﻌﻴﺖ اﺳﺖ‪ .‬اﻳﻦ ﻧﻮع داده ﭘﺮت در ﻳﻚ ﻫﻤﺴﺎﻳﮕﻲ ﻣﻤﻜﻦ اﺳـﺖ‬ ‫ﻧﺮﻣﺎل ﺷﺪﻧﺪ‪ .‬اﻳﻦ ﻣﻘﺎدﻳﺮ ﺑﺎ ﭼﻨﺪ ﺑﺎر اﻧﺘﺨـﺎب و آزﻣـﻮن ﻧﺮﻣـﺎل ﺑـﺎ آﻣـﺎره‬
‫ﭘﺮت ﺑﺎﺷﺪ‪ ،‬وﻟﻲ در ﻛﻞ ﻣﺠﻤﻮﻋﺔ دادهﻫﺎ ﻣﻤﻜﻦ اﺳﺖ ﭘﺮت ﻧﺒﺎﺷﻨﺪ‪.‬‬ ‫ﺷﺎﭘﻴﺮو‪-‬وﻳﻠﻚ‪ (Matheron, 1963)9‬و ﻧﻤﻮدار اﺣﺘﻤـﺎل ﻧﺮﻣـﺎل )ﺷـﻜﻞ‬
‫ﻫﺎي ﺷﻤﺎرة‪ 1‬و ‪ (2‬ﺑﻪ دﺳﺖ آﻣﺪﻧﺪ‪ .‬در ﻓﺮﻣﻮل ﻓﻮق ‪ x‬ﻣﺘﻐﻴﺮ اوﻟﻴـﻪ و ‪λ‬‬
‫‪ive‬‬

‫ﻣﻘﺪاري اﺳﺖ ﻛﻪ ﺑﻪ ﮔﻮﻧﻪاي اﻧﺘﺨﺎب ﻣﻲﺷﻮد ﻛﻪ ﻣﺘﻐﻴﺮ ﺗﺒﺪﻳﻞ ﻳﺎﻓﺘﻪ ‪y‬‬

‫ﻧﺮﻣﺎل ﺑﺎﺷﺪ‪ .‬در اداﻣﻪ ﻣﺘﻐﻴﺮ ﺑﺎرش ﺗﺒﺪﻳﻞ ﻳﺎﻓﺘﻪ و ارﺗﻔﺎع ﺗﺒـﺪﻳﻞ ﻳﺎﻓﺘـﻪ را‬
‫ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺎ ‪ TRP‬و ‪ THA‬ﻧﻤﺎﻳﺶ ﻣﻲدﻫﻴﻢ‪.‬‬
‫‪ch‬‬

‫‪Normal P-P Plot of TRP‬‬

‫‪1.00‬‬

‫‪E‬‬
‫‪x‬‬
‫‪p‬‬
‫‪.75‬‬
‫‪e‬‬
‫‪c‬‬
‫‪t‬‬
‫‪e‬‬
‫‪Ar‬‬

‫‪d‬‬ ‫‪.50‬‬

‫‪C‬‬
‫‪u‬‬
‫‪m‬‬
‫‪.25‬‬
‫‪P‬‬
‫‪r‬‬
‫‪o‬‬
‫‪b‬‬ ‫‪0.00‬‬
‫‪0.00‬‬ ‫‪.25‬‬ ‫‪.50‬‬ ‫‪.75‬‬ ‫‪1.00‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪ :(3‬ﻧﮕﺎﺷﺖ دادهﻫﺎي ‪TRP‬‬ ‫‪Observed Cum Prob‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪ :(1‬ﻧﻤﻮدار اﺣﺘﻤﺎل ﻧﺮﻣﺎل ‪TRP‬‬

‫‪Normal P-P Plot of THA‬‬
‫‪1.00‬‬

‫‪E‬‬
‫‪x‬‬
‫‪p‬‬ ‫‪.75‬‬
‫‪e‬‬
‫‪c‬‬
‫‪t‬‬
‫‪e‬‬
‫‪d‬‬ ‫‪.50‬‬

‫‪C‬‬
‫‪u‬‬
‫‪m‬‬
‫‪.25‬‬
‫‪P‬‬
‫‪r‬‬
‫‪o‬‬
‫‪b‬‬ ‫‪0.00‬‬
‫‪0.00‬‬ ‫‪.25‬‬ ‫‪.50‬‬ ‫‪.75‬‬ ‫‪1.00‬‬

‫‪Observed Cum Prob‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪:(4‬اﺑﺮ ﺗﻐﻴﻴﺮﻧﮕﺎر ‪TRP‬‬ ‫ﺷﻜﻞ ﺷﻤﺎرة)‪:(2‬ﻧﻤﻮدار اﺣﺘﻤﺎل ﻧﺮﻣﺎل ‪THA‬‬

‫‪www.SID.ir‬‬
 ‫‪33‬‬ ‫ﭘﻬﻨﻪ ﺑﻨﺪي و ﺗﺤﻠﻴﻞ ﻓﻀﺎﻳﻲ ﺑﺎرش اﻗﻠﻴﻤﻲ اﻳﺮان‬

‫ﺑﺮاي ﺑﺮرﺳﻲ ﻫﻤﺴﺎﻧﮕﺮدي از روش ﺗﻐﻴﻴﺮﻧﮕﺎر اﺳﺘﻔﺎده ﻛﺮدهاﻳﻢ‪ .‬اﻳﻦ روش‬

‫ﻧﻤﻮدار ﺗﻐﻴﻴﺮﻧﮕﺎر )اﺑﺰاري ﺑﺮاي ﻣﺪلﺑﻨﺪي ﺳﺎﺧﺘﺎر ﻫﻤﺒﺴﺘﮕﻲ ﻓـﻀﺎﻳﻲ( را‬
‫در ﺗﻤﺎم ﺟﻬﺎت ﺟﻐﺮاﻓﻴﺎﻳﻲ در ﻳﻚ دﺳﺘﮕﺎه ﻣﺨﺘﺼﺎت ﻧﻤﺎﻳﺶ ﻣـﻲ دﻫـﺪ‪.‬‬
‫ﺑﻪ ﻣﻨﻈﻮر ﻣﻘﺎﻳﺴﺔ ﺗﻐﻴﻴﺮﻧﮕﺎرﻫﺎ در ﺗﻤﺎم ﺟﻬـﺎت‪ ،‬روش ﻣـﺬﻛﻮر ﺑـﺮ ﺻـﻔﺤﺔ‬
‫ﻣﺨﺘﺼﺎت ) ‪ ( x, y‬ﺗﺼﻮﻳﺮ ﺷﺪه اﺳﺖ‪) .‬ﺷﻜﻞ ﻫـﺎي ﺷـﻤﺎرة ‪ 8‬و ‪ .(9‬ﺑـﺎ‬
‫ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﺷﻜﻞﻫـﺎ ﭼـﻮن روش ﺗﻐﻴﻴﺮﻧﮕـﺎر در ﺗﻤـﺎم ﺟﻬـﺎت ﺗﻘﺮﻳﺒـﺄ‬
‫ﻳﻜﺴﺎن اﺳﺖ ﭘﺲ ﻫﻤﺴﺎﻧﮕﺮدي ﺑﺮ ﻗﺮار اﺳﺖ‪ .‬ﻫﻤﺴﺎﻧﮕﺮدي ﺑﺪﻳﻦ ﻣﻌﻨﻲ‬
‫اﺳﺖ ﻛﻪ ﺳﺎﺧﺘﺎر ﻫﻤﺒﺴﺘﮕﻲ ﻛﻪ ﺑﺎ ﺗﻐﻴﻴﺮﻧﮕـﺎر ﺑﻴـﺎن ﻣـﻲ ﺷـﻮد در ﺗﻤـﺎم‬

‫‪D‬‬
‫ﺷﻜﻞ ﺷﻤﺎرة)‪ :(5‬اﺑﺮﺗﻐﻴﻴﺮﻧﮕﺎر ‪THA‬‬
‫ﺟﻬﺎت ﻳﻜﺴﺎن اﺳﺖ‪ .‬در اﻳﻦ ﺣﺎﻟﺖ ﺑﺎ ﻳﻚ ﻣﺪل ﺗﻐﻴﻴﺮﻧﮕﺎر ﻫﻤﺴﺎﻧﮕﺮد در‬ ‫ﺑﺮاي ﺑﺮرﺳﻲ وﺟﻮد روﻧﺪ در داده ﻫﺎ‪ ،‬ﻧﻤﻮدار ﻣﻘﺪار ﺑﺎرش ﺗﺒﺪﻳﻞ ﻳﺎﻓﺘﻪ را ﻳﻚ‬
‫ﺗﻤﺎم ﺟﻬﺎت ﻣﻲﺗﻮان ﻛﺮﻳﮕﻴﺪن و ﻫﻢ ﻛﺮﻳﮕﻴﺪن اﻧﺠﺎم داد‪.‬‬ ‫ﺑﺎر ﺑﺮ ﺣﺴﺐ ﻃﻮل ﺟﻐﺮاﻓﻴﺎﻳﻲ ) ‪ ( x‬و ﺑﺎر دﻳﮕﺮ ﺑﺮ ﺣﺴﺐ ﻋـﺮض ﺟﻐﺮاﻓﻴـﺎﻳﻲ‬

‫‪SI‬‬
‫) ‪ ( y‬ﺟﺪاﮔﺎﻧﻪ رﺳﻢ ﻣﻲﻛﻨﻴﻢ‪ ،‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ)ﺷﻜﻞﻫـﺎي ﺷـﻤﺎرة‪ 6‬و ‪(7‬روﻧـﺪ‬
‫ﺧﺎﺻﻲ در ﻣﺸﺎﻫﺪات دﻳﺪه ﻧﻤﻲﺷﻮد‪ ،‬ﭘﺲ ﻣﻲﺗﻮان ﻣﺎﻧﺎﻳﻲ در ﻣﻴﺎﻧﮕﻴﻦ را‬
‫ﭘﺬﻳﺮﻓﺖ‪.‬‬
‫‪of‬‬
‫‪6. 0‬‬

‫‪5. 5‬‬
‫‪ive‬‬

‫‪5. 0‬‬

‫‪4. 5‬‬

‫‪4. 0‬‬

‫‪3. 5‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪: (8‬روش دوﺑﻌﺪي ﺗﻐﻴﻴﺮﻧﮕﺎر ‪TRP‬‬ ‫‪T‬‬

‫‪3. 0‬‬
‫‪R‬‬
‫‪ch‬‬

‫‪P‬‬ ‫‪2. 5‬‬

‫‪40‬‬ ‫‪50‬‬ ‫‪60‬‬ ‫‪70‬‬

‫‪X‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة )‪ : (6‬ﻧﻤﻮدار داده ﻫﺎي ﺑﺎرش در اﻣﺘﺪاد ﻃﻮل‬

‫ﺟﻐﺮاﻓﻴﺎﻳﻲ‬
‫‪Ar‬‬

‫‪6.0‬‬

‫‪5.5‬‬

‫‪5.0‬‬

‫‪4.5‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪ : (9‬روش ﺳﻪ ﺑﻌﺪي ﺗﻐﻴﻴﺮﻧﮕﺎر ‪TRP‬‬ ‫‪4.0‬‬

‫ﻣﺪل ﺑﻨﺪي آﻣﺎري‬ ‫‪3.5‬‬

‫اﺟﺰاي اﺻﻠﻲ دادهﻫﺎي ﻓﻀﺎﻳﻲ ﻣﻜﺎنﻫﺎ‪ ،‬ﻳﺎ ﻣﻮﻗﻌﻴﺖﻫﺎي ﻓﻀﺎﻳﻲ ﻣﺎﻧﻨﺪ‬ ‫‪T‬‬
‫‪3.0‬‬
‫‪R‬‬
‫‪P 2.5‬‬
‫‪ t1 ,..., t n‬ﻫـــﺴﺘﻨﺪ‪ .‬اﮔـــﺮ )⋅( ‪ Z‬ﻣﺘﻐﻴـــﺮ ﻣـــﻮرد ﺑﺮرﺳـــﻲ ﺑﺎﺷـــﺪ‪،‬‬ ‫‪24‬‬ ‫‪26‬‬ ‫‪28‬‬ ‫‪30‬‬ ‫‪32‬‬ ‫‪34‬‬ ‫‪36‬‬ ‫‪38‬‬ ‫‪40‬‬

‫‪Y‬‬

‫دادهﻫﺎي ﻣـﺸﺎﻫﺪه ﺷـﺪه در آن ﻣﻜـﺎنﻫـﺎ ﻫـﺴﺘﻨﺪ‪.‬‬

‫) ‪Z (t1 ),K, Z (tn‬‬
‫ﺷﻜﻞ ﺷﻤﺎرة)‪:(7‬ﻧﻤﻮدار دادهﻫﺎي ﺑﺎرش در اﻣﺘﺪاد ﻋﺮض‬
‫ﻣﻌﻤﻮﻵﻳﻚ ﻣﻴﺪان ﺗﺼﺎدﻓﻲ ﺑﻪ ﻋﻨﻮان ﻣﺪل آﻣﺎري ﺑﺮاي دادهﻫﺎي ﻓـﻀﺎﻳﻲ‬ ‫ﺟﻐﺮاﻓﻴﺎﻳﻲ‬
‫در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد‪ .‬ﻣﻴـﺪان ﺗـﺼﺎدﻓﻲ‪ ،‬ﻣﺠﻤﻮﻋـﻪ اي از ﻣﺘﻐﻴﺮﻫـﺎي‬

‫‪www.SID.ir‬‬
 ‫ﻣﺤﻴﻂ ﺷﻨﺎﺳﻲ ﺷﻤﺎرة‪43‬‬ ‫‪34‬‬

‫ﺗﺼﺎدﻓﻲ ﻣﺎﻧﻨﺪ }‪ {Z (t ), t ∈ D‬اﺳﺖ ﻛﻪ در آن ﻣﺠﻤﻮﻋﻪ اﻧﺪﻳﺲ ﮔﺬار‬

‫‪ D‬ﻳﻚ زﻳﺮ ﻣﺠﻤﻮﻋﻪ از ﻓـﻀﺎي اﻗﻠﻴﺪﺳـﻲ ‪ d ≥ 1‬ﺑﻌـﺪي ‪ R d‬اﺳـﺖ‪.‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ و ﺗﻐﻴﻴﺮﻧﮕﺎر ﺑﺮاي اﻳﻦ ﻣﻴﺪان ﺑﻪ ﺻﻮرت‪:‬‬
‫‪E ( Z (t )) = µ (t ), t ∈ D‬‬
‫)) ‪2γ (t1 , t2 ) = Var ( Z (t1 ) − Z (t2‬‬
‫و ﺑﺮاي دو ﻣﺘﻐﻴﺮ ‪ Z i‬و ‪ Z j‬ﺗﻐﻴﻴﺮ ﻧﮕﺎر ﻣﺘﻘﺎﺑﻞ ﺑﻪ ﺻﻮرت‪:‬‬
‫]) ‪2γ ij (t1,t2 ) = E[(Zi (t1) − Zi (t2 ))(Z j (t1) − Z j (t2‬‬

‫‪D‬‬
‫ﺷﻜﻞ ﺷﻤﺎرة)‪:(11‬ﺗﻐﻴﻴﺮﻧﮕﺎر ﻧﻤﺎﻳﻲ ‪THA‬‬ ‫ﺗﻌﺮﻳﻒ ﻣﻲﺷﻮد‪ .‬ﻛﻪ ﺑﺎ ﻓﺮض اﻳﺴﺘﺎي ذاﺗﻲ)ﻳﻌﻨﻲ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﻐﻴﺮ در ﻫـﺮ‬
‫ﻣﻮﻗﻌﻴﺖ ﻣﻘـﺪار ﺛﺎﺑـﺖ و وارﻳـﺎﻧﺲ اﺧـﺘﻼف ﻣﺘﻐﻴـﺮ در دو ﻣﻮﻗﻌﻴـﺖ ﺑـﻪ‬

‫‪SI‬‬
‫ﻓﺎﺻﻠﺔ ‪ h‬ﻓﻘﻂ ﺗﺎﺑﻌﻲ از ﻓﺎﺻﻠﻪ ‪ h‬ﺑﺎﺷﺪ( ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬ﺗﻐﻴﻴﺮﻧﮕﺎر و ﺗﻐﻴﻴﺮﻧﮕـﺎر‬
‫ﻣﺘﻘﺎﺑـــﻞ ﺑـــﻪ ﺗﺮﺗﻴـــﺐ ‪ 2γ (t1 , t2 ) = 2γ (h) , µ (t ) = µ‬و‬

‫)‪ 2γ ij (t1 , t 2 ) = 2γ ij ( h‬ﻣﻲ ﺑﺎﺷﻨﺪ ﻛﻪ در آن ‪ h = t1 − t2‬ﺑﺮدار‬

‫‪of‬‬
‫ﻓﺎﺻﻠﻪ اﺳﺖ‪ .‬ﻫﺮ ﻣﻴﺪان ﺗﺼﺎدﻓﻲ ) ‪ Z (t‬را ﻣﻲﺗﻮان ﺑﻪ ﺻﻮرت‬

‫)‪Z (t ) = µ (t ) + δ (t ), t ∈ D (1‬‬

‫ﺗﺠﺰﻳﻪ ﻛﺮد ﻛﻪ در آن )⋅( ‪ µ‬روﻧﺪ و )⋅( ‪ δ‬ﺧﻄـﺎي ﺗـﺼﺎدﻓﻲ ﻣﻴـﺪان‬

‫‪ive‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪ :(12‬ﺗﻐﻴﻴﺮﻧﮕﺎر ﻣﺘﻘﺎﺑﻞ ﻛﺮوي ﺑﺮاي ﻣﺘﻐﻴﺮ ‪TRP ,‬‬

‫اﺳﺖ‪ .‬ﺗﻐﻴﻴﺮﻧﮕﺎر و ﺗﻐﻴﻴﺮﻧﮕﺎر ﻣﺘﻘﺎﺑﻞ ﺗﺠﺮﺑـﻲ‪ ١١‬ﺑـﺮاي ﻣﺘﻐﻴﺮﻫـﺎي ﻣـﻮرد‬
‫‪THA‬‬ ‫‪+‬‬
‫ﻓﺮﻣﻮل ﻣﺪلﻫﺎي ﺗﻐﻴﻴﺮﻧﮕﺎر و ﺗﻐﻴﻴﺮﻧﮕﺎر ﻣﺘﻘﺎﺑﻞ ﻓﻮق ﺑﻪ ﺻﻮرت زﻳﺮﻧﺪ‪:‬‬ ‫ﺑﺮرﺳﻲ‪ ،‬ﻳﻌﻨﻲ ‪ THA‬و ‪ TRP‬ﺑﺎ اﺳﺘﻔﺎده از ﻧـﺮم اﻓـﺰار ‪ GS‬ﺑـﻪ‬
‫⎧‬ ‫‪h‬‬ ‫‪h 3‬‬ ‫ﺻﻮرت)ﺷﻜﻞ ﻫﺎي ﺷﻤﺎرة‪ 11 ،10‬و ‪ (12‬ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﻧﺪ‪ .‬ﺑﺎ ﺗﻮﺟـﻪ ﺑـﻪ‬
‫‪ch‬‬

‫(‪⎪0.065 + 0.35‬‬ ‫(‪− 0.5‬‬ ‫‪) ), h < 6.08‬‬

‫⎨ = ‪γ TRP‬‬ ‫‪6.08‬‬ ‫‪6.08‬‬ ‫اﻋﺘﺒﺎرﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ﻳﻌﻨـﻲ ‪ RSS‬ﻛﻮﭼـﻚ ﺑـﻴﻦ ﻣـﺪلﻫـﺎي ﻣﺨﺘﻠـﻒ‬
‫‪⎪⎩0.1415, h > 6.08‬‬ ‫ﻧﻈﺮي‪،‬ﻣــﺪل ﻛــﺮوي ﺑــﺮاي ﺗﻐﻴﻴﺮﻧﮕــﺎر ‪ TRP‬و ﻣــﺪل ﻧﻤــﺎﻳﻲ ﺑــﺮاي‬
‫‪−h‬‬ ‫ﺗﻐﻴﻴﺮﻧﮕــﺎر ‪ THA‬و ﻣــﺪل ﻛــﺮوي ﺑــﺮاي ﺗﻐﻴﻴﺮﻧﮕــﺎر ﻣﺘﻘﺎﺑــﻞ ‪THA‬‬
‫)) (‪γ THA = 32200000 + 322100000(1 − exp‬‬
‫‪Ar‬‬

‫‪41‬‬ ‫و ‪ TRP‬اﻧﺘﺨﺎب ﺷﺪﻧﺪ ﻛﻪ ﻣﺸﺨﺼﻪ ﻫﺎي اﻳﻦ ﻣﺪلﻫﺎ ﺑﺎ روش ﻛﻤﺘﺮﻳﻦ‬

‫⎧‬ ‫‪h‬‬ ‫‪h 3‬‬
‫(‪⎪− 1 − 2313‬‬ ‫(‪− 0.5‬‬ ‫‪) ), h < 3.98‬‬ ‫ﺗﻮاﻧﻬﺎي دوم وزﻧﻲ ﺑﻪ دﺳﺖ آﻣﺪهاﻧﺪ‪.‬‬
‫⎨ = ‪γ TRP,THA‬‬ ‫‪3.98‬‬ ‫‪3.98‬‬
‫‪⎪⎩0.1415, h > 3.98‬‬
‫ارزﻳﺎﺑﻲ اﻋﺘﺒﺎر ﻣﺪلﻫﺎ‬
‫‪12‬‬
‫ﻣﻌﻤﻮﻷ از اﺑﺰار اﻋﺘﺒﺎرﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ﺑﺮاي ﺑﺮرﺳﻲ ﺧـﻮﺑﻲ ﺑـﺮآورد‬
‫ﻣﺸﺨﺼﻪ ﻫﺎ و ﭘﻴﺶ ﺑﻴﻨﻲ و ﻫﻤﭽﻨﻴﻦ اﻧﺘﺨﺎب ﻣـﺪل ﻣﻨﺎﺳـﺐ داده ﻫـﺎ و‬
‫ﻛﺸﻒ داده ﻫﺎي ﭘﺮت اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬اﻳﺪة اﺻﻠﻲ‪،‬ﺣﺬف داده و اﺳﺘﻔﺎده‬
‫از دﻳﮕﺮ دادهﻫﺎ ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ دادة ﺣﺬف ﺷﺪه اﺳـﺖ‪ .‬ﺳـﭙﺲ ﺧﻄـﺎي‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ را ﻣﻲ ﺗﻮان از اﺧﺘﻼف ﻣﻘﺎدﻳﺮ ﭘـﻴﺶ ﺑﻴﻨـﻲ ﺷـﺪه ﺑـﺎ ﻣﻘـﺎدﻳﺮ‬
‫اﺻﻠﻲ ﺑﺮرﺳﻲ و ﻣﺪلﻫﺎي آﻣﺎري ﻣﻮرد ﻧﻈﺮ را ﺑﻪ وﺳﻴﻠﻪ اﻳﻦ ﺧﻄﺎ ارزﻳﺎﺑﻲ‬ ‫ﺷﻜﻞ ﺷﻤﺎرة)‪:(10‬ﺗﻐﻴﻴﺮﻧﮕﺎر ﻛﺮوي ‪TRP‬‬
‫ﻛﺮد)‪.(Stone, 1974;Geiser, 1975‬‬

‫‪www.SID.ir‬‬
 ‫‪35‬‬ ‫ﭘﻬﻨﻪ ﺑﻨﺪي و ﺗﺤﻠﻴﻞ ﻓﻀﺎﻳﻲ ﺑﺎرش اﻗﻠﻴﻤﻲ اﻳﺮان‬

‫ﺗﻐﻴﻴﺮﻧﮕــﺎر )‪ γ (h‬ﺑﺎﺷــﺪ‪ .‬وارﻳــﺎﻧﺲ ﺧﻄــﺎي ﭘــﻴﺶ ﺑﻴﻨــﻲ ‪ σ E‬ﺑﺮاﺑــﺮ‬

‫‪2‬‬ ‫در اﻳﻦ ﻣﻘﺎﻟﻪ از اﻳﻦ اﺑﺰار ﺑﺮاي ﻣﻘﺎﻳﺴﻪ ﺳﻪ روش ﭘﻴﺶﺑﻴﻨﻲ ﻛﻨﻨـﺪه‬
‫وارﻳﺎﻧﺲ ﺗﺮﻛﻴﺐ ﺧﻄﻲ‬ ‫ﻛﺮﻳﮕﻴﺪن‪ ،‬ﻫﻢ ﻛﺮﻳﮕﻴﺪن و ﻋﻜﺲ ﻓﺎﺻﻠﻪ ﻣـﻮزون و ﻫﻤﭽﻨـﻴﻦ ﮔـﺰﻳﻨﺶ‬
‫∧‬ ‫‪n‬‬ ‫‪n‬‬ ‫ﻣﺪلﻫﺎي ﻣﺨﺘﻠﻒ ﺗﻐﻴﻴﺮﻧﮕﺎر و ﺗﻐﻴﻴﺮﻧﮕﺎر ﻣﺘﻘﺎﺑﻞ اﺳﺘﻔﺎده ﻛﺮدهاﻳﻢ‪ .‬ﺑـﺮاي‬
‫) ‪Z (t 0 ) − Z (t 0 ) = ∑ wi Z (t i ) − Z (t 0 ) = ∑ wi Z (t i‬‬ ‫اﻳﻦ ﻣﻨﻈﻮر ﺑﺎ ﻫﺮ روش ﺑﻪ ﻃﻮر ﺟﺪاﮔﺎﻧﻪ ﻳﻚ ﻣﺸﺎﻫﺪه را از ﻣﺠﻤﻮع داده ﻫـﺎ‬
‫‪i =1‬‬ ‫‪i =0‬‬
‫‪n‬‬ ‫ﺣﺬف و ﺗﻮﺳﻂ روش ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻨﻨﺪه‪ ،‬آن داده ﺣﺬف ﺷﺪه را ﭘﻴﺶﺑﻴﻨـﻲ‬
‫‪∑ wi = 0 w0 = −1‬‬ ‫ﻣﻲﻛﻨﻴﻢ و اﻳﻦ ﻋﻤﻞ را در ﻣﻮرد ﺗﻤﺎم ﻣﺸﺎﻫﺪات اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ ﺑﻪ اﻳﻦ‬
‫‪ . i =0‬ﭘــﺲ از اﻳــﻦ ﺷــﺮط ﻛــﻪ‬ ‫و‬ ‫اﺳــﺖ ﺑــﺎ‬
‫ﺗﺮﺗﻴﺐ ﺑﺮاي ﻫﺮ ﻣﻮﻗﻌﻴﺖ ﻳﻚ ﻣﺸﺎﻫﺪه واﻗﻌﻲ و ﻳـﻚ داده ﭘـﻴﺶ ﺑﻴﻨـﻲ‬
‫ﻣﺠﻤﻮع وزنﻫﺎ از ‪ 1‬ﺗﺎ ‪ n‬ﺑﺮاﺑﺮ ﻳﻚ ﺑﺎﺷﺪ ﻧﺘﻴﺠﻪ ﻣﻲﺷﻮد ﻛـﻪ اﺳـﺘﻔﺎده از‬
‫ﺷﺪه دارﻳﻢ‪ .‬درﺻﻮرﺗﻲﻛﻪ ﭘﻴﺶ ﺑﻴﻨﻲﻛﻨﻨﺪه ﺧﻮب ﻋﻤﻞ ﻛﻨﺪ ﺗﻔـﺎوت ﺑـﻴﻦ‬

‫‪D‬‬
‫ﺗﻐﻴﻴﺮﻧﮕﺎر ﺑﺮاي ﻣﺤﺎﺳـﺒﺔ ﺧﻄـﺎي ﭘـﻴﺶ ﺑﻴﻨـﻲ ﺟـﺎﻳﺰ اﺳـﺖ‪ .‬در ﻧﺘﻴﺠـﻪ‬
‫اﻳﻦ دو ﻣﻘﺪار ﺑﺎﻳﺪ ﻧﺎﭼﻴﺰ ﺑﺎﺷﺪ‪.‬‬
‫وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﻋﺒﺎرت اﺳﺖ از‪:‬‬
‫رﮔﺮﺳﻴﻮن ﺧﻄﻲ ﺑﻴﻦ اﻳﻦ دو ﻣﺠﻤﻮﻋﻪ از داده ﻫﺎ )داده ﻫﺎي واﻗﻌﻲ‬

‫‪SI‬‬
‫∧‬
‫و ﭘﻴﺶ ﺑﻴﻨﻲ ﺷﺪه( ﻣﻲﺗﻮاﻧﺪ ﺑﻴﺸﺘﺮ در اﻳﻦ ﻣﻮرد ﻣﻔﻴـﺪ ﺑﺎﺷـﺪ‪ .‬اﮔـﺮ ﺧـﻂ‬
‫}‪σ E2 = E{(Z(t0 ) − Z(t0 ))2‬‬ ‫رﮔﺮﺳﻴﻮن ﺑﺨﻮﺑﻲ ﺑﺮازش ﻳﺎﺑﺪ و ﺿﺮﻳﺐ زاوﻳﻪ ﺧﻂ ﺗﻘﺮﻳﺒﺎ" ﺑﺮاﺑﺮ ‪ 1‬و ﺧﻂ‬
‫) ‪= −γ (t0 − t0 ) − ∑∑wi wj γ (ti − t j ) + 2∑wiγ (ti − t0‬‬ ‫از ﻧﻴﻤﺴﺎز ﻣﺨﺘﺼﺎت ﺑﮕﺬرد‪ ،‬ﻣﻲ ﺗﻮان ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ ﻛﻪ روش ﭘﻴﺶ ﺑﻴﻨﻲ‬
‫‪i‬‬ ‫‪j‬‬ ‫‪i‬‬
‫ﻛﻨﻨــﺪه ﺑﺪرﺳــﺘﻲ ﭘــﻴﺶ ﺑﻴﻨــﻲ ﻣــﻲ ﻛﻨــﺪ‪ .‬از دو ﻣﻘــﺪار ﻛﻤــﻲ ﺿــﺮﻳﺐ‬
‫‪of‬‬
‫‪n‬‬

‫‪∑w‬‬
‫‪i =1‬‬
‫‪i‬‬ ‫‪=1‬‬ ‫ﺗﻌﻴﻴﻦ ‪ R 2‬و ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﭘﻴﺶ ﺑﻴﻨﻲ ‪ SEP‬ﻧﻴﺰ ﻣﻲﺗـﻮان اﺳـﺘﻔﺎده‬
‫دﺳـﺘﮕﺎه‬ ‫از ﻛﻤﻴﻨﻪ ﻛﺮدن ﻋﺒﺎرت ﻓـﻮق ﺑـﺎ رﻋﺎﻳـﺖ ﻗﻴـﺪ‬
‫ﻛﺮد‪ .‬در اﻳﻦ ﺣﺎﻟﺖ ‪ R 2‬ﺗﻮان دوم ﺿﺮﻳﺐ ﻫﻤﺒـﺴﺘﮕﻲ ﺑـﻴﻦ داده ﻫـﺎي‬
‫ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ )‪ (ok‬ﺑﻪ ﺻﻮرت ‪ Γ0 w0 = γ 0‬ﺑﻪ دﺳﺖ ﻣﻲآﻳﺪ ﻛﻪ‬
‫واﻗﻌــــﻲ و داده ﻫــــﺎي ﭘــــﻴﺶ ﺑﻴﻨــــﻲ ﺷــــﺪه و ‪ SEP‬ﺑﺮاﺑــــﺮ‬
‫‪ive‬‬

‫در آن‬
‫‪ SD × 1 − R‬اﺳﺖ ﻛﻪ در آن ‪ SD‬اﻧﺤـﺮاف ﻣﻌﻴـﺎر داده ﻫـﺎي‬
‫‪2‬‬
‫‪γ 0 = (γ (t 0 − t1 ), K , γ (t 0 − t n ),1) T‬‬
‫‪w0 = ( w1 , K , wn , m) T‬‬ ‫واﻗﻌﻲ اﺳﺖ‪ .‬ﺷﺎﻳﺎن ذﻛﺮ اﺳﺖ ﻛﻪ اﻋﺘﺒﺎرﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ﺑﻪ ﺻـﻮرت ﻓـﻮق‬
‫) ‪⎡ γ (t1 − t1‬‬ ‫⎤‪K γ (t1 − t n ) 1‬‬ ‫ﺛﺎﺑﺖ ﻧﻤﻲ ﻛﻨﺪ ﻛﻪ ﻣﺪل ﺑﺮازﻧﺪه ﺷﺪه ﻛﺎﻣﻼ" درﺳﺖ‪ ،‬ﻳﺎ ﻛﺎﻣﻼ" ﻧﺎدرﺳﺖ‬
‫‪ch‬‬

‫) ‪⎢γ (t − t‬‬ ‫⎥⎥‪O γ (t 2 − t n ) 1‬‬ ‫اﺳﺖ‪ .‬ﺣﺎل‪ ،‬ﺳﻪ روش ﭘﻴﺶ ﺑﻴﻨـﻲﻛﻨﻨـﺪه ﻛﺮﻳﮕﻴـﺪن‪ ،‬ﻫـﻢ ﻛﺮﻳﮕﻴـﺪن و‬
‫‪⎢ 2 1‬‬
‫⎢ = ‪Γ0‬‬ ‫‪M‬‬ ‫‪O‬‬ ‫‪M‬‬ ‫⎥‪M‬‬ ‫ﻋﻜﺲ ﻓﺎﺻﻠﻪ ﻣﻮزون را ﺑﻪ اﺟﻤﺎل ﺗﻮﺿﻴﺢ ﻣﻲ دﻫﻴﻢ‪.‬‬
‫⎢‬ ‫⎥‬
‫) ‪⎢γ (t n − t1‬‬ ‫⎥‪K γ (t n − t n ) 1‬‬ ‫ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ‬
‫‪Ar‬‬

‫⎣⎢‬ ‫‪1‬‬ ‫‪K‬‬ ‫‪1‬‬ ‫⎦⎥‪0‬‬ ‫ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ ﭘﺮ ﻣﺼﺮفﺗﺮﻳﻦ روش ﻛﺮﻳﮕﻴﺪن اﺳﺖ ﻛﻪ ﺑـﺮاي‬
‫و‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﺘﻐﻴﺮ در ﻣﻮﻗﻌﻴﺘﻲ از ﻧﺎﺣﻴﻪ ﻛﻪ در آن ﺗﻐﻴﻴﺮﻧﮕﺎر ﻣﻌﻠﻮم اﺳـﺖ‪،‬‬
‫‪m‬ﺿــــﺮﻳﺐ ﻻﮔﺮاﻧــــﮋ و ‪ Γ0‬ﻳــــﻚ ﻣــــﺎﺗﺮﻳﺲ ﻣﺘﻘــــﺎرن‬ ‫ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎﻳﻲ در ﻫﻤﺴﺎﻳﮕﻲ ﻣﻜﺎن ﻣﻮرد ﻧﻈﺮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫)‪ ( n + 1) × ( n + 1‬اﺳــﺖ‪ .‬درآﺧــﺮ ﺑــﺎ اﺳــﺘﻔﺎده از دﺳــﺘﮕﺎه‬
‫در ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻘﺪار ﻣﺘﻐﻴـﺮ )⋅( ‪ Z‬در ﻧﻘﻄـﻪ ‪ t 0‬ﺑـﺎ‬
‫ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ‪ ،‬وزنﻫﺎ و ﺿﺮﻳﺐ ﻻﮔﺮاﻧﮋ ﻛﻪ ﺷﺮط ﻧـﺎارﻳﺒﻲ را‬
‫اﺳﺘﻔﺎده از ‪ n‬ﻣﺸﺎﻫﺪه ﻫﻤﺴﺎﻳﻪ ﺗﻮﺳﻂ ﺗﺮﻛﻴﺐ ﺧﻄﻲ زﻳـﺮ ﺑـﺎ وزنﻫـﺎي‬
‫ﺗﻀﻤﻴﻦ ﻣﻲﻛﻨﻨﺪ ﺑﻪ ﺻﻮرت زﻳﺮ ﺑﻪ دﺳﺖ ﻣﻲآﻳﻨﺪ‪:‬‬
‫‪ wi‬اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد‪(Cressie,1993; Wackernagel, 1998).‬‬
‫∧‬ ‫∧‬ ‫‪n‬‬
‫‪(1 − 1T Γ −1γ ) T −1‬‬ ‫) ‪P ( Z ; t 0 ) = Z (t 0 ) = ∑ wi Z (t i‬‬
‫‪w = (γ + 1‬‬
‫‪T‬‬
‫‪) Γ‬‬
‫‪1T Γ −11‬‬ ‫‪i =1‬‬

‫) ‪(1 − 1T Γ −1γ‬‬ ‫ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ روي ﻣﺪل )‪ (1‬ﺑﺎ ﻓﺮض ‪ µ (t ) = µ‬ﺻـﻮرت‬

‫‪m=−‬‬
‫‪1T Γ −11‬‬ ‫ﻣﻲﮔﻴﺮد‪ ،‬ﻛﻪ در آن ‪ µ‬ﻣﻘﺪاري ﺛﺎﺑﺖ و ﻧﺎﻣﻌﻠﻮم اﺳﺖ‪ .‬ﻗﻴﺪ ﺑﺮاﺑـﺮ ﺑـﻮدن‬
‫‪γ = (γ (t 0 − t1 ),K , γ (t 0 − t n )) T‬‬ ‫ﻣﺠﻤﻮع وزﻧﻬﺎ ﺑﺎ ﻳﻚ‪ ،‬ﺑﺮاي ﺗﻀﻤﻴﻦ ﻧﺎارﻳﺐ ﺑﻮدن ﭘﻴﺶﺑﻴﻨﻲ ﻻزم اﺳـﺖ‪.‬‬
‫ﻓﺮض ﻣﻲﻛﻨﻴﻢ داده ﻫـﺎ ﺑﺨـﺸﻲ از ﻣـﺸﺎﻫﺪات ﻳـﻚ ﺗـﺎﺑﻊ ﺗـﺼﺎدﻓﻲ ﺑـﺎ‬
‫‪www.SID.ir‬‬
‫ﻣﺤﻴﻂ ﺷﻨﺎﺳﻲ ﺷﻤﺎرة‪43‬‬ ‫‪36‬‬

‫‪N‬‬ ‫‪nk‬‬
‫ﻛﻪ در آن ‪ Γ‬ﻳﻚ ﻣﺎﺗﺮﻳﺲ ‪ n × n‬ﺑﺎ ﻋﻨﺼﺮ ) ‪ (i, j‬ام ) ‪γ (t i − t j‬‬
‫‪σ ck2 = ∑∑ w jiγ i1 (t j − t0 ) − γ 11 (t0 − t0 ) + m1‬‬
‫ﺑﻪ دﺳـﺖ‬ ‫‪i =1 j =1‬‬ ‫اﺳﺖ‪ .‬ﻛﻤﻴﻨﻪ وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻪ آن را وارﻳﺎﻧﺲ ﻛﺮﻳﮕﻲ ﻧﻴـﺰ‬
‫ﻣﻲآﻳﺪ)‪(Wackernagel, 1998‬‬ ‫ﻣﻲ ﻧﺎﻣﻴﻢ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‬
‫ﻋﻜﺲ ﻓﺎﺻﻠﻪ ﻣﻮزون‬ ‫‪n‬‬
‫‪(1T Γ−1γ −1)2‬‬
‫‪σ ok2 (t0 ) = ∑wiγ (t0 − ti ) + m = γ T Γ−1γ −‬‬
‫اﻳﻦ روش ﺳﺎدهﺗﺮﻳﻦ ﭘﻴﺶﺑﻴﻨﻲ ﻛﻨﻨﺪه در داده ﻫﺎي ﻓﻀﺎﻳﻲ اﺳـﺖ‪.‬‬ ‫‪i=1‬‬ ‫‪1T Γ−11‬‬
‫و ﻓﺮﻣﻮل ﺑﻨﺪي ﺳﺎده اي دارد‪ .‬در اﻳـﻦ روش در ﭘـﻴﺶ ﺑﻴﻨـﻲ )⋅( ‪ Z‬در‬ ‫ﻫﻢ ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻨﻨﺪه ﻫﻢ ﻛﺮﻳﮕﻴﺪن ﻣﻌﻤﻮﻟﻲ ﺗﺮﻛﻴﺐ ﺧﻄﻲ از وزنﻫﺎي‬
‫ﻧﻘﻄﻪ ‪ t 0‬ﺑﻪ داده ﻫﺎﻳﻲ ﻛﻪ ﻓﺎﺻﻠﻪ ﻛﻢ ﺑﺎ ‪ t 0‬دارﻧﺪ وزن زﻳﺎد و داده ﻫﺎﻳﻲ‬

‫‪D‬‬
‫ﻛﻪ ﻓﺎﺻﻠﻪ زﻳﺎد دارﻧﺪ وزن ﻛﻢ داده ﻣﻲ ﺷﻮد‪ .‬روش ﻋﻜﺲ ﻓﺎﺻﻠﻪ ﻣﻮزون‬ ‫‪ w ji‬اﺳﺖ‪ .‬ﺑﺎ دادهﻫﺎﻳﻲ از ﻣﺘﻐﻴﺮﻫﺎي ﻣﺨﺘﻠﻒ ﻛﻪ در ﻧﻘﺎط ﻧﻤﻮﻧﻪ اي در‬

‫ﻣﻘﺪار )⋅( ‪ Z‬را در ﻧﻘﻄﻪ ‪ t 0‬ﺑﻪ ﺻﻮرت‬ ‫ﻫﻤﺴﺎﻳﮕﻲ ‪ t 0‬ﻗﺮار دارﻧﺪ ﻫﺮ ﻣﺘﻐﻴﺮ ﺑـﺮ اﺳـﺎس ﻣﺠﻤﻮﻋـﻪ اي از ﻧﻤﻮﻧـﻪ‬

‫‪SI‬‬
‫) ‪Z (t i‬‬ ‫ﻫـــﺎﻳﻲ ﺑـــﺎ ﺣﺠـــﻢ ‪ ni‬ﺑـــﻪ ﺻـــﻮرت ﭘـــﻴﺶ ﺑﻴﻨـــﻲ ﻛﻨﻨـــﺪه‬
‫‪∑ ( (h‬‬ ‫)‬
‫)‪i 0 − s‬‬
‫∧‬ ‫‪p‬‬
‫∧‬ ‫‪N‬‬ ‫‪ni‬‬
‫= ) ‪Z (t 0‬‬ ‫‪i = 1, K , n‬‬ ‫) ‪Z 1 (t 0 ) = ∑∑ w ji Z i (t j‬‬
‫‪i‬‬
‫‪,‬‬
‫‪1‬‬
‫‪∑i (h − s) p‬‬
‫(‬ ‫)‬ ‫ﺗﻌﺮﻳــﻒ ﻣــﻲ ﺷــﻮد‪ ،‬ﻛــﻪ در آن‬ ‫‪i =1 j =1‬‬
‫‪of‬‬
‫‪i0‬‬
‫اﻧﺪﻳﺲ ‪ 1‬در اﻳﻦ ﭘﻴﺶ ﺑﻴﻨﻲ اﺷﺎره ﺑﻪ ﻣﺘﻐﻴﺮ او‪‬ل از ﻣﺠﻤﻮﻋـﻪ ‪ N‬ﻣﺘﻐﻴـﺮ‬
‫ﭘﻴﺶ ﺑﻴﻨـﻲ ﻣـﻲ ﻛﻨـﺪ‪ .‬ﻛـﻪ در آن ‪ hi 0‬ﻓﺎﺻـﻠﻪ ﺑـﻴﻦ دو ﻣﻮﻗﻌﻴـﺖ ‪t 0‬‬
‫دارد و آن را ﻣﻲﺗﻮان از ‪ 1‬ﺗﺎ ‪ N‬ﺗﻐﻴﻴﺮ داد‪ .‬در اﻳﻨﺠﺎ ﻫﻢﻛﺮﻳﮕﻴﺪن ﺑﺮاي‬
‫و ‪ t i , s‬ﺿﺮﻳﺐ ﻫﻤﻮاري و ‪ p‬ﺗﻮان وزن اﺳﺖ‪ .‬ﻣﻌﻤﻮﻻ" ‪ p‬ﻣﻘـﺎدﻳﺮي را‬ ‫ﻣﺘﻐﻴﺮ اول ﺷﺮح داده ﻣﻲﺷﻮد‪ .‬در ﭼﺎرﭼﻮب ﻓـﺮض ذاﺗـﻲ ﻣـﻲ ﺧـﻮاﻫﻴﻢ‬
‫ﺑﻴﻦ ‪ 1‬ﺗﺎ ‪ 5‬اﺧﺘﻴﺎر ﻣﻲﻛﻨﺪ‬
‫‪ive‬‬

‫ﻣﻘﺪاري ﺧﺎص از ﻣﺠﻤﻮﻋﻪ ‪ N‬ﻣﺘﻐﻴﺮ را ﺑﺮ اﺳﺎس ﻓﺮض ﻧﺎارﻳﺒﻲ ﭘـﻴﺶ‬

‫اﮔﺮ ‪ ) hi 0‬ﻓﺎﺻﻠﻪ ﺑﻴﻦ ‪ t i‬و ‪ ( t 0‬ﻛﻮﭼﻚ ﺑﺎﺷﺪ وزن ﺑﻴﺸﺘﺮي ﺑﻪ‬
‫) ‪ Z (t i‬در ﭘﻴﺶ ﺑﻴﻨﻲ ) ‪ Z (t 0‬داده ﻣﻲ ﺷﻮد )ﻣﻘﺪار ‪ p‬ﺑﺰرگ اﻧﺘﺨﺎب‬
‫ﻣﻲ ﺷﻮد(‪ .‬در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ‪ p‬ﻛﻮﭼﻚ اﻧﺘﺨﺎب ﻣـﻲ ﺷـﻮد‪.‬ﺿـﺮﻳﺐ ‪،s‬‬
‫‪ch‬‬
‫ﺑﻴﻨﻲ ﻛﻨﻴﻢ‪ .‬اﻳﻦ ﺷﺮط ﺑﺎ اﻧﺘﺨﺎب وزنﻫﺎﻳﻲ ﻛﻪ ﻣﺠﻤﻮﻋﺸﺎن ﺑﺮاي ﻣﺘﻐﻴـﺮ‬
‫ﻣﻮرد ﻧﻈﺮ ﺑﺮاﺑﺮ ‪ 1‬و ﺑﺮاي ﻣﺘﻐﻴﺮﻫﺎي ﻛﻤﻜﻲ ﺑﺮاﺑﺮ ﺻﻔﺮ ﺑﺎﺷـﺪ ﺑـﻪ دﺳـﺖ‬
‫ﻣﻲآﻳﺪ‪ .‬ﻳﻌﻨﻲ‪:‬‬

‫‪ni‬‬
‫‪⎧1,‬‬ ‫‪i =1‬‬
‫ﺗﺄﺛﻴﺮ ﻧﻘﺎط اوج را روي ﭘﻴﺸﮕﻮ ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ‪ .‬در ﺗﺤﻘﻴﻖ ﻣﺎ ﺑﺎ ﺑﺮرﺳـﻲ‬
‫‪∑w‬‬ ‫‪ij‬‬ ‫⎨ = ‪= δ i1‬‬
‫اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ‪ s = 0‬و ‪ p = 2‬اﺧﺘﻴﺎر ﺷﺪه اﺳﺖ‪.‬‬
‫‪j =1‬‬ ‫‪⎩0,‬‬ ‫‪o.w‬‬

‫ﭘﻬﻨﻪ ﺑﻨﺪي ﻣﻘﺪار رﻳﺰش ﺑﺎران ﺑﺮاي ﺳﻄﺢ ﻛﻞ ﻛﺸﻮر‪ ،‬ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﻪ‬
‫‪Ar‬‬

‫اﮔﺮ ﺷﺮط ﻓﻮق را روي ﻣﻴﺎﻧﮕﻴﻦ ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻪ ﻛﺎر ﮔﻴﺮﻳﻢ ﻧﺎارﻳﺒﻲ ﭘﻴﺸﮕﻮ‬
‫روش ﻛﺮﻳﮕﻴﺪن‪ ،‬ﻫﻢ ﻛﺮﻳﮕﻴﺪن و ﻋﻜﺲ ﻓﺎﺻﻠﻪ ﻣﻮزون در)ﺷـﻜﻞ ﻫـﺎي‬
‫ﺣﺎﺻﻞ ﻣﻲ ﺷﻮد‪ .‬ﻫﻤﭽﻨﻴﻦ وارﻳﺎﻧﺲ ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﻋﺒﺎرت اﺳﺖ از ‪:‬‬
‫ﺷﻤﺎرة‪13،14‬و ‪(15‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪ .‬ﻫـﺮ رﻧـﮓ روي ﻧﻘـﺸﻪ‪،‬ﻧﻤﺎﻳﺶ‬
‫‪N‬‬ ‫‪ni‬‬
‫ﻧﻘﺎﻃﻲ از ﻛﺸﻮر اﺳـﺖ ﻛـﻪ داراي ﻣﻘـﺪار رﻳـﺰش ﺑـﺎران ﻳﻜـﺴﺎن ﻫـﺴﺘﻨﺪ‪.‬‬
‫} ‪σ E2 = E{( ∑ ∑ wij Z i (t j ) − Z 1 (t 0 )) 2‬‬
‫راﻫﻨﻤﺎي ﻫﺮ رﻧﮓ در ﻛﻨﺎر ﺳﻤﺖ راﺳﺖ ﻧﻤﻮدارﻫﺎ ﻣﻴﺰان رﻳـﺰش ﺑـﺎران را‬ ‫‪i =1 j =1‬‬

‫ﻧﺸﺎن ﻣﻲدﻫﺪ‪ .‬ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ ﻣﻘﺎدﻳﺮ ﭘﻴﺶ ﺑﻴﻨﻲ رﻳﺰش ﺑﺎران ﺑﺮ ﺣـﺴﺐ‬ ‫ﻛﻪ ﺑﺎ ﻣﻘﺪاري ﺳﺎده ﺳﺎزي و ﺳﭙﺲ ﻛﻤﻴﻨﻪ ﻛﺮدن آن ﻧﺴﺒﺖ ﺑـﻪ وزنﻫـﺎ‬
‫ﻣﻴﻠﻴﻤﺘﺮ روي ﻧﻘﺸﻪﻫﺎ )ﺷﻜﻞﻫﺎي ‪ 14 ،13‬و ‪ ،(15‬ﻣﻘﺎدﻳﺮ ﻋﻜﺲ ﺗﺒـﺪﻳﻞ‬ ‫ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﺷﺮط ﻧﺎارﻳﺒﻲ دﺳﺘﮕﺎه ﻣﻌﺎدﻻت ﻫﻢ ﻛﺮﻳﮕﻴﺪن ﻋﺎدي ﺑﻪ‬
‫ﻫﺴﺘﻨﺪ‪) .‬ﺷﻜﻞ ﻫﺎي ﺷﻤﺎرة ‪ 16‬و ‪(17‬ﭘﻬﻨﻪ ﺑﻨﺪي اﻧﺤﺮاف ﻣﻌﻴـﺎر )دﻗـﺖ(‬ ‫ﺻﻮرت زﻳﺮ ﺣﺎﺻﻞ ﻣﻲﺷﻮد‪:‬‬
‫‪⎧ N nk‬‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻘﺪار رﻳﺰش ﺑﺎران را ﺑﺮاي ﺳﻄﺢ ﻛﻞ ﻛﺸﻮر‪ ،‬ﺑـﻪ ﺗﺮﺗﻴـﺐ ﺑـﻪ‬ ‫‪⎪ ∑ ∑ w lk γ ik ( t j − t l ) + m i = γ i 1 ( t j − t 0 ), i = 1, K , N , j = 1, K , n i‬‬
‫‪⎪ k =1 l =1‬‬
‫‪⎨ ni‬‬
‫روش ﻛﺮﻳﮕﻴﺪن و ﻫﻢ ﻛﺮﻳﮕﻴﺪن ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﺪ‪ .‬ﺗﻮﺟﻪ ﺷﻮد ﻛـﻪ ﭘﻬﻨـﻪ‬ ‫⎪‬
‫∑ ⎩⎪‬
‫‪w li = δ i1 , i = 1, K , N‬‬
‫‪l =1‬‬
‫ﺑﻨﺪي اﻧﺤﺮاف ﻣﻌﻴﺎر ﺑﺮاي روش ﻋﻜﺲ ﻓﺎﺻـﻠﻪ ﻣـﻮزون ﻗﺎﺑـﻞ ﻣﺤﺎﺳـﺒﻪ‬
‫و ﻫﻤﭽﻨﻴﻦ وارﻳﺎﻧﺲ ﻫﻢﻛﺮﻳﮕﻴﺪن ﺑﻪ ﺻﻮرت‬
‫ﻧﻴﺴﺖ‪.‬‬

‫‪www.SID.ir‬‬
‫‪37‬‬ ‫ﭘﻬﻨﻪ ﺑﻨﺪي و ﺗﺤﻠﻴﻞ ﻓﻀﺎﻳﻲ ﺑﺎرش اﻗﻠﻴﻤﻲ اﻳﺮان‬

‫‪D‬‬
‫ﺷﻜﻞ ﺷﻤﺎرة)‪:(13‬ﺧﻄﻮط ﻫﻤﺘﺮاز ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻪ روش ﻫﻢﻛﺮﻳﮕﻴﺪن‬

‫‪SI‬‬
‫‪of‬‬
‫‪ive‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪: (14‬ﺧﻄﻮط ﻫﻤﺘﺮاز ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻪ روش ﻛﺮﻳﮕﻴﺪن‬

‫‪ch‬‬
‫‪Ar‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة) ‪:(15‬ﺧﻄﻮط ﻫﻤﺘﺮاز ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻪ روش ﻋﻜﺲ ﻓﺎﺻﻠﺔ ﻣﻮزون‬

‫‪www.SID.ir‬‬
 ‫ﻣﺤﻴﻂ ﺷﻨﺎﺳﻲ ﺷﻤﺎرة‪43‬‬ ‫‪38‬‬

‫‪D‬‬
‫‪SI‬‬
‫ﺷﻜﻞ ﺷﻤﺎرة )‪ :(16‬ﺧﻄﻮط ﻫﻤﺘﺮاز اﻧﺤﺮاف ﻣﻌﻴﺎرﻛﺮﻳﮕﻴﺪن‬
‫‪of‬‬
‫‪ive‬‬
‫‪ch‬‬
‫‪Ar‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة )‪:(17‬ﺧﻄﻮط ﻫﻤﺘﺮاز اﻧﺤﺮاف ﻣﻌﻴﺎر ﻫﻢ ﻛﺮﻳﮕﻴﺪن‬

‫ﻧﻤﻮدارﻫﺎي اﻋﺘﺒﺎرﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ)ﺷﻜﻞ ﻫﺎي ﺷﻤﺎرة ‪ 20 ،19‬و ‪(21‬ﻣﻲ‬ ‫ﺑﺤﺚ و ﻧﺘﻴﺠﻪ ﮔﻴﺮي‬
‫ﺗﻮان ﺑﺮﺗﺮي روش ﻫﻢ ﻛﺮﻳﮕﻴﺪن را ﻧـﺴﺒﺖ ﺑـﻪ ﻛﺮﻳﮕﻴـﺪن و ﻛﺮﻳﮕﻴـﺪن را‬ ‫ﺧﻄﻮط ﻫﻤﺘﺮاز ﭘﻴﺶ ﺑﻴﻨـﻲ ﻣﻴـﺰان ﺑـﺎرش ﺑـﻪ روش ﻫـﻢﻛﺮﻳﮕﻴـﺪن‪،‬‬
‫ﻧﺴﺒﺖ ﺑﻪ ﻋﻜﺲ ﻓﺎﺻﻠﺔ ﻣﻮزون ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ‪.‬‬ ‫ﻛﺮﻳﮕﻴﺪن و ﻋﻜﺲ ﻓﺎﺻﻠﺔ ﻣﻮزون ﺑﻪ ﺗﺮﺗﻴﺐ درﺷﻜﻞ ﻫﺎي ﺷﻤﺎرة )‪14،13‬و‬
‫در ﺗﻔﺴﻴﺮ ﻧﻤﻮدارﻫﺎي اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻣﻲﺗـﻮان ﮔﻔـﺖ ﻛـﻪ در) ﻧﻤـﻮدار‬ ‫‪(15‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ اﺳﺖ‪.‬ﺷﻜﻞ ﻫﺎي ﺷﻤﺎرة)‪ 16‬و ‪(17‬ﺧﻄﻮط ﻫﻤﺘﺮاز‬
‫ﺷﻤﺎرة ‪(19‬ﻣﺮﺑﻮط ﺑﻪ ﻫﻢﻛﺮﻳﮕﻴﺪن‪ ،‬ﺧﻂ رﮔﺮﺳﻴﻮن از ﻧﻴﻤـﺴﺎز رﺑـﻊ اول ﺑـﺎ‬ ‫اﻧﺤﺮاف ﻣﻌﻴﺎر ﻛﺮﻳﮕﻴﺪن و ﻫﻢ ﻛﺮﻳﮕﻴﺪن را ﻧﻤﺎﻳﺶ ﻣﻲدﻫـﺪ‪ .‬ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ‬
‫ﺿﺮﻳﺐ زاوﻳﻪ ﻳﻚ ﮔﺬﺷـﺘﻪ اﺳـﺖ‪ ،‬وﻟـﻲ در)ﻧﻤـﻮدار ﺷـﻤﺎرة‪(20‬ﻣﺮﺑـﻮط ﺑـﻪ‬ ‫ﺧﻄﺎي ﻣﻌﻴﺎر ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﻢﻛﺮﻳﮕﻴﺪن‪ ،‬ﻛﺮﻳﮕﻴﺪن وﻋﻜﺲ ﻓﺎﺻﻠﺔ ﻣﻮزون ﻛـﻪ‬
‫ﻛﺮﻳﮕﻴﺪن و )ﻧﻤﻮدار ﺷﻤﺎرة‪ (21‬ﻣﺮﺑـﻮط ﺑـﻪ ﻋﻜـﺲ ﻓﺎﺻـﻠﺔ ﻣـﻮزون‪ ،‬ﺧـﻂ‬ ‫ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺮاﺑﺮ ‪ 0/087 ، 0/082‬و ‪ 0/105‬ﻫﺴﺘﻨﺪ و ﻫﻤﭽﻨﻴﻦ ﺑﺎ ﻣﺸﺎﻫﺪه‬

‫‪www.SID.ir‬‬
 ‫‪39‬‬ ‫ﭘﻬﻨﻪ ﺑﻨﺪي و ﺗﺤﻠﻴﻞ ﻓﻀﺎﻳﻲ ﺑﺎرش اﻗﻠﻴﻤﻲ اﻳﺮان‬

‫رﮔﺮﺳﻴﻮن ﺑﺎ ﺧﻂ ﻓﺮﺿﻲ ﻛﻪ دﻗﻴﻘﺎ" از ﻧﻴﻤﺴﺎز رﺑﻊ اول ﺑﺎ ﺷﻴﺐ ﻳـﻚ ﻣـﻲ‪-‬‬

‫ﮔﺬرد)ﺧﻂ ﻓﺮﺿﻲ ﺑﺎ ﻧﻘﻄﻪ ﭼﻴﻦ ﻣﺸﺨﺺ ﺷﺪه اﺳﺖ(‪ ،‬ﻓﺎﺻﻠﻪ دارﻧﺪ‪ .‬ﺷـﺎﻳﺎن‬
‫ذﻛﺮ اﺳﺖ‪ ،‬ﭼﻮن ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ‪) TRP‬ﻣﺘﻐﻴﺮ واﺑـﺴﺘﻪ( و ‪) THA‬ﻣﺘﻐﻴـﺮ‬
‫ﻛﻤﻜﻲ( ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﻂ رﮔﺮﺳﻴﻮن )ﺷﻜﻞ ﺷﻤﺎرة ‪ (18‬ارﺗﺒﺎط ﺿﻌﻴﻔﻲ وﺟﻮد‬
‫دارد) ‪ ،( R = 0.038‬درﻋﻤﻞ ﺗﻔﺎوت زﻳﺎدي در دﻗﺖ ﻫـﻢ ﻛﺮﻳﮕﻴـﺪن و‬
‫‪2‬‬

‫ﻛﺮﻳﮕﻴﺪن دﻳﺪه ﻧﻤﻲﺷﻮد‪.‬‬

‫‪D‬‬
‫‪SI‬‬
‫‪of‬‬
‫ﺷﻜﻞ ﺷﻤﺎرة)‪ :(20‬ﻧﻤﻮدار اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ﺑﻪ روش‬
‫‪ive‬‬

‫ﻛﺮﻳﮕﻴﺪن‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪ :(18‬ﺧﻂ رﮔﺮﺳﻴﻮن ﺑﻴﻦ ‪ TRP‬و ‪THA‬‬

‫‪ch‬‬
‫‪Ar‬‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪ :(21‬ﻧﻤﻮدار اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ﺑﻪ روش ﻋﻜﺲ‬

‫ﺷﻜﻞ ﺷﻤﺎرة)‪ : (19‬ﻧﻤﻮدار اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﻣﺘﻘﺎﺑﻞ ﺑﻪ روش ﻫﻢ‬
‫ﻓﺎﺻﻠﻪ ﻣﻮزون‬
‫ﻛﺮﻳﮕﻴﺪن‬

‫‪www.SID.ir‬‬
 43‫ﻣﺤﻴﻂ ﺷﻨﺎﺳﻲ ﺷﻤﺎرة‬ 40

Matheron, G. 1963. Principles of eostatistics. ‫ﻳﺎدداﺷﺖﻫﺎ‬

Economic Geology.
1-Geostatistics
Pardo-Iguzquiza, E.1998. Comparison of 2-Kriging
Geostatistical Methods for Estimating the Arial 3-Co-Kriging
Average Climatological Rainfall Mean using 4-Inverse-Distance Weighted
Data on precipitation and topography, Int. J. 5-Thissen Polygon
Climatology, V18, P. 1031-1047. 6-Explorating Data Analysis
7-Isotropic

D
Stone, .M.1974. Cross-Validity Choice and 8-Box-Cox Transformation
9-Shapiro-Wilk Statistic
Assessment of Statistical Predictions. Journal of
10-Variogram Cloud
the Royal Statistical Society B, 36, 111-133.

SI
11-Cross-Variogram
12-Cross-Validation
Wackernagel, H.1998.Multivariate eostatistics,
2nd.edn,Berlin,Sprin ‫ﻣﻨﺎﺑﻊ ﻣﻮرد اﺳﺘﻔﺎده‬
‫ ﺗﺤﻠﻴـﻞ ﻓـﻀﺎﻳﻲ در اﻗﻠـﻴﻢ‬.1378. ‫ر‬.‫ م‬،‫ ﻣـﺸﻜﺎﻧﻲ‬،‫ م‬.‫ س‬،‫رﻛﻦ اﻟﺴﺎداﺗﻲ‬
of
‫ ﭘﺎﻳﺎن ﻧﺎﻣﺔ ﻛﺎرﺷﻨﺎﺳﻲ ارﺷﺪ داﻧﺸﮕﺎه ﺷﻬﻴﺪ ﺑﻬﺸﺘﻲ‬،‫ﺷﻨﺎﺳﻲ‬

Cressie, A.C.1993. Statistics for Spatial Data,

rev. Edn John Wily and Sons. Inc.
ive

Geiser, S.1975. The Prediction Sample Reuse

method with applications. Journal of the
American statistical Association, 70, 320-328.
ch

Madansky, A. 1988. Prescriptions for Working

Statistions, Springer-Verlag.
Ar

www.SID.ir