3-5-2-1-کوهپایه

این واحد توپوگرافی حدفاصل بین دشت و نواحی کوهستانی را تشکیل می دهد و با وسعت کم وبیش متغییر در پای تمام نواحی کوهستانی قابل مشاهده است. بخش عمده­ای از این اراضی به کشت انواع محصولات دیم اختصاص یافته است.

 

3-5-2-2-دشت­ها

مهمترین دشت­های استان و ارتفاع آن­ها از سطح دریا به شرح زیر می باشد:

دشت کنگاور: به وسعت تقریبی 363 کیلومتر مربع وارتفاع 1500متر از سطح دریا، دشت صحنه و بیستون به وسعت تقریبی 460 مترمربع و ارتفاع 1400متر از سطح دریا، دشت کرمانشاه به وسعت تقریبی 1100مترمربع وارتفاع 1350 متر از سطح دریا، دشت ماهیدشت، سنجابی و روانسر با وسعت تقریبی 1650کیلومترمربع ( بزرگترین دشت کرماشاه) و ارتفاع 1400متر از سطح دریا، دشت حسن آباد با وسعت تقریبی 250 کیلومتر مربع و ارتفاع 1450 متر از سطح دریا، دشت اسلام آباد با وسعت تقریبی 460 کیلومترمربع و ارتفاع 1300متر از سطح دریا، دشت کرند با وسعت تقریبی 100 کیلومتر مربع و ارتفاع 1500متر از سطح دریا، دشت ذهاب با وسعت تقریبی 170کیلومتر مربع و ارتفاع 550 متر از سطح دریا، دشت دینور در شمال دشت بیستون با وسعت تقریبی 200 کیلومترمربع و ارتفاع 1350 متر از سطح دریا، دشت سنقر با وسعت تقریبی260 کیلومتر مربع و ارتفاع 1750 متر از سطح دریا، در مورد سایر دشت­های کوچکتر می توان از تالان دشت در 50 کیلومتری جنوب غربی شهر کرمانشاه، دشت بیونیج در شمال کرند، دشت دیره در جنوب سرپل ذهاب، دشت گیلانغرب، دشت سرقلعه در شمال غربی سرپل ذهاب، دشت هرسین، دشت سومار و دشت حر در غرب جوانرود نام برد. (سالنامه آماری استان، 1387)

3-6-آب و هوا

3-6-1- بارش

بارندگی یکی از مهم­ترین عوامل تعیین کننده اقلیم  و چرخه آب در منطقه می­باشد و اگر بخواهیم آن را در یک عبارت ساده تعریف کنیم اصطلاحاً به کلیه نزولات جوی، بارندگی می­گویند. بارندگی­های استان کرمانشاه عمدتاً متأثر از سیستم­های باران­زای مهاجر مدیترانه  و به میزان کمتر در بخش شمالی آن ناشی از کم فشارهای دریای سیاه است. در بخشهای جنوبی استان، مراکز کم فشار سودانی نیز منشأ بارندگی­های  به مراتب کمتر نسبت به دو منشأ ذکر شده در بالا است. ریزشهای جوی استان عمدتاً به صورت باران است ولی در مناطق سردسیر ریزش­های جوی استان عمدتاً به صورت باران ولی در مناطق سردسیر ریزش­های جامد جوی نیز سهم مهمی را درجمع ریزش­های سالانه دارند.

 

جدول 3-2-میانگین بارش سالانه ایستگاههای مورد مطالعه

 

کنگاور

 

سرپل ذهاب

 

روانسر

 

اسلام آباد

 

کرمانشاه

 

ایستگاه

 

64/381

 

9/415

 

7/510

 

37/453

 

3/440

 

بارندگی سالانه(mm)

منبع (نگارنده)

 

درجدول 3-2 مشاهده می شود که کم باران ترین ایستگاه کنگاور با64/381 میلیمتر و پرباران ترین آن مربوط به ایستگاه روانسر با 7/510 میلیمتر است.

 

 

 

جدول3-3-میانگین مجموع بارندگی ماهانه (میلیمتر) ایستگاههای مورد مطالعه

اسفند

 

اسفند

بهمن

 

بهمن

دی

 

دی

آذر

 

آذر

آبان

 

آبان

مهر

 

مهر

شهریور

 

شهریور

 

مرداد

 

مرداد

تیر

 

تیر

خرداد

 

خرداد

اردیبهشت

 

اردیبهشت

فروردین

 

 

فروردین

ماه

ایستگاه

6/62 2/58 3/57 55 3/60 5/13 8/1 33/. 62/0 9/2 9/39 6/57 کرمانشاه
7/71 1/76 3/63 2/67 7/64 7/9 2 17/0 72/0 7/1 6/35 5/60 اسلام آباد
4/80 7/85 2/68 7/71 4/65 7/10 1 07/0 54/0 6/4 9/45 4/76 روانسر
6/64 2/70 5/66 8/64 6/56 1/5 47/0 05/0 36/0 48/0 8/26 6/59 سرپل ذهاب
51 9/55 2/45 6/52 3/64 4/6 98/0 2/0 2/1 5/4 41 9/57 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 7/85 و حداقل آن در ایستگاه سرپل ذهاب با 05/0 مشاهده می شود.

شکل3-3- نمودار میانگین ماهانه بارش (میلیمتر) ایستگاههای مورد مطالعه

 

 

3-6-2- دما

از بررسی آمار و اطلاعات هواشناسی در منطقه چنین استنباط می شود که در سطح منطقه دمای سالانه از 5/1 درجه سلسیوس برای دمای تا 7/26 درجه سلسیوس برای تیر ماه متغییر است. دمای فروردین ماه در ایستگاه کرمانشاه 1/12 در جه سلسیوس تا مهر ماه دما بیش از میانگین سالانه است، به عبارت دیگر شش ماه از سال دما بالاتر از 7/13 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 2/25 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 2/25 درجه سلسیوس را به وجود می آورد.

 

3-6-3- توده­های هوای موثر بر منطقه

3-6-3-1- 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.

 

3-6-3-2-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، 28:1374)

 

3-6-3-3-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.

 

3-6-3-4-کم فشار سودانی

توده­های سودانی که از افریقا و دریای سرخ  می­آید و از سمت جنوب غربی وارد استان کرمانشاه می­شود. این توده تأثیرات متفاوتی بر استان کرماشاه دارد. در فصل سرد سال باعث ریزش­های جوی می­شود، درفصل بهار وتابستان باعث ایجاد گردو غبار در سطح استان (بویژه مناطق غربی) می­شود که درصورت وجود رطوبت باعث ریزش باران­های گلی می­شود.

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 می­کند و طوفان­های گرد وغباری را به وجود می­آورد، ناشی از توده های هوای سودانی است. (بیگلری89:1386)

 

 

 

 

 

فصل چهارم

مواد و روش پژوهش

 

 

 

 

 

 

4-1- 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.

 

4-2مدل­های ARIMA  

برای استفاده از مدل­های ARIMA، لازم است که سری­های مدل سازی شده ایستا باشند. منظور از ایستا (ثبات) آن است که متوسط فرآیند در طول زمان تغییر نکند.

دلیل اینکه فرآیند باید ثابت باشد آن است که هر روندی که وجود دارد تمایل دارد به اینکه یک خودهمبستگی جعلی را در داده­ها وارد کند و در نتیجه الگوی خودهمبستگی مخفی بماند. روشی که سبب حذف روندی می­شود که سبب فرآیند 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 می­شود. 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 می­شود. 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، 368:1381 )

 

4-2-1- 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 50 مشاهده در اختیار داشته باشیم تا به طور رضایت بخش مدل مناسب را تشخیص دهیم. وسیله مهمی که در فرآیند  تشخیص مورد استفاده قرار می­گیرد، تابع  خود همبستگی است. در واقع تابع خود همبستگی تئوریک نامعلوم است و باید به وسیله­ی تابع خود همبستگی نمونه تخمین زده شود. تابع خود همبستگی جزئی همچنین ثابت می­کند 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 می­شود. 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، 1373: 283)

 

4-2-1-1- 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 می­شود. مدل­های ARIMA  قادرند روندهای قطعی و تصادفی را به خوبی نمایش دهند. تحلیل سری­های زمانی به وسیله­ی مدل­های مزبور به طور عملی و نظری از زمان آغاز کار اصلی باکس – جنکینز ( 1960 ) ( 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 می­شود. 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 می­شود. q نیز مرتبه­ی میانگین متحرک را معلوم می­سازد. که به وسیله­ی آن وابستگی سری­های اقلیمی به عنصر تصادفی حال ( و با حال و گذشته­اش ) تعریف می­شود. (نیرومند، 52:1376 )

4-2-2-  مدل­های مرکب (اتورگرسیو و میانگین متحرک) ARIMA

روشی که هم از تکنیک اتورگرسیو و هم میانگین متحرک برای پیش بینی استفاده می­کنند 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 می­شود. 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 فرآیند 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 (0 و 2)ARIMA به صورت زیر است.

یا مدل (1و1) 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 می­شود. تفاوت­های اوّل به صورت زیر تعریف می­شوند.

تفاوت­های دوم به صورت زیر تعریف می­شوند.

بعد از آنکه سری­های ایستا ( ) به دست آمدند، برمبنای آن­ها عمل پیش بینی صورت می­گیرد. سپس پیش بینی برای سری­های اصلی با حل معادلات تفاوت برای  صورت می­گیرد. گاهی اوقات  است، این مطلب بدان معناست که سری­های اصلی ایستا هستند، امّا این امر در عمل به ندرت اتفاق می­افتد. (فرشاد فر، 263:1381)

دسته‌ها: دسته‌بندی نشده