پیش‌بینی مقادیر پارامترهای کیفی ec و tds با استفاده از تغییرات دبی جریان رودخانه مطالعه موردی رودخانه های مهاباد چای و بالخلوچای (بایزید آباد) حوضه آبریز دریاچه ارومیه 1392-1371

مقدمه :  بیش از سه دهه است که هیدرولوژیست ‌ها، استفاده از مدل‌های چندمتغیره را جهت توصیف و مدل‌سازی داده‌ های پیچیده هیدرولوژی توصیه می‌ کنند، درحالی که به تازگی اهمیت مدل‌ های چند متغیره در آب‌شناسی مطرح شده است. در واقع در مدل‌ های چند متغیره با دخالت دادن عوامل موثر دیگر، می‌توان نتایج توصیف، مدل‌ سازی و پیش‌بینی پارامترهای مختلف را بهبود بخشید.  مواد و روش‌ها: در این مطالعه، مدل‌ های چند ‌متغیره خود همبسته با میانگین متحرک هم‌زمان آرما (کارما) جهت مدل‌سازی پارامترهای ec و tds ایستگاه‌ های جنوب دریاچه ارومیه مورد ارزیابی قرار گرفت. جهت استفاده از مدل‌ های کارما، از سری زمانی دبی سالانه، مقادیر ec، tds، sar و ph مربوط به سه ایستگاه هیدرومتری کوتر، بالقچی و گردیعقوب در دوره آماری (1392-1371) استفاده شد.  یافته ها:  نتایج بررسی روند تغییرات پارامترهای کیفی رودخانه‌ های غرب حوضه دریاچه ارومیه نشان داد که در دوره آماری مورد بررسی روند دبی رودخانه‌ های مورد مطالعه در جنوب دریاچه ارومیه کاهشی بوده و در مقابل مقادیر ec و tds روندی افزایشی را تجربه کرده ‌اند. بر اساس نتایج مدل‌سازی مقادیر ec و tds، میزان متوسط خطا (rmse) در مدل‌ سازی مقادیر ec در مرحله آموزش برابر باmho/cm  16/60 و در مرحله آزمایش  mho/cm 13/26 و برای مقادیر پارامتر tds در مرحله آموزش برابر با 19/84 و در مرحله آزمایش 12/71 بود. مقادیر برآورد شده از محاسبه خطا و دقت مدل تماماً در محدوده اطمینان واقع شدند. نتیجه گیری :  در واقع می‌توان چنین نتیجه‌گیری کرد که در روش‌های مدل‌سازی چند ‌متغیره با در نظر گرفتن عوامل موثر بیشتر، می‌توان دقت مدل‌ های سری زمانی و نتایج حاصل از آنها را ارتقاء داد.

Prediction of EC and TDS quality parameters by using changes in River discharge. Case Study: Rivers of Mahabadchay and Balkhlouchay (Bayazid e) located in urmia lake basin (19922013).

Introduction : More than three decades, hydrologists , using multivariate models to describe complex data modeling. While recently the importance of multivariate models have been proposed in hydrology.Indeed, the results of multivariate models can improve the results of description, modeling, and prediction of different parameters by involving other influential factors. Methods: In this study, univariate models (ARMA) and autocorrelated multivariate models with simultaneous autoregressive moving average model (CARMA) were evaluated for modeling EC and TDS parameters of the Southern stations of Urmia Lake Basin. In order to employ CARMA models, annual flow rate timeseries, EC, TDS, SAR, and pH values measured across 3 hydrometric stations (Kotar Balqchy Gerdyaghob ) within 19922013 were used. Findings: The results of the qualitative parameters of the West River basin of Lake Urmia Showed that in the period under review the flow of the studied rivers in the south of Lake Urmia decrease And the EC and TDS values ​​have experienced an increasing trend. EC and TDS values ​​modeling results showed that the average error (RMSE) EC in modeling values ​​equal to 16/60 mho / cm into the teaching and 13/26 mho / cm in the testing phase and for the TDS parameter values 19/84 and 12/71 in the testing phase is the phase of training. The estimated values ​​of the calculation error and accuracy of the model is located entirely within the confidence interval. Conclusion: The results of multivariate modeling EC and TDS values ​​showed that the involvement of the parameters listed in the model , modeling accuracy will be satisfactory.