2175

ﺟﻤﻬﻮری اﺳﻼﻣﯽ اﯾﺮان ﻣﻌﺎوﻧﺖ ﺑﺮﻧﺎﻣﻪ رﯾﺰی و ﻧﻈﺎرت راﻫﺒﺮدی ﯾﯿﺲ ر ﺟﻤﻬﻮر راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻧﺸﺮﯾﻪ ﺷﻤﺎره 585 ﻣﻌﺎوﻧﺖ ﻧﻈﺎرت راﻫﺒﺮدی وزارت ﻧﯿﺮو اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ دﻓﺘﺮ ﻣﻬﻨﺪﺳﯽ و ﻣﻌﯿﺎرﻫﺎی ﻓﻨﯽ آب و آﺑﻔﺎ 1391 اﺻﻼح ﻣﺪارک ﻓﻨﯽ ﺧﻮاﻧﻨﺪه ﮔﺮاﻣﯽ اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ ﻣﻌﺎوﻧﺖ ﺑﺮﻧﺎﻣﻪ رﯾﺰی و ﻧﻈﺎرت راﻫﺒﺮدی رﯾﯿﺲ ﺟﻤﻬﻮر، ﺑﺎ اﺳﺘﻔﺎده از ﻧﻈﺮ ﮐﺎرﺷﻨﺎﺳـﺎن ﺑﺮﺟﺴـﺘﻪ ﻣﺒـﺎدرت ﺑـﻪ ﺗﻬﯿﻪ ی اﯾﻦ ﻧﺸﺮﯾﻪ ﮐﺮده و آن را ﺑﺮای اﺳﺘﻔﺎده ﺑﻪ ﺟﺎﻣﻌﻪ ی ﻣﻬﻨﺪﺳﯽ ﮐﺸﻮر ﻋﺮﺿﻪ ﻧﻤﻮده اﺳﺖ . ﺑﺎ وﺟﻮد ﺗﻼش ﻓﺮاوان، اﯾﻦ اﺛـﺮ ﻣﺼﻮن از اﯾﺮادﻫﺎﯾﯽ ﻧﻈﯿﺮ ﻏﻠﻂ ﻫﺎی ﻣﻔﻬﻮﻣﯽ، ﻓﻨﯽ، اﺑﻬﺎم، اﯾﻬﺎم و اﺷﮑﺎﻻت ﻣﻮﺿﻮﻋﯽ ﻧﯿﺴﺖ . از اﯾﻦ رو ، از ﺷﻤﺎ ﺧﻮاﻧﻨﺪه ی ﮔﺮاﻣﯽ ﺻﻤﯿﻤﺎﻧﻪ ﺗﻘﺎﺿﺎ دارد در ﺻﻮرت ﻣﺸﺎﻫﺪه ی ﻫﺮﮔﻮﻧـﻪ اﯾـﺮاد و اﺷـﮑﺎل ﻓﻨـﯽ ﻣﺮاﺗﺐ را ﺑﻪ ﺻﻮرت زﯾﺮ ﮔﺰارش ﻓﺮﻣﺎﯾﯿﺪ : 1 -ﺷﻤﺎره ی ﺑﻨﺪ و ﺻﻔﺤﻪ ی ﻣﻮﺿﻮع ﻣﻮرد ﻧﻈﺮ را ﻣﺸﺨﺺ ﮐﻨﯿﺪ . 2 -اﯾﺮاد ﻣﻮرد ﻧﻈﺮ را ﺑﻪ ﺻﻮرت ﺧﻼﺻﻪ ﺑﯿﺎن دارﯾﺪ . 3 -در ﺻﻮرت اﻣﮑﺎن ﻣﺘﻦ اﺻﻼح ﺷﺪه را ﺑﺮای ﺟﺎﯾﮕﺰﯾﻨﯽ ارﺳﺎل ﻧﻤﺎﯾﯿﺪ . 4 -ﻧﺸﺎﻧﯽ ﺧﻮد را ﺑﺮای ﺗﻤﺎس اﺣﺘﻤﺎﻟﯽ ذﮐﺮ ﻓﺮﻣﺎﯾﯿﺪ . ﮐﺎرﺷﻨﺎﺳﺎن اﯾ ﻦ دﻓﺘﺮ ﻧﻈﺮﻫﺎی درﯾﺎﻓﺘﯽ را ﺑﻪ دﻗﺖ ﻣﻄﺎﻟﻌﻪ ﻧﻤﻮده و اﻗﺪام ﻣﻘﺘﻀـﯽ را ﻣﻌﻤـﻮل ﺧﻮاﻫﻨـﺪ داﺷـﺖ . ﭘﯿﺸـﺎﭘﯿﺶ از ﻫﻤﮑﺎری و دﻗﺖ ﻧﻈﺮ ﺟﻨﺎﺑﻌﺎﻟﯽ ﻗﺪرداﻧﯽ ﻣﯽ .ﺷﻮد ﻧﺸﺎﻧﯽ ﺑﺮای ﻣﮑﺎﺗﺒﻪ : ﺗﻬﺮان، ﻣﯿﺪان ﺑﻬﺎرﺳﺘﺎن، ﺧﯿﺎﺑﺎن ﺻﻔﯽ ﻋﻠﯽ ﺷﺎه - ﻣﺮﮐﺰ ﺗﻠﻔﻦ33271 ﻣﻌﺎوﻧﺖ ﺑﺮﻧﺎﻣﻪ رﯾﺰی و ﻧﻈﺎرت راﻫﺒﺮدی رﯾﯿﺲ ﺟﻤﻬﻮر، اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ Email: web: ﺑﺴﻤﻪ ﺗﻌﺎﻟﯽ ﭘﯿﺸﮕﻔﺘﺎر ﺑﺮآورد ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ در ﺑﺴﯿﺎری از ﻣﻄﺎﻟﻌﺎت ﻫﻮاﺷﻨﺎﺳﯽ و ﻣﻨﺎﺑﻊ آب اﺟﺘﻨﺎب ﻧﺎﭘﺬﯾﺮ اﺳﺖ . وﻟﯽ ﺑﻪ دﻟﯿﻞ ﻋﺪم اﻣﮑـﺎن ﭘﻮﺷﺶ ﮐﺎﻣﻞ ﻣﻨﻄﻘﻪ ﺗﻮﺳﻂ اﯾﺴﺘﮕﺎه ﻫﺎی اﻧﺪازه ﮔﯿﺮی ﺑﺮآورد داده ﻫﺎی ﻧﻘﻄﻪ ای در ﻣﻨﺎﻃﻖ ﺑﯿﻦ اﯾﺴﺘﮕﺎه ﻫﺎ ﻣﻄﺮح ﻣﯽ ﮔﺮدد . ﺑﺮآورد ﺗﻐﯿﯿـﺮات ﻣﮑﺎﻧﯽ داده ﻫﺎی ﻧﻘﻄﻪ ای ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ ﭼﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ ﻣﯽ ﺗﻮاﻧﺪ از ﻋﻮاﻣﻞ ﻣﻬﻢ اﯾﺠﺎد ﺧﻄﺎ در ﺑﺮآورد و اﻧﺠـ ﺎم ﻣﻄﺎﻟﻌـﺎت آﺗﯽ واﺑﺴﺘﻪ ﺑﻪ آن ﺑﺎﺷﺪ . ﻟﺬا اﺳﺘﻔﺎده از ﻗﺎﺑﻠﯿﺖ ﻫﺎی ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ ﺑﻪ ﻣﻨﻈﻮر اﺳﺘﺨﺮاج ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫـﺎی ﻫﻮاﺷﻨﺎﺳـﯽ و ﻫﯿﺪروﻟﻮژﯾﮏ در ﻗﺎﻟﺐ ﺷﺒﮑﻪ ﻫﺎی ﺳﻠﻮﻟﯽ و ﯾﺎ ﻣﺪل ﻫﺎی ﺑﺮداری ﺿﺮوری ﻣﯽ ﮔﺮدد . ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻫﻤﯿﺖ ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﻋﻮاﻣـﻞ اﻗﻠﯿﻤـﯽ ﺑـﺎ اﺳﺘﻔﺎده ا ز داده ﻫﺎی ﻧﻘﻄﻪ ای ﻣﻮﺟﻮد، ﺗﻬﯿﻪ ﯾﮏ راﻫﻨﻤﺎ ﺟﻬﺖ اﻧﺘﺨﺎب ﺑﻬﺘﺮﯾﻦ روش ﺟﻬﺖ ﺗﻮزﯾﻊ ﻣﮑـﺎﻧﯽ ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ اﯾﻨﮑـﻪ ﯾـﮏ روش ﻋﻠﻤﯽ و ﺟﻬﺎﻧﯽ ﺟﻬﺖ ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﻫﺎی ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ وﺟﻮد ﻧﺪارد ﺑﯿﺶ ﺗﺮ اﺣﺴﺎس ﻣﯽ .ﺷﻮد ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻄﺎﻟﺐ ﻓﻮق، اﻣﻮر آب وزارت ﻧﯿﺮو در ﻗﺎﻟﺐ ﻃﺮح ﺗﻬﯿﻪ ﺿﻮاﺑﻂ و ﻣﻌﯿﺎرﻫﺎی ﻓﻨﯽ ﺻﻨﻌﺖ آب ﮐﺸﻮر، ﺗﻬﯿﻪ ﻧﺸﺮﯾﻪ » راﻫﻨﻤـﺎی روش یﻫﺎ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻫﺎ داده ی ﻧﻘﻄﻪ ای « را ﺑﺎ ﻫﻤﺎﻫﻨﮕﯽ اﻣﻮر ﻧﻈﺎم ﻓﻨـﯽ ﻣﻌﺎوﻧـﺖ ﺑﺮﻧﺎﻣـﻪ رﯾـﺰی و ﻧﻈـﺎرت راﻫﺒﺮدی رﯾﯿﺲ ﺟﻤﻬﻮر در دﺳﺘﻮر ﮐﺎر ﻗﺮارداد و ﭘﺲ از ﺗﻬﯿﻪ، آن را ﺑﺮای ﺗﺎﯾﯿﺪ و اﺑﻼغ ﺑﻪ ﻋﻮاﻣﻞ ذﯾﻨﻔﻊ ﻧﻈﺎم ﻓﻨﯽ اﺟﺮاﯾـﯽ ﮐﺸـﻮر ﺑـﻪ اﯾـﻦ ﻣﻌﺎوﻧﺖ ارﺳﺎل ﻧﻤﻮد ﮐﻪ ﭘﺲ از ﺑﺮرﺳﯽ، ﺑﺮاﺳﺎس ﻣﺎده23 ﻗﺎﻧﻮن ﺑﺮﻧﺎﻣﻪ و ﺑﻮدﺟﻪ و آﯾﯿﻦ ﻧﺎﻣﻪ اﺳﺘﺎﻧﺪاردﻫﺎی اﺟﺮاﯾﯽ ﻣﺼﻮب ﻫﯿـﺎت ﻣﺤﺘـﺮم وزﯾﺮان و ﻃﺒﻖ ﻧﻈﺎم ﻓﻨﯽ اﺟﺮاﯾﯽ ﮐﺸﻮر ) ﻣﺼﻮب 42339 / ت33497 ﻣﻮرخ20 /4/ 1385 ﻫﯿﺎت ﻣﺤﺘﺮم وزﯾﺮان ( ﺗﺼﻮﯾﺐ و اﺑﻼغ ﮔﺮدﯾﺪ . ﻫﺪف ا ﯾﻦ ﻧﺸﺮﯾﻪ، اراﺋﻪ راﻫﻨﻤﺎﯾﯽ ﺟﻬﺖ ﻧﺤﻮه ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎی اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﺎﺳﺐ ﺗﺮﯾﻦ روش ﻣﯽ ﺑﺎﺷﺪ . ﺑﺪﯾﻦ وﺳﯿﻠﻪ ﻣﻌﺎوﻧﺖ ﻧﻈﺎرت راﻫﺒﺮدی از ﺗﻼش و ﺟﺪﯾﺖ رﯾﯿﺲ اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ ﺟﻨﺎب آﻗﺎی ﻣﻬﻨﺪس ﻏﻼﻣﺤﺴﯿﻦ ﺣﻤـﺰه ﻣﺼـﻄﻔﻮی و ﮐﺎرﺷﻨﺎﺳﺎن ﻣﺤﺘﺮم اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ و ﻧﻤﺎﯾﻨﺪه ﻣﺠﺮی ﻣﺤﺘﺮم ﻃﺮح ﺗﻬﯿﻪ ﺿﻮاﺑﻂ و ﻣﻌﯿﺎرﻫﺎی ﻓﻨﯽ ﺻـﻨﻌﺖ آب ﮐﺸـﻮر وزارت ﻧﯿـﺮو، ﺟﻨـﺎب آﻗﺎی ﻣﻬﻨﺪس ﻣﺤﻤﺪ اﺑﺮاﻫﯿﻢ ﻧﯿﺎ و ﻣﺘﺨﺼﺼﺎن ﻫﻤﮑﺎر در اﻣﺮ ﺗﻬﯿﻪ و ﻧﻬﺎﯾﯽ ﻧﻤﻮدن اﯾﻦ ﻧﺸﺮﯾﻪ، ﺗﺸﮑﺮ و ﻗﺪرداﻧﯽ ﻣﯽ ﻧﻤﺎﯾﺪ و از اﯾـﺰد ﻣﻨـﺎن ﺗﻮﻓﯿﻖ روزاﻓﺰون ﻫﻤﻪ ی اﯾﻦ ﺑﺰرﮔﻮاران را آرزوﻣﻨﺪ ﻣﯽ ﺑﺎﺷﺪ . اﻣﯿﺪ اﺳﺖ ﻣﺘﺨﺼﺼ ﺎن و ﮐﺎرﺷﻨﺎﺳﺎن ﺑﺎ اﺑﺮاز ﻧﻈﺮات ﺧﻮد درﺧﺼﻮص اﯾﻦ ﻧﺸﺮﯾﻪ ﻣﺎ را در اﺻﻼﺣﺎت ﺑﻌﺪی ﯾﺎری ﻓﺮﻣﺎﯾﻨﺪ . ﻣﻌﺎون ﻧﻈﺎرت راﻫﺒﺮدی ﭘ ﺎﯾﯿﺰ 1391 ﺗﻬﯿﻪ و ﮐﻨﺘﺮل راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ) ﻧﺸﺮﯾﻪ ﺷﻤﺎره )585 ( ﻣﺠﺮی : ﻣﻌﺎوﻧﺖ ﭘﮋوﻫﺸﯽ داﻧﺸﮕﺎه ﺗﺮﺑﯿﺖ ﻣﺪرس ﻣﻮﻟﻒ اﺻﻠﯽ : ﺑﻬﺮام ﺛﻘﻔﯿﺎن ﭘﮋوﻫﺸﮑﺪه ﺣﻔﺎﻇﺖ ﺧﺎک و آﺑﺨﯿﺰداری دﮐﺘﺮای ﻣﻨﺎﺑﻊ آب اﻋﻀﺎی ﮔﺮوه ﺗﻬﯿﻪ ﮐﻨﻨﺪه : ﺑﻬﺮام ﺛﻘﻔﯿﺎن ﭘﮋوﻫﺸﮑﺪه ﺣﻔﺎﻇﺖ ﺧﺎک و آﺑﺨﯿﺰداری دﮐﺘﺮای ﻣﻨﺎﺑﻊ آب ﭘﯿﻤﺎن داﻧﺶ ﮐﺎر آراﺳﺘﻪ داﻧﺸﮕﺎه ﺑﯿﻦ اﻟﻤﻠﻠﯽ اﻣﺎم ﺧﻤﯿﻨﯽ دﮐﺘﺮای ﻋﻠﻮم و ﻣﻬﻨﺪﺳﯽ آﺑﯿﺎری ﺳﯿﻤﺎ رﺣﯿﻤﯽ ﺑﻨﺪرآﺑﺎدی ﻣﺮﮐﺰ ﺗﺤﻘﯿﻘﺎت ﮐﻢ آﺑﯽ و ﺧﺸﮑﺴﺎﻟﯽ در ﮐﺸﺎورزی و ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ ﻓﻮق ﻟﯿﺴﺎﻧﺲ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﻃﻖ ﺑﯿ ﺎﺑﺎﻧﯽ اﺑﺮاﻫﯿﻢ ﻓﺘﺎﺣﯽ ﭘﮋوﻫﺸﮑﺪه ﻫﻮاﺷﻨﺎﺳﯽ دﮐﺘﺮای ﻫﻮاﺷﻨﺎﺳﯽ ﻣﺤﺴﻦ ﻣﺤﻤﺪزاده داﻧﺸﮕﺎه ﺗﺮﺑﯿﺖ ﻣﺪرس دﮐﺘﺮای آﻣﺎر اﻋﻀﺎی ﮔﺮوه ﻧﻈﺎرت : ﻋﺒﺪاﻟﻮﺣﯿﺪ آﻏﺎﺳﯽ داﻧﺸﮕﺎه ﺧﻮاﺟﻪ ﻧﺼﯿﺮاﻟﺪﯾﻦ ﻃﻮﺳﯽ دﮐﺘﺮای ﻣﻨﺎﺑﻊ آب ﺻﺪﯾﻘﻪ ﺗﺮاﺑﯽ وزارت ﻧﯿﺮو دﮐﺘﺮای ﻣﻨﺎﺑﻊ آب ﻣﺮﯾﻢ رﺣﯿﻤﯽ ﻓﺮاﻫﺎﻧﯽ ﻃﺮح ﺗﻬﯿﻪ ﺿﻮاﺑﻂ و ﻣﻌﯿﺎرﻫﺎی ﻓﻨﯽ ﺻﻨﻌﺖ آب ﮐﺸﻮر ﻓﻮق ﻟﯿﺴﺎﻧﺲ ﻋﻤﺮان - آب اﻋﻀﺎی ﮔﺮوه ﺗﺎﯾﯿﺪ ﮐﻨﻨﺪه ) ﮐﻤﯿﺘﻪ ﺗﺨﺼﺼﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ آب ﻃﺮح ﺗﻬﯿﻪ ﺿﻮاﺑﻂ و ﻣﻌﯿﺎرﻫﺎی ﻓﻨﯽ ﺻﻨﻌﺖ آب ﮐﺸﻮر (: اﺣﻤﺪ اﺑﺮﯾﺸﻢ ﭼﯽ داﻧﺸﮕﺎه ﺻﻨﻌﺘﯽ ﺷﺮﯾﻒ دﮐﺘﺮای ﻣﻨﺎﺑﻊ آب ﻋﺒﺪاﻟﻮﺣﯿﺪ آﻏﺎﺳﯽ داﻧﺸﮕﺎه ﺧﻮاﺟﻪ ﻧﺼﯿﺮاﻟﺪﯾﻦ ﻃﻮﺳﯽ دﮐﺘﺮای ﻣﻨﺎﺑﻊ آب ﻓﻀﻠﻌﻠﯽ ﺟﻌﻔﺮﯾﺎن ﺷﺮﮐﺖ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ آب اﯾﺮان ﻟﯿﺴﺎﻧﺲ زﻣﯿﻦ ﺷﻨﺎﺳﯽ ﻋﺒﺎﺳﻘﻠﯽ ﺟﻬﺎﻧﯽ ﮐﺎرﺷﻨﺎس آزاد ﻓﻮق ﻟﯿﺴﺎﻧﺲ ﻣﻬﻨﺪﺳﯽ ﻫﯿﺪروﻟﻮژی ﻣﺮﯾﻢ رﺣﯿﻤﯽ ﻓﺮاﻫﺎﻧﯽ ﻃﺮح ﺗﻬﯿﻪ ﺿﻮاﺑﻂ و ﻣﻌﯿﺎرﻫﺎی ﻓﻨﯽ ﺻﻨﻌﺖ آب ﮐﺸﻮر ﻓﻮق ﻟﯿﺴﺎﻧﺲ ﻋﻤﺮان آب داوودرﺿﺎ ﻋﺮب ﻣﻮﺳﺴﻪ ﭘﮋوﻫﺸﯽ ﻣﻬﻨﺪﺳﯽ راﻫﺒﺮد داﻧﺶ ﭘﻮﯾﺎ د ﮐﺘﺮای ﻋﻤﺮان اﻋﻀﺎی ﮔﺮوه ﻫﺪاﯾﺖ و راﻫﺒﺮدی ﭘﺮوژه : ﺧﺸﺎﯾﺎر اﺳﻔﻨﺪﯾﺎری رﯾﯿﺲ ﮔﺮوه اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ ﻓﺮزاﻧﻪ آﻗﺎرﻣﻀﺎﻧﻌﻠﯽ رﯾﯿﺲ ﮔﺮوه اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ ﺳﺎﻧﺎز ﺳﺮاﻓﺮاز ﮐﺎرﺷﻨﺎس ﻣﻨﺎﺑﻊ آب اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ ﻓﻬﺮﺳﺖ ﻣﻄﺎﻟﺐ ﻋﻨﻮان ﺻﻔﺤﻪ ﻣﻘﺪﻣﻪ 1 ﻓﺼﻞ اول - آﺷﻨﺎﯾﯽ ﻣﻘﺪﻣﺎﺗﯽ ﺑﺎ روش ﻫﺎی درون ﯾﺎﺑﯽ 3 1 -1 - ﮐﻠﯿﺎت 5 1 -2 - ﻣﺒﺎﻧﯽ درون ﯾﺎﺑﯽ 5 1 -3 - اﻧﻮاع درون ﻫﺎ ﯾﺎب 6 1 -3 - 1 - درون ﯾﺎب ﻫﺎی ﻗﻄﻌﯽ 6 1 -3 - 2 - درون ﯾﺎب ﻫﺎی ﺗﺼﺎدﻓﯽ 7 ﻓﺼﻞ دوم - ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 9 2 -1 - ﮐﻠﯿﺎت 11 2 -2 - آﻣﺎر ﺗﻮﺻﯿﻔﯽ داده ﻫﺎ 11 2 -2 - 1 - آﻣﺎرﺗﻮﺻﯿﻔﯽ ﺗﮏ ﻣﺘﻐﯿﺮه 11 2 -2 - 2 - آﻣﺎر ﺗﻮﺻﯿﻔﯽ دو ﻣﺘﻐﯿﺮه 13 2 -2 - 3 - آﻣﺎر ﺗﻮﺻﯿﻔﯽ ﻣﮑﺎﻧﯽ 13 2 -3 - راﺑﻄﻪ ﻣﺘﻐﯿﺮﻫﺎی اﻗﻠﯿﻤﯽ ﺑﺎ ﺳﺎﯾﺮ ﻣ ﺘﻐﯿﺮﻫﺎ 17 2 -3 - 1 - ﺑﺮرﺳﯽ وﺿﻌﯿﺖ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ در اﯾﺮان 17 2 -3 - 2 - راﺑﻄﻪ دﻣﺎ و ارﺗﻔﺎع 20 2 -4 - ﺗﻌﯿﯿﻦ اﻧﺪازه ﺳﻠﻮل ) ﺗﻔﮑﯿﮏ ﭘﺬﯾﺮی ﻣﮑﺎﻧﯽ ( ﺑﺮ اﺳﺎس ﻣﻘﯿﺎس ﻧﻘﺸﻪ ﻫﺎ 21 2 - 5 - ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای 21 2 -5 - 1 - ﻣﻌﺮﻓﯽ ﻧﺮم اﻓ ﺰارﻫﺎ در ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای 26 ﻓﺼﻞ ﺳﻮم - ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 29 3 -1 - ﮐﻠﯿﺎت 31 3 -2 - ﺷﺎﺧﺺ ﻫﺎی ﮐﻤﯽ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ 31 3 -2 - 1 - ﻣﺪل ﻫﺎی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 33 3 -3 - ﻣﺤﺎﺳﺒﻪ و ﺗﺮﺳﯿﻢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 34 3 -4 - ﭼﮕﻮﻧﮕﯽ ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﺎراﻣﺘﺮﻫﺎی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 36 3 -4 - 1 - اﻧﺘﺨﺎب ﭘﺎراﻣﺘﺮﻫﺎی ﻓﺎﺻﻠﻪ 36 3 -4 - 2 - اﻧﺘﺨﺎب ﻣﺪل ﺗﺌﻮرﯾﮏ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 37 3 -5 - ﭼﮕﻮﻧﮕﯽ ﺗﺸﺨﯿﺺ وﺟﻮد ﯾﺎ ﻓﻘﺪان ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ داده ﻫﺎ و ﺗﻔﺴﯿﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 38 3 -5 - 1 - ﺗﺸﺨﯿﺺ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ 38 ﻓﻬﺮﺳﺖ ﻣﻄﺎﻟﺐ ﻋﻨﻮان ﺻﻔﺤﻪ 3 -5 - 2 - ﺗﺸﺨﯿﺺ ﻫﻤﺴﺎن ﮔﺮدی از ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 38 3 - 6 - ﭼﮕﻮﻧﮕﯽ ﺑﺮرﺳﯽ اﯾﺴﺘ ﺎﯾﯽ ﻣﮑﺎﻧﯽ داده ﻫﺎ و ﺗﺸﺨﯿﺺ روﻧﺪ و ﺗﻨﺎوب ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ در ﻣﻨﻄﻘﻪ 39 3 - 7 - ﺑﺮرﺳﯽ ﺗﺎﺛﯿﺮ ﻣﺘﻐﯿﺮﻫﺎی ﮐﻤﮑﯽ در ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ داده ﻫﺎ 40 ﻓﺼﻞ ﭼﻬﺎرم - ﻧﺤﻮه ارزﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ 43 4 - 1 - ﻧﺤﻮه اﻧﺘﺨﺎب اوﻟﯿﻪ روش ﻫﺎی درون ﯾﺎﺑﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ، ﻣﯿﺰان ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ و ﻓﯿﺰﯾﮏ ﭘﺪﯾﺪه ﻣـﻮرد ﺑﺮرﺳﯽ 45 4 -1 - 1 - ﭼﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب ﯾﺎ ﺣﺬف روش ﻫﺎی ﻣﻮرد ﺑﺮرﺳﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻓﯿﺰﯾﮏ ﭘﺪﯾﺪه ﻣﻮرد ﻧﻈﺮ 45 4 - 1 - 2 - ﭼﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب ﯾﺎ ﺣﺬف روش ﻫﺎی درون ﯾﺎﺑﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺤﻠﯿﻞ ﻧ ﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ داده ﻫﺎ 46 4 -2 - ﻣﻌﺮﻓﯽ ﻣﻌﯿﺎرﻫﺎی اﻋﺘﺒﺎرﺳﻨﺠﯽ روش ﻫﺎی ﻣﺨﺘﻠﻒ 46 4 -3 - ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﺎراﻣﺘﺮﻫﺎی روش درون ﯾﺎﺑﯽ و ﺑﺮرﺳﯽ اﻋﺘﺒﺎر ﻧﺘﺎﯾﺞ روش ﻫﺎی ﻣﺨﺘﻠﻒ 48 4 -4 - ﭼﮕﻮﻧﮕﯽ ﺑﺮرﺳﯽ ﺗﻄﺎﺑﻖ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺮآورد ﺷﺪه ﺑﺎ ﻓﯿﺰﯾﮏ ﭘﺪﯾﺪه 49 4 -5 - ﭼﮕﻮﻧﮕﯽ ﺷﻨﺎﺳﺎﯾﯽ ﻣﻨﺎﻃﻖ ﺑﺎ ﺑﺮآورد ﭘﺎﯾﯿﻦ و ﯾﺎ ﺑﺎﻻ 49 4 -6 - ﭼﮕﻮﻧﮕﯽ ﺑﺮآورد ﺧﻄﺎی ﺗﺨﻤﯿﻦ 50 4 -7 - ﻧﺤﻮه اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ و ﭘﺎراﻣﺘﺮﻫﺎی آن ﺑﺮاﺳﺎس آزﻣﻮن ﻫﺎی ﻣﻌﺘﺒﺮ 50 4 - 8 - ﭼﮕﻮﻧﮕﯽ اﺳﺘﺨﺮاج ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺮاﺳﺎس روش اﻧﺘﺨﺎﺑﯽ 51 ﻓﺼﻞ ﭘﻨﺠﻢ - ﻣﻌﺮﻓﯽ و ارزﯾﺎﺑﯽ ﻧﺮم اﻓﺰارﻫﺎی درون ﯾﺎﺑﯽ 53 5 -1 - ﮐﻠﯿﺎت 55 5 -2 - ﻣﻌﺮﻓﯽ ﻧﺮم اﻓﺰار + GS 55 5 -3 - ﻣﻌﺮﻓﯽ ﻧﺮم اﻓﺰارArc/GIS 59 ﻓﺼﻞ ﺷﺸﻢ - ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 61 6 -1 - ﮐﻠﯿﺎت 63 6 -2 - ﻣﺮاﺣﻞ اﻧﺠﺎم ﻣﻄﺎﻟﻌﻪ ﻣ ﻮردی 63 ﭘﯿﻮﺳﺖ1 - ﺳﻮاﺑﻖ ﮐﺎرﺑﺮد روش ﻫﺎی درون ﯾﺎﺑﯽ 77 ﭘﯿﻮﺳﺖ2 - آﻧﺎﻟﯿﺰﻫﺎی آﻣﺎری 83 ﭘﯿﻮﺳﺖ3 - روش ﻫﺎی درون ﯾﺎﺑﯽ 91 ﭘﯿﻮﺳﺖ4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS 99 ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 113 ﻣﻨﺎﺑﻊ و ﻣﺮاﺟﻊ 133 ﻓﻬﺮﺳﺖ ﺷﮑﻞ ﻫﺎ ﻋﻨﻮان ﺻﻔﺤﻪ ﺷﮑﻞ2 -1 - ﻫﯿﺴﺘﻮﮔﺮام ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮV در100 ﻧ ﻤﻮﻧﻪ، اﻟﻒ- ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ب- ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﺗﺠﻤﻌﯽ 12 ﺷﮑﻞ2 -2 - ﺗﺸﺮﯾﺢ ﻋﻼﺋﻢ ﺑﺮداری در ﻧﻤﻮدار H-scatter 14 ﺷﮑﻞ2 - 3 - ﻧﻤﺎﯾﺶ ﭼﮕ ﻮﻧﮕﯽ اﻧﺘﺨﺎب ﺟﻔﺖ ﻧﻘﺎط در ﻧﻤﻮدار H-Scatter اﻟﻒ ( ﺟﻔﺖ ﻧﻘﺎط ﺑﻪ ﻓﺎﺻﻠﻪ )1،1 (( ب ﺟﻔـﺖ ﻧﻘـﺎط ﺑﻪ ﻓﺎﺻﻠﻪ )1،0 ( 14 ﺷﮑﻞ2 -4 - ﻧﻤﻮدارH-Scatter ﺟﻔﺖ ﻧﻘﺎط ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮV در ﺟﻬﺖ ﺷﻤﺎل و در ﭼﻬﺎر ﻓﺎﺻﻠﻪ ﻣﺨﺘﻠﻒ 16 ﺷﮑﻞ2 -5 - ﻧﻤﻮدار اﻟﻒ- ﮐﻮوارﯾﺎﻧﺲ، ب- ﻫﻤﺒﺴﺘﮕﯽ ﻧﮕﺎر و ج- MOI 100 ﻧﻤﻮﻧﻪ ﻣﺘﻐﯿﺮV 17 ﺷﮑﻞ2 -6 - دﻧﺪروﮔﺮام ) ﻧﻤﻮدار درﺧﺘﯽ ( 23 ﺷﮑﻞ2 -7 - ر دﻧﺪ وﮔﺮام داده ﻫﺎﯾﯽ ﺳﺎزﮔﺎر و ﮐﺎﻣﻼ ﺗﻔﮑﯿﮏ ﺷﺪه در دو ﮔﺮوه 24 ﺷﮑﻞ2 -8 - ر دﻧﺪ وﮔﺮام داده ﻫﺎﯾﯽ ﺳﺎزﮔﺎر و ﮐﺎﻣﻼ ﺗﻔﮑﯿﮏ ﺷﺪه در ﺳﻪ ﮔﺮوه 24 ﺷﮑﻞ2 - 9 - ر دﻧﺪ وﮔﺮام داده ﻫﺎﯾﯽ ﻧﺎﺳﺎزﮔﺎر 24 ﺷﮑﻞ3 -1 - ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﺟﻔﺖ ﻧﻘﺎط- ﻣﺘﺮ 32 ﺷﮑﻞ3 -2 - ﻧﻤﺎﯾﺶ اﻧﻮاع ﻣﺪل ﻫﺎی رﯾﺎﺿﯽ ﺗﺌﻮرﯾﮏ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 34 ﺷﮑﻞ3 -3 - ﻣﻮﻗﻌﯿﺖ ﻧﻘﺎط ﻣﺜﺎل 35 ﺷﮑﻞ3 -4 - ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺤﺮﺑﯽ و ﻣﺪل ﺗ ﺌﻮری ﻣﺜﺎل 37 ﺷﮑﻞ3 -5 - ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺑﺪون ﺟﻬﺖ از ﯾﮏ ﻣﺘﻐﯿﺮ ﻓﺮﺿﯽ ﻓﺎﻗﺪ ﺳﺎﺧﺘﺎر ﻣﮑﺎﻧﯽ 38 ﺷﮑﻞ3 -6 - ﻧﻤﺎﯾﺶ ﭼﻨﺪ ﻧﻤﻮﻧﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ دارای ر وﻧﺪ و ﺗﻨﺎوب 40 ﺷﮑﻞ3 -7 - ﻧﯿﻢ ﺗﻌﯿﯿﺮ ﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ﻣﺘﻐﯿﺮﻫﺎیU وV 41 ﺷﮑﻞ4 -1 - ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎﻫﺎ ی ﺗﺠﺮﺑ ﯽ ﺑﺮای داده ﻫﺎی ﺑﺎرﻧﺪﮔ ﯽ اﻟﻒ- ﻓﺎﻗﺪ ﺳﺎﺧﺘﺎر ب- دارای روﻧﺪ 47 ﺷﮑﻞ4 -2 - ﻧﻤﻮﻧﻪ ای از ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﺑﺮآورد ﺷﺪه ﺑﺎ ﯾﮏ روش درون ﯾﺎﺑﯽ 49 ﺷﮑﻞ6 -1 -ﻣﻮﻗﻌﯿﺖ ﻣﻨﻄﻘﻪ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ در ﻧﻘﺸﻪ اﯾﺮان 64 ﺷﮑﻞ6 -2 - ﻣﻮﻗﻌﯿﺖ اﯾﺴﺘﮕﺎه ﻫﺎی ﺑﺎران ﺳﻨﺠﯽ ﻣﻨﻄﻘﻪ و ﻣﻘﺎدﯾﺮ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در آﻧﻬﺎ 66 ﺷﮑﻞ6 -3 - ﻧﻘﺸﻪ ﻃﺒﻘﺎت ارﺗﻔﺎﻋﯽ ﺣﻮﺿﻪ ﮐﺮﺧﻪ 66 ﺷﮑﻞ6 -4 - ﻧﻤﻮدار ﺗﻐﯿﯿﺮات ﺑﺎرﻧﺪﮔﯽ و ارﺗﻔﺎع و ﻣﻌﺎدﻟﻪ ﮔﺮادﯾﺎن ﺑﺎرﻧﺪﮔﯽ 68 ﺷﮑﻞ6 -5 - ﻧﻤﻮد ار ﻫﯿﺴﺘﻮﮔﺮام و q-q ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﺤﯿﻂArc/GIS : 69 ﺷﮑﻞ6 -6 - ﻧﻤﻮدار و ﻣﺸﺨﺼﺎت ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﺑﺪون ﺟﻬﺖ در ﻧﺮم اﻓﺰار ARC/GIS . 70 ﺷ ﮑﻞ 6 -7 - ﻧﻤﻮدار ﺳﻄﺢ وارﯾﻮﮔﺮام و راﺳﺘﺎی ﻧﺎﻫﻤﺴﺎن ﮔﺮدی داده ﻫﺎی ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ 71 ﺷﮑﻞ6 -8 - اﻟﻒ- ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ارﺗﻔﺎع در ﻣﻨﻄﻘﻪ ب- ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ارﺗﻔﺎع و ﺑﺎرﻧﺪﮔﯽ 72 ﺷﮑﻞ6 -9 - ﺑﻬﯿﻨﻪ ﺳﺎزی ﺷﻌﺎع و ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ در روش IDW اﻟﻒ- ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ ب- ﺷﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ 74 ﺷﮑﻞ6 - 10 - ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎ روش اﺳﭙﻼ ﯾﻦ در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ) ﺑﻪ ﻣﯿﻠﯽ (ﻣﺘﺮ 75 ﺷﮑﻞ6 - 11 - ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎ روش ﮐﺮﯾﺠﯿﻨﮓ در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ) ﺑﻪ ﻣﯿﻠﯽ (ﻣﺘﺮ 75 ﺷﮑﻞ6 - 12 - ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎ روشIDW در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ) ﺑﻪ ﻣﯿﻠﯽ (ﻣﺘﺮ 75 ﺷﮑﻞ6 - 13 - ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﺣﻮزه ﮐﺮﺧﻪ ﺑﺎ روش اﺳﭙﻼﯾﻦ 76 ﺷﮑﻞ6 - 14 - ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ارﺗﻔﺎع ﺑﺎﻻی2700 ﻣﺘﺮ در ﻣﻨﻄﻘﻪ 76 ﺷﮑﻞ پ .2 - 1 - اﻟﻒ- ﻫﯿﺴﺘﻮﮔﺮام100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮU ب- ﻫﯿﺴﺘﻮﮔﺮام100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮV 88 ﻓﻬﺮﺳﺖ ﺷﮑﻞ ﻫﺎ ﻋﻨﻮان ﺻﻔﺤﻪ ﺷﮑﻞ پ .2 - 2 - اﻟﻒ- ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮU ب- ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮV 89 ﺷﮑﻞ پ .4 - 1 - ﻣﺤﯿﻂ اﺻ ﻠﯽ GS+ 101 ﺷﮑﻞ پ .4 - 2 - ﺗﻌﯿﯿﻦ ﻣﺸﺨﺼﺎت ﺳﺘﻮن ﻫﺎ 102 ﺷﮑﻞ پ .4 - 3 - ﻣﺴﯿﺮ ﺗﻌﯿﯿﻦ ﺧﺼﻮﺻﯿﺎت آﻣﺎری 103 ﺷﮑﻞ پ .4 - 4 - ﺟﺎﻧﻤﺎﯾﯽ داده ﻫﺎ در ﻗﺴﻤﺖ اول ﭘﻨﺠﺮه Data summary 104 ﺷﮑﻞ پ .4 - 5 - ﺧﺼﻮﺻﯿﺎت آﻣﺎری ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ در ﻗﺴﻤﺖ دوم ﭘﻨﺠﺮه Data summary 104 ﺷﮑﻞ پ .4 - 6 - ﻣﺴﯿﺮ ﺗﺮﺳﯿﻢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 105 ﺷﮑﻞ پ .4 - 7 - ﭘﻨﺠﺮه آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮای ﻣﺘﻐﯿﺮ اﺻﻠﯽ 106 ﺷﮑﻞ پ .4 - 8 - ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﻣﺸﺨﺼﺎت ﻧﻘﺎط ﺗﺸﮑﯿﻞ دﻫﻨﺪه آن 106 ﺷﮑﻞ پ .4 - 9 - اﻧﺘﺨﺎب ﻣﺪل ﻫﺎی ﻣﺨﺘﻠﻒ و ﺗﻐﯿﯿﺮ ﭘﺎراﻣﺘﺮﻫﺎی Sill ، Nugget و Range 107 ﺷﮑﻞ پ .4 - 10 - ﻣﺴﯿﺮ اﻧﺘﺨﺎب روش درون ﯾﺎﺑﯽ 107 ﺷﮑﻞ پ .4 - 11 - ﻣﺮاﺣﻞ ﻣﺤﺎﺳﺒﺎﺗﯽ روش ﮐﺮﯾﺠﯿﻨﮓ 108 ﺷﮑﻞ پ .4 - 12 - ﯾﮏ ﻧﻤﻮﻧﻪ ﻓﺎﯾﻞGrid 108 ﺷﮑﻞ پ .4 - 13 - ﭘﻨﺠﺮه روش درون ﯾﺎﺑﯽ ﻋﮑﺲ ﻓﺎﺻﻠﻪ وزﻧﯽ IDW در ﻧﺮم اﻓﺰارGS+ 109 ﺷﮑﻞ پ .4 - 14 - ﭘﻨﺠﺮه ﻣﺮﺑﻮط ﺑﻪCross Validation 110 ﺷﮑﻞ پ .4 - 15 - ﻣﺴﯿﺮ ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ 110 ﺷﮑﻞ پ .4 - 16 - ﻣﺮاﺣﻞ ﮐﺎر در ﭘﻨﺠﺮهMap 111 ﺷﮑ ﻞ پ . 5 -1 - ﻣﺴﯿﺮ ﺗﺮﺳﯿﻢ ﻫﯿﺴﺘﻮﮔﺮام 117 ﺷﮑﻞ پ .5 - 2 - ﻣﺮاﺣﻞ ﮐﺎر در اﺑﺰار ﻫﯿﺴﺘﻮﮔﺮام 118 ﺷﮑﻞ پ .5 - 3 - ﻧﻤﻮﻧﻪ ای از ﯾﮏ ﻧﻤﻮدار QQ ﻧﺮﻣﺎل 118 ﺷﮑﻞ پ .5 - 4 - اﺑﺰار ﺑﺮرﺳﯽ روﻧﺪ 120 ﺷﮑﻞ پ .5 - 5 - اﺑﺰار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ / ﮐﻮوارﯾﺎﻧﺲ 120 ﺷﮑﻞ پ .5 - 6 - زوج ﻧﻘﺎط در ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﻣﺤﯿﻂ ﻧﻤﺎﯾﺶArcMap 121 ﺷﮑﻞ پ .5 - 7 - ﺣﺬف ﺣﺎﻟﺖ اﻧﺘﺨﺎب 121 ﺷﮑﻞ پ .5 - 8 - ﻣﺮاﺣﻞ ﮔﺎم ﺷﺸﻢ ﺑﺮا ی اﻧﺘﺨﺎب داده ورودی 123 ﺷﮑﻞ پ .5 - 9 - روشIDW و ﭘﺎراﻣﺘﺮﻫﺎی آن 124 ﺷﮑﻞ پ .5 - 10 - روشRBF 125 ﺷﮑﻞ پ .5 - 11 - ﻣﺮاﺣﻞ اﻧﺠﺎم روش ﮐﺮﯾﺠﯿﻨﮓ 126 ﺷﮑﻞ پ .5 - 12 - ﺑﺮرﺳﯽ راﺳﺘﺎی روﻧﺪ 127 ﺷﮑﻞ پ .5 - 13 - ﻧﺤﻮه ﺑﺮازش ﻣﺪل ﺗﺌﻮ رﯾﮏ ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺠﺮﺑﯽ 127 ﺷﮑﻞ پ .5 - 14 - ﻣﺤﻞ اﻧﺘﺨﺎب ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ 128 ﺷﮑﻞ پ .5 - 15 - ﻧﺤﻮه اﻧﺠﺎم روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ 129 ﺷﮑﻞ پ .5 - 16 - ﻧﻤﺎﯾﺶ ﻧﺘﺎﯾﺞ اﺟﺮایcross validation 130 ﺷﮑﻞ پ .5 - 17 - ﻧﻘﺸﻪ ﺗﻮﻟﯿﺪ ﺷﺪه ﺑﺎ اﺳﺘﻔﺎده از روش اﻧﺘﺨﺎﺑﯽ 131 ﻓﻬﺮﺳﺖ ﺟﺪول ﻫﺎ ﻋﻨﻮان ﺻﻔﺤﻪ ﺟﺪول2 - 1 - ﺟﺪول ﻓﺮاواﻧﯽ و ﻓﺮاواﻧﯽ ﺗﺠﻤﻌﯽ100 ﻧﻤﻮﻧﻪ ﻣﺘﻐﯿﺮV ) ﺑﺮ ﺣﺴﺐmm ( 12 ﺟﺪول2 - 2 - راﺑﻄﻪ ﺑﺎرش ﺳﺎﻻﻧﻪ ﺑﺎ ارﺗﻔﺎع در ﺑﺨﺶ ﻫﺎی ﻣﺨﺘﻠﻒ اﯾﺮان 19 ﺟﺪول2 - 3 - راﺑﻄﻪ ی ﻣﻘﯿﺎس ﻧﻘﺸﻪ و اﻧﺪازه ﺳﻠﻮل 21 ﺟﺪول3 - 1 - ﻣﻮﻗﻌﯿﺖ (x,y) و ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای (z) ﺷﮑﻞ )3 - 2.( 35 ﺟﺪول3 - 2 - ﻣﺎﺗﺮﯾﺲ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻧﻘﺎط (m) 35 ﺟﺪول3 - 3 - زوج ﻧﻘﺎط ﻣﻮرد اﺳﺘﻔﺎده در ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 36 ﺟﺪول3 - 4 - ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﻫﺮ ﯾﮏ از ﮔﺎم ﻫﺎی ﻣﮑﺎﻧﯽ 36 ﺟﺪول5 - 1 - ﻣﺸﺨﺼﺎت ﭼﻨﺪ ﻧﺮم اﻓﺰار ﻣﻮﺟﻮد ﺑﺮای ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری 57 ﺟﺪول6 - 1 -ﻣﺸﺨﺼﺎت اﯾﺴﺘﮕﺎه ﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده در ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 64 ﺟﺪول6 - 2 - آﻣﺎره ﻫﺎی ﺗﻮﺻﯿﻔﯽ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ ) ﺑﻪ ﻣﯿﻠﯽ (ﻣﺘﺮ 67 ﺟﺪول6 - 3 - ﻧﺘﺎﯾﺞ ﺑﺮرﺳﯽ ﻣﺪل ﻫﺎی ﻣﺨﺘﻠﻒ 70 ﺟﺪول6 - 4 - ﻧﺘﺎﯾﺞ ارزﯾﺎﺑﯽ روش ﻫﺎی ﻣﺨﺘﻠﻒ RBF 74 ﺟﺪول6 - 5 - ﻧﺘﺎﯾﺞ ارزﯾﺎﺑﯽ روش ﻫﺎی ﻣﺨﺘﻠﻒ درون ﯾﺎﺑﯽ 74 ﺟﺪول پ .2 - 1 - ﭘﺎراﻣﺘﺮﻫﺎی آﻣﺎری ﻣﺘﻐﯿﺮﻫﺎیV وU ﺷﮑﻞ پ )2 -1( 87 ﺟﺪول پ.5 - 1 - اﻧﻮاع روش ﻫﺎی ﮐﺮﯾﺠﯿﻨﮓ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ و ﻧﻘﺸﻪ ﻫﺎی ﻗﺎﺑﻞ اﺳﺘﺨﺮاج از آﻧﻬﺎ 122 ﻣﻘﺪﻣﻪ 1 ﻣﻘﺪﻣﻪ ﻣﻘﺪﻣﻪ ﻫﺎ داده ی ﻧﻘﻄﻪ ای ﻫﺎ داده ﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در ﻣﮑﺎن ﯾﺎ ﻣﮑﺎن ﻫﺎ ی ﻣﻌﯿﻨﯽ ) ﻣﺎﻧﻨﺪ اﯾﺴﺘﮕﺎه ﻫـﺎ ی ﻫﻮاﺷﻨﺎﺳـﯽ ( اﻧـﺪازه ﮔﯿـﺮی ﻣـﯽ ﺷـﻮﻧﺪ . ﺑـﻪ ﻣﻨﻈﻮر ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﻫﺎ ی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ و ﻣﻄﺎﻟﻌﻪ اﻟﮕﻮﻫﺎی ﻣﮑﺎﻧﯽ، ﻫﺎ داده ی ﻧﻘﻄﻪ ای ﻃﯽ ﻓﺮآﯾﻨـﺪ درون ﯾـﺎﺑﯽ ﺑـﻪ ﺳـﻄﺢ ﺗﻌﻤـﯿﻢ ﻣـﯽ ﯾﺎﺑﻨـﺪ . درون ﯾﺎﺑﯽ ﻣﮑﺎﻧﯽ ﻓﺮآﯾﻨﺪی اﺳﺖ ﮐﻪ در آن ﺑﺎ اﺳﺘﻔﺎده از ﻣﻘﺎدﯾﺮ اﻧﺪازه ﮔﯿﺮی ﺷﺪه در ﻧﻘﺎط ﻣﻌﻠﻮم، ﻣﻘﺎدﯾﺮ ﻧﻘﺎط ﻣﺠﻬـﻮل ﺑـﺮآورد ﻣـﯽ ﺷـﻮد . اﻣﺮوزه از ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾ در ﯽ درون ﯾﺎﺑﯽ ﺑﻪ ﻣﻨﻈﻮر اﺳﺘﺨﺮاج ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ ی ﻫﻮاﺷﻨﺎﺳـﯽ و ﻫﯿـﺪروﻟﻮژﯾﮑﯽ در ﻗﺎﻟﺐ ﺷﺒﮑﻪ ﻫﺎی ﺳﻠﻮﻟﯽ و ﯾﺎ ﻣﺪل ﻫﺎی ﺑﺮداری اﺳﺘﻔﺎده ﻣﯽ ﮔﺮدد . روش ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ ﺑﺮای درون ﯾﺎﺑﯽ ﻫﺎ داده ی ﻣﮑـﺎﻧﯽ وﺟـﻮد دارد ﮐـﻪ در اﯾﻦ راﻫﻨﻤﺎ ﺗﺮ ﻣﻬﻢ ﯾﻦ آﻧﻬﺎ ﺗﺸﺮﯾﺢ ﻣﯽ .ﺷﻮد - ﻫﺪف ﻫﺮﮔﻮ ﻧﻪ ﮐﺎﺳﺘﯽ در اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ و ﺑﯽ ﺗﻮﺟﻬﯽ ﺑﻪ دﻗﺖ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣـﯽ ﺗﻮاﻧـﺪ ﻣﻮﺟـﺐ ﺑﺮوز ﺧﻄﺎ در ﺑﺮآوردﻫﺎی ﻃﺮاﺣﯽ ﮔﺮدد . ﻫﺪف اﯾﻦ راﻫﻨﻤﺎ اراﺋﻪ ﻧﺤﻮه ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ ی اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﺎﺳـﺒﺘﺮﯾﻦ روش ﻣﯽ ﺑﺎﺷﺪ . ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر ﻣﺮاﺣ ﻞ ﻣﻮرد ﻧﯿﺎز ﺟﻬﺖ اﻧﺠﺎم ﯾﮏ ﺑﺮآورد ﻣﻨﺎﺳـﺐ ﺗﺸـﺮﯾﺢ ﻣـﯽ ﺷـﻮد . ﻫﻤﭽﻨـﯿﻦ اﺻـﻮل و ﻣﺒـﺎﻧﯽ روش ﻫـﺎی ﮐﺎرﺑﺮدی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﯿﺎن ﻣﯽ ﮔﺮدد . - داﻣﻨﻪ ﮐﺎرﺑﺮد ﺑﺮآورد ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ در ﺑﺴﯿﺎری از ﻣﻄﺎﻟﻌﺎت ﻫﻮاﺷﻨﺎﺳﯽ و ﻣﻨﺎﺑﻊ آب اﺟﺘﻨﺎب ﻧﺎﭘﺬﯾﺮ اﺳـﺖ . ﻟـﯿﮑﻦ ﺑـﻪ دﻟﯿـﻞ ﻋـﺪم اﻣﮑﺎن ﭘﻮﺷﺶ ﮐﺎﻣ ﻞ ﻣﻨﻄﻘﻪ ﺗﻮﺳﻂ اﯾﺴﺘﮕﺎه ﻫﺎ ی اﻧﺪازه ﮔﯿﺮی ، ﺑﺮآورد ﻋﺎﻣﻞ ﻣﻮرد ﻧﻈﺮ ﺑﺮای ﻣﻨﺎﻃﻖ ﺑﯿﻦ اﯾﺴﺘﮕﺎه ﻫﺎ ﺑﺎﯾـﺪ ﻣـﻮرد ﺗﻮﺟـﻪ ﻗـﺮار ﮔﯿﺮد . ﺑﺮآورد ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ ﭼﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب روش ﻫﺎ ی ﻣﻨﺎﺳﺐ ﻣﯽ ﺗﻮاﻧﺪ از ﻋﻮاﻣﻞ ﻣﻬـﻢ اﯾﺠـﺎد ﺧﻄـﺎ در ﻣﻄﺎﻟﻌﺎت ﺑﺎﺷﺪ . روش ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ ﺑﺮای ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ و ﺳﺎﯾﺮ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ وﺟﻮد دارد ﮐﻪ در اﯾـﻦ راﻫﻨﻤـﺎ ﺷـﺮح داده ﺧﻮاﻫﺪ ﺷﺪ . از ﻧﻈﺮ ﻣﺤﺪودﯾﺖ ﻫﺎ ﺑﺎﯾﺪ اﺷﺎره ﮐﺮد ﮐﻪ روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻤﻮﻣﺎ ﺑﺮای درون ﯾﺎﺑﯽ ) ﺑـﯿﻦ ( اﯾﺴـﺘﮕﺎه ﻫـﺎ ﻫﺴـﺘﻨﺪ و در ﻣﻨﺎﻃﻖ ﺑﺮون ﯾﺎﺑﯽ ﺑﺎ اﺷﮑﺎل ﮐﺎﻫﺶ دﻗﺖ روﺑﺮو ﻫﺴﺘﻨﺪ . ﻫﻤﭽﻨﯿﻦ ﺑ ﺎﯾﺪ ﺗﻮﺟﻪ داﺷﺖ ﮐﻪ ﯾﮏ روش ﻋﻤﻮﻣﯽ و ﺟﻬﺎﻧﯽ ﺑﺮای ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﻫـﺎی ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ وﺟﻮد ﻧﺪارد . 1ﻓﺼﻞ 1 آﺷﻨﺎﯾﯽ ﻣﻘﺪﻣﺎﺗﯽ ﺑﺎ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻓﺼﻞ اول - آﺷﻨﺎﯾﯽ ﻣﻘﺪﻣﺎﺗﯽ ﺑﺎ روش ﻫﺎی درون ﯾﺎﺑﯽ 5 ﻓﺼﻞ او ل- آﺷﻨﺎﯾﯽ ﻣﻘﺪﻣﺎﺗﯽ ﺑﺎ روش ﻫﺎی درون ﯾﺎﺑﯽ 1 - 1 -ﮐﻠﯿﺎت ﻫﺎ داده ی ﻧﻘﻄﻪ ای ﻫﺎ داده ﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در ﻣﮑﺎن ﯾﺎ ﻣﮑﺎن ﻫﺎی ﻣﻌﯿ )ﻨﯽ ﻣﺎﻧﻨﺪ اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻫﻮاﺷﻨﺎﺳﯽ ( اﻧﺪازه ﮔﯿﺮی ﻣﯽ ﺷﻮﻧﺪ . ﺑﻪ ﻣﻨﻈـﻮر ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﻫﺎ ی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ و ﻣﻄﺎﻟﻌﻪ اﻟﮕﻮﻫﺎی ﻣﮑﺎﻧﯽ، ﻫﺎ داده ی ﻧﻘﻄﻪ ای ﻃﯽ ﻓﺮآﯾﻨﺪ درون ﯾﺎﺑﯽ ﺑﻪ ﺳﻄﺢ ﺗﻌﻤﯿﻢ ﻣﯽ ﯾﺎﺑﻨﺪ . ﮐﻠﻤﻪ درون ﯾﺎﺑﯽ 1 از دو ﮐﻠﻤﻪ ﻻﺗﯿﻦinter ﺑﻪ ﻣﻌﻨﺎی ﺑﯿﻦ وpolier ﺑﻪ ﻣﻌﻨﺎی ﭘﯿﺮاﺳﺘﻦ و ﭘﺎﻻ ﯾﺶ ﮐﺮدن ﺗﺸﮑﯿﻞ ﺷﺪه اﺳﺖ . درون ﯾﺎﺑﯽ ﻣﮑﺎﻧﯽ ﻓﺮآﯾﻨﺪی اﺳﺖ ﮐﻪ در آن ﺑﺎ اﺳﺘﻔﺎده از ﻣﻘﺎدﯾﺮ اﻧﺪازه ﮔﯿﺮی ﺷﺪه در ﻧﻘﺎط ﻣﻌﻠﻮم، ﻣﻘﺎدﯾﺮ ﻧﻘﺎط ﻣﺠﻬﻮل ﺗﺨﻤﯿﻦ زده ﺷﻮد ﻣﯽ . ﺑﻪ ﻋﻨﻮان ﻣﺜـﺎل، ﺑـﺎ اﺳـﺘﻔﺎده از درون ﯾﺎﺑﯽ ﺗﻮان ﻣﯽ دﻣﺎ را در ﻧﻘﺎﻃﯽ ﮐﻪ اﯾﺴﺘﮕﺎه ﻫﻮاﺷﻨﺎﺳﯽ وﺟﻮد ﻧﺪارد ﺑﺎ اﺳﺘﻔﺎده از اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻣﺠﺎور آن ﻣﻨﻄﻘﻪ ﺗﺨﻤﯿﻦ زد . اﻣـﺮوزه از ﻗﺎﺑﻠﯿﺖ ﻫﺎی ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ (GIS) در درون ﯾﺎﺑﯽ ﺑﻪ ﻣﻨﻈﻮر اﺳﺘﺨﺮاج ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ ی ﻫﻮاﺷﻨﺎﺳﯽ و ﻫﯿﺪروﻟﻮژﯾﮑﯽ در ﻗﺎﻟﺐ ﺷﺒﮑﻪ ﻫﺎی ﺳﻠﻮﻟﯽ و ﯾﺎ ﻣﺪل ﻫﺎی ﺑﺮداری اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ . روش ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ ﺑﺮای درون ﯾﺎﺑﯽ ﻫﺎ داده ی ﻣﮑﺎﻧﯽ وﺟﻮد دارد ﮐﻪ در اﯾﻦ دﺳﺘﻮراﻟﻌﻤﻞ ﺑﻪ ﺗﺮ ﻣﻬﻢ ﯾﻦ آﻧﻬﺎ اﺷﺎره ﺧﻮاﻫﺪ ﺷﺪ . ﻣﺘﺎﺳﻔﺎﻧﻪ اﻏﻠﺐ ﮐﺎرﺑﺮان ﻣﻌﻤﻮﻻ ﺳﺎده ﺗﺮﯾﻦ ﯾﺎ ﺷﻨﺎﺧﺘﻪ ﺷﺪه ﺗﺮﯾﻦ روش را اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﻨﺪ و ﺑﺪون ﻣﻘﺎﯾﺴﻪ دﻗﺖ روش ﻫﺎ اﻗﺪام ﺑﻪ اﺳﺘﺨﺮاج ﻧﻘﺸﻪ ﻫﺎ ی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﯽ ﻧﻤﺎﯾﻨﺪ . ﻫﺮﮔﻮﻧﻪ ﮐﺎﺳﺘﯽ در اﻧﺘﺨﺎب روش ﻣ ﻨﺎﺳﺐ ﺗﻮزﯾﻊ ﻣﮑـﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ و ﺑﯽ ﺗﻮﺟﻬﯽ ﺑﻪ دﻗﺖ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣﯽ ﺗﻮاﻧﺪ ، ﻣﻮﺟﺐ ﺑﺮوز ﺧﻄﺎ در ﺑﺮآوردﻫﺎی ﻃﺮاﺣﯽ ﺷﻮد . ﻫﺪف اﯾﻦ راﻫﻨﻤﺎ اراﺋﻪ ﻧﺤﻮه ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ ی اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ روش ﻣﯽ ﺑﺎﺷـﺪ ﮐـﻪ ﺑـﺮای اﯾـﻦ ﻣﻨﻈـﻮر ﻣﺮاﺣﻞ ﻣﻮرد ﻧﯿﺎز ﺟﻬﺖ اﻧﺠﺎم ﯾﮏ ﺑﺮآورد ﻣﻨﺎﺳﺐ از اﺑﺘﺪا ﺗﺎ اﻧﺘﻬﺎ ﺗﺸﺮﯾﺢ ﺷﻮد ﻣﯽ . ﻟﺬا ﺳﺎﺧﺘﺎر اﯾﻦ راﻫﻨﻤﺎ ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ اﺳـﺖ ﮐـﻪ در اداﻣـﻪ اﯾﻦ ﻓﺼﻞ ﺑﻪ ﻣﺒﺎﻧﯽ درون ﯾﺎﺑﯽ ﭘﺮداﺧﺘﻪ ﺷﻮد ﻣﯽ . در ﻓﺼﻞ دوم ﺑﻪ آﻧﺎﻟﯿﺰ ﻣﻘﺪﻣﺎﺗﯽ ﻫﺎ داده ی ﻣﮑﺎﻧﯽ ﮐﻪ ﻗﺒﻞ از ﻣﻘﺎﯾﺴﻪ روش ﻫـﺎ ﺑﺎﯾـﺪ اﻧﺠـﺎم ﮔﯿﺮد، اﺷﺎره ﺧﻮاﻫﺪ ﺷﺪ . در ﻓﺼﻞ ﺳﻮم ﺑﻪ ﻧ ﺤﻮه آﻧﺎﻟﯿﺰ ﺳﺎﺧﺘﺎر ﻣﮑﺎﻧﯽ ﻫﺎ داده و ﭼﮕﻮﻧﮕﯽ ﺑﺮرﺳـﯽ ﻫﻤﺒﺴـﺘﮕﯽ ﻣﮑـﺎﻧﯽ ﭘﺎراﻣﺘﺮﻫـﺎی اﻗﻠﯿﻤـﯽ ﭘﺮداﺧﺘﻪ ﺷﻮد ﻣﯽ . در ﻓﺼﻞ ﭼﻬﺎرم ﻧﯿﺰ ﺑﻪ ﻧﺤﻮه اﻧﺘﺨﺎب اوﻟﯿﻪ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺗﺠﺮﺑـﯽ، ﻣﯿـﺰان ﻫﻤﺒﺴـﺘﮕﯽ ﻣﮑﺎﻧﯽ و ﻓﯿﺰﯾﮏ ﻣﺘﻐﯿﺮ ﭘﺮداﺧﺘﻪ ﺷﻮد ﻣﯽ . ﻫﻤﭽﻨﯿﻦ ﻧﺤﻮه ارزﯾﺎﺑﯽ روش ﻫﺎ ی ﻣﺨﺘﻠـﻒ و ﭼﻨـﺪ ﻣﻌﯿـﺎر ارزﯾـﺎﺑﯽ ﻧﯿـﺰ در اﯾـﻦ ﻓﺼـﻞ ﺗﺸـﺮﯾﺢ ﻣﯽ ﺷﻮﻧﺪ و ﭼﮕﻮﻧﮕﯽ اﺳﺘﺨﺮاج ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺮاﺳﺎس روش اﻧﺘﺨﺎﺑﯽ ﻧﯿﺰ در ﻫﻤﯿﻦ ﻓﺼﻞ ﺑﯿـﺎن ﻣـﯽ ﺷـﻮد . در ﻓﺼـﻞ ﭘـﻨﺠﻢ ﻧﯿـﺰ ﺑـﻪ ﻣﻌﺮﻓﯽ ﻧﺮم اﻓﺰار ﻫﺎی ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ و ﺑﺮﺧﯽ ﻧﺮم اﻓﺰار ﻫﺎی GIS ﺑﺎ ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی درون ﯾﺎﺑﯽ ﭘﺮداﺧﺘﻪ ﺷﻮد ﻣﯽ . در ﻓﺼﻞ ﺷﺸﻢ ، ﻣﺮاﺣـﻞ اﻧﺠـﺎم ﮐﺎر در ﻗﺎﻟﺐ ﯾﮏ ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﺗﺒﯿﯿﻦ ﺷﺪ ه اﺳﺖ . ﻧﻤﻮﻧﻪ ﻫﺎ ﯾﯽ از ﺗﺤﻘﯿﻘﺎت اﻧﺠﺎم ﺷـﺪه در داﺧـﻞ و ﺧـﺎرج ﮐﺸـﻮر در زﻣﯿﻨـﻪ ﭘﺎراﻣﺘﺮﻫـﺎی ﻫﻮاﺷﻨﺎﺳﯽ در ﭘﯿﻮﺳﺖ )1 ( اراﺋﻪ .ﺷﻮد ﻣﯽ ﺷﺮح ﻣﻔﺼﻞ ﺗﺮ روش ﻫﺎی آﻣﺎری اراﺋﻪ ﺷـﺪه در ﻓﺼـﻞ دوم در ﭘﯿﻮﺳـﺖ )2 ( اراﺋـﻪ ﻣـﯽ ﮔـﺮدد . در ﭘﯿﻮ ﺳﺖ )3 (ﺟﺰﯾﯿﺎت ﺑﯿﺶ ﺗﺮ ی از روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣﺘﺪاول و ﻣﻮرد ﺗﺎﮐﯿﺪ در اﯾﻦ راﻫﻨﻤﺎ ﺗﺸﺮﯾﺢ ﻣﯽ ﺷـﻮد . ﭘﯿﻮﺳـﺖ ﻫـﺎ ) ی 4 ( و )5 ( ﺑـﻪ ﻣﻌﺮﻓﯽ ﺟﺰﯾﯿﺎت اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ﻫﺎی ﻣﻌﺮﻓﯽ ﺷﺪه اﺧﺘﺼﺎص داده ﺷﺪه اﺳﺖ . 1 - 2 - ﻣﺒﺎﻧﯽ درون ﯾﺎﺑﯽ ﺷﮑﻞ ﻋﻤﻮﻣﯽ راﺑﻄﻪ درون ﯾﺎﺑﯽ ﺧﻄﯽ در ﯾﮏ ﻧﻘﻄﻪ ﻓﺎﻗﺪ اﻧﺪازه ﮔﯿﺮی ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ : )1 - 1( n 0 i i i 1 ˆz w .z = =å 1- Interpolation 6 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﮐﻪ0ˆz ﻣﻘﺪار ﺑﺮآوردی ﻣﺘﻐﯿﺮ در ﻧﻘﻄﻪ ﻓﺎﻗﺪ اﻧﺪازه ﮔﯿﺮی ﺑﺎ ﻣﺨﺘﺼﺎت ﻣﻌﻠﻮم، wi وزن ﻧﻘﻄﻪiام ﻣﺸﺎﻫﺪه ای ﯾﺎ ) اﻧـﺪازه ﮔﯿـﺮی ﺷـﺪه ، (zi ﻣﻘﺪار ﻣﺸﺎﻫﺪه ﺷﺪه ﻣﺘﻐﯿﺮ در ﻧﻘﻄﻪi )ﺑﺎ ﻣﺨﺘﺼﺎت ﻣﻌﻠﻮم و ( n ﺗﻌ ﺪاد ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﻣﯽ ﺑﺎﺷﺪ ﺑﻪ ﻧﺤﻮی ﮐﻪ i=1, 2, 3, ….,n . ﺗﻔﺎوت روش ﻫﺎ ی ﻣﺨﺘﻠﻒ درون ﯾﺎﺑﯽ در ﻧﺤﻮه ﻣﺤﺎﺳﺒﻪ ﻫﺎ وزن (w) ﻣﯽ ﺑﺎﺷﺪ . ﺑﺮآورد ﻣﻘﺎدﯾﺮ ﻣﺠﻬﻮل ﺑﺮ اﯾـﻦ اﺻـﻞ اﺳـﺘﻮار اﺳـﺖ ﮐـﻪ ﻣﻘﺎدﯾﺮ ﻣﻌﻠﻮم ﮐﻪ در اﻃﺮاف و ﻫﻤﺴﺎﯾﮕﯽ ﻧﻘﻄﻪ ﻓﺎﻗﺪ اﻧﺪازه ﮔﯿﺮی ) ﻣﺠﻬﻮل ( ﻗﺮار دارﻧﺪ، ﻫﻤﺒﺴـﺘﮕﯽ ﺑـﯿﺶ ﺮﺗـ ی ﺑـﺎ ﻣﻘـﺪار ﻣﺘﻐﯿـﺮ در ﻧﻘﻄـﻪ ﻣﺠﻬﻮل ﻧﺴﺒﺖ ﺑﻪ ﻧﻘﺎط دورﺗﺮ دارﻧﺪ و ﻟﺬا اﻧﺘﻈﺎر رود ﻣﯽ وزن ﻧﻘﺎط ﻧﺰدﯾﮏ ﺑﯿﺶ ﺗﺮ ﺗﺮ ﺑﺎﺷﺪ . 1 - 3 - اﻧﻮاع درون ﯾﺎب ﻫﺎ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﻫﺎ ی ﻣﺘﻌﺪدی ﺑﺮای روش ﻫـﺎ ی درون ﯾـﺎﺑﯽ وﺟـﻮد دارد . ﻣﺎﻧﻨـﺪ روش ﺳﺮاﺳـﺮی 1 در ﺑﺮاﺑـﺮ روش ﻫـﺎی ﻣﺤﻠـﯽ 2 . در روش ﺳﺮاﺳﺮی ﮐﻠﯿﻪ ﻧﻘﺎط ﻣﺸﺎﻫﺪه ا ی در ﻣﺤﺎﺳﺒﺎت ﻧﻘﻄﻪ ﯾﺎ ﻧﻘﺎط ﻣﺠﻬﻮل دﺧﺎﻟﺖ داده ﻣﯽ ﺷﻮﻧﺪ ) ﻣﺎﻧﻨـﺪ روش ﺳـﻄﺢ روﻧـﺪ 3 .( درﺣـﺎﻟﯽ در ﮐـﻪ روش ﻫﺎ ی ﻣﺤﻠﯽ ﻓﻘﻂ از ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﻣﻮﺟﻮد در ﯾﮏ ﻣﺤﺪوده، ﮐﻪ ﺑﻪ ﻋﻨﻮان ﻫﻤﺴﺎﯾﻪ ﯾﺎ ﭘﻨﺠﺮه ﺷﻨﺎﺧﺘﻪ ﻣﯽ ﺷـﻮد ، اﺳـﺘﻔﺎده ﻣـﯽ ﮐﻨﻨـﺪ . ﭘﻨﺠﺮه ﻫﺎ ﻗﺪم ﺑﻪ ﻗﺪم روی ﻣﺠﻤﻮﻋﻪ ﻫﺎ داده ﺣﺮﮐﺖ داده ﻮﻧﺪﺷ ﻣﯽ ﺗﺎ ﻋﻤﻠﯿﺎت درون ﯾﺎﺑﯽ در ﮐﻞ ﻣﺤﺪوده ﻣﻮرد ﻧﯿﺎز ﮐﺎﻣﻞ ﺷﻮد . ﻧﻮع دﯾﮕﺮ ﺗﻘﺴﯿﻢ ﺑﻨﺪی روش ﻫﺎ ی درون ﯾﺎﺑﯽ ، ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﺑﻪ روش ﻫﺎ ی دﻗﯿـﻖ 4 و ﺗﻘﺮﯾﺒـﯽ5 ﻣـﯽ ﺑﺎﺷـﺪ . در روش ﻫـﺎ ی دﻗﯿـﻖ ﺳـﻄﺢ درون ﯾﺎﺑﯽ ﺷﺪه از ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﻋﺒﻮر ) ﮐﻨﺪ ﻣﯽ ﻣﺎﻧﻨﺪ روش ﻋﮑﺲ ﻓﺎﺻﻠﻪ وزﻧﯽ 6.( در روش ﻫﺎ ی ﺗﻘﺮﯾﺒﯽ ﻣ ﻘـﺪاری ﻋـﺪم ﻗﻄﻌﯿـﺖ ﺑـﺮای ﻫﺎ داده در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد ﻣﯽ و ﻟﺬا ﺳﻄﺢ درون ﯾﺎﺑﯽ ﻣﻤﮑﻦ اﺳﺖ از ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﻋﺒﻮر ﻧﮑﻨﺪ ) ﻣﺎﻧﻨﺪ روش ﺳﻄﺢ روﻧﺪ (. ،در ﯾﮏ دﯾﺪﮔﺎه دﯾﮕﺮ ﻧﯿﺰ روش ﻫﺎ ﺑﻪ دو دﺳﺘﻪ ﺗﺪرﯾﺠﯽ7 و ﻧﺎﮔﻬﺎﻧﯽ8 ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﻣﯽ ﺷـﻮﻧﺪ . ﯾـﮏ ﻧﻤﻮﻧـﻪ ﻣﻌﻤـﻮل از روش ﺗـﺪرﯾﺠﯽ، روش ﻣﯿﺎﻧﮕﯿﻦ ﻣﺘﺤﺮک وزﻧﯽ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺗﻐﯿﯿﺮات در ﺳﻄﺢ درون ﯾﺎﺑﯽ ﺷﺪه ﺗﺪرﯾﺠﯽ ﺻﻮرت ﻣﯽ ﮔﯿﺮد . در روش ﻫـﺎ ی ﻧﺎﮔﻬـﺎﻧﯽ، ﺗﻐﯿﯿـﺮات ﻧﺎﮔﻬﺎﻧﯽ ﯾﺎ ﺷﮑﺴﺘﮕﯽ در ﺳﻄﺢ درون ﯾﺎﺑﯽ وﺟﻮد دارد . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﻧﻘﺸﻪ ﻫﺎ ی زﻣﯿﻦ ﺷﻨﺎﺳﯽ وﺟﻮد ﮔﺴﻞ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺎﻋﺚ ﺑﻮﺟﻮد آﻣـﺪن ﻧﺎﭘﯿﻮﺳﺘﮕﯽ در ﻣﺘﻐﯿﺮ درون ﯾﺎﺑﯽ ﺷﻮد . ﻧﻮع دﯾﮕﺮ ﺗ ﻘﺴﯿﻢ ﺑﻨﺪی روش ﻫﺎ ﺑﻪ ﻗﻄﻌﯽ9 و ﺗﺼﺎدﻓﯽ10 ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻫﻤﯿﺖ آن، اﯾﻦ ﻧـﻮع دﺳﺘﻪ ﺑﻨﺪی در اداﻣﻪ ﺗﻮﺿﯿﺢ داده ﺷﻮد ﻣﯽ . 1 - 3 - 1 -درون ﯾﺎب ﻫﺎ ی ﻗﻄﻌﯽ در روش ﻫﺎ ی ﻗﻄﻌﯽ ﯾﮏ ﯾﺎ ﭼﻨﺪ روﯾﻪ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای (z) در ﻣﺨﺘﺼﺎت ﻣﻌﻠﻮم ﺑـﺮازش داده ﻣـﯽ ﺷـﻮد . درون ﯾـﺎب ﻫـﺎ ی ﻗﻄﻌﯽ ﺗﻮاﻧ ﻣﯽ ،ﻨﺪ دﻗﯿﻖ و ﯾﺎ ﺗﻘﺮﯾﺒﯽ ﺑﺎﺷﻨﺪ ﺑﻪ ﻃﻮری ﮐﻪ اﮔﺮ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﺑﻪ ﻋﻨﻮان ﻣﻘﺎدﯾﺮ دﻗﯿﻖ ) ﺑﺪون ﺧﻄـﺎ و ﯾـﺎ ﻋـﺪم ﻗﻄﻌﯿـﺖ ( در ﻣﺤﻞ ﻫﺎ ی ﻧﻤﻮﻧﻪ ﮔﯿﺮی ﺗﻠﻘﯽ ﺷﻮد، اﺳﺘﻔﺎده از ﯾﮏ روش دﻗﯿﻖ ﺑﺮای درون ﯾﺎﺑﯽ ﺗﻮﺻﯿﻪ ﺷﻮد ﻣﯽ وﻟﯽ . اﮔﺮ ﻣﻘﺪاری ﻋﺪم ﻗﻄﻌﯿﺖ ﺑﺮای ﻣﺘﻐﯿـﺮ 1- Global 2- Local 3- Trend Surface 4- Exact 5- Approximate (or Inexact) 6- Inverse Distance Weighting (IDW) 7- Gradual 8- Abrupt 9- Deterministic 10- Stochastic ﻓﺼﻞ اول - آﺷﻨﺎﯾﯽ ﻣﻘﺪﻣﺎﺗﯽ ﺑﺎ روش ﻫﺎی درون ﯾﺎﺑﯽ 7 درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد، ﻣﻤﮑﻦ اﺳﺖ ﯾﮏ روش ﻫﻤﻮار1 اﻧﺘﺨﺎب ﺷﻮد . ﻟﺬا در اﯾﻦ دﺳﺘﻪ، ﺗﻮاﺑﻊ رﯾﺎﺿﯽ ﻣﺨﺘﻠﻔﯽ ﺑﺮای ﺑﺮازش ﺳـﻄﻮح درون ﯾـﺎﺑﯽ ﺑﻪ ﻧﻘﺎط ﻣﻌﻠﻮم ﺗﻮاﻧ ﻣﯽ ،ﻨﺪ اﺳﺘﻔﺎده ﺷﻮﻧﺪ . روش ﻫﺎ ی ﭼﻨﺪ ای ﺟﻤﻠﻪ و اﺳﭙﻼﯾﻦ2 از ﺟﻤﻠﻪ ﺗﻮاﺑﻊ ﻣﻮرد اﺳﺘﻔﺎده در روش ﻫﺎ ی ﻗﻄﻌـﯽ ﻣـﯽ ﺑﺎﺷـﻨﺪ . از ﺗﺮ ﻣﻬﻢ ﯾﻦ روش ﻫﺎ ی دﯾﮕﺮی ﮐﻪ در اﯾﻦ دﺳﺘﻪ ﻗﺮار ﻣﯽ ، ﺪﮔﯿﺮﻧ روش ﻫﺎ ی ﻋﮑﺲ ﻓﺎﺻﻠﻪ، ﺗﯿﺴﻦ و ﻣﺜﻠﺚ ﺑﻨﺪی ﻣﯽ ﺑﺎﺷﻨﺪ . 1 - 3 - 2 -درون ﯾﺎب ﻫﺎ ی ﺗﺼﺎدﻓﯽ درون ﻫﺎ ﯾﺎب ی ﺗﺼﺎدﻓﯽ ﺑﻪ دﺳﺘﻪ از ای روش ﻫﺎ ﮔﻔﺘﻪ ﺷﻮد ﻣﯽ ﮐﻪ ﺑﺮ ﭘﺎﯾﻪ وﯾﮋﮔﯽ ﻫﺎ ی آﻣﺎری ﺳـﺮی ﻣﮑـﺎﻧﯽ ﻣﺘﻐﯿـﺮ ﻣـﻮرد ﻧﻈـﺮ، ﻧﻈﯿـﺮ ﻣﯿﺎﻧﮕﯿﻦ و اﻧﺤﺮاف ﻣﻌﯿﺎر اﺳﺘﻮار ﻣﯽ ﺑﺎﺷﺪ . در روش ﻫﺎ ی آﻣﺎری ﺗﺨﻤﯿﻦ ﻣﯿﺎﻧﮕﯿﻦ ﻣﮑﺎﻧﯽ ﯾﮏ ﻣﻨﻄﻘﻪ، ﺑﻪ ﺗﻌﺪاد ﻧﻤﻮﻧـﻪ ﻫـﺎ و اﺣﺘﻤـﺎل دﺧﺎﻟـﺖ ﻫﺮ ﻧﻤﻮﻧﻪ واﺑﺴﺘﻪ اﺳﺖ . اﯾﻦ ﻧﻮع از درون ﻫﺎ ﯾﺎب در زﻣﯿﻨﻪ ﻧﻤﻮﻧﻪ ﺑﺮداری ﮐﻼﺳﯿﮏ ﺑﻪ ﻋﻨﻮان روش ﻫﺎ ی ﻃﺮاﺣﯽ ﻣﺤﻮر3 ﺷـﻨﺎﺧﺘﻪ ﻣـﯽ ﺷـﻮﻧﺪ . ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ ﮐﻪ وزن ﻫﺎ داده ی ﻣﺸﺎﻫﺪه ای در اﯾﻦ ﻧﻮع درون ﻫﺎ ﯾﺎب ﺑﺮاﺳﺎس ﻋﺒﺎرات اﺣﺘﻤﺎﻻﺗﯽ ﺳﺎده ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮﻧﺪ . ﯾﮏ ﻓﺮآﯾﻨﺪ آﻣﺎری (F(x)) ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﻓﺮآﯾﻨﺪی ﮐﻪ دارای ﯾﮏ ﺑﺨﺶ ﺳﺎﺧﺘﺎردار ﯾﺎ ﻗﻄﻌﯽ و ﯾﮏ ﺑﺨﺶ ﺑﺎ ﻫﻤﺒﺴـﺘﮕﯽ ﻣﮑـﺎﻧﯽ ﺗﺼﺎدﻓﯽ اﺳﺖ، ﺗﻌﺮﯾﻒ ﺷﻮد . ﺗﺎﺑﻊ ﺑﺎ اﺳﺘﻔﺎده از ﻧﻘﺎط ﻣﺸﺎﻫﺪه ﺷﺪه ﺑﻪ دﺳﺖ . آﯾﺪ ﻣﯽ در اﯾﻦ ﺣﺎﻟﺖ ﺑﺨﺶ ﺳـﺎﺧﺘﺎردار ﯾـﺎ روﻧـﺪ ﮐـﻪ ﺑـﺎ f(x) ﻧﺸﺎن داده ﺷﺪه اﺳﺖ، ﺑﺎ ﺑﺮازش ﯾﮏ ﺗﺎﺑﻊ ﺧﻄﯽ ﯾﺎ ﻏﯿﺮﺧﻄﯽ ﻣﻨﺎﺳﺐ ﺗﻌﯿﯿﻦ ﺷﻮد . ﺑﻨﺎﺑﺮاﯾﻦ : )1 - 2( F(x) f (x) (x) = + e ﺑﻪ ﻃﻮری ﮐﻪ ε(x) ﻣﻌﺮف ﺟﺰ ﺗﺼﺎدﻓﯽ ﻣﯽ ﺑﺎﺷﺪ . در روش ﻫﺎ ی اﺣﺘﻤﺎﻻﺗﯽ، ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺑﺎﻗﯽ ﻣﺎﻧﺪه یﻫﺎ (x) F(x) f (x) e = - ﺑﻪ وﺳـﯿﻠﻪ وارﯾـﺎﻧﺲ ﻓﻮاﺻـﻞ ﺑـﯿﻦ ﻧﻘـﺎط ﺗﺤﻠﯿـﻞ ﻣﯽ ﺷﻮﻧﺪ . درون ﯾﺎﺑﯽ ﺑﻪ وﺳﯿﻠﻪ ﮐﻤﯿﻨﻪ ﮐﺮدن وارﯾﺎﻧﺲ ﺗﺨﻤﯿﻦ اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد . ﺑﻨﺎﺑﺮاﯾﻦ ﺗﻮان ﻣﯽ ﮔﻔﺖ ﮐـﻪ روش ﻫـﺎ ی آﻣـﺎری ﺗـﺎ ﺣـﺪودی »ﺑﻬﺘﺮﯾﻦ « ﺗﺨﻤﯿﻦ را اراﺋﻪ ﻧﻤﻮده و ﻣﻘﺪار اﻋﺘﺒﺎر ﺗﺨﻤﯿﻦ را ﻧﯿﺰ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﻧﻤﺎﯾﻨﺪ . اﻧـﻮاع ﻣﺨﺘﻠـﻒ روش ﮐﺮﯾﺠﯿﻨـﮓ از ﺟﻤﻠـﻪ روش ﻫـﺎ ی آﻣﺎری ﻣﯽ ﺑﺎﺷﻨﺪ . ﺗﺎرﯾﺨﭽﻪ و ﮐﺎرﺑﺮد اﯾﻦ روش ﻫﺎ در ﺑﺮآورد ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺨﺘﻠﻒ در ﭘﯿﻮﺳﺖ )1 (اراﺋﻪ ﺷﺪه اﺳﺖ . ﺷﺮح ﺑﯿﺶ ﺗـﺮ ﻫـﺮ ﯾـﮏ از روش ﻫﺎ ﻧﯿﺰ در ﭘﯿﻮﺳﺖ )3 ( اراﺋﻪ اﺳﺖ ﺷﺪه . 1- Smoothing 2- Splin 3- Design – Based 2 ﻓﺼﻞ2 ﺑﺮرﺳﯽ ﻫﺎ ی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻓﺼﻞ دوم- ﺑ ﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 11 ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 2 - 1 -ﮐﻠﯿﺎت در ﻣﺮﺣﻠﻪ اول ﺑﺮای اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ ﻻزم اﺳﺖ ، اﺑﺘﺪا ﺷﻨﺎﺧﺖ ﮐﻠﯽ از ﻫﺎ داده ی ﻣﮑﺎﻧﯽ ﮐﺴـﺐ ﺷـﻮد . ﺷـﻨﺎﺧﺖ رﻓﺘـﺎر ﻫﺎ داده ی ﻣﮑﺎﻧﯽ ﻣﯽ ﺗﻮاﻧﺪ در دو ﻣﺮﺣﻠﻪ ﺻﻮرت ﮔﯿﺮد . 1 - ﺑﺮرﺳﯽ ﻫﺎ ی آﻣﺎری و ﻫﺎ داده2 - ﺑﺮرﺳﯽ ﻋﻮاﻣﻞ ﻣﻮﺛﺮ ﺑﺮ ﻣﺘﻐﯿﺮ ﻣﻮرد ﻧﻈـﺮ . اﻃـﻼع داﺷﺘﻦ از اﯾﻦ ﻋﻮاﻣﻞ ﻣﯽ ﺗﻮاﻧﺪ در اﻧﺘﺨﺎب روش و ﺗﻔﺴﯿﺮ ﻧﺘﺎﯾﺞ ﮐﻤﮏ ﻣﻮﺛﺮی ﻧﻤﺎﯾﺪ . ﻟﺬا در اﯾﻦ ﻓﺼﻞ ﺗﺤﻠﯿﻞ ﻫـﺎی آﻣـﺎر ﺗﻮﺻـﯿﻔﯽ ، ﻫـﺎ داده ارﺗﺒﺎط ﻣﺘﻐﯿﺮﻫﺎ و ﻧﯿﺰ رﻓﺘﺎر ﭘﺎراﻣﺘﺮﻫﺎی اﻗﻠﯿﻤﯽ در اﯾﺮان ﺑﻪ اﺧﺘﺼﺎر اراﺋﻪ ﻣـﯽ ﺷـﻮﻧﺪ . ﻫﻤﭽﻨـﯿﻦ در ﻣـﻮرد ارﺗﺒـﺎط ﺑـﯿﻦ ﻣﻘﯿـﺎس ﻧﻘﺸـﻪ و ﻫـﺎ ﺗﻔﮑﯿﮏ ﭘﺬﯾﺮ ی ﻣﮑﺎﻧﯽ ﻣﻮرد اﺳﺘﻔﺎده در ﺗ ﻮﻟﯿﺪ ﻧﻘﺸﻪ ﻫﺎ ﻫﻢ ی ﻣﻘﺪار ﻣﻄﺎﻟﺒﯽ اراﺋﻪ ﺷﺪه اﺳﺖ . در ﻧﻬﺎﯾﺖ ﺑﺎ ﺗﻮﺟﻪ ﺑـﻪ اﻫﻤﯿـﺖ ﻫﻤﮕـﻦ ﺑﻨـﺪی و ﺑﻨﺪی ﻃﺒﻘﻪ در ﻫﺎ داده درون ﯾﺎﺑﯽ ﻫﺎ داده ی ﻧﻘﻄﻪ روش ای ﻫﺎ ی ﻣﺘﺪاول آن ﻣﻌﺮﻓﯽ . اﻧﺪ ﺷﺪه 2 - 2 - آﻣﺎر ﺗﻮﺻﯿﻔﯽ داده ﻫﺎ اﯾﻦ ﺑﺨﺶ از ﻣﻄﺎﻟﺐ در ﺳﻪ ﻗﺴﻤﺖ آﻧﺎﻟﯿﺰ آﻣﺎر ﺗﻮﺻﯿﻔﯽ ﺗﮏ ﻣﺘﻐﯿﺮه، آﻣﺎر ﺗﻮﺻﯿﻔﯽ د و ﻣﺘﻐﯿﺮه و آﻣﺎر ﺗﻮﺻﯿﻔﯽ ﻣﮑﺎﻧﯽ اراﺋﻪ ﺧﻮاﻫﺪ ﺷﺪ . 2 - 2 - 1 -آﻣﺎرﺗﻮﺻﯿﻔﯽ ﺗﮏ ﻣﺘﻐﯿﺮه اﻟﻒ- ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﯾﮑﯽ از ﻣﺘﺪاول ﺗﺮ ﯾﻦ و ﻣﻔﯿﺪﺗﺮﯾﻦ روش ﻫﺎ ی اراﺋﻪ اﻃﻼﻋﺎت، ﺟﺪول ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﻣﯽ ﺑﺎﺷﺪ . اﻏﻠﺐ ﯾـﮏ ﺟـﺪول ﻓﺮاواﻧـﯽ ﻣﻘـﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای را در ﻓﻮاﺻﻞ ﻣﻌﯿﻦ ﺗﻘﺴﯿﻢ . ﮐﻨﺪ ﻣﯽ ﺟﺪول )2 - 1 (ﻓﺮ اواﻧﯽ ﯾﮏ ﻣﺘﻐﯿـﺮ ﻓﺮﺿـﯽ را ﻧﺸـﺎن ﻣـﯽ دﻫـﺪ . اﻃﻼﻋـﺎت ﺟـﺪول )2 - 1 ( ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت ﻫﯿﺴﺘﻮﮔﺮام ﻧﺸﺎن داده ﺷﻮد ) ﺷﮑﻞ 2 - 1 اﻟﻒ (. ﺑﻪ ﻃﻮر ﻣﻌﻤﻮل از ﯾـﮏ داﻣﻨـﻪ ﺛﺎﺑـﺖ ﺑـﺮای ﮐـﻼس ﻫـﺎ ی ﻫﯿﺴـﺘﻮﮔﺮام اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ ﺑﻪ ، ﻃﻮری ﮐﻪ ارﺗﻔﺎع ﻫﺮ ﻧﻮار ﻓﺮاواﻧﯽ ﻣﺘﻐﯿﺮ ﻣﻮرد ﻧﻈﺮ را در ﻫﺮ ﮐﻼس ﺑﻪ ﻃـﻮر ﻧﺴـﺒﯽ ﻧﺸـﺎن ﻣـﯽ دﻫـﺪ . در ﺑﺮﺧـﯽ ﻣـﻮارد ﺗﻮان ﻣﯽ از ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﺗﺠﻤﻌ ﯽ اﺳﺘﻔﺎده ﻧﻤﻮد ) ﺷﮑﻞ 2 - 1 (. ب ب- آﻣﺎره ) ﻫﺎ ﺧﻼﺻﻪ ﻫﺎ ی آﻣﺎری ( ﺗﺮ ﻣﻬﻢ ﯾﻦ ﺧﺼﻮﺻﯿﺎت ﻫﯿﺴﺘﻮﮔﺮام ﻫﺎ ی ﻓﺮاواﻧﯽ ﻫﺎ داده ی ﻣﮑﺎﻧﯽ را ﺗﻮان ﻣﯽ ﺗﻮﺳﻂ ﺗﻌﺪادی از آﻣﺎره ﻫﺎ اﺳﺘﺨﺮاج . ﺮدﮐ آﻣﺎره ﻫـﺎ ﺑـﻪ ﺳـﻪ دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﺑﻨﺪی :ﻧﺪﺷﻮ ﻣﯽ ﻣﻌﯿﺎرﻫﺎی ﻣﻮﻗﻌﯿﺖ ، ﻣﻌﯿﺎرﻫﺎی ﭘﺮاﮐﻨﺶ و ﻣﻌﯿﺎرﻫـﺎی ﺷـﮑﻞ ، آﻣـﺎره ﻫـﺎ ی اوﻟـﯿﻦ ﮔـﺮوه ، اﻃﻼﻋـﺎﺗﯽ در ﻣـﻮرد ﻗﺴﻤﺖ ﻫﺎ ی ﻣﺨﺘﻠﻒ ﺗﻮزﯾﻊ اراﺋﻪ ﻣﯽ دﻫﻨﺪ . ﻣﯿﺎﻧﮕﯿﻦ، ﻣﯿﺎﻧﻪ و ﻣﺪ ﻣﻮﻗﻌﯿﺖ ﻣﺮﮐﺰ ﺗﻮزﯾﻊ ﻓﺮاواﻧﯽ را ﺗﻌﯿﯿﻦ ﻣﯽ ﮐﻨﻨﺪ . ﻣﻮﻗﻌﯿﺖ ﻗﺴﻤﺖ ﻫﺎ ی دﯾﮕـﺮ ﺗﻮزﯾﻊ ﺑﺎ ﭼﻨﺪک یﻫﺎ 1 )ﮐﻮاﻧﺘﺎﯾﻞ ( ﻣﺨﺘﻠﻒ ﻗﺎﺑﻞ اﺳ ﺘﺨﺮاج اﺳﺖ . دوﻣﯿﻦ ﮔﺮوه ﺷﺎﻣﻞ وارﯾـﺎﻧﺲ، اﻧﺤـﺮاف ﻣﻌﯿـﺎر، ﺿـﺮﯾﺐ ﺗﻐﯿﯿـﺮات و ﻓﺎﺻـﻠﻪ ﮐﻮاﻧﺘﺎﯾﻞ اﺳﺖ ﮐﻪ در ﺗﻮﺻﯿﻒ ﻣﯿﺰان ﺗﻐﯿﯿﺮات ﻣﻘﺎدﯾﺮ ﻫﺎ داده ﺣﻮل ﻣﯿﺎﻧﮕﯿﻦ ﻣﻔﯿـﺪ ﻣـﯽ ﺑﺎﺷـﻨﺪ . ﺷـﮑﻞ ﺗﻮزﯾـﻊ ﺗﻮﺳـﻂ ﮐﺸـﯿﺪﮔﯽ و ﺿـﺮﯾﺐ ﭼﻮﻟﮕﯽ در ﮔﺮوه ﺳﻮم ﺗﻮﺻﯿﻒ ﻣﯽ ﺷﻮﻧﺪ . ﺿﺮﯾﺐ ﭼﻮﻟﮕﯽ ﺑﻪ ﺗﻘﺎرن ﺗﻮزﯾﻊ ﻣﯽ ﭘﺮدازد و ﮐﺸﯿﺪ ﮔﯽ ﻣﺮﺑـﻮط ﺑـﻪ ﻃـﻮل دﻧﺒﺎﻟـﻪ اﻧـﻮاع ﻣﻌﯿﻨـﯽ از ﺗﻮزﯾﻊ ﻣﯽ ﻫﺎ ﺑﺎﺷﺪ . ﺑﻪ ﻃﻮر ﮐﻠﯽ اﯾﻦ آﻣﺎره ﻫﺎ اﻃﻼﻋﺎت ﺑﺎ ارزﺷﯽ را اراﺋﻪ ﻣﯽ ﮐﻨﻨﺪ . ﺗﻮﺿﯿﺢ ﺑﯿﺶ ﺗﺮ در ﻣﻮرد ﻧﺤﻮه ﻣﺤﺎﺳـﺒﻪ ﻫـﺮ ﯾـﮏ از اﯾـﻦ ﻣﻌﯿﺎرﻫﺎ در ﭘﯿﻮﺳﺖ )2 (اراﺋﻪ ﺷﺪه اﺳﺖ . 1- Quantile 12 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺟﺪول2 - 1 - ﺟﺪول ﻓﺮاواﻧﯽ و ﻓﺮاواﻧﯽ ﺗﺠﻤﻌﯽ100 ﻧﻤﻮﻧﻪ ﻣﺘﻐﯿﺮV )ﺑ ﺮ ﺣﺴﺐ mm ( ﮐﻼس ﻓﺮاواﻧﯽ ﻓﺮاواﻧﯽ ﺗﺠﻤﻌﯽ ﺗﻌﺪاد درﺻﺪ ﺗﻌﺪاد درﺻﺪ 0 ≤V< 10 1 1 1 1 10 ≤V< 20 1 1 2 2 20 ≤V< 30 0 0 2 2 30 ≤V< 40 0 0 2 2 40 ≤V< 50 3 3 5 5 50 ≤V< 60 2 2 7 7 60 ≤V< 70 2 2 9 9 70 ≤V< 80 13 13 22 22 80 ≤V< 90 16 16 38 38 90 ≤V< 100 11 11 49 49 100 ≤V< 110 13 13 62 62 110 ≤V< 120 17 17 79 79 120 ≤V< 130 13 16 92 92 130 ≤V< 140 4 4 96 96 140 ≤V< ∞ 4 4 100 100 0 5 10 15 20 0-10 20-30 40-50 60-70 80-90 100-110 120-130 > 140 V (mm) (%) ﺕﹲﻔﹲﻎﻙ 0 25 50 75 100 0-10 20-30 40-50 60-70 80-90 100-110 120-130 > 140 V (mm) (%) ﺕﹲﻔﹲﻎﻙ ﹾﺇﻋﺳآﻙ اﻟﻒ ب ﺷﮑﻞ2 - 1 - ﻫﯿﺴﺘﻮﮔﺮام ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮV در100 ،ﻧﻤﻮﻧﻪ اﻟﻒ - ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ب- ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﺗﺠ ﻤﻌﯽ ج- ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻧﺮﻣﺎل و ﻟﻮگ ﻧﺮﻣﺎل اﻧﺘﺨﺎب ﯾﮏ ﻣﺪل ﺗﺌﻮری ﺑﺮای ﺗﻮزﯾﻊ ﻣﻘﺎدﯾﺮ ﻫﺎ داده ﻣﻌﻤﻮﻻ ﯾﮏ ﮔﺎم ﻣﻬﻢ ﻗﺒﻞ از ﺷﺮوع ﻓﺮآﯾﻨﺪ ﺗﺨﻤﯿﻦ ﻣـﯽ ﺑﺎﺷـﺪ . ﺗﻮزﯾـﻊ ﮔﻮﺳـﯽ ﯾـﺎ ﻧﺮﻣﺎل ﯾﮑﯽ از اﺷﮑﺎل ﺗﻮزﯾﻊ اﺳﺖ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺎ ﯾﮏ ﺗﻮﺻﯿﻒ رﯾﺎﺿﯽ دﻗﯿﻖ ﺑﯿﺎن ﺷﻮد . ﻓﺮاواﻧﯽ ﺗﺠﻤﻌﯽ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﺑﻪ ﺷﮑﻞ ﯾـﮏ ﺧـﻂ راﺳﺖ در ﮐﺎﻏﺬ ﻧﻤﻮدار اﺣﺘﻤﺎﻻﺗﯽ ﻧﺮﻣﺎل ﻧﺸﺎن داده ﺷﻮد ﻣﯽ . درﺻﻮرﺗﯽ ﮐﻪ ﺗﻮزﯾﻊ ﻟﮕﺎرﯾﺘﻢ ﯾﮏ ﻣﺘﻐﯿﺮ ﻧﺮﻣـﺎل ﺑﺎﺷـﺪ، آن ﻣﺘﻐﯿـﺮ ﺑـﻪ ﺻـﻮرت ﻟﻮگ ﻧﺮﻣﺎل ﺗﻮزﯾﻊ ﺷﺪه اﺳﺖ . ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ ﻣﻘﯿﺎس ﻟﮕﺎرﯾﺘﻤﯽ در ﻣﺤﻮر x ،ﻧﻤﻮدار اﺣﺘﻤﺎل ﻧﺮﻣﺎل ﺗﻮان ﻣﯽ وﺟﻮد ﺗﻮزﯾﻊ ﻟـﻮگ ﻧﺮﻣـﺎل را ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 13 ﺑﺮرﺳﯽ ﻧﻤﻮد . اﮔﺮ ﻣﻘﺎدﯾﺮ ﻫﺎ داده دارای ﺗﻮزﯾﻊ ﻟﻮگ ﻧﺮﻣﺎل ﺑﺎﺷﺪ، ﻧﻤﻮدار ﻓﺮاواﻧﯽ ﻫﺎ ی ﺗﺠﻤﻌﯽ ﻣﻘﺎدﯾﺮ ﻫﺎ داده در اﯾﻦ ﻧﻤﻮدار ﺑﻪ ﺻـﻮرت ﯾـﮏ ﺧﻂ ﻣﺴﺘﻘﯿﻢ رﺳﻢ ﺷﻮد ﻣﯽ . ﻓﺮﺿﯿﺎت درﺑﺎره ﺗﻮزﯾﻊ ﻣﻘﺎدﯾﺮ ﺑﯿﺶ ﻫﺎ داده ﺗﺮ ﯾﻦ ﺗﺎﺛﯿﺮ را ﺑﺮ ﺗﺨﻤﯿﻦ ﻣﻘﺎدﯾﺮ ﺣﺪی دارد . اﮔﺮ از روش ﻫـﺎ ﯾﯽ ﮐـﻪ واﺑﺴـﺘﻪ ﺑـﻪ ﻧـﻮع ﺗﻮزﯾـﻊ ﻫﺎ ه داد اﺳﺖ ﺑﺮای ﺗﺨﻤﯿﻦ اﺳﺘﻔﺎده ﺷﻮد، ﺑﺎﯾﺪ ﻣﺮاﻗﺐ اﻧﺤﺮاف اﺗﻔﺎﻗﯽ ﯾﮏ ﻧﻤﻮدار اﺣﺘﻤﺎﻻﺗﯽ در ﻣﻮارد ﺣﺪی ﺑـﻮد . ﻻزم ﺑـﻪ ذﮐـﺮ اﺳـﺖ ﮐـﻪ ﻫﺮﭼﻨﺪ ﺧﻄﯽ ﺑﻮدن ﻫﺎ داده در ﯾﮏ ﻧﻤﻮدار اﺣﺘﻤﺎﻻﺗﯽ، ﯾﮏ ﺗﺨﻤﯿﻦ ﻣﻨﺎﺳﺐ را ﺗﻀﻤﯿﻦ ﻧ ﮐﻨﺪ ﻤﯽ ، ﺧﻤﯿﺪﮔﯽ ﯾﮏ ﺧﻂ ﻧﯿﺰ ﻧ ﻤﯽ ﺗﻮاﻧـﺪ اﺳـﺘﻔﺎده از روش ﻫﺎ ی ﺗﻮزﯾﻊ - ﻣﺤﻮر1 را ﺑﺮای ﺗﺨﻤﯿﻦ رد ﮐﻨﺪ . اﻟﺒﺘﻪ در ﻣﻮرد ﺑﺮﺧﯽ از روش ﻫﺎ ﻓﺮض درﺑﺎره ﺗﻮزﯾﻊ ﻫﺎ داده ﻧﺴﺒﺖ ﺑﻪ ﺑﻘﯿـﻪ روش ﻫـﺎ ﻣﯽ ﺗﺮ ﻣﻬﻢ ﺑﺎﺷﺪ . 2 - 2 - 2 -آﻣﺎر ﺗﻮﺻﯿﻔﯽ دو ﻣﺘﻐﯿﺮه روش ﻫﺎ ی ﺗﮏ ﻣﺘﻐﯿﺮه ﮐﻪ در ﺑﻨﺪ ﻗﺒﻠﯽ ﺗﻮﺿﯿﺢ داده ﺷﺪ، ﺑﺮای ﺗﻮﺻﯿﻒ ﺗﻮزﯾﻊ ﻣﺘﻐﯿﺮﻫﺎ ی ﻣﻨﻔﺮد ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮﻧـﺪ . اﻣـﺎ اﮔـﺮ ﯾﮏ ﻣﺠ ﻤﻮﻋﻪ ﻫﺎ داده ی ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﺑﻪ ﺻﻮرت ﻣﻨﻔﺮد ﺗﺤﻠﯿﻞ ﺷﻮﻧﺪ ، اﻃﻼﻋﺎت اﻧﺪﮐﯽ ﺑﻪ دﺳﺖ ﺧﻮاﻫﺪ آﻣﺪ . ﯾﮑﯽ از ﺗـﺮ ﻣﻬﻢ ﯾﻦ ﺧﺼﻮﺻـﯿﺎت ﻫﺎ داده ی ﻋﻠﻮم زﻣﯿﻦ ارﺗﺒﺎط و واﺑﺴﺘﮕﯽ ﻫﺎی ﻣﻮﺟﻮد ﺑﯿﻦ ﻣﺘﻐﯿﺮﻫﺎ ی ﻣﺨﺘﻠﻒ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ در ﺗﺨﻤـﯿﻦ ﺑﻬﺘـﺮ ﯾﮑـﯽ از ﻣﺘﻐﯿﺮﻫـﺎ در ﻧﻘﺎط ﻣﺠﻬﻮل ﻣﻔﯿﺪ واﻗﻊ ﺷﻮﻧﺪ . روش ﻫﺎ ی ﺑﯿﺎن ارﺗﺒﺎط ﺑﯿﻦ دو ﻣﺘﻐﯿﺮ ﺷﺎﻣﻞ ﻣﻘﺎﯾﺴﻪ دو ﺗﻮزﯾﻊ، دﯾﺎﮔﺮام ﻫﺎ ی ﭘﺮاﮐﻨﺶ و ﻫﻤﺒﺴـﺘﮕﯽ ﻣﺘﻐﯿﺮﻫـﺎ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﻧﺤﻮه ﺑﺮرﺳﯽ ﻫﺮ ﯾﮏ از اﯾﻦ روش ﻫﺎ در ﭘﯿﻮﺳﺖ )2 (اراﺋﻪ ﺷﺪه اﺳﺖ . 2 - 2 - 3 -آﻣﺎر ﺗﻮﺻﯿﻔﯽ ﻣﮑﺎﻧﯽ اﻟﻒ- ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ در ﺑﺴﯿﺎری از ﻫﺎ داده ی ﻋﻠﻮم زﻣﯿﻦ وﺟﻮد دارد . ﻣﻘﺪار ﻧﻤﻮﻧﻪ ﻫﺎﯾﯽ ﮐﻪ در ﻓﺎﺻﻠﻪ ﻧﺰدﯾﮏ ﺗﺮ ﻪ ی ﺑ ﻫﻢ ﻗﺮار دارﻧﺪ ، ﻧﺴـﺒﺖ ﺑﻪ ﻧﻤﻮﻧﻪ ﻫﺎ ی دورﺗﺮ ﺑ ﻪ ﻫﻢ ﺷﺒﯿﻪ ﺗﺮﻧﺪ . زﻣﺎﻧﯽ ﮐﻪ ﻣﺎ ﺑﻪ ﻧﻘﺸﻪ ﻫﺎ داده ﻧﮕﺎه ﮐﻨﯿﻢ ﻣﯽ ، ﺑﻪ ﻧﻈﺮ ﻧﻤﯽ رﺳﺪ ﮐﻪ ﻣﻘﺎدﯾﺮ ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﯽ ﻗـﺮار ﮔﺮﻓﺘـﻪ ﺑﺎﺷﻨﺪ ، ﺑﻠﮑﻪ ﻣﻘﺎدﯾﺮ ﺗﺮ ﮐﻢ ﺗﻤﺎﯾﻞ دارﻧﺪ ﮐﻪ ﺑﻪ ﺳﺎﯾﺮ ﻣﻘﺎدﯾﺮ ﮐﻢ ﻧﺰدﯾﮏ ﺑﺎﺷﻨﺪ و ﻣﻘﺎدﯾﺮ ﺑﺎﻻ ﻫﻢ ﺑﻪ ﺳﺎﯾﺮ ﻣﻘﺎدﯾﺮ ﺑﺎﻻ ﻧﺰدﯾـﮏ ﻫﺴـﺘﻨﺪ . زﻣـﺎﻧﯽ ﮐﻪ ﻣﺎ ﯾﮏ داده ﭘﺮت در ﻧﻘﺸﻪ ﻣﯽ ﺑﯿﻨﯿﻢ ، اﯾﻦ ﯾﮏ ﻫﺸﺪار اﺳﺖ ﮐﻪ آن داده ﻣﻤﮑﻦ اﺳﺖ دارای ﺧﻄـﺎ ﺑﺎﺷـﺪ ، زﯾـﺮا ﯾـﮏ ارﺗﺒـﺎط ﻏﯿﺮﻋـﺎدی ﻣﮑﺎﻧﯽ را ﺑﺎ دﯾﮕﺮ ﻣﻘﺎدﯾﺮ ﻧﺸﺎن دﻫﺪ ﻣﯽ . از ﻧﻤﻮدار H-Scatter ﺗﻮان ﻣﯽ در ﺑﯿﺎن ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ اﺳ ﺘﻔﺎده ﻧﻤﻮد . ب- ﻧﻤﻮدارH-scatter ﯾﮏ ﻧﻤﻮدارH-Scatterﺗﻤﺎم ﺟﻔﺖ ﻧﻘﺎط ﻣﻤﮑﻦ از ﻣﻘﺎدﯾﺮ داده ﻫﺎ ﮐﻪ ﻣﻮﻗﻌﯿﺖ آﻧﻬﺎ ﻧﺴﺒﺖ ﺑﻪ ﯾﮑﺪﯾﮕﺮ در ﯾﮏ راﺳﺘﺎی ﻣﺸـﺨﺺ دارای ﯾﮏ ﻓﺎﺻﻠﻪ ﻣﮑﺎﻧﯽ ﻣﻌﯿﻦ ﺑﺎﺷﻨﺪ را ﻧﺸﺎن دﻫﺪ ﻣﯽ . در اﯾﻨﺠﺎ ﺣﺮوف x وy ﺑـﺮای اﺷـﺎره ﺑـﻪ ﻣﺨﺘﺼـﺎت ﻣﮑـﺎﻧﯽ در ﯾـﮏ ﻓﻀـﺎی دو ﺑﻌـﺪی اﺳﺘﻔﺎ ده ﺷﻮد ﻣﯽ . ﻣﻮﻗﻌﯿﺖ ﯾﮏ ﻧﻘﻄﻪ را ﻧﺴﺒﺖ ﺑﻪ ﻣﺒﺪا ﻣﺨﺘﺼﺎت ﺗﻮان ﻣﯽ ﻣﺎﻧﻨﺪ ﻓﺎﺻﻠﻪ ﺑﯿﻦ دو ﻧﻘﻄﻪ ﺑﺎ ﯾﮏ ﺑﺮدار ﻧﻤﺎﯾﺶ داد . از ﻧﻤﺎد ﺑـﺮدار ﻫﻨﮕﺎم ﺗﻮﺻﯿﻒ زوج ﻣﻘﺎدﯾﺮی ﮐﻪ در ﯾﮏ ﻓﺎﺻﻠﻪ ﻣﺸﺨﺺ در ﯾﮏ راﺳﺘﺎی ﻣﻌﯿﻦ از ﯾﮑﺪﯾﮕﺮ ﻗﺮار دارﻧﺪ، اﺳﺘﻔﺎده ﻣـﯽ ﺷـﻮد . ﻣﻄـﺎﺑﻖ ﺷـﮑﻞ )2 - 2 (ﻣﻮﻗﻌﯿﺖ ﯾﮏ ﻧﻘﻄﻪ در ﻣﺨﺘﺼ ﺎت )yi وxi ( ﻧﺴﺒﺖ ﺑﻪ ﻣﺒﺪا ﻣﺨﺘﺼﺎت را ﺑﺎ ﺑﺮدارti ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﯿﻢ . ﺑﻪ ﻫﻤﯿﻦ ﺻﻮرت ﻧﻘﻄـﻪ ای ﮐـﻪ 1- Distribution – Based 14 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای در ﻣﺨﺘﺼﺎت (xi, yj) ﻗﺮار دارد ﺑﺎtj ﻧﺸﺎن داده ﺷﻮد ﻣﯽ . ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮدار ﺑﯿﻦ دو ﻧﻘﻄﻪ i وj ﺑﺮاﺑﺮ ﺑﺎtj-ti اﺳﺖ ﮐﻪ ﺗﻮان ﻣﯽ آن را ﺑﻪ ﺻـﻮرت زوج ﻣﺨﺘﺼﺎت (xi-xj, yj-yi) ﺑﯿﺎن ﮐﺮد . در ﺑﺴﯿﺎری ﻣﻮاﻗﻊ ﺟﻬﺖ ﺑﺮدار ﻓﺎﺻﻠﻪ ﻧﯿـﺰ اﻫﻤﯿـﺖ ﺑﺴـﯿﺎری دارد . ﻣـﺎ از ﻧﻤـﺎد hij ﺑـﺮای ﻧﻤـﺎﯾﺶ ﺑﺮداری ﮐﻪ ازi ﺑﻪ ﺳﻤﺖj رود ﻣﯽ و از ﻧﻤﺎد hji ﺑﺮای ﺑﺮداری ﮐﻪ ازj ﺑﻪ ﺳﻤﺖi ﻣﯽ رود، اﺳﺘﻔﺎده ﮐﻨﯿﻢ ﻣﯽ . jt + i j (x ,y ) j i ij t t h - = + i j (x ,y ) it + (0,0) ﺷﮑﻞ2 - 2 - ﺗﺸﺮﯾﺢ ﻋﻼﺋﻢ ﺑﺮداری در ﻧﻤﻮدار H-scatter ﻣﺘ ﻐﯿﺮی ﻣﺎﻧﻨﺪ z را در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ . در ﻧﻤﻮدار H-scatter ، z(t) ﺑﺮ روی ﻣﺤﻮرx و ﻣﻘﺎدﯾﺮz(t+h) ﺑﺮ روی ﻣﺤـﻮرy ﻗـﺮار ﻣـﯽ ﮔﯿﺮﻧـﺪ ﮐﻪ در آنz(t) ﻣﻘﺪارz در ﻣﻮﻗﻌﯿﺖ ﺑﺮدارt وz(t+h) ﻣﻘﺪارz در ﻓﺎﺻﻠﻪh از اﻧﺘﻬﺎی ﺑﺮدارt اﺳﺖ . ﺑـﺮای ﻣﺜـﺎل ﺑـﻪ ازای )1,0( h= ﺟﻔـﺖ ﻧﻘﺎﻃﯽ ﻣﻮرد ﻧﻈﺮ ﻫﺴﺘﻨﺪ ﮐﻪ در ﻣﺨﺘﺼﺎت ﻃﻮﻟﯽ ﯾﮑﺴﺎن وﻟﯽ در ﻣﺨﺘﺼﺎت ﻋﺮﺿﯽ ﺑﻪ اﻧﺪازه ﯾـﮏ ﻣﺘـﺮ ﻓﺎﺻـﻠﻪ دارﻧـﺪ . ﺷـﮑﻞ )2 - 3 ( ب ﺗﻌﺪاد90 ﺟﻔﺖ ﻧﻘﻄﻪ از ﯾﮏ ﺷﺒﮑﻪm 10 m× 10 را ﻧﺸﺎن دﻫﺪ ﻣﯽ ﮐﻪ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ ﯾﮏ ﻣﺘﺮ از ﯾﮑﺪﯾﮕﺮ ﻓﺎﺻـﻠﻪ دارﻧـﺪ . ﺣـﺎل اﮔـﺮ ﻓﺮض ﮐﻨﯿﻢh ﺑﺮاﺑﺮ ﺑﺎ )1,1 ( ﺑﺎﺷﺪ، ﺟﻔﺖ داده ﻫﺎﯾﯽ ﻣﻮرد ﻧﻈﺮ ﻣﯽ ﺑﺎﺷﻨﺪ ﮐﻪ در راﺳﺘﺎی ﺷﺮﻗﯽ ﯾﮏ ﻣﺘﺮ و در راﺳﺘﺎی ﺷﻤﺎﻟﯽ ﻧﯿﺰ ﯾـﮏ ﻣﺘـﺮ از ﻫﻢ ﻓﺎﺻﻠﻪ دارﻧﺪ ) ﺑﻪ ﻋﺒﺎرﺗﯽ ﻫﺎ داده ﯾﯽ ﮐﻪ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ ﺷﺮﻗﯽ از ﯾﮑﺪﯾﮕﺮ 2 ﻣ ﺘﺮ ﻓﺎﺻﻠﻪ دارﻧﺪ (. ﺷﮑﻞ )2 - 3 اﻟﻒ ( 81 ﺟﻔـﺖ از ﻫﺎ داده ﯾﯽ ﮐﻪ ﺑﻪ ﻓﺎﺻﻠﻪ 2 ﻣ ﺘﺮ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ ﺷﺮﻗﯽ را ﻧﺸﺎن دﻫﺪ ﻣﯽ . اﻟﻒ ب ﺷﮑﻞ2 - 3 - ﻧﻤﺎﯾﺶ ﭼﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب ﺟﻔﺖ ﻧﻘﺎط در ﻧﻤﻮدارH-Scatter اﻟﻒ ( ﺟﻔﺖ ﻧﻘﺎط ﺑﻪ ﻓﺎﺻﻠﻪ )1،1 (( ب ﺟﻔﺖ ﻧﻘﺎط ﺑﻪ ﻓﺎﺻﻠﻪ )1،0 ( اﺑﺮ ﻧﻘﺎط در ﻧﻤﻮدارH–scatter ﻣﻌﺮف ﻣﯿﺰان ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﻘﺎدﯾﺮ داده ﻫﺎﯾﯽ اﺳﺖ ﮐﻪ در ﯾـﮏ ﻓﺎﺻـﻠﻪ ﻣﻌـﯿﻦ و در ﯾـﮏ راﺳـﺘﺎی ﻣﺸﺨﺺ از ﯾﮑﺪﯾﮕﺮ ﻗﺮار ﮔﺮﻓﺘﻪ . اﻧﺪ اﮔﺮ ﻣﻘﺎدﯾﺮ ﻫﺎ داده ﯾﯽ ﮐﻪ ﺑﻪ اﻧﺪازه h از ﯾﮑﺪﯾﮕﺮ ﻓﺎﺻﻠﻪ دارﻧﺪ ﺑﺴﯿﺎر ﺑﻪ ﻫـﻢ ﺷـﺒﯿﻪ ﺑﺎﺷـﻨﺪ، آﻧﮕـﺎه ﺟﻔـﺖ ﻧﻘﺎط ﻧﺰدﯾﮏ ﺑﻪ ﺧﻂ45 درﺟﻪ ﮐﻪ از ﻣﺒﺪا ء ﻣﺨﺘﺼﺎت ﻧﻤﻮدار H–scatter ﻋﺒﻮر ﻣﯽ ﮐﻨﺪ، ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ . زﻣﺎﻧ ﯽ ﮐﻪ ﻣﻘﺎدﯾﺮ ﻫـﺎ داده ﺷـﺒﺎﻫﺖ ﺗﺮ ﮐﻢ ی ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ داﺷﺘﻪ ﺑﺎﺷﻨﺪ، آﻧﮕﺎه اﺑﺮ ﻧﻘﺎط در ﻧﻤﻮدار H–scatter ﭘﺮاﮐﻨﺪه ﺗﺮ ﺧﻮاﻫﺪ ﺷﺪ . ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 15 ﺑﺮای ﯾﮏ ﺷﺒﮑﻪ ﻣﻔﺮوضm 10 m× 10، ﻧﻤﻮدارﻫﺎیH–scatter ﻫـﺎ داده ی ﻧﻘـﺎﻃﯽ ﮐـﻪ از m 1 ﺗـﺎm 4 در راﺳـﺘﺎی ﺷـﻤﺎﻟﯽ از ﯾﮑﺪﯾﮕﺮ ﻓﺎﺻﻠﻪ دارﻧﺪ در ﺷﮑﻞ )2 - 4 اﻟﻒ ﺗﺎ د ( ﺗﺮﺳﯿﻢ ﺷﺪه اﺳﺖ . از اﯾﻦ ﭼﻬﺎر ﻧﻤﻮدار ﺗﻮان ﻣﯽ ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ از )1,0 = ( h ) ﺗـﺎ4,0( = h اﺑﺮ ﻧﻘﺎط ﭘﺮاﮐﻨﺪه ﺗﺮ و از ﺧﻂ45 درﺟﻪ دورﺗﺮ ﻣﯽ ﺷﻮﻧﺪ . ﻫﺮﭼﻨﺪ ﮐﻪ ﺧﻂ 45 درﺟﻪ از ﻣﯿﺎن اﺑﺮ ﻧﻘﺎط در ﻫﺮ ﻧﻤﻮدارH–scatter ،ﻣـﯽ ﮔـﺬرد اﻣﺎ اﺑﺮ ﻧﻘﺎط ﺑﻪ ﺻﻮرت ﻣﺘﻘﺎرن در اﻃﺮاف اﯾﻦ ﺧﻂ ﻗﺮار ﻧ ﻤﯽ ﮔﯿﺮﻧﺪ . ج- ﺗﻮاﺑﻊ ﻫﻤﺒﺴﺘﮕﯽ، ﺗﻮاﺑﻊ ﮐﻮوارﯾﺎﻧﺲ و ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻫﻤﺎن ﮔﻮﻧﻪ ﮐﻪ ﻗﺒﻼ ذﮐﺮ ﺷﺪ، ﯾﮑﯽ از ﻣﺸﺨﺼﻪ ﻫﺎی ﻣﻬﻢ ﻧﻤﻮدار H–scatter ﺑﺰرﮔﯽ اﺑﺮ ﻧﻘﺎط ﻣﯽ ﺑﺎﺷـﺪ . ﯾـﮏ آﻣـﺎره ﺑـﺮای ﺧﻼﺻـﻪ ﮐﺮدن اﯾﻦ ﻣﺸﺨﺼﻪ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ (R) اﺳﺖ . ﻫﻨﮕﺎﻣﯿﮑﻪ اﺑﺮ ﻧﻘﺎط ﺑﺰرگ ﺷﻮد ﻣﯽ ﺗﺮ ، ﺿـﺮﯾﺐ ﻫﻤﺒﺴـﺘﮕﯽ ﮐـﺎﻫﺶ ﯽﻣـ ﯾﺎﺑـﺪ . ﺿـﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ﭼﻬﺎر ﻧﻤﻮدار ﺷﮑﻞ )2 - 4 ( ﺑﺎ اﻓﺰاﯾﺶh ﺑﻪ ﺻﻮرت ﭘﯿﻮﺳﺘﻪ ﮐﺎﻫﺶ ﯾﺎﺑﺪ ﻣﯽ . ارﺗﺒﺎط ﺑﯿﻦ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ﻧﻤﻮدارH–scatter وh، ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﯽ ﯾﺎ ﮐﻮرﯾﻠﻮﮔﺮام1 ﻧﺎﻣﯿﺪه ﺷﻮد ﻣﯽ . ﺿﺮﯾﺐ ﻫﻤﺒﺴـﺘﮕﯽ ﺑـﻪ h ﺑـﻪ ﻋﻨﻮان ﺑﺮداری دارای ﺑﺰرﮔﯽ و راﺳﺘﺎ ﺑﺴﺘﮕﯽ دارد . ﺷﮑﻞ )2 - 5 ( ب ﺗﻐﯿﯿ ﺮات ﺗـﺎﺑﻊ ﻫﻤﺒﺴـﺘﮕﯽ )ρ(h) ( را ﺑـﺎh )ﻓ ﺎﺻـﻠﻪ در ﺟﻬـﺖ ﺷـﻤﺎل ( ﻧﺸﺎن ﻣﯽ . دﻫﺪ ﮐﻮوارﯾﺎﻧﺲ2 ﺷﺎﺧﺺ دﯾﮕﺮی ﺑﺮای ﺑﯿﺎن ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﯽ ﺑﺎﺷﺪ . ﺗﺎﺑﻊ ﮐﻮوارﯾﺎﻧﺲ ﻣﺎﻧﻨﺪ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ﺑﻪ ﺻـﻮرت ﭘﯿﻮﺳـﺘﻪ ﺑـﺎ اﻓﺰاﯾﺶh ﮐﺎﻫﺶ ﭘﯿﺪا . ﮐﻨﺪ ﻣﯽ راﺑﻄﻪ ﺑﯿﻦ ﮐﻮوارﯾﺎﻧﺲ ﺣﺎﺻﻞ از ﯾﮏ ﻧﻤـﻮدار H–scatter ﺑـﺎh ﺗﺤـ ﺖ ﻋﻨـﻮان ﺗـﺎﺑﻊ ﮐﻮوارﯾـﺎﻧﺲ ﺧﻮاﻧـﺪه ﺷﻮد ﻣﯽ . ﺷﮑﻞ )2 - 5 اﻟﻒ ( ﺗﺎﺑﻊ ﮐﻮوارﯾﺎﻧﺲ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ را ﻧﺸﺎن دﻫﺪ ﻣﯽ . ﯾﮏ ﺷﺎﺧﺺ ﻣﻨﺎﺳﺐ دﯾﮕﺮ ﺑﺮای ﺑﯿﺎن ﺑﺰرﮔﯽ اﺑﺮ ﻧﻘﺎط در ﻧﻤﻮدارH–scatter ﮔﺸﺘﺎور اﯾﻨﺮﺳﯽ (MOI) ﺣﻮل ﺧﻂ45 درﺟﻪ اﺳﺖ ﮐـﻪ ﺑﺎ راﺑﻄﻪ زﯾﺮ ﺑﯿﺎن ﺷﻮد ﻣﯽ : )2 - 1( 2 n i i i 1 1 MOI x y 2n = = - å ﮐﻪ در آنn ﺗﻌﺪاد ﺟﻔﺖ ﻧﻘﺎط وxi وyi ﻣﺨﺘﺼﺎت ﻫﺮ ﯾﮏ از ﺟﻔﺖ ﻧﻘﺎط ﺑﺮ رویH–scatter ﻣﯽ ﺑﺎﺷﻨﺪ . 1- Correlogram 2- Covariance 16 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای اﻟﻒ ب ج د ﺷﮑﻞ2 - 4 - ﻧﻤﻮدارH-Scatter ﺟﻔﺖ ﻧﻘﺎط ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮV در ﺟﻬﺖ ﺷﻤﺎل و در ﭼﻬﺎر ﻓﺎﺻﻠﻪ ﻣﺨﺘﻠﻒ اﻟﻒ . - ﻓﺎﺻﻠﻪ2 ﻣﺘﺮی ب- ﻓﺎﺻﻠﻪ1 ﻣﺘﺮی ج- ﻓﺎﺻﻠﻪ4 ﻣﺘﺮی د- ﻓﺎﺻﻠﻪ3 ﻣﺘﺮی ﺷﺎﺧﺺ MOI ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻧﺼﻒ ﻣﯿﺎﻧﮕﯿﻦ اﺧﺘﻼف ﻣﯿﺎن ﻣﺨﺘﺼﺎتx وy ﻫﺮ ﯾـﮏ از ﺟﻔـﺖ ﻧﻘـﺎط واﻗـﻊ در ﻧﻤـﻮدارH–scatter . ﺗﻤﺎم ﻧﻘﺎط در ﻧﻤﻮدارH–scatter ﺑﻪ ازای )0,0 ( h= دﻗﯿﻘﺎ روی ﺧﻂy=x ﻗـﺮار ﺧﻮاﻫﻨـﺪ ﮔﺮﻓـﺖ . ﻫﻨﮕـﺎﻣﯽ ﮐـﻪ ﻗـﺪر ﻣﻄﻠـﻖ h اﻓـﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ ، ﻧﻘﺎط از ﺧ ﻂ y=x اﻧﺤﺮاف ﺑﯿﺶ ﺗﺮ ی ﺧﻮاﻫﻨﺪ ﯾﺎﻓﺖ . ﺑﻨﺎﺑﺮاﯾﻦ ﮔﺸﺘﺎور اﯾﻨﺮﺳﯽ در ﺣﻮل ﺧـﻂ 45 درﺟـﻪ ﺑﺰرﮔـﯽ اﺑـﺮ ﻧﻘـﺎط را ﺑﯿـﺎن ﻣﯽ ﻧﻤﺎﯾﺪ . ﺑﺮ ﺧﻼف دو ﺷﺎﺧﺺ ﻗﺒﻠﯽ ﮔﺸﺘﺎور اﯾﻨﺮﺳﯽ ﺑﺎ ﺑﺰرگ ﺗﺮ ﺷﺪن اﺑﺮ ﻧﻘﺎط اﻓﺰاﯾﺶ ﭘﯿﺪا ﺧﻮاﻫﺪ ﮐـﺮد . ارﺗﺒـﺎط ﺑـﯿﻦ ﮔﺸـﺘﺎور اﯾﻨﺮﺳـﯽ ﻧﻤﻮدارH–scatter وh ﻣﻮﺳﻮم ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤ ﺎ1 اﺳﺖ ﮐﻪ ﯾﮑﯽ از ﺗﺮ ﻣﻬﻢ ﯾﻦ ﻧﻤﻮدارﻫﺎی ﺗﺤﻠﯿﻞ ﻫﺎ داده ی ﻣﮑﺎﻧﯽ ﺑﻪ ﺷﻤﺎر . رود ﻣﯽ ﻧﻤﻮﻧﻪ ای از ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﮐﻪ ﮔﺎﻫﯽ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻧﯿﺰ ﺧﻮاﻧﺪه ﺷﻮد ﻣﯽ ، در ﺷﮑﻞ )2 - 5 ( ج ﻧﺸﺎن داده ﺷﺪه اﺳﺖ . از ﺟﻤﻠﻪ ﺧﻮاص ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ اﯾﻨﺴﺖ ﮐﻪ(h) ( h) g = g - اﯾﻦ راﺑﻄﻪ ﻧﺸﺎن ﮐﻪ دﻫﺪ ﻣﯽ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﻣﺤﺎﺳـﺒﻪ ﺷـﺪه ﺑـﺮای ﻫـﺮ راﺳـﺘﺎی ﻣﺸـﺨﺺ ﺑﺮاﺑـﺮ اﺳـﺖ ﺑـﺎ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺤﺎﺳﺒﻪ ﺷﺪه ﺑﺮای راﺳﺘﺎی ﻣﺨﺎﻟﻒ آن . ﺗﺎﺑﻊ ﮐﻮوارﯾﺎﻧﺲ و ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﯽ ﻧﯿﺰ ﻫﻤﯿﻦ وﯾﮋﮔـﯽ را دارﻧـﺪ . ﺑـﻪ ﻫﻤـﯿﻦ دﻟﯿـﻞ ﻣـﺎ ﻣﻌﻤﻮﻻ راﺳﺘﺎﻫﺎی ﻣﺨﺎﻟﻒ را در ﺗﻮﺻﯿﻒ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﺗﻠﻔﯿﻖ ﮐﻨﯿﻢ ﻣﯽ . ﺑﻨـﺎﺑﺮاﯾﻦ ﺑـﺮای ﻣﺜـﺎل ﻗﺒـﻞ ﺑﺠـﺎی ﺑﺤـﺚ در ﻣـﻮرد ﭘﯿﻮﺳﺘﮕﯽ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ، ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ- ﺟﻨﻮﺑﯽ ﻣﻮرد ﻧﻈﺮ اﺳﺖ زﯾﺮا ﻫﺮ ﯾﮏ از آﻣﺎره ﻫﺎ ی ﻣﻮرد ﺑﺤـﺚ ﻣﻘـﺎدﯾﺮ 1- Semivariogram ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 17 ﯾﮑﺴﺎﻧﯽ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ و ﺟﻨﻮﺑﯽ را ﺑﻪ ﺧﻮد اﺧﺘﺼﺎص ﻣﯽ دﻫﻨﺪ . در ارﺗﺒﺎط ﺑﺎ ﻧﺤﻮه ﻣﺤﺎﺳﺒﻪ و وﯾﮋﮔﯽ ﻫﺎ ی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ د ر ﻓﺼـﻞ ﺳـﻮم ﺗﻮﺿﯿﺤﺎت ﺑﯿﺶ ﺗﺮ ی اراﺋﻪ ﺷﺪه اﺳﺖ . اﮔﺮ ﭼﻪ ﻧﺤﻮه ﻣﺤﺎﺳﺒﻪ و ﮐﺎرﺑﺮد آﻧﺎﻟﯿﺰﻫﺎی آﻣﺎری در اﯾـﻦ ﺑﺨـﺶ ﺗﻮﺿـﯿﺢ داده ﺷـﺪ ، اﻣـﺎ در ﻓﺼـﻞ ﺷﺸﻢ ) ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ( ﻧﯿﺰ ﺑﺎ ﺟﺰﯾﯿﺎت ﻋﺪدی اراﺋﻪ ﺷﻮد ﻣﯽ . اﻟﻒ ب ج ﺷﮑﻞ2 - 5 - ﻧﻤﻮدار اﻟﻒ - ﮐﻮوارﯾﺎﻧﺲ ، ب- ﻫﻤﺒﺴﺘﮕﯽ ﻧﮕﺎر و ج- MOI 100 ﻧﻤﻮﻧﻪ ﻣﺘﻐﯿﺮV . 2 - 3 - راﺑﻄﻪ ﻣﺘﻐﯿﺮﻫﺎی اﻗﻠﯿﻤﯽ ﺑﺎ ﺳﺎﯾﺮ ﻣﺘﻐﯿﺮﻫﺎ ﻫﻤﺎن ﻃﻮرﮐﻪ ﮔﻔﺘﻪ ﺷﺪ ﺑﻪ ﻣﻨﻈﻮر ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﯾﮏ ﻣﺘﻐﯿﺮ اﻗﻠﯿﻤﯽ ﺿﺮوری اﺳـﺖ ﮐـﻪ ﺷـﻨﺎﺧﺖ ﮐـﺎﻓﯽ از ﻣﺘﻐﯿـﺮ ﮐﺴـﺐ ﺷـﻮد . ﺑﻨﺎﺑﺮاﯾﻦ ﯾﮑﯽ از ﺑﺮرﺳﯽ ﻫﺎ ی ﻣﻘﺪﻣﺎﺗﯽ ﮐﻪ ﻗﺒﻞ از درون ﯾﺎﺑﯽ ﻻزم اﺳﺖ ﺻﻮرت ﮔﯿﺮد ، ﺑﺮرﺳﯽ ﺧﺼﻮﺻﯿﺎت ذا ﺗﯽ ﻣﺘﻐﯿﺮﻫـﺎ و ﻧﺤـﻮه ﻋﻤﻠﮑـﺮد آﻧﻬﺎ در ﻣﻨﻄﻘﻪ ﻣﯽ ﺑﺎﺷﺪ . ﻟﺬا در اﯾﻦ ﺑﺨﺶ در ﻣﻮرد ﺗﻐﯿﯿﺮات ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ در اﯾﺮان و ﻋﻮاﻣﻞ ﻣﻮﺛﺮ ﺑﺮ آﻧﻬﺎ ﺑـﻪ اﺧﺘﺼـﺎر و در ﺣـﺪ ﻣﻄﺎﻟﻌـﺎت اﻧﺠﺎم ﺷﺪه و در دﺳﺘﺮس ﭘﺮداﺧﺘﻪ ﺷﻮد ﻣﯽ . 2 - 3 - 1 - ﺑﺮرﺳﯽ وﺿﻌﯿﺖ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ در اﯾﺮان ﻋﻮاﻣﻞ ﮐﻨﺘﺮل ﮐﻨﻨﺪه اﻗﻠﯿﻢ اﯾﺮان را ﺗﻮان ﻣﯽ ﺑﻪ دو دﺳﺘﻪ ﻣﺤﻠﯽ و ﺑﯿﺮوﻧﯽ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﮐـﺮد . ﻋﻮاﻣـﻞ ﻣﺤﻠـﯽ ﺑـﻪ آن دﺳـﺘﻪ از ﻋﻮاﻣـﻞ اﻃﻼق ﻣﯽ ﺷﻮﻧﺪ ﮐﻪ در ﻣﺤﻞ ﻣﻮﺟﻮدﻧﺪ و از ﺳﺎﻟﯽ ﺑﻪ ﺳﺎل دﯾﮕﺮ ﺗﻐﯿﯿﺮ ﻧﻤﯽ ﮐﻨﻨﺪ . ﺟﻬﺖ ﺗﺎﺑﺶ، ﻧﺎﻫﻤﻮاری ﻫﺎ و ﭘﻮﺷﺶ زﻣـﯿﻦ را ﻣـﯽ ﺗـﻮاﻧ ﯿﻢ ﺟﺰء ﻋﻮاﻣﻞ ﮐﻨﺘﺮل ﮐﻨﻨﺪه اﻗﻠﯿﻢ در ﺳﻄﺢ ﻣﺤﻠﯽ ﺑﻪ ﺷﻤﺎر آورﯾﻢ . ﻋﻮاﻣﻞ ﺑﯿﺮوﻧﯽ ﮐﻨﺘﺮل ﮐﻨﻨﺪه اﻗﻠﯿﻢ ﻋﻮاﻣﻠﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در داﺧﻞ اﯾﺮان اﺳﺘﻘﺮار ﻧﺪارﻧﺪ . اﯾـﻦ ﻋﻮاﻣـﻞ در ﺧـﺎرج از ﻣﺤـﺪوده اﯾـﺮان واﻗـﻊ اﻧﺪ ﺷﺪه و ﺑﺎ ورود آﻧﻬﺎ ﺑﻪ داﺧﻞ ﮐﺸﻮر اﻗﻠﯿﻢ اﯾﺮان را ﮐﻨﺘﺮل ﻣﯽ ﮐﻨﻨﺪ . ﻋﻮاﻣﻞ ﺑﯿﺮوﻧﯽ را ﺗﻮاﻧ ﻣﯽ ﯿﻢ ﺑﻪ دو دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﺑﻨـﺪی ﻧﻤـﺎﯾﯿﻢ . دﺳـﺘﻪ اول آﻧﻬﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐ ﻪ ﺑﺮ اﺛﺮ ﮔﺴﺘﺮش ﺳﯿﺴﺘﻢ ﻫﺎ ی ﻓﺸﺎر ﻧﻮاﺣﯽ ﻣﺠﺎور اﯾﺮان ﻣﺎﻧﻨﺪ ﭘﺮﻓﺸﺎر ﺳﯿﺒﺮی، ﮐـﻢ ﻓﺸـﺎر دره ﮔﻨـﮓ و ﯾـﺎ ﮔﺴـﺘﺮش ﻫﻮای ﮔﺮم ﻋﺮﺑﺴﺘﺎن ﺑﻪ اﯾﺮان وارد ﻣﯽ ﺷﻮﻧﺪ . ﻫﻮای ﺳﺮد ﺳﯿﺒﺮی در ﻃﻮل ﻓﺼﻞ ﺳﺮد ﺑﺮ اﺛﺮ ﮔﺴﺘﺮش ﺳﯿﺴﺘﻢ ﭘﺮﻓﺸـﺎر ﺳـﯿﺒﺮی ﺑـﻪ ﺳـﻤﺖ اﯾﺮان ﺟﺮﯾﺎن ﯾﺎﺑﺪ ﻣﯽ و ﻫﻮای ﺑﺴﯿﺎر ﺳﺮد و ﺧﺸﮏ و ﯾﺨﺒﻨﺪان ﻫﺎ ی ﺷﺪﯾﺪ را در ﺷﻤﺎل ﺷﺮق اﯾﺮان و ﻣﺮﮐﺰ اﯾﺮان ﺑﺎﻋﺚ ﺷﻮد ﻣﯽ . دﺳـﺘﻪ دوم 18 راﻫﻨﻤﺎی رو ش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻋﻮاﻣﻠﯽ ﻫﺴﺘﻨﺪ ﮐﻪ از ﺳﺮزﻣﯿﻦ ﻫﺎ ی دورﺗﺮ، ﻣﺎﻧﻨﺪ درﯾﺎی ﻣﺪﯾﺘﺮاﻧﻪ، اﻗﯿﺎﻧﻮس اﻃﻠﺲ، ﺷﻤﺎل ﺳﯿﺒﺮی و ﻏﯿـﺮه رﯾﺸـﻪ ﻣـﯽ ﮔﯿﺮﻧـﺪ و ﺑـﻪ وﺳـﯿﻠﻪ ﺳﯿﺴﺘﻢ ﻫﺎ ی ﻓﺸﺎر و ﺳﺎﻣﺎﻧﻪ ﻫﺎی ﺟﻮی ﺑﻪ اﯾﺮان ﻣﯽ رﺳﻨﺪ . ﻋﻤﺪه ﺗﺮ ﯾﻦ اﯾﻦ ﻋﻮاﻣﻞ ﻋﺒﺎر ﺗﻨـﺪ از ﺳـﯿﮑﻠﻮن ﻫـﺎ ی ﻣﺪﯾﺘﺮاﻧـﻪ، ﻣـﻮج ﻫـﺎ ی ﮐﻮﺗـﺎه ﺑﺎدﻫﺎی ﻏﺮﺑﯽ، آﻧﺘﯽ ﺳﯿﮑﻠﻮن ﻫﺎ ی ﺑﺮون ﺣﺎره ای و رودﺑﺎد ﺟﺒﻬﻪ ﻗﻄﺒﯽ . ﺗﻤﺎم اﯾﻦ ﺳﺎﻣﺎﻧﻪ ﻫﺎ در داﺧـﻞ ﺑﺎدﻫـﺎی ﻏﺮﺑـﯽ ﺗﺸـﮑﯿﻞ و ﺣﺮﮐـﺖ ﻣﯽ ﮐﻨﻨﺪ و ورود آﻧﻬﺎ ﺑﻪ اﯾﺮان ﺑﻪ ﭘﯿﺸﺮوی و ﮔﺴﺘﺮش ﺑﺎدﻫﺎی ﻏﺮﺑﯽ واﺑﺴﺘﻪ اﺳﺖ . ورود اﯾﻦ ﻋﻮاﻣﻞ، ﺑﺎرش ﻫﺎ ی اﯾﺮا ن را ﺳـﺒﺐ ﻣـﯽ ﺷـﻮﻧﺪ . در ﺻﻮرت ﻋﺪم ورود اﯾﻦ ﺳﯿﺴﺘﻢ ﻫﺎ ﻫﻮای ﻣﺮﻃﻮب ﺑﻪ اﯾﺮان ﻧﻤﯽ رﺳﺪ و ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺨﺶ اﻋﻈﻢ ﺑﺎرش ﻫﺎ ی اﯾﺮان ﻣﻌﻠـﻮل ورود اﯾـﻦ ﻋﻮاﻣـﻞ ﺑﻪ ﮐﺸﻮر ﻣﯽ ﺑﺎﺷﻨﺪ . اﯾﻦ ﻋﻮاﻣﻞ را ﺗﺤﺖ ﻋﻮاﻣﻞ ﺳﯿﺎره ای ﯾﺎ ﮔﺮدش ﻋﻤﻮﻣﯽ ﻫﻮا ﻧﯿﺰ ﺗﻮان ﻣﯽ ﻋﻨﻮان ﮐﺮد . ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ ﻋﻨﺎﺻﺮ اﻗﻠﯿﻤـﯽ ﺑـﺮ ﭘﺎﯾﻪ ﻋﻮاﻣﻞ ارﺗﻔﺎع، ﻃﻮل و ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ و دوری و ﻧﺰدﯾﮑﯽ ﺑﻪ ﻣﻨﺒﻊ رﻃﻮﺑﺖ اﻧﺠﺎم ﺷﻮد ﻣﯽ ، ﺑـﻪ ﻃـﻮری ﮐـﻪ ﻋﻮاﻣـﻞ ﻓـﻮق ﻣﺘﻐﯿﺮﻫـﺎ ی ﻣﺴﺘﻘﻞ و ﻋﻨﺎﺻﺮ اﻗﻠﯿﻤﯽ ﻧﻈﯿﺮ دﻣﺎ، دﻣﺎی ﻧﻘﻄﻪ ﺷﺒﻨﻢ، ﺑﺎرش و ﻏﯿﺮه ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﯿﺮ واﺑﺴـﺘﻪ ﻣـﯽ ﺑﺎﺷـﻨﺪ . در ﺑﺮﺧـﯽ ﺑﺮرﺳـﯽ ﻫـﺎ ی ﺗﻮزﯾـﻊ ﻣﮑﺎﻧﯽ، رواﺑﻂ ﺣﺎﮐﻢ ﺑﯿﻦ ﻣﺘﻐﯿﺮﻫﺎ ی ﻣﺴ ﺘﻘﻞ و ﻣﺘﻐﯿﺮﻫﺎ ی واﺑﺴﺘﻪ ﺗﺮ ﮐﻢ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ و در ﺑﺴﯿﺎری دﯾﮕﺮ از ﻣﻄﺎﻟﻌـﺎت ﺗﻮزﯾـﻊ ﻣﮑﺎﻧﯽ ﺻﺮﻓﺎ ﻋﺎﻣﻞ ارﺗﻔﺎع ﺑﻪ ﻋﻨﻮان ﻣﻮﺛﺮﺗﺮﯾﻦ ﻋﺎﻣﻞ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ . ارﺗﻔﺎع ﻣﻤﮑﻦ اﺳﺖ در ﺑﺴﯿﺎری از ﻣﻨـﺎﻃﻖ ﺑـﻪ ﻋﻨﻮان ﻣﻮﺛﺮﺗﺮﯾﻦ ﻋﺎﻣﻞ ﺗﻮزﯾﻊ ﺑﺎرش ﺑﺎﺷﺪ وﻟﯽ در ﺑﺮﺧﯽ از ﻣﻨﺎﻃﻖ ﻧﻈﯿﺮ ﻣﻨﺎﻃﻖ ﺷﻤﺎﻟﯽ ﮐﺸﻮر ارﺗﻔﺎع ﺑﻪ ﻋﻨﻮان ﻋﺎﻣﻞ اﺻﻠﯽ ﻣﻮﺛﺮ ﺑﺮ ﺗﻮزﯾـﻊ ﻣﮑﺎﻧﯽ ﺑﺎرش ﻧ ﻤﯽ ﺑﺎﺷﺪ . در ﺳﻮاﺣﻞ درﯾﺎی ﺧﺰر ﻋﻤﺪﺗﺎ ﻣﺴﯿﺮ ﺳﺎﻣﺎﻧﻪ ﻫﺎی ﭘﺮﻓﺸﺎر ﺳﯿﺒﺮی و دوری و ﻧﺰدﯾﮑﯽ ﺑﻪ ﻣﻨﺒـﻊ رﻃﻮﺑـﺖ ﺑـﻪ ﻋﻨـﻮان اﺻﻠﯽ ﺗﺮﯾﻦ ﻋﺎﻣﻞ در ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرش اﺳﺖ . در ﺳﺎﯾﺮ ﻣﻨﺎﻃﻖ ﮐﺸﻮر، ارﺗﻔﺎع و ﺳﺎﯾﺮ ﻋﻮاﻣﻞ ﻧﻈﯿﺮ ﻣﺴﯿﺮ ﺣﺮﮐﺖ ﺳﺎﻣﺎﻧﻪ ﻫﺎی ﺟﻮی ) ﻃـﻮل و ﻋـﺮض ﺟﻐﺮاﻓﯿـﺎﯾﯽ ( و ﻣﻨﺒـﻊ رﻃﻮﺑـﺖ در ﺗﻮزﯾﻊ ﺑﺎرش ﻧﻘﺶ اﯾﻔﺎ ﻣﯽ ﮐﻨﻨﺪ ﺑﻪ ، ﻃﻮری ﮐﻪ ﺑﺎ اﻓﺰاﯾﺶ ارﺗﻔﺎع و ﺑﻪ دﻧﺒﺎل آن ﮐﺎﻫﺶ دﻣﺎ و ﺗﺒﺨﯿﺮ و ﻫﻤﭽﻨﯿﻦ ﺗﺴـﺮﯾﻊ در رﺳـﯿﺪن دﻣـﺎ ﺑـﻪ ﻧﻘﻄﻪ ﺷﺒﻨﻢ، ﻣﯿﺰان ﺑﺎرش ﺑﺎ ارﺗﻔﺎع اﻓﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ . ﺑﺎﯾﺪ ﺑﻪ اﯾﻦ ﻧﮑ ﺘﻪ ﺗﻮﺟﻪ ﮐﺮد ﮐﻪ اﻓﺰاﯾﺶ ﻣﯿﺰان ﺑﺎرش ﺑﺎ ارﺗﻔـﺎع ﺑﺼـﻮرت راﺑﻄـﻪ ﺧﻄـﯽ ﻧﯿﺴﺖ . ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ ﮐﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﺼﻮﺻﯿﺎت ﻣﺨﺘﻠﻒ ﻧﺎﻫﻤﻮاری ﻫﺎ ی ﮐﺸﻮر ﺑﺎرش ﺗﻨﻬﺎ ﺗﺎ ارﺗﻔﺎع ﻣﻌﯿﻨﯽ اﻓﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ و از آن ﭘـﺲ ﺑﺎ اﻓﺰاﯾﺶ ارﺗﻔﺎع ﻣﻘﺪار ﺑﺎرش رو ﺑﻪ ﮐﺎﻫﺶ . رود ﻣﯽ در ﻣﻨﺎﻃﻖ ﺣﺎره ﮐﻪ ﻻﯾﻪ ﭘﺎﯾﯿﻨﯽ ﺟﻮ ﺳﺮﺷﺎر از رﻃﻮﺑﺖ اﺳﺖ وﻟﯽ ﻻﯾﻪ ﻫﺎی ﻣﯿﺎﻧﯽ ﺟـﻮ از ﻧﻈـﺮ رﻃﻮﺑـﺖ ﺑﺴـﯿﺎر ﻓﻘﯿـﺮ ﻫﺴـﺘﻨﺪ، ﺣﺮﮐـﺎت ﻫﻤﺮﻓﺘﯽ ﺗﻨﻬﺎ ﺑﻪ ﻻﯾﻪ ﻫﺎی ﭘﺎﯾﯿﻨﯽ ﺟﻮ ﻣﺤﺪود ﺷﻮد ﻣﯽ . از ﻫﻤﯿﻦ رو در ﻧﻮاﺣﯽ ﺣﺎره ﺑﺎرش ﺗﺎ ارﺗﻔﺎع 1000 ﺗﺎ2000 ﻣﺘﺮی اﻓﺰاﯾﺶ ﻣﯽ ﯾﺎﺑـﺪ و از آن ﭘﺲ رو ﺑﻪ ﮐﺎﻫﺶ ﻣﯽ ﮔﺬارد . اﻣﺎ در ﻣﻨﺎﻃﻖ ﺑﺮون ﺣﺎره ﻧ ﻈﯿﺮ ﮐﺸﻮر اﯾﺮان ﻣﻘﺪار ﺑﺎرش ﺗﺎ ارﺗﻔﺎع 3000 اﻟﯽ4000 ﻣﺘـﺮی اﻓـﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ . ﻫﻤﭽﻨﯿﻦ اﺛﺮ ارﺗﻔﺎع ﺑﺮ ﺑﺎرش در ﺗﺎﺑﺴﺘﺎن ﻫﺎ ﺷﺪﯾﺪﺗﺮ از زﻣﺴﺘﺎن و در داﻣﻨﻪ ﻫﺎی ﺑﺎدﮔﯿﺮ ﺑﺴﯿﺎر ﻗﻮی ﺗﺮ از داﻣﻨﻪ ﻫﺎی ﺑﺎد ﭘﻨﺎه اﺳﺖ . ﺗﺎﮐﻨﻮن ﭘﮋوﻫﺸﮕﺮان زﯾﺎدی ﮐﻮﺷﯿﺪه اﻧﺪ ﺗﺎ ﺑﺮ ﭘﺎﯾﻪ ﻣﺪل ﺑﺎرش- ارﺗﻔﺎع، ﺗﻮز ﯾـﻊ ﻣﮑـﺎﻧﯽ ﺑـﺎرش در ﺣﻮﺿـﻪ ﻫـﺎ را ﻣﺤﺎﺳـﺒﻪ ﮐﻨﻨـﺪ . اﯾـﻦ ﻣﻄﺎﻟﻌﺎت از ﻟﺤﺎظ ﺗﻌﺪاد ﻫﺎ ﺳﺎل ی آﻣﺎری، ﺗﻌﺪاد اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻣﻮرد ﺑﺮرﺳﯽ، ﭘﺮاﮐﻨﺪﮔﯽ ﺟﻐﺮاﻓﯿﺎﯾﯽ اﯾﺴـﺘﮕﺎه ﻫـﺎ و دﻗـﺖ آﻣـﺎری ﻣﺤﺎﺳـﺒﺎت ﺑﺴﯿﺎر ﻣﺘﻔﺎوﺗﻨﺪ . در ﺟﺪول )2 - 2 (ﺑﺮﺧﯽ از ﻧﺘﺎﯾﺞ اﯾﻦ ﻣﻄﺎﻟﻌﺎت درج ﺷﺪه اﺳﺖ . از ﺑﺮرﺳﯽ اﯾﻦ ﺟـﺪول ﭼﻨـﯿﻦ اﺳـ ﺘﻨﺒﺎط ﻣـﯽ ﺷـﻮد ﮐـﻪ اول ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ﻣﯿﺎﻧﮕﯿﻦ ﺑﺎرش ﺳﺎﻻﻧﻪ و ارﺗﻔﺎع در ﻫﻤﻪ ﺟﺎ ﻣﺜﺒﺖ اﺳﺖ اﻣﺎ ﻣﻘﺪار آن ﺷﺪت و ﺿﻌﻒ دارد . دوم اﯾﻦ ﮐﻪ ﺧﯿﺰ ﺑﺎرش ﺑﺴـﯿﺎر ﻣﺘﻐﯿﺮ اﺳﺖ و ﺑﯿﻦ2/1 ﻣﺘﺮ ﻣﯿﻠﯽ ﺑﺮ ﻣﺘﺮ در ﺣﻮﺿﻪ آﺑﺮﯾﺰ زﻫﺮه ﺗﺎ 04 /0 در ارﺗﻔﺎﻋﺎت ﻣﺮﮐﺰی ﮐﺮﻣﺎن ﺗﻐﯿﯿﺮ . ﮐﻨﺪ ﻣﯽ ﺳﻮم اﯾﻦ ﮐـﻪ ﻧـﻮع راﺑﻄـ ﻪ ﺑﺎرش- ارﺗﻔﺎع ﻏﺎﻟﺒﺎ ﺧﻄﯽ ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ . ﺑﻪ ﻋﻠﺖ ﻣﺤﺪودﯾﺖ ﻫﺎی ﻣﺤﺎﺳﺒﻪ رواﺑﻂ ﺑﺎرش - ارﺗﻔﺎع و ﻫﻤﭽﻨﯿﻦ ﻣﺤﺪودﯾﺖ ﺟﻐﺮاﻓﯿـﺎﯾﯽ ﻣﻨﺎﻃﻖ ﺑﺮرﺳﯽ ﺷﺪه در ﺟﺪول )2 - 2 (ﺗﺼﻮﯾﺮ روﺷﻨﯽ از ﭼﮕﻮﻧﮕﯽ راﺑﻄﻪ ﺑﺎرش و ارﺗﻔﺎع در اﯾﺮان وﺟﻮد ﻧﺪارد . ﻣﻮﺣﺪ داﻧـﺶ )1373 ( ﻧﺸـﺎن دﻫﺪ ﻣﯽ ﮐﻪ اﮔﺮ ﺑﻪ ﺟﺎی ارﺗﻔﺎ ع ﻣﻄﻠﻖ در ﻫﺎ ﻣﺪل ی ﺑﺎرش- ارﺗﻔﺎع، ﻣﯿﺎﻧﮕﯿﻦ وزﻧﯽ ارﺗﻔﺎع ﺣﻮﺿﻪ ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﺷﻮد، ﻧﺘﯿﺠـﻪ ﺑﺴـﯿﺎر ﺑﻬﺘـﺮی ﺑﻪ دﺳﺖ . آﯾﺪ ﻣﯽ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ از راه ﺑﺎزﺑﯿﻨﯽ در ﺷﮑﻞ رواﺑﻂ رﯾﺎﺿﯽ ﺑﺎرش- ارﺗﻔﺎع و ﯾﺎ اﺳﺘﻔﺎده از ﻫﺎ ﻣﺪل ی ﮐﺮﯾﺠﯿﻨـﮓ ﺑﺘـﻮان ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿ ﺮات ﻣﮑﺎﻧﯽ 19 اﻟﮕﻮی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرش را ﺑﻬﺘﺮ ﺑﺮآورد ﻧﻤ . ﻮد ﻫﻤﭽﻨﯿﻦ در ﻧﻮاﺣﯽ ﮐﻮﻫﺴﺘﺎﻧﯽ ﻓﺎﺻﻠﻪ ﭘﺎﯾﻪ اﺑﺮ ﺗﺎ زﻣﯿﻦ ﺗﺮ ﮐﻢ اﺳﺖ و ﺣﺘﯽ ﻗﻄـﺮات ﺑﺴـﯿﺎر رﯾﺰ ﺑﺎران ﻧﯿﺰ ﻓﺮﺻﺖ ﻣﯽ ﯾﺎﺑﻨﺪ ﺗﺎ ﭘﯿﺶ از آن ﮐﻪ در ﺟﻮ ﺗﺒﺨﯿﺮ ﺷﻮﻧﺪ، ﺧﻮد را ﺑﻪ زﻣﯿﻦ ﺑﺮﺳـﺎﻧﻨﺪ و ﺑـﻪ ﻫﻤـﯿﻦ ﺳـﺒﺐ ﻣﻘـﺪار ﺑـﺎرش ﻧـﻮاﺣﯽ ﮐﻮﻫﺴﺘﺎﻧﯽ و ارﺗﻔﺎﻋﺎت ﻧﺴﺒﺖ ﺑﻪ دﺷﺖ ﻫﺎی ﻣﺠﺎور زﯾﺎدﺗﺮ اﺳﺖ . در ﻣﺠﻤ ﻮع، ﻋﻮاﻣﻞ ﮔﻮﻧﺎﮔﻮن ﺳﺒﺐ ﻣﯽ ﺷـﻮد ﺗـﺎ از اﻋﺘﺒـﺎر رواﺑـﻂ ﺑـﺎرش ﺳﺎﻻﻧﻪ و ارﺗﻔﺎع ﮐﺎﺳﺘﻪ ﺷﻮد . ﺑﺮﺧﯽ ﻋﻮاﻣﻞ از دﻗﺖ آﻣﺎری اﯾﻦ رواﺑﻂ ﻣﯽ ﮐﺎﻫﻨﺪ و ﺑﺮﺧﯽ دﯾﮕﺮ ﺳﺒﺐ ﻣﯽ ﺷﻮﻧﺪ ﮐﻪ رواﺑﻂ ﺑﻪ دﺳﺖ آﻣـﺪه ﺑـﻪ ﻧﻮاﺣﯽ ﺟﻐﺮاﻓﯿﺎﯾﯽ ﮐﻮﭼﮑﯽ ﻣﺤﺪود ﺷﻮﻧﺪ . اﯾﻦ ﻋﻮاﻣﻞ را ﺗﻮان ﻣﯽ ﺑﻪ ﺷﺮح زﯾﺮ ﺧﻼﺻﻪ ﮐﺮد . 1 -ﺗﺮاﮐﻢ ﺑ ﺎراﻧﺴﻨﺞ ﻫﺎ در ﻣﻨﺎﻃﻖ ﻣﺮﺗﻔﻊ ﮐﻢ اﺳﺖ . 2 -وﻗﻮع ﺑﺎرش ﺑﺎ ﻣﻨﺸﺎﻫﺎی ﻣﺨﺘﻠﻒ راﺑﻄﻪ ﺑﺎرش- ارﺗﻔﺎع را ﭘﯿﭽﯿﺪه ﻣﯽ ﺳﺎزد . 3 -ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﺑﺎرش در ﻣﻨﺎﻃﻖ ﻣﺮﺗﻔﻊ ﺷﺪﯾﺪ اﺳﺖ . 4 - دﻗﺖ اﻧﺪازه ﮔﯿﺮی ﺑﺎرش در ﻣﻨﺎﻃﻖ ﻣﺮﺗﻔﻊ ﮐﻢ اﺳﺖ . 5 -ﺷﮑﻞ زﻣﯿﻦ در ﻧﻮاﺣﯽ ﮐﻮﻫﺴﺘﺎﻧﯽ ﭘﯿﭽﯿﺪه اﺳﺖ و راﺑﻄﻪ ﺑﺎرش- ارﺗﻔﺎع ﺗﺤﺖ ﺛﯿﺮﺗﺎ ﻋﻮاﻣﻞ ﻣﻮﺿﻌﯽ ﻣﺎﻧﻨﺪ ﺟﻬـﺖ دره ﻫـﺎ ﻗـﺮار ﻣﯽ ﮔﯿﺮد . 6 -رواﺑﻂ ﺑﺎرش- ارﺗﻔﺎع ﺑﻪ ﺷﺪت ﻣﻮﺿﻌﯽ اﺳﺖ و ﺑﻪ وﯾﮋه ﺑﻪ ﺟﻬﺖ ﺟﺮﯾﺎن ﻫﺎ ﺗﻮده ی ﻫﻮا ﺑﺴﺘﮕﯽ دارد . 7 - در ﻫﺎ ﮐﻮه ی ﮐﻢ ارﺗﻔﺎع و ﮔﺴﺴﺘﻪ راﺑﻄﻪ ﺑﺎرش- ارﺗﻔﺎع ﻧﺴﺒﺖ ﺑﻪ رﺷﺘﻪ ﻫﺎ ﮐﻮه ی ﭘﯿﻮﺳﺘﻪ و ﺑﻠﻨﺪ ﺿﻌﯿﻒ اﺳﺖ ﺗﺮ . ﺑﻪ واﺳﻄﻪ دﻻﯾﻞ ﻓﻮق ﻋﺪم ﻗﻄﻌﯿ ﺖ راﺑﻄﻪ ﺑﺎرش- ارﺗﻔﺎع ﺑﺴﯿﺎر زﯾﺎد و ﻧﺘﺎﯾﺞ ﻫﺎ ﻣﺪل ﺗﻘﺮﯾﺒﯽ ﻣﯽ ﺑﺎﺷـﺪ . ﺑـﺮای ﻣﺜـﺎل ﻣﻄﺎﻟﻌـﺎﺗﯽ ﮐـﻪ در اﻧﮕﻠﺴﺘﺎن اﻧﺠﺎم ﺷﺪه اﺳﺖ ﺑﯿﺎﻧﮕﺮ آن اﺳﺖ ﮐﻪ در ﻧﻮاﺣﯽ ﮐﻮﻫﺴﺘﺎﻧﯽ اﺛﺮ ارﺗﻔﺎع ﺑﺮ ﺑﺎرش در ﻣﻨﺎﻃﻖ ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻣﺨﺘﻠﻒ ﺑﺴﯿﺎر ﺑﺎ ﻫﻢ ﺗﻔـﺎوت دارد . ﻫﻤﭽﻨﯿﻦ ﻣﻄﺎﻟﻌﺎﺗﯽ ﮐﻪ در اﯾﺮان ﺑﺮ روی راﺑﻄﻪ ﺑ ﺎرش- ارﺗﻔﺎع اﻧﺠﺎم ﺷﺪه اﺳﺖ ، ﻧﯿﺰ ﻧﺸﺎن ﻣﯽ دﻫـﺪ ﮐـﻪ راﺑﻄـﻪ ارﺗﻔـﺎع ﺑـﺎ ﺑـﺎرش در ﻧﻮاﺣﯽ ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻣﺨﺘﻠﻒ ﺑﺴﯿﺎر ﻣﺘﻨﻮع اﺳﺖ . ﻫﻤﭽﻨﯿﻦ ﻣﻄﺎﻟﻌﺎت دﯾﮕﺮی از ﺟﻤﻠﻪ ﻋﻠﯿﺠﺎﻧﯽ )1374 ( ﻧﺸﺎن داده اﺳـﺖ ﮐـﻪ در ﮐﺮاﻧـﻪ ﻫـﺎ ی درﯾﺎی ﺧﺰر ﻓﺎﺻﻠﻪ از درﯾﺎ ﺑﻬﺘﺮ از ارﺗﻔﺎع، ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﺑﺎرش را ﺗﻮﺿﯿﺢ . ﺪ دﻫ ﻣﯽ ﺟﺪول2 - 2 - راﺑﻄﻪ ﺑﺎرش ﺳﺎﻻﻧﻪ ﺑﺎ ارﺗﻔﺎع در ﺑﺨﺶ ﻫﺎ ی ﻣﺨﺘﻠﻒ اﯾﺮان ﻣﻨﺒﻊ ﻣﺤﻞ ﺟﻐﺮاﻓﯿﺎﯾﯽ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ راﺑﻄﻪ ﺑﺎرش- ارﺗﻔﺎع ﻣﻬﻨﺪﺳﯿﻦ ﻣﺸﺎور ﻫﺎﻣﻮﻧﺒﺎد ارﺗﻔﺎﻋﺎت ﺟﻨﻮب ﮐﺮﻣﺎن 89 /0 9/ 16 ± H 95 /0 + 79 / 85 = P ﻣﻬﻨﺪﺳﯿﻦ ﻣﺸﺎور ﻫﺎﻣﻮﻧﺒﺎد ارﺗﻔﺎﻋﺎت ﺟﻨﻮب ﻏﺮﺑﯽ ﮐﺮﻣﺎن76 /0 4/ 35 ± H 44 /0 + 7/ 157 = P ﻣﻬﻨﺪﺳﯿﻦ ﻣﺸﺎور ﻫﺎﻣﻮﻧﺒﺎد ارﺗﻔﺎﻋﺎت ﻣﺮﮐﺰی ﮐﺮﻣﺎن59 /0 34 ± H 041 /0 + 6/ 67 = P ﻣﻬﻨﺪﺳﯿﻦ ﻣﺸﺎور ﻫﺎﻣﻮﻧﺒﺎد ارﺗﻔﺎﻋﺎت ﺷﻤﺎل ﺷﺮق ﮐﺮﻣﺎن86 /0 4/ 24 ± H 06 /0 + 7/1 = P ﺣﺒﯿﺒﯽ )1373 ( ارﺗﻔﺎﻋﺎت آﺑﺮﯾﺰ ﮐﺎرون و ﻣﺎرون در ﮐﻬﮕﯿﻠﻮﯾﻪ و ﺑﻮﯾﺮاﺣﻤﺪ 88 /0 H 717 /0 + 9/ 637 = P ﺣﺒﯿﺒﯽ ار ﺗﻔﺎﻋﺎت آﺑﺮﯾﺰ زﻫﺮه در ﮐﻬﮕﯿﻠﻮﯾﻪ 97 /0 H 20 /1 + 39 / 85 - = P ﻣﺴﯿﺒﯽ ارﺗﻔﺎﻋﺎت آﺑﺮﯾﺰ ﮔﻠﭙﺎﯾﮕﺎن 89 /0 H 202 /0 + 38 / 132 - = P ﻧﯿﮏ اﻧﺪﯾﺶ ﺷﻤﺎل ﻏﺮب ﮐﺎرون ) ﻣﻨﻄﻘﻪ ﭼﻠﮕﺮد (92 /0 H 03 /1 + 8/ 1582 - = P ﻧﯿﮏ اﻧﺪﯾﺶ ﻏﺮب ﮐﺎرون ) ﻣﻨﻄﻘﻪ ﻟﺮدﮔﺎن (75 /0 H 275 /0 + 96 / 106 = P ﻧﯿﮏ اﻧﺪﯾﺶ ﺷﺮق ﮐﺎرون ) ﻣﻨﻄﻘﻪ ﺷﻬﺮﮐﺮد (73 /0 H 112 /0 + 26 / 62 - = P ﻧﯿﮏ اﻧﺪﯾﺶ ﺟﻨﻮب و ﺟﻨﻮب ﺷﺮق ﮐﺎرون ) ﻣﻨﻄﻘﻪ ﯾﺎﺳﻮج (88 /0 H 19 /1 + 1314 - = P 20 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای اداﻣﻪ ﺟﺪول 2 - 2 - راﺑﻄﻪ ﺑﺎرش ﺳﺎﻻﻧﻪ ﺑﺎ ارﺗﻔﺎع در ﺑﺨﺶ ﻫﺎ ی ﻣﺨﺘﻠﻒ اﯾﺮان ﻣﻨﺒﻊ ﻣﺤﻞ ﺟﻐﺮاﻓﯿﺎﯾﯽ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ راﺑﻄﻪ ﺑﺎرش- ارﺗﻔﺎع ﻧﯿﮏ اﻧﺪﯾﺶ ﻧﻮاﺣﯽ ﺣﻮﺿﻪ ﮐﺎرون 82 /0 H log 23 + 7/ 81 - = P ﺑﺎﻗﺮی ﮐﺎرون ﻣﯿﺎﻧﯽ ) ﺑﯿﻦ ﮔﺪارﻟﻨﺪر ﺗﺎ ﭘﻞ ﺷﺎﻟﻮ (53 /0 H 443 /0 + 6/ 452 = P ﺻﺎﻟﺤﯽ داﻣﻨﻪ ﻫﺎ ی ﻏﺮﺑﯽ زاﮔﺮس ) ﻣﻨﻄﻘﻪ ﺑﺎغ ﻣﻠﮏ ( 71 /0 H 13 /0 + 480 = P ﻣﻮﺣﺪ داﻧﺶ ﺣﻮﺿﻪ درﯾﺎﭼﻪ اروﻣﯿﻪ - H 18 /0 + 100 = P (P) ﻣﯿﺎﻧﮕﯿﻦ ﺑﺎرش ﺳﺎﻻﻧﻪ ﺑﻪ ﻣﯿﻠﯽ ﻣﺘﺮ (H) ارﺗﻔﺎع از ﺳﻄ ﺢ درﯾﺎ ﺑﻪ ﻣﺘﺮ 2 - 3 - 2 -راﺑﻄﻪ دﻣﺎ و ارﺗﻔﺎع در ﻣﻮرد دﻣﺎی ﻫﻮا و ﺗﻐﯿﯿﺮات آن ﺗﻮان ﻣﯽ ﺑﯿﺎن داﺷﺖ ﮐﻪ ﮐﺎﻫﺶ ﻣﻘﺪار آﻣﺎره ﻫﺎ ی ﻣﺨﺘﻠﻒ دﻣﺎی ﻫﻮا، ﺑﻪ وﯾﮋه ﻣﯿـﺎﻧﮕﯿﻦ ﻫـﺎ ی دﻣـﺎ، ﺑـﺎ ارﺗﻔﺎع ﭘﺪﯾﺪه ﺷﻨﺎﺧﺘﻪ ای ﺷﺪه اﺳﺖ و ﭘﯿﭽﯿﺪﮔﯽ ﻫﺎ ی ﻣﺘﻐﯿﺮ ﺑﺎرش را ﻧﺪارد ﺑﻪ . ﻃﻮری ﮐﻪ در ﻣﺮاﺟﻊ ﺑﺴﯿﺎر ﻗـﺪﯾﻤﯽ ﻣﺮﺑـﻮط ﺑـﻪ ﻋﺼـﺮ ﺗﻤـﺪن ﯾﻮﻧﺎن ﻧﯿﺰ ﺑﻪ آن اﺷﺎره ﺷﺪه اﺳﺖ . روﻧﺪ ﺗﻐﯿﯿﺮات ﻧﺮﻣﺎل ﻫﺎ ی دﻣﺎﯾﯽ ﺑﺮ ﺣﺴﺐ ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻧﯿﺰ از اﺳﺘﻮا ﺑـﻪ ﻗﻄـﺐ ﮐﺎﻫﻨـﺪه ﻣـﯽ ﺑﺎﺷـﺪ . ﻻزم ﺑﻪ ﺗﻮﺿﯿﺢ اﺳﺖ اﺛﺮ ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ در ﻣﻄﺎﻟﻌﺎت ﻣﺤﺪوده ﻫﺎ ی ﺑﺰرگ ﻧﺴﺒﺖ ﺑـﻪ ﻣﺤـﺪوده ﻫـﺎ ی ﮐﻮﭼـﮏ ﻣـﯽ ﺗﻮاﻧـﺪ، ﻧﺘـﺎﯾﺞ ﺑﺴـﯿﺎر دﻗﯿﻖ ﺗﺮ ی را ﺑﻪ ﻫﻤﺮاه داﺷﺘﻪ ﺑﺎﺷﺪ . اﺛﺮ ﻋﺎﻣﻞ ﻃﻮل ﺟﻐﺮاﻓﯿﺎﯾﯽ ﮐﻪ ﺑﯿﺶ ﺗﺮ ﻣﺮﺑﻮط ﺑﻪ ﺗﻮزﯾﻊ ﺧﺸـﮑﯽ ﻫـﺎ و درﯾﺎﻫـﺎ و ﻣﻮﻗﻌﯿـﺖ ﺳـﺮزﻣﯿﻦ در ﺣﺎﺷﯿﻪ ﯾﺎ ﺑﻄﻦ ﻣﯽ ﻫﺎ ﻗﺎره ﺑﺎﺷﺪ، ﻧﯿﺰ ﮐﻢ ﺗﺮ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ . ﺗﺎﺛﯿﺮ ﻣﺘﻘﺎﺑﻞ و زﻣﺎن ﻫﻢ ﻋﻨﺎﺻﺮ و ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ زﻣﯿﻨﻪ ﻫﺎ ی ﺑﻪ ﮐﺎرﮔﯿﺮی روش ﻫـﺎ ی ﻣﺨﺘﻠﻔـﯽ را در ﺗﻔﺴـﯿﺮ ﺗ ﻐﯿﯿـﺮات ﻣﮑـﺎﻧﯽ و زﻣـﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ ی اﻗﻠﯿﻤﯽ ﻓﺮاﻫﻢ آورده اﺳﺖ از . ﺟﻤﻠﻪ اﯾ ﻦ روش ، ﻫﺎ روش ﻫﺎ ی ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﻣﯽ ﺑﺎﺷﺪ ﺑﻪ . ﻧﺤﻮی ﮐﻪ ﻣﺘﻐﯿﺮﻫﺎ ی واﺑﺴﺘﻪ ﻧﻈﯿـﺮ ﺑـﺎرش و دﻣﺎ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﭼﻨﺪﯾﻦ ﻣﺘﻐﯿﺮ ﻣﺴﺘﻘﻞ ﻫﻤﺒﺴﺘﮕﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ . در ﺣﺎﻟﺖ ﮐﻠﯽ رﮔﺮﺳﯿﻮن ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﺑﺎ M ﻣﺘﻐﯿﺮ ﻣﺴﺘﻘﻞ ﺑﻪ ﺷـﮑﻞ زﯾـﺮ ﺑ ﯿﺎن ﺷﻮد ﻣﯽ . )2 - 2( M 0 i i i 1 R B B X = = +å ﮐﻪ در آنxi ﻣﺘﻐﯿﺮﻫﺎ ی ﻣﺴﺘﻘﻞ ) ﮐﻪ ﺑﺎ دﻣﺎ ارﺗﺒﺎط دارﻧﺪ ، (B0 ،ﻋﺪد ﺛﺎﺑﺖBi ﺿﺮاﯾﺐ رﮔﺮﺳﯿﻮن و R ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ ﻣﯽ ( دﻣﺎ ) ﺑﺎﺷﺪ . ﯾﮏ ﻣﺪل ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﻣﻌﺮف ﯾﮏ ﺻﻔﺤﻪ در ﻓﻀﺎی ﭼﻨﺪ ﺑﺮداری اﺳﺖ . ﭘﺎراﻣﺘﺮ Bi ارﺗﻔﺎع از ﻣﺒـﺪا ﺻـﻔﺤﻪ رﮔﺮﺳـﯿﻮن و ﻣﻌﻤـﻮﻻ ﻓﺎﻗـﺪ ﺗﻔﺴﯿﺮ ﻓﯿﺰﯾﮑﯽ اﺳﺖ . ﭘﺎراﻣﺘﺮ Bi ﺣﺎﮐﯽ از ﺗﻐﯿﯿﺮ ﻣﻮرد اﻧﺘﻈﺎر ﺑﺮایR ﺑﻪ ازای ﯾﮏ واﺣـﺪ ﺗﻐﯿﯿـﺮ در ﻋﺎﻣـﻞi اﺳـﺖ، ﺑـﻪ ﺷـﺮﻃﯽ ﮐـﻪ ﺑﻘﯿـﻪ ﻣﺘﻐﯿﺮﻫﺎ ﺛﺎﺑﺖ ﺑﺎﺷﺪ . در ﻓﺼﻮل ﺑﻌﺪی در ارﺗﺒﺎط ﺑﺎ ﻫﺎ ﻣﺪل ی ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﺗﻮﺿﯿﺤﺎت ﺑﯿﺶ ﺗﺮ ی اراﺋﻪ ﺧﻮاﻫﺪ ﺷﺪ . ،در اﯾﺮان ﺑﺮرﺳﯽ ﻫﺎ ی ﺧﻠﯿﻠﯽ )1375 ( ﻧﺸﺎن دﻫﺪ ﻣﯽ ﮐﻪ ﮔﺮادﯾﺎن ﺗﻐﯿﯿﺮات دﻣﺎی ﻫﻮا ﯾﮏ ﺑﺮدار در ﻓﻀﺎی ﺳﻪ ﺑﻌﺪی اﺳﺖ ﮐﻪ ﺗﻐﯿﯿـﺮات ﻣﻮﻟﻔﻪ ﻫﺎ ی ﻗﺎﺋﻢ، ﻧﺼﻒ اﻟﻨﻬﺎری و ﻣﺪاری آن ﺑﻪ وﺳﯿﻠﻪ ﻫﺎ ﻣﺪل ی رﮔﺮﺳﯿﻮﻧﯽ ﺳﺎده ﺧﻄﯽ ﺑﯿﺎن ﻣﯽ ﺷـﻮد . ﻣﺴـﻌﻮدﯾﺎن )1382 ( ﻧﯿـﺰ ﺗﻐﯿﯿـﺮات ﺳﻪ ﺑﻌﺪی دﻣﺎ را ﺑﻪ وﺳﯿﻠﻪ رﮔﺮﺳﯿﻮن ﺳﺎده ﺧﻄﯽ ﺗﺸﺮﯾﺢ ﮐﺮده اﺳﺖ . ﺑﺎﯾﺪ ﺗﻮﺟﻪ داﺷﺖ ﮐﻪ اﮔﺮ ﭼﻪ ﻫﺎ ﻣﺪل ی ﻣﺘﮑﯽ ﺑﺮ رﮔﺮﺳﯿﻮن ﭼﻨﺪ ﻣﺘﻐﯿﺮه در ﻣﻮرد ﻣﺘﻐﯿﺮﻫﺎ ی ﻫﻮاﺷﻨﺎﺳﯽ ﻣﺎﻫﺎﻧﻪ، ﻓﺼﻠﯽ و ﺳﺎﻻﻧﻪ ﻣﻤﮑـﻦ اﺳﺖ ﺑﺎ دﻗﺖ ﺑﺎﻻ ﻫﻤﺮاه ﺑﺎﺷﺪ . اﻣﺎ ﺑﻪ وﯾﮋه در ﻣﻮرد ﺑﺎرش ﺗﺎ ﮐﻨﻮن در ﺳﻄﺢ ﺟﻬـﺎن ﮔﺰارﺷـﯽ ﻣﺒﻨـﯽ ﺑـﺮ ﮐـﺎرﺑﺮد روش ﻫـﺎ ی رﮔﺮﺳـﯿﻮن در ﻣﻘﯿﺎس روزاﻧﻪ و ﺳﺎﻋﺘﯽ ﻣﺸﺎﻫﺪه ﺷﻮد ﻤﯽﻧ . ﻟﺬا در ﻣﻘﯿﺎس ﻫﺎی زﻣﺎﻧﯽ ﮐﻮﺗﺎه ﺑﺎﯾﺪ روش ﻫﺎ ی دﯾﮕﺮی ﮐﻪ در ﻓﺼﻮل ﺑﻌﺪی ﻣﻮرد ﺑﺤﺚ ﻗـﺮار ﺧﻮاﻫﺪ ﮔﺮﻓﺖ ، ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﯿﺮﻧﺪ . ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 21 2 - 4 - ﺗﻌﯿﯿﻦ اﻧﺪازه ﺳﻠﻮل ) ﺗﻔﮑﯿﮏ ﭘﺬﯾﺮ ی ﻣﮑﺎﻧﯽ ( ﺑﺮ اﺳﺎس ﻣﻘﯿﺎس ﻧﻘﺸﻪ ﻫﺎ اﻧﺘﺨﺎب اﻧﺪازه ﺗﻔﮑﯿﮏ ﭘﺬﯾﺮ ی ﺑﺎﻋﺚ اﻓﺰاﯾﺶ ﯾﺎ ﮐﺎﻫﺶ ﺟﺰﺋﯿﺎت در ﻧﻘﺸﻪ ﻫﺎ ی ﺷﺒﮑﻪ ای 1 ﻣﯽ و ﺷﻮد ﻣﯽ ﺗﻮاﻧﺪ ﻣﻮﺟﺐ ﺑﺮوز ﺧﻄﺎ در ﻧﺘﺎﯾﺞ ﺷﺒﯿﻪ ﺳﺎزی ﺷﻮد ﻫﺎ . ﻋﺎﻣﻞ اﯾﺠﺎد اﯾﻦ ﺧﻄﺎ ﻣﺤﺪودﯾﺖ اﻧﺪازه ﺳﻠﻮل و ﺗﻨﺎﺳﺐ آن ﺑﺎ ﻣﻘﯿﺎس ﻫﺎ داده ی ورودی ﺑﺮای درون ﯾﺎﺑﯽ ﻣﯽ ﺑﺎﺷﺪ . ﻃﻮر ﺑﻪ ﻣﺜﺎل در ﻧﻘﺸﻪ ﻣﺪل ارﺗﻔﺎﻋ ﯽ رﻗﻮﻣﯽ )DEM (ﺑﺎ اﻓﺰاﯾﺶ اﻧﺪازه ﺳﻠﻮل ﺷﯿﺐ ﮐﺎﻫﺶ ﻣﯽ .ﯾﺎﺑﺪ ﺳﺎﯾﺮ ﭘﺎراﻣﺘﺮﻫ ﺎ ﻣﺎﻧﻨﺪ ﺟﻬﺖ و اﻧﺤﻨﺎ ﻧﯿﺰ ﺑﺎ ﺗﻐﯿﯿﺮ اﻧﺪازه ﺳﻠﻮل ﺗﻐﯿﯿﺮ ﻣﯽ ﻧﻤﺎﯾﻨﺪ . ﻫﻤﭽﻨﯿﻦ ﺑﺎ اﻓﺰاﯾﺶ اﻧﺪازه ﺳﻠﻮل ﺗﻮزﯾﻊ آﻣﺎری ﺳﻄﺢ زﻫﮑﺸﯽ و ﺷﺒﮑﻪ زﻫﮑﺸﯽ ﻧﯿﺰ ﺑﻪ ﺷﺪت ﺗﻐﯿﯿﺮ .ﯾﺎﺑﺪ ﻣﯽ در ﻣﻮرد راﺑﻄﻪ ﺑﯿﻦ ﺗﻔﮑﯿﮏ ﭘﺬﯾﺮ ی ﻣﮑﺎﻧﯽ و ﻣﻘﯿﺎس ﻧﻘﺸﻪ ﻫﺎ، در ﺟﺪول )2 - 3 (اﻧﺪازه ﺳﻠﻮل ﭘﯿﺸﻨﻬﺎدی ﺑﺮ اﺳﺎس روش ﻫﻨﮕﻞ ) 2006 (ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻘﯿﺎس ﻫﺎی ﻣﺨﺘﻠﻒ ﻧﻘﺸﻪ ﻫﺎ آﻣﺪه اﺳﺖ . در اﯾﻦ ﺟﺪول ﺣﺪاﮐﺜﺮ اﻧﺪازه ﻣﺠﺎز و ﺑﻬﺘﺮﯾﻦ اﻧﺪازه ﺑﺮای اﻧﺪازه ﺳﻠﻮل ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ . اﻧﺘﺨﺎب اﻧﺪازه ﻧﻬﺎﯾﯽ ﺳﻠﻮل ﻫﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺪودﯾﺖ ﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﺣﺠﻢ ﻣﺤﺎﺳﺒﺎت ﺳﻠﻮﻟﯽ ﯾﺎ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﺳﺎﯾﺮ ﻧﻘﺸﻪ ﻫﺎی ﻣﺸﺎﺑﻪ ﺻﻮرت ﻣﯽ . ﺮدﮔﯿ ﺟﺪول2 - 3 - راﺑﻄﻪ ی ﻣﻘﯿﺎس ﻧﻘﺸﻪ و اﻧﺪازه ﺳﻠﻮل ﻣﻘﯿﺎس ﺣﺪاﮐﺜﺮ اﻧﺪازه ﺳﻠﻮل (ﻣﺘﺮ ) ﺑﻬﺘﺮﯾﻦ اﻧﺪازه ﺳﻠﻮل (ﻣﺘﺮ ) 1:25,000 5/ 62 5/ 12 1:50,000 125 25 1:100,000 250 50 1:250,000 625 125 1:500,000 1250 250 1:1,000,000 2500 500 2 - 5 - ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای 2 ﺷﺎﻣﻞ ﺗﻌﺪادی روش و اﻟﮕﻮرﯾﺘﻢ ﻣﺨﺘﻠﻒ ﺑﻮده ﮐﻪ ﺑﻪ ﻣﻨﻈﻮر ﺑﻨﺪی ﮔﺮوه اﺷﯿﺎ و ﯾﺎ ﻫﺎ داده ی آﻣﺎری ﻣﺸﺎﺑﻪ و ﻗﺮار دادن آﻧﻬﺎ در ﻫﺎ ﻃﺒﻘﻪ ی ﻣﻨﺎﺳﺐ ﺑﻪ ﮐﺎر رود ﻣﯽ . ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺗﻮان ﻣﯽ ﮔﻔﺖ ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﯾﮏ اﺑﺰار ﺗﺤﻠﯿﻠﯽ ﻫﺎ داده و اﻃﻼﻋﺎت ، ﺟﻬﺖ ﺑﻨﺪی ﮔﺮوه آﻧﻬﺎ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ اﮔﺮ ﻣﺘﻌ ﻫﺎ داده ﻠﻖ ﺑﻪ ﯾﮏ ﮔﺮوه ﺑﺎﺷﻨﺪ ﺑﯿﺶ ﺗﺮ ﯾﻦ درﺟﻪ ﺷﺒﺎﻫﺖ و در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﺣﺪاﻗﻞ درﺟﻪ ﺷﺒﺎﻫﺖ را ﺧﻮاﻫﻨﺪ داﺷﺖ . ﻓﺮاﯾﻨﺪی ﮐﻪ در ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﺻﻮرت ﻣﯽ ﮔﯿﺮد ، آوری ﺟﻤﻊ اﻃﻼﻋﺎت و ﺗﺮﮐﯿﺐ آﻧﻬﺎ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ و ﻫﺎ داده ﻣﺸﺎﻫﺪات ﺑﻪ ﺷﮑﻠﯽ ﻣﻨﺎﺳﺐ ﺑﻨﺪی ﮔﺮوه ﺷﻮﻧﺪ . اﻫﻤﯿﺖ اﯾﻦ روش در درون ﯾﺎﺑﯽ داده ﻫﺎ ی ﻧﻘﻄﻪ ای، ﯾﺎﻓﺘﻦ ﻣﻨﺎﻃﻖ ﻫﻤﮕﻦ ﻣﯽ ﺑﺎﺷﺪ ﺑﺨﺼﻮص زﻣﺎﻧﯽ ﮐﻪ ﺗﻐﯿﯿﺮات داده ﻫﺎ و وﺳﻌﺖ ﻣﻨﻄﻘﻪ زﯾﺎد اﺳ . ﺖ اﻗﻠﯿﻢ ﺷﻨﺎﺳﺎن از ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﺑﺮای ﺷﻨﺎﺳﺎﯾﯽ ﻣﻨﺎﻃﻖ ﻫﻤﮕﻦ در ﻣﻘﯿﺎس ﻫﺎ ی ﻣﮑﺎﻧﯽ ﻣﺘﻔﺎوت اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ . ﺑﻪ ﻃﻮر ﻣﺜﺎل ﺑﺮای ﺗﻌﯿﯿﻦ ﻣﻨﺎﻃﻖ ﻫﻢ اﻗﻠﯿﻢ ﺗﻮان ﻣﯽ از ﻋﻮاﻣﻞ ﻣﯿﺎﻧﮕﯿﻦ ﺑﺎرش و دﻣﺎی ﻣﺎﻫﺎﻧﻪ اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻣﻨﻄﻘﻪ اﺳﺘﻔﺎده ﮐﺮد . در ﻣﻮاردی ﺑﺎ ﺗﻌﺪاد ﺑﯿﺶ ﺗﺮ ی از ﻋﻮاﻣﻞ ) ﻣﺎﻧﻨﺪ رﻃﻮﺑﺖ، ﺳﺮﻋﺖ ﺑﺎد و ...( از روش ﻫﺎ ی ﺗﺠﺰﯾﻪ ﻣﻮﻟﻔﻪ ﻫﺎ ی اﺻﻠﯽ ﯾﺎ ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﻮان ﻣﯽ ﺑﺮای ﮐﺎﻫﺶ ﻫﺎ داده و ﯾﺎﻓﺘﻦ ﻣﻮﻟﻔﻪ ﻫﺎ ی اﺻﻠﯽ اﺳﺘﻔﺎده ﮐﺮد . 1- Raster 2- Clustering 22 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺑﻪ ﻃﻮر ﮐﻠﯽ اﻟﮕﻮرﯾﺘﻢ ﻫﺎ ی ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای در دو ﮔﺮوه ﺧﻮﺷﻪ ﺑﻨـﺪی ﺳﻠﺴـﻠﻪ ﻣﺮاﺗﺒـﯽ 1 و ﺧﻮﺷـﻪ ﺑﻨـﺪی ﺗﻔﮑﯿﮑـﯽ 2 ﻗـﺮار ﻣـﯽ ﮔﯿﺮﻧـﺪ . روش ﻫﺎ ی ﺧﻮﺷﻪ ﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ﻣﺠﻤﻮﻋﻪ ای از اﺟﺰای ﺑﻪ ﻫﻢ ﭘﯿﻮﺳﺘﻪ در ﯾﮏ ﻧﻤـﻮدار درﺧﺘـﯽ ) دﻧـﺪ ر وﮔﺮام ( ﺑـﻪ وﺟـﻮد آورد ﻣـﯽ . در ﮐﻪ ﺣﺎﻟﯽ روش ﻫﺎ ی ﺗﻔﮑﯿﮑﯽ ﺧﻮﺷﻪ ﻫﺎ ی ﺟﺪا ﺷﺪه و ﻣﺠﺰا را ﺑﻪ ﻋﻨﻮان ﺧﺮوﺟﯽ . ﺪ دﻫﻨ ﻣﯽ در اداﻣﻪ اﯾـﻦ دو ﮔـﺮوه ﻣﻌﺮﻓـﯽ و ﻣﻬـﻢ ﺗـﺮ وﯾﻦ ﮐﺎرﺑﺮدی ﺗﺮ ﯾﻦ روش ﻫﺎ ی آﻧﻬﺎ ﻣﻌﺮﻓﯽ ﺧﻮاﻫﺪ ﺷﺪ . - ﺧﻮﺷﻪ ﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ اﯾﻦ ﻧﻮع ﺧﻮﺷﻪ ﺑﻨﺪی ﺑﻪ دو روش ﺗﺮﮐﯿﺒﯽ و ﺗﻘﺴﯿﻤﯽ اﻧﺠﺎم ﺷﻮد ﻣﯽ . در روش ﺗﺮﮐﯿﺒﯽ، ﺧﻮﺷﻪ ﻫﺎ ی ﮐﻮﭼﮏ ﺗﺮ ﺑـﺎ ﻫـﻢ ﺗﺮﮐﯿـﺐ ﺷـﺪه و ﻫﺎ ﮔﺮوه ی ﺑﺰرگ ﺗﺮ را ﺑﻪ وﺟﻮد ﻣﯽ آورﻧﺪ . درﺣﺎﻟﯽ ﮐﻪ در روش ﺗﻘﺴﯿﻤﯽ ﺧﻮﺷﻪ ﻫﺎ ی ﺑﺰرگ ﺑﻪ ﺗﺮ ﻫﺎ ﮔﺮوه ی ﮐﻮﭼﮏ ﺗﺮ ﺗﻘﺴﯿﻢ ﻣﯽ ﺷﻮﻧﺪ . ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺗﮑﻨﯿﮏ ﻫﺎ ی ﺗﻘﺴﯿﻤﯽ، ﺑﺎ ﻓﺮض ﯾﮏ ﮔﺮوه واﺣﺪ ﺷﺮوع ﺑـﻪ ﮐـﺎر ﻣـﯽ ﮐﻨـﺪ و آن ﮔـﺮوه را ﺑـﻪ زﯾﺮ ﮔـﺮوه ﻫـﺎ ﯾﯽ ﺗﻘﺴـﯿﻢ ﻣﯽ ﻧﻤﺎﯾﻨﺪ . اﯾﻦ زﯾﺮ ﻫﺎ ﮔﺮوه در ﻣﺮاﺣﻞ ﺑﻌﺪی ﺑﻪ زﯾﺮ ﻫﺎ ﮔﺮوه ی دﯾﮕﺮ ﺗﻘﺴﯿﻢ . ﻧﺪﺷﻮ ﻣﯽ ﺗﺎ آن ﺟﺎ ﮐﻪ ﻫﺮ زﯾﺮ ﮔﺮوﻫﯽ ﺗﻨﻬﺎ ﯾـﮏ ﻋﻀـﻮ داﺷـﺘﻪ ﺑﺎﺷﺪ . اﻣﺎ در ﺗﮑﻨﯿﮏ ﻫﺎ ی ﺗﺮﮐﯿﺒﯽ در اﺑﺘﺪا ﻫﺮ ﮔﺮوﻫﯽ ﯾﮏ ﻋﻀﻮ دارد، ﺳﭙﺲ ﻫﺎ ﮔﺮوه ی ﻣﺸﺎﺑﻪ ﺑﺎ ﻫﻢ ﺗﺮﮐﯿﺐ ﻣﯽ ﺷﻮﻧﺪ و ﯾـﮏ ﮔـﺮوه دﯾﮕـﺮ را ﺑﻪ وﺟﻮد ﻣﯽ آورﻧﺪ، اﯾﻦ ﮐﺎر آن ﻗﺪر اداﻣﻪ ﯾﺎﺑﺪ ﻣﯽ ﺗﺎ ﻧﻬﺎﯾﺘﺎ ﯾﮏ ﮔﺮوه واﺣﺪ ﺑﻪ وﺟﻮد آﯾﺪ . در اﯾـﻦ ر وش ﻧﺘـﺎﯾﺞ ﺑـﻪ ﺻـﻮرت ﯾـﮏ ﻧﻤـﻮدار درﺧﺘﯽ ) دﻧﺪروﮔﺮام ( ﻗﺎﺑﻞ ﮔﺰارش اﺳﺖ . در اﯾﻦ ﻧﻤﻮدار ﺧﻮﺷﻪ ﻫﺎ در ﺳﻄﻮح ﻣﺨﺘﻠﻒ ﺑﺎ ﻫﻢ ﺗﺮﮐﯿﺐ ﻣﯽ ﺷﻮﻧﺪ و روش اﯾﻦ اﻣﮑﺎن را ﺑـﻪ ﺷـﻤﺎ دﻫﺪ ﻣﯽ ﮐﻪ ﺳﻄﺢ ﻣﻨﺎﺳﺐ و ﻣﻄﻠﻮب از ﺗﺮﮐﯿﺐ ﺧﻮﺷﻪ ﻫﺎ را ﺑﻪ دﻟﺨﻮاه ﺗﻌﯿﯿﻦ ﮐﻨﯿـﺪ . اﻟﮕـﻮرﯾﺘﻢ ﻫـﺎ ی ﺧﻮﺷـﻪ ای ﮐـﻪ در اﯾـﻦ روش ﺑـﻪ ﮐـﺎر ﻣﯽ روﻧﺪ ﻫﻔﺖ روش ﻣﯽ ﺑﺎﺷﻨﺪ ﮐﻪ راﯾﺞ ﺗﺮﯾﻦ آﻧﻬﺎ ﮐﻪ از ﻧﻮع ﺗﺮﮐﯿﺒﯽ اﺳﺖ، روش وارد3 ﻧﺎم دارد . — اﻟﮕﻮرﯾﺘﻢ وارد ﺗﺎﺑﻊ اﻟﮕﻮرﯾﺘﻢ وارد ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت ﻓﺎﺻﻠﻪ اﻋﻀﺎء از ﻣﺮﮐﺰ ﺛﻘﻞ ﺧﻮﺷﻪ را ﺑﻪ ﺣﺪاﻗﻞ ﻣﯽ رﺳﺎﻧﺪ . )2 - 3( k N K m k k 2 iy j k 1 j 1 i 1 W (y y ) · = = = = - å å å )2 - 4( k N k ij k i 1 j k y y N = · = å در ا ﯾﻦ راﺑﻄﻪ، K ﺗﻌﺪاد ﺧﻮﺷﻪ ﻫﺎ ی ﻣﻮﺟﻮد، m ﺗﻌﺪاد ﻣﺘﻐﯿﺮﻫﺎ ی در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه، k N ،ﺗﻌﺪاد اﻋﻀﺎء ﻣﺘﻌﻠﻖ ﺑﻪ ﻫـﺮ ﺧﻮﺷـﻪk j y· ، ﻣﻘﺪار ﻣﺘﻮﺳﻂ ﺑﻌﺪ ﺑﯽ ﺷﺪه ﻣﺘﻐﯿﺮ j در ﺧﻮﺷﻪk ، k ij y ، ﻣﻘﺪار ﺑﻌﺪ ﺑﯽ ﺷﺪه ﻣﺘﻐﯿﺮ j ﻣﺮﺑﻮط ﺑﻪ ﻋﻀﻮi واﻗﻊ در ﺧﻮﺷﻪk ﻣﯽ ﺑﺎﺷـﺪ . ﺑـﺮای ﺑﻌﺪ ﺑﯽ ﮐﺮدن ﻣﻘﺪار ﻣﺘﻐﯿﺮﻫﺎ از راﺑﻄﻪ )2 - 5( ، اﺳﺘﻔﺎده .ﺷﻮد ﻣﯽ )2 - 5( ij ij j wj y f x é ù = ë û s 1- Hierarchical 2- Partitional 3- Ward ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 23 ،در اﯾﻦ راﺑﻄﻪij x ، ﻣﻘﺪار ﻣﺘﻐﯿﺮj ام ﻣﺮﺑﻮط ﺑﻪ ﻋﻀﻮi، f (0) ،، ﺗﺎﺑﻊ ﺗﺒﺪﯾﻞj w، وز ن در ﻧﻈﺮ ﮔﺮﻓﺘـﻪ ﺷـﺪه ﺑـﺮای ﻣﺘﻐﯿـﺮ j ، j s و ij y ، اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد و ﻣﻘﺪار ﺑﻌﺪ ﺑﯽ ﺷﺪه ﻣﺘﻐﯿﺮ j اﺳﺖ . اﻟﮕﻮرﯾﺘﻢ وارد ، ﺗﺤﻠﯿﻞ را ﺑﺎ ﺧﻮﺷﻪ ﻫﺎ ی ﺗﮏ ﻋﻀﻮی ﺷﺮوع . ﮐﻨﺪ ﻣﯽ در اﯾﻦ ﻣﺮﺣﻠﻪ ﻣﺮﮐﺰ ﻫﺮ ﺧﻮﺷﻪ ﻫﻤﺎن ﺗﮏ ﻋﻀﻮ ﻣﺮﺑـﻮط ﺑـﻪ ﺧﻮﺷـﻪ اﺳﺖ . ﺑﻨﺎﺑﺮاﯾﻦ ﻣﻘﺪار ﺗﺎﺑﻊW، ﺻﻔﺮ ﺧﻮاﻫﺪ ﺑﻮد . در ﻫﺮ ﻣﺮﺣﻠﻪ، ﺗﺮﮐﯿﺐ آن دو ﺧﻮﺷﻪ ای ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ، ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ ﺗـﺮ ﮐﻢ ﯾﻦ اﻓـﺰاﯾﺶ در ﻣﻘﺪار ﺗﺎﺑﻊW ﺷﻮد . اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﻣﻨﺠﺮ ﺑﻪ اﯾﺠﺎد ﺧﻮﺷﻪ ﻫﺎ ﯾﯽ ﮐﺮوی ﺑﺎ اﻧﺪازه ﻫﺎ ﯾﯽ ﺑﺮاﺑﺮ ﻣﯽ ﮔﺮدد ا . ﯾﻦ ﺧﺼﻮﺻﯿﺖ، اﻟﮕـﻮرﯾﺘﻢ وارد را ﺑـﺮای ﻧﺎﺣﯿﻪ ﺑﻨﺪی ﻣﻨﺎﻃﻖ ﻫﻤﮕﻦ ﻣﻨﺎﺳﺐ ﮐﺮده اﺳﺖ . — ر دﻧﺪ وﮔﺮام1 )ﻧﻤﻮدار درﺧﺘﯽ ( ﻫﻤﺎن ﻃﻮر ﮐﻪ ﻗﺒﻼ ﮔﻔﺘﻪ ﺷﺪ، ﯾﮑﯽ از ﻫﺎ راه ی ﻧﻤﺎﯾﺶ ﻧﺘﺎﯾﺞ ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﺑﻪ روش ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ، اﺳﺘﻔﺎده از ﻧﻤﻮدار درﺧﺘﯽ اﺳﺖ . ﯾﮏ دﻧﺪ ر وﮔﺮام، ﺗﺮﮐﯿﺐ ﯾﺎ ﻫﺎ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﯾﻫﺎ ﯽ ﮐﻪ در ﺳﻄﻮح ﻣﺘﻮاﻟﯽ ﺳﺎﺧﺘﻪ ﺷﺪه را ﺗﺸﺮﯾﺢ ﮐﻨﺪ ﻣﯽ . در اﯾﻦ ﻧﻤﻮدار، ﻫﺎ ﺷﺎﺧﻪ ی درﺧﺖ، ﺧﻮﺷﻪ ﻫﺎ را ﻧﺸﺎن ﻣﯽ دﻫﻨﺪ . در ﻫﺎ ﺷﺎﺧﻪ ﻫﺎ ﮔﺮه ﯾﯽ ﺗﺮﮐﯿﺐ ﻣﯽ ﺷﻮﻧﺪ ﮐﻪ وﺿﻌﯿﺘﺸﺎن در اﻣﺘﺪاد ﯾﮏ ﻣﺤﻮر ﻓﺎﺻﻠﻪ ) ﯾﺎ ﻣﺸﺎﺑﻬﺖ ( ، ﺳﻄﺤﯽ را ﻧﺸﺎن دﻫﺪ ﮐﻪ در آن ﭘﯿﻮﺳﺘﮕﯽ ﻫﺎ ﺑﻪ وﻗﻮع ﻣﯽ ﭘﯿﻮﻧﺪد . . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻧﻤﻮدار درﺧﺘﯽ زﯾﺮ را در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ : ﺷﮑﻞ2 - 6 - دﻧﺪروﮔﺮام ) ﻧﻤﻮدار درﺧﺘﯽ ( در اﯾﻦ دﻧـﺪروﮔﺮامRyan , John , Julie در ﯾـﮏ ﮔـﺮوه وKari , Alice , Carol , Krist ,Ted , Bob در ﮔـﺮوه دﯾﮕـﺮ ﻗـﺮار ﮔﺮﻓﺘﻪ . اﻧﺪ در اﯾﻦ ﻣﺜﺎل Dave اﺻﻄﻼﺣﺎRunt ﻧﺎم دارد . در ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﮔﺎﻫﯽ ﻋﻀﻮ و ﯾﺎ اﻋﻀﺎﯾﯽ ﻣﺸﺎﻫﺪه ﻣﯽ ﺷـﻮد ﮐـﻪ ﺗـﺎ آﺧـﺮﯾﻦ ﻣﺮﺣﻠﻪ ﺧﻮﺷﻪ ﺑﻨﺪی ﺑﻪ ﻫﯿﭻ ﮔﺮوﻫﯽ ﺗﻌﻠﻖ ﻧﻤﯽ ﯾﺎﺑﺪ . ﺑﻪ اﯾﻦ ﻋﻀﻮﻫﺎ اﺻﻄﻼﺣﺎ Runt ﮔﻔﺘـﻪ ﻣـﯽ ﺷـﻮد . در واﻗـﻊ Runt ﻫـﺎ ﺟـﺰ اﺳـﺘﺜﻨﺎﻫﺎی ﮔﺮوه ﺑﻨﺪی ﻫﺴﺘﻨﺪ . ﻣﻌﻤﻮﻻ ﻃﻮل ﻫﺎ ﺷﺎﺧﻪ ﯾﺎ ﻓﺎﺻﻠﻪ ﺑﯿﻦ زﯾﺮ ﻫﺎ ﮔﺮوه ، در ﻫﺎ ﺷﺎﺧﻪ ی ﻧﺰدﯾﮏ ) آﺧﺮﯾﻦ ﻣﺮاﺣﻞ ﺧﻮﺷﻪ ﺑﻨـﺪی ( ﺑـﯿﺶ ﺗـﺮ از ﻃـﻮل در آﻧﻬﺎ ﻫﺎ ﺷﺎﺧﻪ ی دور ) اوﻟﯿﻦ ﻣﺮاﺣﻞ ﺧﻮﺷﻪ ﺑﻨﺪی ﻣﯽ ( ﺑﺎﺷﺪ . ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﻫﺮ ﭼﻪ ﻣﺮاﺣﻞ ﺧﻮﺷﻪ ﺑﻨﺪی ﭘـﯿﺶ رود ﻣـﯽ ، ﻓﺎﺻـﻠﻪ ﺑـﯿﻦ زﯾـﺮ ﻫﺎ ﮔﺮوه اﻓﺰاﯾﺶ ) ﯾﺎﺑﺪ ﻣﯽ ﺷﮑﻞ2 - 7( . 1- Dendrogram 24 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺷﮑﻞ2 - 7 - ر دﻧﺪ وﮔﺮام ﻫﺎ داده ﯾﯽ ﺳﺎزﮔﺎر و ﮐﺎﻣ ﻼ ﺗﻔﮑﯿﮏ ﺷﺪه در دو ﮔﺮوه در اﯾﻦ دﻧﺪ ر وﮔﺮام ﻫﻤﺎن ﻃﻮر ﮐﻪ ﻣﺸﺎﻫﺪه ﺷﻮد ﻣﯽ2 ﮔﺮوه ﮐﺎﻣﻼ ﻣﺠﺰا از ﻫﻢ ﻣﺸـﺨﺺ ﺷـﺪه اﺳـﺖ . در دﻧـﺪ ر وﮔﺮام زﯾـﺮ، ﺳـﻪ ﮔـﺮوه ﺗﻔﮑﯿﮏ ﺷﺪه از ﻫﻢ ﻣﺸﺨﺺ ﻣﯽ ﺑﺎﺷﺪ . ﺷﮑﻞ2 - 8 - ر دﻧﺪ وﮔﺮام ﻫﺎ داده ﯾﯽ ﺳﺎزﮔﺎر و ﮐﺎﻣﻼ ﺗﻔﮑﯿﮏ ﺷﺪه در ﺳﻪ ﮔﺮوه وﻗ ﺘﯽ ﻓﻮاﺻﻞ ﯾﺎ ﻃﻮل ﻫﺎ ﺷﺎﺧﻪ ی دورﺗﺮ ) ﻣﺮاﺣﻞ اوﻟﯿﻪ ﺧﻮﺷﻪ ﺑﻨﺪی ( ﻧﺴﺒﺖ ﺑﻪ ﻫﺎ ﺷﺎﺧﻪ ی ﻧﺰدﯾﮏ ﺑـﺰرگ ﺗـﺮ ﺑﺎﺷـﺪ، ﻣ ﻮ ﯾـﺪ اﯾـﻦ ﻣﻄﺎﻟـﺐ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﻨﺪی ﮔﺮوه ، ﻣﻮﺛﺮ اﻧﺠﺎم ﻧﺸﺪه اﺳﺖ . ﭼﺮا ﮐﻪ ﺑﺰرگ ﺑﻮدن ﻣﻘﺎدﯾﺮ ﻓﺎﺻﻠﻪ، ﻧﺸﺎن دﻫﻨﺪه اﺧﺘﻼف و ﻋﺪم ﺷـﺒﺎﻫﺖ ﺑـﯿﻦ اﻋﻀﺎﺳـﺖ . درﻧﺘﯿﺠﻪ ﺑﻨﺪی ﮔﺮوه ﭼﻨﯿﻦ اﻋﻀﺎﯾﯽ ﻗﺎﺑ ﻞ اﻋﺘﻤﺎد ﻧﺨﻮاﻫﺪ ﺑﻮد . در ﺷﮑﻞ )2 - 9 (ر دﻧﺪ وﮔﺮام ﻫﺎ داده ﯾﯽ ﺑـﺎ اﯾـﻦ ﺧﺼﻮﺻـﯿﺖ ﻧﺸـﺎن داده ﺷـﺪه اﺳﺖ . ﺑﻪ ﭼﻨﯿﻦ ﻫﺎ داده ﯾﯽ اﺻﻄﻼﺣﺎ ﻧﺎﺳﺎزﮔﺎر اﻃﻼق .ﺷﻮد ﻣﯽ ﺷﮑﻞ2 - 9 - ر دﻧﺪ وﮔﺮام ﻫﺎ داده ﯾﯽ ﻧﺎﺳﺎزﮔﺎر ﻫﻤﺎن ﻃﻮر ﮐﻪ ﻣﺸﺎﻫﺪه ﺷﻮد ﻣﯽ ، ﺗﻔﺴﯿﺮ دﻧﺪ ر وﮔﺮام ﺑﺴﯿﺎر ﺳﺎده اﺳﺖ . ﻣﻌﻤﻮﻻ ﻃﻮل ﻫﺎ ﺷﺎﺧﻪ ﯾﺎ ﻓﺎﺻﻠﻪ ﺑﯿﻦ زﯾﺮ ﻫـﺎ ﮔﺮوه ، در ﺷـﺎﺧﻪ ﻫـﺎ ی ﻧﺰدﯾﮏ ) آﺧﺮﯾﻦ ﻣﺮاﺣﻞ ﺧﻮﺷﻪ ﺑﻨﺪی ( ﺑﻪ دﻟﯿﻞ اﻓﺰاﯾﺶ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﮔـﺮوه ، ﻫـﺎ ﺑـﯿﺶ ﺗـﺮ از ﻃـﻮل آﻧﻬـﺎ در ﺷـﺎﺧﻪ ﻫـﺎ ی دور ) اوﻟـﯿﻦ ﻣﺮاﺣـﻞ ﺧﻮﺷﻪ ﺑﻨﺪی ( اﺳﺖ . ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﻫﺮ ﭼﻪ ﻣﺮاﺣﻞ ﺧﻮﺷﻪ ﺑﻨﺪی ﭘﯿﺶ رود ﻣﯽ ، ﻓﺎﺻﻠﻪ ﺑﯿﻦ زﯾﺮ ﻫﺎ ﮔﺮوه اﻓﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ . ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 25 - ﺧﻮﺷﻪ ﺑﻨﺪی ﺗﻔﮑﯿﮑﯽ روش ﻫﺎ ی ﺧﻮﺷﻪ ای ﮐﺮدن ﺗﻔﮑﯿﮑﯽ ﯾﺎ ﻏﯿﺮﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ، ﺟﻬﺖ دﺳﺘﻪ ﺑﻨﺪی ﮐﺮدن ﻣﺸـﺎﻫﺪات ﺑـﻪ ﻣﺠﻤﻮﻋـﻪ از ای k ﺧﻮﺷـﻪ ﻃﺮاﺣـﯽ ﺷﺪه اﺳﺖ . ﺗﻌﺪاد ﺧﻮﺷﻪ ﻫﺎ ، ﯾﻌﻨﯽ k ﻣﻤﮑﻦ اﺳﺖ از ﭘﯿﺶ ﻣﺸﺨﺺ ﺷﺪه ﺑﺎﺷﺪ، ﯾﺎ ﺑﻪ ﻋﻨﻮان ﺑﺨﺸﯽ از روش ﺧﻮﺷﻪ ای ﮐـﺮدن ﺗﻌﯿـﯿﻦ ﺷـﻮد . ﺑﻪ واﺳﻄﻪ اﯾﻨﮑﻪ ﻣﺎﺗﺮﯾﺲ ﻓﻮاﺻﻞ ) ﻣﺸﺎﺑﻬﺖ ( ﻫﺎ ﻻزم ﻧﯿﺴﺖ ﺗﻌﯿﯿﻦ ﮔﺮدد ، ﻧﯿﺎزی ﺑﻪ ذﺧﯿﺮه ﮐﺮدن ﻫـﺎ داده ی اﺻـﻠﯽ در ﻃـﻮل اﺟـﺮای راﯾﺎﻧـﻪ ﻧﯿﺴﺖ، ﻟﺬا اﯾﻦ روش ﺗﻮان ﻣﯽ را ﻫﺎ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﻫﺎ داده ی ﺑﺴﯿﺎر ﺑﺰرگ ﺗﺮ ی ﻧﺴﺒﺖ ﺑﻪ روش ﻫﺎ ی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ﺑﻪ ﮐﺎر ﺑﺮد . زﻣﺎﻧﯽ ﮐﻪ ﺧﻮﺷﻪ ﺑﻨﺪی در ﻣﻮرد ﻣﺠﻤﻮﻋﻪ ﻫﺎ ﯾﯽ ﺑﺎ ﺗﻌﺪاد زﯾﺎد داده اﻋﻤﺎل ﺷﻮد ﻣﯽ ، روش ﺗﻔﮑﯿﮑﯽ ﻋﻤﻠﯽ ﺗـﺮ و ﮐـﺎراﺗﺮ ﺧﻮاﻫـﺪ ﺑـﻮد . زﯾـﺮا ﺳﺎﺧﺖ ﻧﻤﻮدار درﺧﺘﯽ از ﻧﻈﺮ ﻣﺤﺎﺳﺒﺎﺗﯽ ﮔﯿﺮ وﻗﺖ و ﭘﯿﭽﯿﺪه اﺳﺖ . ﺑﺮ ﺧﻼف روش ﻫﺎ ی ﺧﻮﺷـﻪ ﺑﻨـﺪی ﺳﻠﺴـﻠﻪ ﻣﺮاﺗﺒـﯽ، اﯾـﻦ روش ﺑـﺮای ﺗﻮﺻﯿﻒ ﺑﻨﺪی ﮔﺮوه ﻫﺎ داده ، ﺳﺎﺧﺘﺎر درﺧﺘﯽ ﺷﮑﻞ ر دﻧﺪ ) وﮔﺮام ( ﺗﻮﻟﯿﺪ ﻧ ﺪﮐﻨ ﻤﯽ و اﻣﮑﺎن ﻧﻤﺎﯾﺶ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﻫـﺎ در ﺳـﻄﻮح ﻣﺨﺘﻠـﻒ وﺟـﻮد ﻧﺪارد . ﺗﻔﺎوت دﯾﮕﺮ، اﯾﻦ اﺳﺖ ﮐﻪ در اﯾﻦ روش، ﻣﺸﺎﻫﺪات و ﻫﺎ داده ی واﻗﻌﯽ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ و ﻧﻪ ﻣﺎﺗﺮﯾﺲ ﺷﺒﺎﻫﺖ . در اﯾﻦ روش، ﻫﺮ ای داده ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﮑﺎن در ﻓﻀﺎ ﺗﻠﻘﯽ و ﺷﻮد ﻣﯽ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﺑﻪ ﻧﺤﻮی اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد ، ﮐﻪ اﻋﻀﺎء ﻗـﺮار ﮔﺮﻓﺘـﻪ درون ﻫﺮ ﺧﻮﺷﻪ ﺗﺎ ﺣﺪ اﻣﮑﺎن ﺑﻪ ﻫﻢ ﻧﺰدﯾﮏ ) ﺷﺒﯿﻪ ( ﺑﻮده و اﻋﻀﺎ ی ﻫﺮ ﺧﻮﺷﻪ ﺑﺎ ﺧﻮﺷﻪ ﻫﺎ ی دﯾﮕﺮ ﺗﺎ ﺣﺪ اﻣﮑﺎن ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ . ﺑـﺮ ﺧـﻼف روش ﻫﺎ ی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ﮐﻪ ﻧﺴﺒﺖ ﺑﻪ ﻓﺮﺿﯿﺎت اوﻟﯿﻪ ﺣﺴﺎس ﻧﯿﺴﺘﻨﺪ، و ﻣﺸﮑﻞ ﺣﺪاﻗﻞ ﯾﺎﺑﯽ ﻣﺤﻠـﯽ در آﻧﻬـﺎ ﺑـﻪ وﺟـﻮد ﻧﻤـﯽ آﯾـﺪ ، روش ﻏﯿﺮﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ، ﺷﺪﯾﺪا ﺑﻪ ﻓﺮﺿﯿﺎت اوﻟﯿﻪ ) ﺗﻌﺪاد و ﻣﺮﮐﺰ ﺛﻘﻞ ﺧﻮﺷﻪ ...( و ﻫﺎ ﺣﺴﺎس ﺑﻮده، و ﺗﺨﺼﯿﺺ ﻧﻬﺎﯾﯽ اﻗﻼم ﺑﻪ ﺧﻮﺷﻪ ﻫﺎ ، ﺗـﺎ ﺣـﺪ زﯾﺎدی ﺑﻪ اﻓﺮاز اوﻟﯿﻪ ﯾﺎ اﻧﺘﺨﺎب اوﻟﯿﻪ ﻧﻘﺎط ﺗﻐﺬﯾﻪ ﺑﺴﺘﮕﯽ دارد . ﺗﺮ ﻣﻬﻢ ﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﻣﻮﺟﻮد در اﯾﻦ روش، ﮐﻪ ﮐـﺎرﺑﺮد ﻓﺮاواﻧـﯽ در ﻣﻄﺎﻟﻌـﺎت ﻫﯿـﺪروﻟﻮژی ) ﺗﻌﯿـﯿﻦ ﻣﻨـ ﺎﻃﻖ ﻫﻤﮕـﻦ ( دارد، K-means ﻣﯽ ﺑﺎﺷﺪ . اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﻫﺮ ﻗﻠﻢ را ﺑﻪ ﺧﻮﺷﻪ ای ﮐﻪ دارای ﻧﺰدﯾﮏ ﺗﺮ ﯾﻦ ﻣﺮﮐﺰ ) ﻣﯿﺎﻧﮕﯿﻦ ( اﺳـﺖ ﻧﺴـﺒﺖ ﻣـﯽ دﻫـﺪ ، ﭘﯿﺸـﻨﻬﺎد ﻣـﯽ ﮐﻨـﺪ . اﯾـﻦ اﻟﮕﻮرﯾﺘﻢ ﺑﺎ ﯾﮏ ﺑﻨﺪی ﮔﺮوه اوﻟﯿﻪ ﺑﻪ ﺻﻮرت ﺑﺮدار p(K,m) ﺑﺎm ﻋﻨﺼﺮ ﮐﻪ درK ﺧﻮﺷﻪ دﺳﺘﻪ ﺑﻨﺪی اﻧﺪ ﺷﺪه آﻏﺎز ﻣﯽ ﮔـﺮدد . ﻣﯿـﺰان ﺗﺸـﺎﺑ ﻪ ﺑﯿﻦ ﻋﻨﺎﺻﺮ ﻣﻮﺟﻮد در ﺧﻮﺷﻪ ﺑﻪ ﻫﺎ وﺳﯿﻠﻪ ی ﯾﮏ ﺗﺎﺑﻊ ﺧﻄﺎ ﺑﻪ ﺻﻮرت زﯾﺮ اﻧﺪازه ﮔﯿﺮی ﺷﻮد ﻣﯽ : )2 - 6( 2 K e p K,m D I,L I é ù = é ù ë û ë û å ﮐﻪ در آنL(I) ﺧﻮﺷﻪI ام و 2 D I,L I é ù ë û ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻧﺤﺮاف ﻫﺮ ﯾـﮏ از ﻋﻨﺎﺻـﺮ ﺧﻮﺷـﻪI ام از ﻣﺮﮐـﺰ ) ﻣﯿـﺎﻧﮕﯿﻦ ﺧﻮﺷـﻪ ( ﻣﯽ ﺑﺎﺷﺪ . در ﻧﻬﺎﯾﺖ ﺗﻌﺪاد ﺧﻮﺷﻪ ای ﻣﻮرد ﭘﺬﯾﺮش ﻗﺮار ﻣﯽ ﮔﯿﺮد ﮐﻪ ﺑﺎ اﻓﺰاﯾﺶ ﺗﻌﺪاد ﺧﻮﺷﻪ ﻫﺎ ﺣﺪاﻗﻞ ﻣﻘﺪار ﺧﻄﺎ را داﺷـﺘﻪ ﺑﺎﺷـﺪ . اﻟﮕـﻮرﯾﺘﻢ اﯾﻦ روش ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ در ﺳﻪ ﻣﺮﺣﻠﻪ ﻣﯽ ﺑﺎﺷﺪ : 1 - اﻧﺘﺨﺎب ﯾﮏ ﻋﺪد ﺻﺤﯿﺢC ، 2 C N £ < ) N ﺗﻌﺪاد داده ( ﻫﺎ ﺑﻪ ﻋﻨﻮان ﺗﻌﺪاد ﺧﻮﺷﻪ ﻫﺎ ﯾﺎ اﻧﺘﺨﺎب ﻣﺴـ ﺘﻘﯿﻢ ﻣﺮاﮐـﺰ ﺧﻮﺷـﻪ ﻫـﺎ ﺟﻬﺖ ﺧﻮﺷﻪ ﺑﻨﺪی اﺑﺘﺪاﯾﯽ اﺷﯿﺎ . 2 - ﻗﺮار دادن ﺗﻤﺎﻣﯽ اﺷﯿﺎ در داﺧﻞ ﺧﻮﺷﻪ ﻫﺎ ﺑﺮاﺳﺎس ﻧﺰدﯾﮏ ﺗﺮﯾﻦ ﻓﺎﺻﻠﻪ ﻣﯿﺎن ﻣﺮﮐﺰ ﺧﻮﺷﻪ ﺑﺎ ﻫﺮ ﺷﯽ و ﻣﺤﺎﺳﺒﻪ ﻣﺮﮐﺰ ﺟﺪﯾﺪ ﻫـﺮ ﺧﻮﺷﻪ ﺑﺮاﺳﺎس ﻣﺤﻞ ﻗﺮارﮔﯿﺮی ﻣﺮﮐﺰ ﺟﺮم آن . 3 -ادﻏﺎم ﺧﻮﺷﻪ ﻫﺎ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﯾﺎ ﺗﺠﺰﯾﻪ ﯾﮏ ﺧﻮﺷﻪ ﺑﺮاﺳﺎس اﻃﻼﻋﺎت اﮐﺘﺸﺎﻓﯽ ) اﻃﻼﻋﺎت ﺑﺪﺳﺖ آﻣﺪه از ﺳﻌﯽ و ﺧﻄـﺎ ( و ﺗﮑـﺮار ﮔﺎم2 .اﯾﻦ ﮔﺎم ﺗﺎ ﻣﺎداﻣﯽ ﺗﮑﺮار ﻣﯽ ﺷﻮد ﮐﻪ ﻫﻤﮕﺮاﯾﯽ ﺻﻮرت ﮔﯿﺮد . ﯾﻌﻨﯽ زﻣﺎﻧﯽ ﮐﻪ اﻋﻀﺎی ﺧﻮﺷﻪ ﭘﺎﯾﺪار ﺷـﻮد، ﺑـﻪ ﻋﺒـﺎرت دﯾﮕﺮ زﻣﺎﻧﯽ ﮐﻪ ﻣﻘﺪار ﺗﺎﺑﻊ ﺧﻄﺎی ﻣﺠﺬور ﺑﻪ ﺣﺪاﻗﻞ ﻣﻘﺪار ﺧﻮد رﺳﯿﺪه ﺑﺎﺷﺪ . 26 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳ ﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 2 - 5 - 1 - ﻣﻌﺮﻓﯽ ﻧﺮم اﻓﺰارﻫﺎ در ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای در اﯾﻦ ﺑﺨﺶ ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ در ﻣﻮرد ﮐﺎرﺑﺮد ﻧـﺮم اﻓـﺰار Matlab در ﺗﺤﻠﯿـﻞ ﺧﻮﺷـﻪ ای ﻣﻄـﺎﻟﺒﯽ آورده ﺷـﺪه اﺳـﺖ . اﻟﺒﺘـﻪ از ﺳـﺎﯾﺮ ﻧﺮم اﻓﺰارﻫﺎی آﻣﺎری ﻣﺎﻧﻨﺪ Minitab وSPSS ﻧﯿﺰ ﺑﻪ ﺳﺎدﮔﯽ ﻣﯽ ﺗﻮان اﺳﺘﻔﺎده ﻧﻤﻮد . 2 - 5 - 1 - 1 -ﺧﻮﺷﻪ ﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ - ﺗﻌﯿﯿﻦ ﻣﯿﺰان ﺷﺒﺎﻫﺖ و ﯾﺎ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻫﺮ دو ﺟﻔﺖ ﻋﻀﻮ ﻣﻮﺟﻮد در اﻋﺪاد ، در اﯾﻦ ﻣﺮﺣﻠﻪ، ﻓﺎﺻﻠﻪ ﺑﯿﻦ اﻋﻀﺎ ﺑﺎ اﺳـﺘﻔﺎده از ﺗـﺎﺑﻊ Pdist ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﻣﯽ . ﺗﺎﺑﻊ Pdist روش ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ را ﺟﻬﺖ اﻧﺪازه ﮔﯿﺮی ﻓﺎﺻﻠﻪ ﺑﯿﻦ اﻋﻀﺎء ﺑﻪ ﮐﺎر ﺑﺮد ﻣﯽ . - ﺑﻨﺪی ﮔﺮوه اﻋﻀﺎ و در ﻫﺎ داده ﺧﻮﺷﻪ ﻫﺎ ی دو ﻋﻀﻮی ، در اﯾﻦ ﻣﺮﺣﻠﻪ دو ﻋﻀﻮی ﮐﻪ ﺑﯿﺶ ﺗﺮ ﯾﻦ ﺷﺒﺎﻫﺖ را ﺑﺎ ﯾﮑﺪﯾﮕﺮ دارﻧ ﺪ، ﺑـﻪ ﮐﻤﮏ ﺗﺎﺑﻊlinkage در ﯾﮏ ﮔﺮوه ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ . ﺗﺎﺑﻊ linkage ﻓﻮاﺻﻞ ﻣﺤﺎﺳﺒﻪ ﺷﺪه در ﮔﺎم اول را ﺑـﺮای ﺗﻌﯿـﯿﻦ ﺷـﺒﺎﻫﺖ اﻋﻀﺎ، ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار دﻫﺪ ﻣﯽ . ﺑﻌﺪ از اﯾﻨﮑﻪ ﺧﻮﺷﻪ ﻫﺎ ی دو ﻋﻀﻮی اﯾﺠﺎد ﺷﺪﻧﺪ، ﺧﻮﺷﻪ ﺑﻨﺪی را اداﻣﻪ ﻣﯽ دﻫﯿﻢ ﺗﺎ ﻫـﺎ ﮔﺮوه ی ﺑﺰرگ ﺗﺮی ﺣﺎﺻﻞ ﮔﺮدد . -ﺗﻌﯿﯿﻦ ﺳﻄﺢ ﻣﻄﻠ ﻮب ﺧﻮﺷﻪ ﺑﻨﺪی، در اﯾﻦ ﻣﺮﺣﻠﻪ ﺑﻪ ﮐﻤﮏ ﺗﺎﺑﻊ Cluster، ﻣﯽ ﺗﻮان ﺳﻄﺢ ﻣﻄﻠـﻮب ﮔـﺮوه ﺑﻨـﺪی ﻣﺸـﺎﻫﺪات را ﺗﻌﯿﯿﻦ ﮐﺮد . ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر، ﺗﺎﺑﻊ Cluster ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺳﻄﺢ ﻣﻮرد ﻧﻈﺮ ﮐﺎرﺑﺮ ﺟﻬﺖ ﮔﺮوه ﺑﻨﺪی، ﻧﻤﻮدار درﺧﺘﯽ ﺗﻮﻟﯿﺪ ﺷـﺪه را ﺑﺮش ﻣﯽ . زﻧﺪ ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﺳﻄﻮح ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮان ﮔﺮوه ﺑﻨﺪی ﻫ ﺎی ﻣﺨﺘﻠﻔﯽ اﯾﺠﺎد ﮐـﺮد . ﺗﻮﺟـﻪ ﮐﻨﯿـﺪ ﮐـﻪ در ﻧـﺮم اﻓـﺰار MATLAB ، ﺑﺪون ﻧﯿﺎز ﺑﻪ اﺟﺮای ﺗﻮاﺑﻊpdist ، linkage وcluster ، ﺗﻨﻬﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊClusterdata ، ﻣـﯽ ﺗـﻮان ﺳـﻪ ﻣﺮﺣﻠﻪ ﻣﺬﮐﻮر را اﺟﺮا ﮐﺮد . - ارزﯾﺎﺑﯽ ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ﭘﺲ از ﺑﻨﺪی ﮔﺮوه اﻋﻀﺎ ی ﻣﻮﺟﻮد در ﻫﺎ داده ی اﺻﻠﯽ ﺑـﻪ روش ﺳﻠﺴـﻠﻪ ﻣﺮاﺗﺒـﯽ، ﻣﻤﮑـﻦ اﺳـﺖ ﺑﺨﻮاﻫﯿـﺪ ﻣﯿـﺰان درﺳـﺘﯽ و ﺻـﺤﺖ ﺧﻮﺷﻪ ﺑﻨﺪی را ﺑﺮرﺳﯽ ﮐﻨﯿﺪ . در ﺧﻮﺷﻪ ﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ، ﻫﺮ ﺟﻔﺖ از ﻫﺎ داده ، ﻧﻬﺎﯾﺘﺎ در ﯾﮏ ﺳﻄﺢ از ﺧﻮﺷﻪ ﺑﻨﺪی ﺑﻪ ﻫﻢ ﻣﻠﺤـﻖ ﺷـﺪه و در ﯾﮏ ﮔﺮوه ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ . ارﺗﻔﺎع اﯾﻦ اﻟﺤﺎق، ﻧﺸﺎن دﻫﻨﺪه ﻓﺎﺻﻠﻪ ﺑﯿﻦ دو ﺧﻮﺷﻪ ا ای ﺳﺖ ﮐﻪ اﯾﻦ دو ﻋﻀﻮ را در ﺑـﺮ دارﻧـﺪ . اﯾـﻦ ارﺗﻔـﺎع، ﻓﺎﺻﻠﻪCophenetic ﺑﯿﻦ دو ﻋﻀﻮ ﻧﺎم دارد . ﯾﮏ روش ﺑﺮای ﺣﺼﻮل اﻃﻤﯿﻨﺎن از ﻧﺘﯿﺠﻪ ﺑﻨﺪی ﮔﺮوه ﺗﺎﺑﻊ linage ، اﯾـﻦ اﺳـﺖ ﮐـﻪ ﻓﻮاﺻـﻞ Cophenetic را ﺑﺎ ﻓﻮاﺻﻞ واﻗﻌﯽ ﻣﺤﺎﺳﺒﻪ ﺷﺪه ﺑﻪ ﮐﻤﮏ ﺗﺎﺑﻊPdist، ﻣﻘﺎﯾﺴﻪ ﮐﻨﯿﻢ . اﮔﺮ ﺧﻮﺷﻪ ﺑﻨﺪی ﺑﻪ درﺳـﺘﯽ ﺻـﻮرت ﮔﺮﻓﺘـﻪ ﺑﺎﺷـﺪ، ﻣﯽ ﺑﺎﯾﺴﺖ ﯾﮏ ﻫﻤﺒﺴﺘﮕﯽ ﻗﻮی ﺑﯿﻦ اﯾﻦ ﻓﻮاﺻﻞ ﺑﺮﻗﺮار ﺑﺎﺷﺪ ﺗﺎﺑﻊ . Cophenet ، اﯾﻦ دو ﮔﺮوه از ﻣﻘﺎدﯾﺮ را ﻣﻘﺎﯾﺴﻪ ﮐﺮده، ﻫﻤﺒﺴـﺘﮕﯽ ﺑـﯿﻦ آﻧﻬﺎ را ﻣﺤﺎﺳﺒﻪ ﮐﻨﺪ ﻣﯽ و آن را ﺑﺎ ﻧﺎم ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ Cophenetic ﮔﺰارش ﻣﯽ ﻧﻤﺎﯾﺪ . ﻫﺮ ﭼـﻪ اﯾـﻦ ﺿـﺮﯾﺐ ﺑـﻪ 1 ﻧﺰدﯾـﮏ ﺗـﺮ ﺑﺎﺷـﺪ، ﻧﺸﺎن دﻫﻨﺪه دﻗﺖ ﻋﻤﻞ و ﺻﺤﺖ اﻧﺠﺎم ﺧﻮﺷﻪ ﺑﻨﺪی اﺳﺖ ﺗﻮان ﻣﯽ . ﺑﻪ ﮐﻤﮏ اﯾﻦ ﺿﺮﯾﺐ، ﻧﺘـﺎﯾﺞ ﺣﺎﺻـﻞ از ﺧﻮﺷـﻪ ﺑﻨـﺪی ﺑـﻪ روش ﻫـﺎ ی ﻣﺨﺘﻠﻒ ﺗﻌﯿﯿﻦ ﻓﺎﺻﻠﻪ، و ﯾﺎ اﻟﮕﻮرﯾﺘﻢ ﻫﺎ ی ﻣﺨﺘﻠﻒ ﺑﻨﺪی ﮔﺮوه را ﻣﻘﺎﯾﺴﻪ ﮐﺮد . ﻓﺼﻞ دوم- ﺑﺮرﺳﯽ ﻫﺎی ﻣﻘﺪﻣﺎﺗﯽ ﺑﺮای ﺗﺤﻠﯿﻞ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 27 2 - 5 - 1 - 2 - ﺗﻮﻟﯿﺪ ﻧﻤﻮدار درﺧﺘﯽ ر دﻧﺪ ) وﮔﺮام ( ﻧﺘﺎﯾﺞ ﺧﻮﺷﻪ ﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ اﻧﺠﺎم ﺷﺪه ﺑﻪ ﮐﻤﮏ ﺗﺎﺑﻊ linkage ، وﻗﺘﯽ ﺑﻪ ﺷﮑﻞ ﮔﺮاﻓﯿﮑﯽ ﻧﻤﺎﯾﺶ داده ﺷﻮد، ﺑﯿﺶ ﺗﺮ ﻗﺎﺑـﻞ درک ﺧﻮاﻫﺪ ﺑﻮد . ﻧﺮم اﻓﺰار MATLAB ، ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر ﺗﺎﺑﻊ دﻧﺪروﮔﺮام را ﺑﻪ ﮐﺎر ﺑﺮده و اﻃﻼﻋﺎت ﺣﺎﺻﻞ از ﺧﻮﺷﻪ ﺑﻨﺪی ﺳﻠﺴـﻠﻪ ﻣﺮاﺗﺒـﯽ ﺑـﻪ ﺻﻮرت ﯾﮏ ﮔﺮاف ﻧﻤﺎﯾﺶ داده ﺷﻮد ﻣﯽ . 2 - 5 - 1 - 3 -ﺧﻮﺷﻪ ﺑﻨﺪی ﺑﻪ روش ﺗﻔﮑﯿﮑﯽ )k-means ( ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای ﻣﺬﮐﻮر، ﺑﻪ ﻋﻨﻮان روﺷﯽ ﻏﯿﺮﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ﻣﻄﺮح ﺷﻮد ﻣﯽ . ﺑـﻪ اﯾـﻦ ﻣﻌﻨـﺎ ﮐـﻪ ﺗـﺎﺑﻊ kmeans ، اﻋﻀـﺎ ی ﻣﻮﺟـﻮد در ﻫﺎ داده ی اﺻﻠﯽ را ﺑﻪ k ﺧﻮﺷﻪ دو ﺑﻪ دو ﻧﺎﺳﺎزﮔﺎر ﺗﻘﺴﯿﻢ، و در ﭘﺎﯾﺎن، ﺑﺮداری را ﺑﻪ ﻋﻨﻮان ﺧﺮوﺟـﯽ ﺗﻮﻟﯿـﺪ ﻣـﯽ ﮐﻨـﺪ ﮐـﻪ در آن ﻣﺸـﺨﺺ ﺷﻮد ﻣﯽ ، ﻫﺮ ﻋﻀﻮ ﺑﻪ ﭼﻪ ﺧﻮﺷﻪ ای ﺗﻌﻠﻖ دارد . ﻫﺮ ﺧﻮﺷﻪ در اﯾﻦ ﻧﻮ ع ﺗﻘﺴﯿﻢ ﺑﻨﺪی ، ﺗﻮﺳﻂ » اﻋﻀﺎء » و « ﻣﺮﮐـﺰ ﺛﻘـﻞ « آن ﻗﺎﺑـﻞ ﺗﺸـﺨﯿﺺ اﺳﺖ . ﻣﺮﮐﺰ ﺛﻘﻞ ﻫﺮ ﺧﻮﺷﻪ، ﻧﻘﻄﻪ ای اﺳﺖ ﮐﻪ ﻣﺠﻤﻮع ﻓﻮاﺻﻞ ﺗﻤﺎﻣﯽ اﻋﻀﺎء ﻣﻮﺟﻮد در آن ﺧﻮﺷﻪ، ﺗـﺎ آن ﻧﻘﻄـﻪ ﺣـﺪاﻗﻞ ﺷـﻮد . kmeans ﻣﺮﮐﺰ ﺛﻘﻞ ﺧﻮﺷﻪ ﻫﺎ را ﺑﺮای ﺗﻤﺎﻣﯽ روش ﻫﺎ ی اﻧﺪازه ﮔﯿﺮی ﻓﺎﺻﻠﻪ، ﻣﺤﺎﺳﺒﻪ ﮐﻨﺪ ﻣﯽ ﺗﺎ ﻣﺠﻤﻮع ﻓﻮاﺻﻞ ﺗـﺎ ﻣﺮﮐـ ﺰ ﺛﻘـﻞ ﺑـﻪ ﺣـﺪاﻗﻞ ﻣﻤﮑـﻦ ﺑﺮﺳﺪ . kmeans ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر اﻟﮕﻮرﯾﺘﻤﯽ ﺗﮑﺮار ﺷﻮﻧﺪه را ﺑﻪ ﮐﺎر ﺑﺮد ﻣﯽ . اﯾﻦ اﻟﮕﻮرﯾﺘﻢ، اﻋﻀﺎ را ﻣﯿﺎن ﺧﻮﺷﻪ آن ﻫﺎ ﻗﺪر ﺟﺎ ﺟﺎﺑﻪ ﻣـﯽ ﮐﻨـﺪ ، ﺗﺎ آن ﺟﺎ ﮐﻪ دﯾﮕﺮ ﻣﺠﻤﻮع ﻓﻮاﺻﻞ ﺗﺎ ﻣﺮﮐﺰ ﺛﻘﻞ، ﮐﺎﻫﺶ ﭘﯿﺪا ﻧﮑﻨﺪ . ﻧﺘﯿﺠﻪ ﮐﺎر، ﺗﻬﯿﻪ ﻣﺠﻤﻮﻋﻪ از ای ﺧﻮﺷﻪ ﻫﺎ ی ﮐﺎﻣﻼ ﻣﺠـﺰا از ﻫـﻢ ﺧﻮاﻫـﺪ ﺑﻮد . ﺑﺮای اﺟﺮای ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪ ای kmeans در ﻧﺮم اﻓﺰار MATLAB ، از ﺗﺎﺑﻊkmeans اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ . 3 ﻓﺼﻞ3 ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻓﺼﻞ ﺳﻮم- ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 31 ﻓﺼﻞ ﺳﻮم- ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 3 - 1 -ﮐﻠﯿﺎت ﭘﺲ از ﺑﺮرﺳﯽ آﻣﺎر ﺗﻮﺻﯿﻔﯽ ﻫﺎ داده ﮐﻪ ﺑﻪ ﻣﻨﻈﻮر ﺷﻨﺎﺧﺖ ﺑﯿﺶ ﺗﺮ ﻣﺘﻐﯿﺮ اﻧﺠﺎم ﻣﯽ ﮔﯿـﺮد ، ﻻزم اﺳـﺖ ﮐـﻪ ﻫﻤﺒﺴـﺘﮕﯽ ﻣﮑـﺎﻧﯽ ﻫـﺎ داده ﺑﺮرﺳﯽ ﮔﺮدد . اﯾﻦ ﻣﺮﺣﻠﻪ ﻗﺒﻞ از اﻧﺘﺨﺎب روش درون ﯾﺎﺑﯽ اﻧﺠﺎم ﮔﺮﻓﺘﻪ و ﭘﯿﺶ ﻧﯿﺎز ﺑﺮﺧﯽ از روش ﻫﺎ ﻣﺎﻧﻨﺪ ﮐﺮﯾﺠﯿﻨـﮓ ﻧﯿـﺰ ﻣـﯽ ﺑﺎﺷـﺪ . ﺑـﺎ اﺳﺘﻔﺎده از آﻧﺎﻟﯿﺰ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺗﻮان ﻣﯽ اﻧﺘﺨﺎب اوﻟﯿـﻪ روش ﻫـﺎ ی درون ﯾـﺎﺑﯽ را اﻧﺠـﺎم داد . ﺑـﻪ ﻋﻨـﻮان ﻣﺜـﺎل درﺻـﻮرﺗﯽ ﮐـﻪ ﻧﺘـﻮان ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻫﺎ داده را ﺑﻪ ﺧﻮﺑﯽ ﻣﺪل ﺳﺎزی ﻧﻤﻮد، اﺳﺘﻔﺎده از ﺑﺮﺧﯽ روش ﻫﺎ دﭼﺎر ﻣﺤﺪودﯾﺖ ﺷﻮد ﻣﯽ . در زﯾﺮ ﮐـﺎرﺑﺮدی ﺗـﺮﯾﻦ اﺑـﺰار ﺑﺮای ﺑﺮرﺳﯽ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ اراﺋﻪ اﺳﺖ ﺷﺪه . 3 - 2 -ﺷﺎﺧﺺ ﻫﺎی ﮐﻤﯽ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ در ﻓﺼﻞ ﻗﺒﻠﯽ ﺳﻪ ﺗﺎﺑﻊ ﺑﺮا ی ﺧﻼﺻﻪ ﮐﺮدن ﭘﯿﻮﺳـﺘﮕﯽ ﻣﮑـﺎﻧﯽ ﻣﻌﺮﻓـﯽ ﺷـﺪﻧﺪ : ﺗـﺎﺑﻊ ﻫﻤﺒﺴـﺘﮕﯽ (h) r ، ﺗـﺎﺑﻊ ﮐﻮوارﯾـﺎﻧﺲC(h) و ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ(h) g. ﺑﺎ وﺟﻮد اﯾﻨﮑﻪ اﯾﻦ ﺗﻮاﺑﻊ ﺗﻘﺮﯾﺒﺎ ﻣﺸﺎﺑﻪ ﻫﺴﺘﻨﺪ، ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﯿﺶ ﺗﺮ ﯾﻦ ﮐـﺎرﺑﺮد را ﺑـﻪ ﺧـﻮد اﺧﺘﺼـﺎص ﻣـﯽ دﻫـﺪ . راﺑﻄـﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮ ﻧﻤﺎ ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ : )3 - 1( [ ] 2 n i i i 1 1 γ(h) z(x ) z(x h) 2n(h) = = - + å ﮐ ﻪ در آن،(h) g: ﻣﻘﺪار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮای ﺟﻔﺖ ﻧﻘﺎﻃﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﻓﺎﺻﻠﻪ h ،از ﻫﻢ ﻗﺮار دارﻧﺪ (h) n: ﺗﻌﺪاد زوج ﻧﻘﺎﻃﯽ اﺳﺖ ﮐـﻪ ﺑـﻪ ﻓﺎﺻﻠﻪh ،از ﻫﻢ ﻗﺮار دارﻧﺪz(xi) : ﻣﻘﺪار ﻣﺸﺎﻫﺪه ای ﻣﺘﻐﯿﺮ x در ﻣﻮﻗﻌﯿـﺖi وz(xi + h) ﻣﻘـﺪار ﻣﺸـﺎﻫﺪه ای ﻣﺘﻐﯿـﺮ در ﻓﺎﺻـﻠﻪ ی h ازxi اﺳﺖ . ﻧﻤﻮدار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺎ ﺗﺮﺳﯿﻢ ﻣﺠﻤﻮع ﻣﺮﺑﻊ ﺗﻔﺎﺿﻞ زوج ﻧﻘﺎﻃﯽ ﮐﻪ ﺑﻪ ﻓﺎﺻﻠﻪ ﻣﻌﻠﻮم h از ﯾﮑـﺪﯾﮕﺮ ﻗـﺮار دارﻧـﺪ در ﻣﻘﺎﺑـﻞh ﺑـﻪ دﺳـﺖ . آﯾﺪ ﻣﯽ ﺷﮑﻞ )3 - 1 (ﻧﻤﻮﻧﻪ ای از ﯾﮏ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ را ﻧﺸﺎن دﻫﺪ ﻣﯽ . ﺧﺼﻮﺻﯿﺎ ت ﻣﻬﻢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻋﺒﺎرﺗﻨﺪ از : اﻟﻒ- اﻣﻨﻪ د ﯾﺎ ﺷﻌﺎع ﺗﺎﺛﯿﺮ1: ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﺟﻔﺖ ﻧﻘﺎط اﻓﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ ، ﻣﻘﺪار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﻌﻤﻮﻻ اﻓﺰاﯾﺶ ﺗﺎ ﯾﺎﺑﺪ ﻣﯽ ﮐـﻪ ﺟﺎﯾﯽ ﺑﺎ وﺟﻮد اﻓﺰاﯾﺶ در ﻓﺎﺻﻠﻪ ﺟﺪا ﮐﻨﻨﺪه ﺑﯿﻦ زوج ﻧﻘﺎط ﻫﯿﭻ اﻓﺰاﯾﺸﯽ در ﻣﯿﺎﻧﮕﯿﻦ ﻣﺠﺬور ﺗﻔﺎﺿـﻞ ﺑـﯿﻦ ﻣﻘـﺎدﯾﺮ زوج ﻧﻘـﺎ ط اﯾﺠـﺎد ﺷﻮد ﻤﯽﻧ و ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ ﯾﮏ ﻣﻘﺪار ﺛﺎﺑﺖ ﻣﯽ رﺳﺪ . ﻓﺎﺻﻠﻪ ای ﮐﻪ در آن ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ اﯾﻦ ﻣﻘﺪار ﺛﺎﺑﺖ ﻣﯿﻞ ﻣﯽ ﮐﻨـﺪ ، داﻣﻨـﻪ ﯾـﺎ ﺷﻌﺎع ﺗﺎﺛﯿﺮ ﻣﯽ ﻧﺎﻣﻨﺪ . ب- آﺳﺘﺎﻧﻪ ٢: ﻋﺒﺎرت اﺳﺖ از ﻣﻘﺪار ﺛﺎﺑﺖ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﻓﺎﺻﻠﻪ داﻣﻨﻪ ﺗﺎﺛﯿﺮ . ج- اﺛﺮ ﻗﻄﻌﻪ ای ٣: اﮔﺮ ﭼﻪ ﻣﻘﺪار ﻧﯿﻢ ﺗﻐﯿ ﯿﺮﻧﻤﺎ ﺑﺮای h=0 ﺑﺎﯾﺪ ﺑﺮاﺑﺮ ﺻﻔﺮ ﺑﺎﺷﺪ، ﭼﻨﺪﯾﻦ ﻋﺎﻣﻞ ﻧﻈﯿﺮ ﺧﻄـﺎی ﻧﻤﻮﻧـﻪ ﺑـﺮداری و ﺗﻐﯿﯿـﺮات ﮐﻮﭼﮏ ﻣﻘﯿﺎس ﺑﺎﻋﺚ ﺷﻮد ﻣﯽ ﮐﻪ ﻣﻘﺎدﯾﺮ ﻧﻤﻮﻧﻪ ﻫﺎ ﯾﯽ ﮐﻪ در ﻓﺎﺻﻠﻪ ی ﮐﻮﭼﮑﯽ از ﯾﮑﺪﯾﮕﺮ ﻗﺮار دارﻧـﺪ، ﮐـﺎﻣﻼ ﺑـﺎ ﯾﮑـﺪﯾﮕﺮ ﺑﺮاﺑـﺮ ﻧﺒﺎﺷﻨﺪ . اﯾﻦ واﻗﻌﯿﺖ ﺑﺎﻋﺚ اﯾﺠﺎد ﻋﺮض از ﻧﯿﻢ ﻣﺒﺪا ﺗﻐﯿﯿﺮﻧﻤﺎ ﺷﻮد ﻣﯽ . ﭘﺮش ﻋ ﻤﻮدی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﻣﺒﺪا ﻣﺨﺘﺼـﺎت اﺛـﺮ ﻗﻄﻌـﻪ ای ﻧﺎﻣﯿﺪه ﺷﻮد ﻣﯽ . ﻧﺴﺒﺖ اﺛﺮ ﻗﻄﻌﻪ ای ﺑﻪ آﺳﺘﺎﻧﻪ ﺗﺤﺖ ﻋﻨﻮان اﺛﺮ ﻗﻄﻌﻪ ای ﻧﺴﺒﯽ و ﺑﺮ ﺣﺴﺐ درﺻﺪ ﺑﯿﺎن ﺷﻮد ﻣﯽ . 1- Range 2- Sill 3-Nugget Effect 32 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺤﺖ ﺗﺎﺛﯿﺮ راﺳﺘﺎی h ﻧﯿﺰ ﻗﺮار دارد . ﯾﮏ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺪون راﺳﺘﺎ را ﻣـﯽ ﺗـﻮان ﺑـﻪ ﻋﻨـﻮان ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎﯾﯽ ﮐـﻪ ﻣﯿـ ﺎﻧﮕﯿﻦ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎﻫﺎ در راﺳﺘﺎﻫﺎی ﻣﺨﺘﻠﻒ اﺳﺖ ، در ﻧﻈﺮ ﮔﺮﻓﺖ . زﻣﺎﻧﯽ ﮐﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺑﺪون راﺳﺘﺎ ﻧﺘﻮاﻧﺪ ﺑﻪ ﺧﻮﺑﯽ ﭘﯿﻮﺳﺘﮕﯽ ﻫـﺎ داده را ﻧﺸـﺎن ،دﻫﺪ ﺗﻮان ﻣﯽ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی راﺳﺘﺎﻫﺎی ﻣﺨﺘﻠﻒ را ﺑﻪ ﻣﻨﻈﻮر ﮐﺸﻒ اﻟﮕﻮی ﻧﺎﻫﻤﺴﺎن ﮔﺮدی ﺗﺮﺳﯿﻢ ﮐﺮد . در ﺑﺮﺧـﯽ از ﻣﻄﺎﻟﻌـﺎت ﺗﺨﺼﺼـﯽ، اﻃﻼﻋﺎت اوﻟﯿ ﻪ در ﻣﻮرد ﻣﺤﻮرﻫﺎی ﻧﺎﻫﻤﺴﺎن ﮔﺮدی در دﺳﺘﺮس اﺳﺖ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﻣﻄﺎﻟﻌـﻪ ﺷـﺪت آﻟـﻮدﮔﯽ ﻫـﻮا ﺑﺮﺧـﯽ اﻃﻼﻋـﺎت ﻣﻤﮑﻦ اﺳﺖ از داﻧﺶ راﺳﺘﺎی ﺑﺎد ﻏﺎﻟﺐ دﺳﺖ ﺑﻪ . آﯾﺪ ﭼﻨﺪ روش ﺟﻬﺖ اﻧﺘﺨﺎب راﺳـﺘﺎﻫﺎ ﺑـﺮای ﻣﺤﺎﺳـﺒﺎت ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ ﺑـﺪون اﻃﻼﻋـﺎت ﮐﻤﮑﯽ وﺟﻮد دارد . ﯾﮏ دﯾﺪﮔﺎه ﺑﻪ ﻣﻨﻈﻮر ﺷﻨﺎﺳﺎﯾﯽ ﻧﺎﻫﻤﺴ ﺎن ﮔﺮدی ، در ﺻﻮرت ﻋﺪم وﺟﻮد اﻃﻼﻋﺎت اوﻟﯿﻪ، اﯾﻦ اﺳﺖ ﮐـﻪ ﯾـﮏ ﺗﺼـﻮﯾﺮ از ﺗﻤﺎم ﺳﻄﺢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺮﺳﯿﻢ ﺷﻮد و راﺳﺘﺎی ﻧﺎﻫﻤﺴﺎﻧﮕﺮد از اﯾﻦ ﺳﻄﺢ اﺳﺘﺨﺮاج ﺷﻮد . ﯾﮏ روش دﯾﮕـﺮ و ﺑﺴـﯿﺎر راﯾـﺞ اﯾـﻦ اﺳـﺖ ﮐـﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در راﺳﺘﺎﻫﺎی ﻣﺨﺘﻠﻒ ﻣﺤﺎﺳﺒﻪ ﺷﻮد . ﻧﺎﻫﻤﺴﺎن ﮔﺮدی در داﻣﻨﻪ و ﯾﺎ ﻣﻘﺪار آﺳﺘﺎ ﻧﻪ ﺑﺎ اﺳـﺘﻔﺎده از ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎﻫـﺎی ﺗﺮﺳـﯿﻢ ﺷـﺪه ﻗﺎﺑﻞ ﺗﺸﺨﯿﺺ ﻣﯽ ﺑﺎﺷﺪ ) . ﺷﮑﻞ 3 - 1( 0 2 4 6 8 10 12 14 0 100 200 300 400 500 600 700 800 وارﯾﺎﻧﺲ ﺑﯿﻦ زوج ﻧﻘﺎط ( وارﯾﺎﻧﺲ ﺑﺪون ﺳﺎﺧﺘﺎر ) اﺛﺮﻗﻄﻌﮫ ای وارﯾﺎﻧﺲ ﺳﺎﺧﺘﺎردار آﺳﺘﺎﻧﮫ ﺷﻌﺎع ﺗﺎﺛﯿﺮ وارﯾﺎﻧﺲ ﺳﺎﺧﺘﺎردار آﺳﺘﺎﻧﻪ ﺷﻌﺎع ﺗﺎﺛﯿﺮ وارﯾﺎﻧﺲ ﺑﯿﻦ زوج ﻧﻘﺎط (اﺛﺮ ﻗﻄﻌﻪ ای) وارﯾﺎﻧﺲ ﺑﺪون ﺳﺎﺧﺘﺎر ﺷﮑﻞ3 - 1 - ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﺟﻔﺖ ﻧﻘﺎط - ﻣﺘﺮ از ﻃﺮف دﯾﮕﺮ ﯾﮑﯽ از ﺷﺮاﯾﻂ اﺳﺎﺳﯽ ﺑﺮای اﺳﺘﻔﺎده از روش ﻫﺎی زﻣـﯿﻦ آﻣـﺎری اﯾﺴـﺘﺎ ﺑـﻮدن ١ داده ﻫـﺎ ﻣـﯽ ﺑﺎﺷـﺪ . اﯾﺴـﺘﺎﯾﯽ ﺑـﻪ اﯾـﻦ ﻣﻔﻬﻮم اﺳﺖ ﮐ ﻪ ﭘﺎراﻣﺘﺮﻫﺎی ﯾﮏ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺼﺎدﻓﯽ از ﯾﮏ ﻧﻘﻄﻪ ﺑـﻪ ﻧﻘﻄـﻪ دﯾﮕـﺮ ﺗﻐﯿﯿـﺮ ﻧﮑﻨـﺪ . اﯾﺴـﺘﺎﯾﯽ درﺟـﺎت ﻣﺨﺘﻠﻔـﯽ دارد، اﮔـﺮ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ و ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻫﺮ ﺗﺎﺑﻊ ﺗﺼﺎدﻓﯽ در ﺳﻄﺢ ﻣﺤﺪوده ﻣـﻮرد ﻧﻈـﺮ ﯾﮑﺴـﺎن ﺑﺎﺷـﺪ، ﺑـﻪ آن اﯾﺴـﺘﺎﯾﯽ درﺟـﻪ اول ﻣـﯽ ﮔﻮﯾﻨـﺪ . درﺻﻮرﺗﯽ ﮐﻪ ﻣﯿﺎﻧﮕﯿﻦ و وارﯾﺎﻧﺲ ﺗﺎﺑﻊ ﺗﺼﺎدﻓﯽ در ﺳﻄﺢ ﻣﺤﺪوده ﯾﮑﺴﺎن ﺑﺎﺷﺪ، اﯾﺴﺘﺎﯾﯽ از ﻧﻮع درﺟﻪ دوم ﺧﻮاﻫـﺪ ﺑـﻮد ﮐـﻪ ﻣﻌﻤـﻮﻻ اﯾـﻦ ﻧﻮع اﯾﺴﺘﺎﯾﯽ ﻣﺼﺪاق ﺑﯿﺶ ﺗﺮی در ﻃﺒﯿﻌﺖ دارد . اﻟﺒﺘﻪ روش ﻫﺎی زﻣﯿﻦ آﻣﺎری ﻫﻢ وﺟﻮد دارﻧﺪ ﮐـﻪ اﻣﮑـﺎن درون ﯾـﺎﺑﯽ داده ﻫـﺎی ﻏﯿﺮاﯾﺴـﺘﺎ را اﯾﺠﺎد ﻣﯽ ﮐﻨﻨﺪ . 1- Stationarity ﻓﺼﻞ ﺳﻮم- ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 33 3 - 2 - 1 -ﻣﺪل ﻫﺎی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﭘﺲ از ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ ﺑﺮاﺳﺎس راﺑﻄﻪ )3 - 1( ، ﯾﮏ ﻣﺪل رﯾﺎﺿﯽ ﺑـﻪ آن ﺑـﺮازش داده ﻣـﯽ ﺷـﻮد . ﻣـﺪل ﻫـﺎ ی اﺻـﻠﯽ و ﭘﺎﯾﻪ ای ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ دو ﻧﻮع ﺗﻘﺴﯿﻢ ﻣﯽ ﺷﻮﻧﺪ : آﻧﻬﺎ ﯾﯽ ﮐﻪ ﺑﻪ ﯾﮏ ﺣﺪ ﺛﺎﺑﺖ ﻣﯿﻞ ﻣﯽ ﮐﻨﻨﺪ و آﻧﻬـﺎ ﯾﯽ ﮐـﻪ دارای ﭼﻨـﯿﻦ ﺷـﺮاﯾﻄﯽ ﻧﯿﺴـﺘﻨﺪ . ﻫﺎ ﻣﺪل ی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻧﻮع اول، اﻏﻠﺐ ﺑﺎ ﻋﻨﻮان ﻫﺎ ﻣﺪل » ی اﻧ ﺘﻘﺎﻟﯽ « ﺷﻨﺎﺧﺘﻪ ﺷﻮد ﻣﯽ . ﺑﺮﺧﯽ ﻣـﺪل ﻫـﺎ ی اﻧﺘﻘـﺎﻟﯽ ﺑـﻪ ﻣﻘـﺪار آﺳـﺘﺎﻧﻪ ﺑـﻪ ﺻﻮرت ﻣﻤﺎﺳﯽ ﻣﯿﻞ ﻣﯽ ﮐﻨﻨﺪ . در اﯾﻦ ﻫﺎ ﻣﺪل ، داﻣﻨﻪ ﻣﻌﻤﻮﻻ در ﻓﺎﺻﻠﻪ 95 درﺻﺪ آﺳﺘﺎﻧﻪ اﺧﺘﯿﺎر ﺷﻮد ﻣﯽ . ﻫﺎ ﻣﺪل ی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻧـﻮع دوم ﺑﻪ ﯾﮏ ﻣﻘﺪار ﺛﺎﺑﺖ ﻧﻤﯽ رﺳﻨﺪ و ﺑﺎ اﻓﺰاﯾﺶ ﻣﯿﺰان h، ﻫﻤﭽﻨﺎن اﻓﺰاﯾﺶ ﻣﯽ ﯾﺎﺑﻨﺪ ﻦ اﯾ . ﻫـﺎ ﻣﺪل در ﺻـﻮرت وﺟـﻮد روﻧـﺪ 1 ﯾـﺎ ﻋـﺪم اﯾﺴـﺘﺎﯾﯽ ﭘﺪﯾﺪار ﻣﯽ ﺷﻮﻧﺪ . ﻫﺎ ﻣﺪل ی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ ﺷﺮح زﯾﺮ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﻣﯽ ﺷﻮﻧﺪ . - ﻣﺪل اﺛﺮ ﻗﻄﻌﻪ ای ﺑﺴﯿﺎری از ﻫﺎ ﻣﺪل ی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ، در ﻣﺒﺪا ﻧﺎﭘﯿﻮﺳﺘﮕﯽ دارﻧﺪ . ﭼﻨﯿﻦ ﻧﺎﭘﯿﻮﺳﺘﮕﯽ را ﺗﻮان ﻣﯽ ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ ﻣﺪل اﻧﺘﻘﺎﻟﯽ ﻧﺎﭘﯿﻮﺳـﺘﻪ ﮐـﻪ درh=0 ﻣﻘﺪار آن ﺻﻔﺮ اﺳﺖ و در ﺳﺎﯾﺮ ﻣﻮارد ﻣﻘﺪار واﺣﺪ را ﺑﻪ ﺧﻮد اﺧﺘﺼﺎص دﻫﺪ ﻣﯽ ، ﺷـﺒﯿﻪ ﺳـﺎزی ﻧﻤـﻮد . ﭼﻨـﯿﻦ ﻣـﺪﻟﯽ را ﻣـﺪل اﺛـﺮ ﻗﻄﻌﻪ ﻣﯽ ای ﻧﺎﻣﻨﺪ و ﻣﻌﺎدﻟﻪ آن ﺑﺪﯾﻦ ﺻﻮرت اﺳﺖ : )3 - 2( 0 if h 0 (h) 1 otherwise = ì g = í î در ﻋﻠﻮم زﻣﯿﻦ آﻣﺎر، ﻣﺪل اﺛﺮ ﻗﻄﻌﻪ ای ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﺪل اﺻﻠﯽ ﺑﻪ ﮐـﺎر ﻧ ود ر ﻤـﯽ اﻣـﺎ ﺑـﻪ ﻋﻨـﻮان ﯾـﮏ ﻣﻘـﺪار ﺛﺎﺑـﺖ Co در ﻣﻌﺎدﻟـﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد . - ﻣﺪل ﮐﺮوی ﻣﺪل ﮐﺮوی ﺷﺎﯾﺪ ﺗﺮﯾﻦ راﯾﺞ ﻣﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺎﺷﺪ ﮐﻪ ﻣﻌﺎدﻟﻪ آن ﺑﻪ اﯾﻦ ﺻﻮرت اﺳﺖ : )3 - 3( 3 h h 1.5 0.5 if h a (h) a a 1 otherwise ì - £ ï g = í ïî ﮐﻪ در اﯾﻨﺠﺎa داﻣﻨﻪ ﯾﺎ ﺷﻌﺎع ﺗﺎﺛﯿﺮ ﻣﯽ ﺑﺎﺷﺪ ) ﺷﮑﻞ 3 - 2( . اﯾﻦ ﻣﺪل ﺑﻪ ازای ﻓﻮاﺻﻞ ﮐﻢ ﺑﯿﻦ زوج ﻧﻘﺎط ﯾﻌﻨﯽ در ﻧﺰدﯾﮑـﯽ ﻣﺒـﺪا رﻓﺘـﺎر ﺧﻄﯽ دارد . اﻣﺎ در ﻓﺎﺻﻠﻪ ﻫﺎ ی ﺑﺰرگ ﺗﺮ ، ﺷﯿﺐ آن ﮐﺎﻫﺶ ﯾﺎﺑﺪ ﻣﯽ ﺗﺎ اﯾﻨﮑﻪ در ﺷﻌﺎع a ﺑﻪ ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﺑﺮﺳـﺪ . در ﻣـﺪل ﮐـﺮوی، ﻣﻤـﺎس در ﻣﺒﺪا در ﺣﺪود دو ﺳﻮم ﺷﻌﺎع ﺗﺎﺛﯿﺮ ﺑﺎ ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﺑﺮﺧﻮرد .ﮐﻨﺪ ﻣﯽ - ﻣﺪل ﻧﻤﺎﯾ ﯽ ﻣﺪﻝ ﻧﻤﺎﻳﻲ ﻳﮑﻲ ﺩﻳﮕﺮ ﺍﺯ ﻫﺎ ﻣﺪﻝ ﻱ ﺍﻧﺘﻘﺎﻟﻲ ﺭﺍﻳﺞ ﺍﺳﺖ : )3 - 4( 3h (h) 1 exp a æ ö g = - - ç ÷ è ø 1- Drift 34 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای اﯾﻦ ﻣﺪل ﻃﻮر ﺑﻪ ﺟﺎﻧﺒﯽ ﺑﻪ آﺳﺘﺎﻧﻪ ﻣﯿﻞ . ﮐﻨﺪ ﻣﯽ ﺑﻨﺎﺑﺮاﯾﻦ ﺷﻌﺎع ﺗﺎﺛﯿﺮ ﻓﺎﺻﻠﻪ ای اﺳﺖ ﮐﻪ ﻣﻘﺪار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ 95 درﺻﺪ آﺳـﺘﺎﻧﻪ رﺳـﯿﺪه ﺑﺎﺷﺪ . ﻫﻤﺎﻧﻨﺪ ﻣﺪل ﮐﺮوی، ﻣﺪل ﻧﻤﺎﯾﯽ در ﻓﺎﺻﻠﻪ ﻫﺎ ی ﺑﺴﯿﺎ ر ﮐﻮﭼﮏ ﻧﺰدﯾﮏ ﺑﻪ ﻣﺒﺪا ، ﺑﻪ ﺻﻮرت ﺧﻄﯽ ﻋﻤﻞ ﻣﯽ ﮐﻨـﺪ ، اﮔﺮﭼـﻪ ﺑـﻪ ﺳـﺮﻋﺖ اﻓﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ و ﺳﭙﺲ ﺑﻪ ﺗﺪرﯾﺞ ﻣﺴﻄﺢ ﻣﯽ ﮔﺮدد ) ﺷﮑﻞ 3 - 2 .( در اﯾﻦ ﻣﺪل ﻣﻤﺎس در ﻣﺒﺪا در ﻓﺎﺻﻠﻪ ﺣﺪود ﯾﮏ ﭘﻨﺠﻢ ﺷﻌﺎع ﺗﺎﺛﯿﺮ ، ﺣـﺪ آﺳﺘﺎﻧﻪ را ﻗﻄﻊ . ﮐﻨﺪ ﻣﯽ - ﻣﺪل ﮔﻮﺳﯽ ﻣﺪل ﮔﻮﺳﯽ، ﯾﮏ ﻣﺪل اﻧﺘﻘﺎﻟﯽ اﺳﺖ ﮐﻪ ﺑﺮای ﭘﺪﯾﺪه ﻫﺎ ی ﭘﯿﻮﺳﺘﻪ ﺑﻪ ﮐﺎر رود ﻣﯽ و ﻣﻌﺎدﻟﻪ آن ﺑﺪﯾﻦ ﺻﻮرت اﺳﺖ : )3 - 5( 2 2 3h (h) 1 exp a æ ö g = - - ç ÷ ç ÷ è ø ﭘﺎراﻣﺘﺮa ، داﻣﻨﻪ ﯾﺎ ﻓﺎﺻﻠﻪ ای اﺳﺖ ﮐﻪ در آن آﺳﺘﺎﻧﻪ ﺑﻪ ﻣﻘﺪار 95 درﺻﺪ ﺧﻮد رﺳﯿﺪه ﺑﺎﺷﺪ . ﻣﺪل ﮔﻮﺳﯽ ﻫﻤﺎﻧﻨـﺪ ﻣـﺪل ﻧﻤـﺎﯾﯽ ﺑـﻪ ﻃـﻮر ﺟﺎﻧﺒﯽ ﺑﻪ آﺳﺘﺎﻧﻪ ﻣﯽ رﺳﺪ . وﯾﮋﮔﯽ ﻣﺸﺨﺺ ﻣﺪل ﮔﻮﺳﯽ، ﺣﺮﮐﺖ ﺳﻬﻤﯽ ﮔﻮﻧﻪ آن در ﻧﺰدﯾﮑﯽ ﻣﺒﺪا و ﯾﮏ ﻧﻘﻄﻪ ﻋﻄﻒ اﺳﺖ ) ﺷﮑﻞ 3 - 2(. - ﻣﺪل ﺧﻄﯽ ﻣﺪل ﺧﻄﯽ ﯾﮏ ﻣﺪل اﻧﺘﻘﺎﻟﯽ ﺑﻪ ﺣﺴﺎب آﯾﺪ ﻧﻤﯽ ، زﯾﺮا ﻓﺎﻗﺪ آﺳﺘﺎﻧﻪ ﻣﯽ ﺑﺎﺷﺪ ) ﺷﮑﻞ 3 - 2 .( ﻣﻌﺎدﻟﻪ آن ﺑﻪ اﯾﻦ ﺻﻮرت اﺳﺖ : )3 - 6( (h) h g = 1 ﻣﺪل ﺧﻄﯽ- 2 ﻣﺪل ﮐﺮوی- 3 ﻣﺪل ﻧﻤﺎﯾﯽ- 4 ﻣﺪل ﮔﻮﺳﯽ- h h 1 4 2 3 ﺷﮑﻞ3 - 2 - ﻧﻤﺎﯾﺶ اﻧﻮاع ﻣﺪل ﻫﺎ ی رﯾﺎ ﺿﯽ ﺗﺌﻮرﯾﮏ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 3 - 3 -ﻣﺤﺎﺳﺒﻪ و ﺗﺮﺳﯿﻢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺸﺮﯾﺢ ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﻗﺎﻟﺐ ﯾﮏ ﻣﺜﺎل ﺑﯿﺎن ﺷﻮد ﻣﯽ . ﺗﻮزﯾﻊ ﻧﻘﺎط ﻣﺸـﺎﻫﺪه ای در ﺷـﮑﻞ )3 - 3 ( و ﻣﻘـﺎدﯾﺮ ﻣﺸـﺎﻫﺪه ای ﯾـﮏ ﻣﺘﻐﯿﺮ ﻓﺮﺿﯽ در ﺟﺪول )3 - 1 (اراﺋﻪ ﺷﺪه اﺳﺖ . در ﻣﺮﺣﻠﻪ اول، ﻣﺎﺗﺮﯾﺲ ﻓﺎﺻﻠﻪ ﻧﻘﺎط ﻣﻄﺎﺑﻖ ﺟﺪول )3 - 2 (ﺗﻌﯿﯿ ﺷﻮد ﻣﯽﻦ . ﻓﺼﻞ ﺳﻮم- ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 35 ﺟﺪول3 - 1 - ﻣﻮﻗﻌﯿﺖ (x,y) و ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ( ای z) ﺷﮑﻞ )3 - 2 .( ID Z Y X 1 201 400 100 2 300 300 100 3 401 200 100 4 302 100 100 5 204 400 200 6 509 100 200 7 301 400 300 8 208 300 300 9 403 200 300 10 405 100 300 X 250 200 0 100 200 300 400 500 0 100 200 300 400 Y (m) X (m) ﺷﮑﻞ3 - 3 - ﻣﻮﻗﻌﯿﺖ ﻧﻘﺎط ﻣﺜﺎل ﺟﺪول3 - 2 - ﻣﺎﺗﺮﯾﺲ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻧﻘﺎط (m) point 1 2 3 4 5 6 7 8 9 10 1 0 100 200 300 100 316 200 224 283 361 2 0 100 200 100 224 224 200 224 283 3 0 100 224 141 283 224 200 224 4 0 316 100 361 283 224 200 5 0 300 100 100 224 316 6 0 316 224 141 100 7 0 100 200 300 8 0 100 200 9 0 100 10 0 36 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺎﺗﺮﯾﺲ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻧﻘﺎط، ﻓﺎﺻﻠﻪ ﮔﺎم ﻣﮑﺎﻧﯽ ﻣﻌﺎدل100 ﻣﺘﺮ اﻧﺘﺨﺎب ﻣﯽ ﺷـﻮد . ﻟـﺬا زوج ﻧﻘـﺎط ﺑـﻪ ﺻـﻮرت ﺟﺪول )3 - 3 (ﺷﻨﺎﺳﺎﯾﯽ ﺷﺪه و ﻣﻘﺪار ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮای ﻫﺮ ﮔﺎم ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮔﺮدد ) ﺟﺪول 3 - 4 .( ﺗﻮﺟﻪ ﺷﻮد ﮐﻪ در ﺳﺘﻮن ﺳﻤﺖ راﺳﺖ ﺟﺪول )3 - 4( ، ﻓﺎﺻﻠﻪh ﺑﺮاﺑﺮ ﺑﺎ ﻣﯿﺎﻧﮕﯿﻦ ﻓﻮاﺻﻞ ﺟﻔﺖ ﻧﻘﺎط در ﻫﺮ ﮔﺎم ﻣﮑﺎﻧﯽ اﺳﺖ . ﺟﺪول3 - 3 - زوج ﻧﻘﺎط ﻣﻮرد اﺳﺘﻔﺎده در ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﮔﺎم ﻣﮑﺎﻧﯽ (m) ﺟﻔﺖ ﻧﻘﺎط 100 1, 2 1, 5 2, 3 2, 5 3, 4 4, 6 5, 7 5, 8 6, 10 7, 8 8, 9 9, 10 200 1, 3 1, 7 2, 4 3, 6 3, 9 4, 10 6, 9 7, 9 8, 10 300 1, 4 1, 8 1, 9 2, 6 2, 7 2, 9 2, 10 3, 5 3, 7 3, 8 4, 8 4, 9 5, 6 5, 9 6, 8 7, 10 400 1, 6 1, 10 4, 5 4, 7 5, 10 6, 7 ﺟﺪول3 - 4 - ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﻫﺮ ﯾﮏ از ﻫﺎ ﮔﺎم ی ﻣﮑﺎﻧﯽ ﻣﺘﻮﺳﻂ ﻓﺎﺻﻠﻪ h(m) ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ [ ] 2 n i i i 1 1 γ(h) z(x ) z(x h) 2n(h) = = - + å ﻣﻘﺪار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 100.0 (1/24)*((2-1)2, (5-1) 2, (3-2) 2, (5-2) 2, (4-3) 2, (6-4) 2, (7-5) 2, (8-5) 2, (10-6) 2, (8-7) 2, (9-8) 2, (10-9) 2) 4441.5 186.9 (1/ 18)*((3-1) 2, (7-1) 2, (4-2) 22, (6-3) 22, (9-3) 2, (10-4) 2, (9-6) 2, (9-7) 22, (10-8) 2) 6107.2 252.9 1/32)*((4-1) 2, (8-1) 2, (9-1) 2, (6-2) 2, (7-2) 2, (9-2) 2, (10-2) 2, (5-3) 2, (7-3) 2, (8-3) 2, (8-4) 2, (9-4) 2, (6-5) 2, (9-5) 2, (8-6) 2, (10-7) 2) 10078.4 331.0 (1/12)*((6-1) 2, (10-1) 2, (5-4) 2, (7-4) 2, (10-5) 2, (7-6) 2) 12212.5 ﺷﮑﻞ )3 - 4 (ﻧﻤﻮدار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی اﯾﻦ ﻣﺜﺎل را ﻧﺸﺎن دﻫﺪ ﻣﯽ . ﺑﺮای ﺑﺮازش ﯾﮏ ﻣﺪل ﺗﺌﻮری ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑـﻪ ﺷـﯿﺐ ﻧﻘـﺎط در اﺑﺘﺪای ﻣﻨﺤﻨﯽ، از ﻣﺪل ﮔﻮﺳﯽ اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ . ﺳﭙﺲ ﭘﺎراﻣﺘﺮﻫﺎی C0 ، آﺳﺘﺎﻧﻪ و ﺷﻌﺎع ﺑﻪ ﺻﻮرت ﺳﻌﯽ و ﺧﻄﺎ ﺑﺮای ﺑﯿﺶ ﺗﺮ ﯾﻦ ﺗﻄﺒﯿـﻖ ﻣﺪل ﮔﻮﺳﯽ ﺑﺎ ﻧﻘﺎط ﺗﻌﯿﯿﻦ ﻣﯽ ﮔﺮدﻧﺪ ) ﺷﮑﻞ 3 - 4 .( ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺪل ﺑﻬﯿﻨﻪ ﺷﺪه ﺑﻪ اﯾﻦ ﺻﻮرت ﻣﯽ ﺑﺎﺷـﺪ : ﻣﻘـﺪار C0 ﺑﺮاﺑـﺮ3000 ، ﻣﻘـﺪار آﺳﺘﺎﻧﻪ ﺑﺮاﺑﺮ10100 و ﻣﻘﺪار ﺷﻌﺎع ﺗﺎﺛﯿﺮ ﺑﺮاﺑﺮ 230 ﻣﺘﺮ ﻣﯽ ﺑﺎﺷﺪ . در ﻋﻤﻞ، ﺑﺮازش ﺑﻬﺘﺮﯾﻦ ﻣﺪل و ﺗﻌﯿـﯿﻦ ﭘﺎراﻣﺘﺮﻫـﺎی آن در ﻗﺎﻟـﺐ روش اﻋﺘﺒﺎرﺳﻨﺠﯽ ﺗﻘﺎﻃﻌﯽ اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد ﮐﻪ در ﺑﺨﺶ ﻫﺎ ی ﺑﻌﺪی ﺑﻪ آن ﭘﺮداﺧﺘﻪ ﺷﻮد ﻣﯽ . 3 - 4 -ﭼ ﮕﻮﻧﮕﯽ ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﺎراﻣﺘﺮﻫﺎی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 3 - 4 - 1 -اﻧﺘﺨﺎب ﭘﺎراﻣﺘﺮﻫﺎی ﻓﺎﺻﻠﻪ دو ﭘﺎراﻣﺘﺮ ﻓﺎﺻﻠﻪ در اﺳﺘﺨﺮاج ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ دﺧﺎﻟﺖ دارﻧﺪ . اول ﻓﺎﺻﻠﻪ ی h ﻣﺮﺑﻮط ﺑﻪ ﻧﻤﻮدارH - scatter اﺳﺖ ﮐﻪ ﻣﻌﻤـﻮﻻ ﺑـﻪ ﻋﻨـﻮان lag spacing ﯾﺎlag increment ﺧﻮاﻧﺪه . ﻮدﺷ ﻣﯽ ﭘﺎراﻣﺘﺮ دﯾﮕﺮ ﺗﻠﻮراﻧﺲ1 ﯾﺎ داﻣﻨﻪ ﺗﻐﯿﯿﺮاتh اﺳﺖ ﮐﻪ ﺟﻔﺖ ﻧﻘـﺎط ﺗﻮاﻧ ﻣـﯽ ﻨـﺪ در اﯾـﻦ ﻓﺎﺻﻠﻪ ﻗﺮار داﺷﺘﻪ ﺑﺎﺷﻨﺪ . ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺑﻪ ﻣﺤﺪوده ﻣﺠﺎز ﻫﺮ راﺳﺘﺎ ﮐﻪ ﻧﻘﺎط واﻗﻊ در اﯾﻦ ﻣﺤﺪوده در ﺟﻔﺖ ﻧﻘﺎط واﻗﻊ در راﺳـﺘﺎی ﻣـﻮرد ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ وارد ﺷﻮد ﻣﯽ ، ﺗﻠﻮراﻧﺲ ﮔﻔﺘﻪ .ﺷﻮد ﻣﯽ 1- Tolerance ﻓﺼﻞ ﺳﻮم- ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 37 ﻧﻘ ﺶ اﻧﺘﺨﺎب ﻣﻘﺪار ﮔﺎم ﯾﺎ ﮐﻮﭼﮏ ﺗﺮ ﯾﻦ واﺣﺪ ﻓﺎﺻﻠﻪ )lag ( در ﺑﻪ ﺗﺼﻮﯾﺮ ﮐ ﺸﯿﺪن واﻗﻌﯿﺖ ﻫﺎی ﺳﺎﺧﺘﺎر ﻣﮑـﺎﻧﯽ ﯾـﮏ ﮐﻤﯿـﺖ ، در ﯾـﮏ ﻣﺤﯿﻂ ﺑﺴﯿﺎر اﻫﻤﯿﺖ دارد . اﻟﮕﻮی ﻧﻤﻮﻧﻪ ﺑﺮداری ﻣﯽ ﺗﻮاﻧﺪ در اﻧﺘﺨﺎب ﯾﮏ h ﻣﻨﻄﻘﯽ ﮐﻤﮏ ﻧﻤﺎﯾﺪ اﮔﺮ ﻧﻤﻮﻧﻪ ﻫﺎ ﺑﺮ روی ﯾﮏ ﺷـﺒﮑﻪ ی ﺗﻘﺮﯾﺒـﺎ ﻣﻨﻈﻢ ﻗﺮار داﺷﺘﻪ ﺑﺎﺷﻨﺪ، اﻧﺪازه ﺳ ﻠﻮل ﺷﺒﮑﻪ ﻣﻌﻤﻮﻻ ﺑﺮای h ﻣﻨﺎﺳﺐ ﻣﯽ ﺑﺎﺷﺪ . اﮔﺮ ﻧﻤﻮﻧﻪ ﺑﺮداری ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﯽ ﺑﺎﺷﺪ، ﺗﻮان ﻣﯽ از ﯾـﮏ h اوﻟﯿﻪ ﮐﻪ ﺗﺨﻤﯿﻨﯽ از ﻣﺘﻮﺳﻂ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻧﻤﻮﻧﻪ ﻫﺎی ﻣﺠﺎور اﺳﺖ، اﺳﺘﻔﺎده ﮐﺮد . ﺗﺮﯾﻦ راﯾﺞ ﮔﺰﯾﻨﻪ ﺑﺮای ﺗﻠﻮراﻧﺲ، ﻧﺼﻒ h ﻣﯽ ﺑﺎﺷﺪ . ﻫﻤﭽﻨﯿﻦ در ﺳﺎﺧﺖ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ در ﻣﻮرد اﻧﺘﺨﺎب Lag دو ﻣـﻮرد را ﻣـﻮرد ﺗﻮﺟـﻪ ﻗـﺮار ﻣـﯽ دﻫﻨـﺪ : اﻟـﻒ ( ﺑـﺮای ﻫـﺮ ﻧﻘﻄـﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺣﺪاﻗﻞ 30 ﺗﺎ50 ﺟﻔﺖ ﻧﻘﻄﻪ ﺗﻮﺻﯿﻪ و ب ﺷﻮد ﻣﯽ ( ﺗﻌﺪاد Lag ﻫﺎ ﺿﺮب در ﻓﺎﺻﻠﻪ ی ) آﻧﻬﺎLag size ( ﺣﺪودا ﻧﺼﻒ ﺣـﺪاﮐﺜﺮ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻧﻘﺎط ﺷﻮد . 0 2000 4000 6000 8000 10000 12000 14000 0 100 200 300 400 500 600 700 (ﻓﺎﺻﻠﮫ )ﻣﺘﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺠﺮﺑﻲ ﻣﺪل ﺗﺌﻮری ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺠﺮﺑﯽ ﻣﺪل ﺗﺌﻮری ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ (ﻓﺎﺻﻠﻪ )ﻣﺘﺮ ﺷﮑﻞ 3 - 4 - ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺤﺮﺑﯽ و ﻣﺪل ﺗ ﺌﻮری ﻣﺜﺎل 3 - 4 - 2 -اﻧﺘﺨﺎب ﻣﺪل ﺗﺌﻮرﯾﮏ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ اﻧﺘﺨﺎب ﻫﺮ ﯾﮏ از ﻫﺎ ﻣﺪل ی ﺗﺌﻮرﯾﮏ ﻧﯿﻢ ﺗﻐﯿﯿﺮ ﻧﻤﺎ ﺑﺴﺘﮕﯽ ﺑﻪ ﺣﺮﮐﺖ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ در ﻧﺰدﯾﮏ دارد ﻣﺒﺪا . اﮔﺮ ﭘﺪﯾﺪه ﻣﻮرد ﻧﻈـﺮ ﮐﺎﻣﻼ ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ، ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ دارای ﺣﺮﮐﺖ ﺳﻬﻤﯽ ﮔﻮﻧﻪ در ﻧﺰدﯾﮏ ﻣﺒﺪا ﺧﻮاﻫﺪ ﺑﻮد . در ﭼﻨﯿﻦ ﺷﺮا ﯾﻄﯽ، ﻣﻌﻤﻮﻻ ﻣﺪل ﮔﻮﺳـﯽ ﻣﻨﺎﺳﺐ اﺳﺖ . اﮔﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ در ﻧﺰدﯾﮑﯽ ﻣﺒﺪا ﺣﺮﮐﺖ ﺧﻄﯽ داﺷﺘﻪ ﺑﺎﺷﺪ، ﻫﻢ ﻣﺪل ﮐﺮوی و ﻫﻢ ﻣـﺪل ﻧﻤـﺎﯾﯽ ﻣﻨﺎﺳـﺐ ﺧﻮاﻫـﺪ ﺑﻮد . اﻏﻠﺐ ﯾﮑﯽ از اﯾﻦ ﻣﯽ ﻫﺎ ﻣﺪل ﺗﻮاﻧﺪ ﯾﮏ ﺧﻂ ﻣﺴﺘﻘﯿﻢ از ﻣﺒﺪا ﺗﺎ ﻧﻘﺎط اوﻟﯿﻪ ﻣﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ اﯾﺠﺎد ﮐﻨﺪ . اﮔﺮ ﯾﮏ ﺧـﻂ ﻣﺴـﺘﻘﯿﻢ ﮐـﻪ از ﺪاﻣﺒ ﻧﻘﺎط اوﻟﯿﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ را ﭘﻮﺷﺶ دﻫﺪ ﻣﯽ ، آﺳﺘﺎﻧﻪ را در ﻓﺎﺻﻠﻪ ﯾ ﮏ ﭘﻨﺠﻢ داﻣﻨﻪ ﻗﻄﻊ ﮐﻨﺪ در اﯾﻦ ﺣﺎﻟـﺖ ﻣـﺪل ﻧﻤـﺎﯾﯽ ﮐـﺎرﺑﺮد ﺑﻬﺘـﺮی ﻧﺴﺒﺖ ﺑﻪ ﯾﮏ ﻣﺪل ﮐﺮوی دارد . اﮔﺮ اﯾﻦ ﺧﻂ در ﺣﺪود ﻓﺎﺻﻠﻪ دوﺳﻮم داﻣﻨﻪ را ﻗﻄﻊ ﮐﻨﺪ، در اﯾﻦ ﺣﺎﻟﺖ ﻣﺪل ﮐﺮوی ﺗﺮﺟﯿﺢ دارد . داﻣﻨـﻪ ﯾـﺎ ﭘﺎراﻣﺘﺮa ﻫﺎ ﻣﺪل ی اﻧ ﺘﻘﺎﻟﯽ، ﺑﻪ راﺣﺘﯽ از ﻧﻘﻄﻪ اوج ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ اﻧﺘﺨﺎب ﻣـﯽ ﺷـﻮد . اﺛـﺮ ﻗﻄﻌـﻪ ای ﻧﯿـﺰ ﻣـﯽ ﺗﻮاﻧـﺪ از رﻓﺘـﺎر اوﻟﯿـﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ در ﻧﺰدﯾﮑﯽ ﻣﺤﻮر y ﺷﻨﺎﺳﺎﺋﯽ ﺷﻮد . ﺑﺎ داﺷﺘﻦ آﺳﺘﺎﻧﻪ، ﺗﻌﯿﯿﻦ ﺳﺎﯾﺮ ﭘﺎراﻣﺘﺮﻫﺎ از ﯾـﮏ روش آزﻣـﻮن و ﺧﻄـﺎ ﻣـﯽ ﺗﻮاﻧـﺪ 38 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای اﻧﺠﺎم ﮔﯿﺮد . ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ در اﻧﺘﺨﺎ ب ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺎﯾﺪ از ﻣﻨﺤﻨﯽ ﺗﺌﻮرﯾﮑﯽ اﺳﺘﻔﺎده ﮐﺮد ﮐﻪ در ﻣﺮﺣﻠﻪ ﭘﺎﯾـﺎﻧﯽ درون ﯾـﺎﺑﯽ دﻗﯿـﻖ ﺗـﺮ ی از ﻣﺘﻐﯿﺮ ﻣﻮرد ﻧﻈﺮ اراﺋﻪ ﮐﻨﺪ . 3 - 5 - ﭼﮕﻮﻧﮕﯽ ﺗﺸﺨﯿﺺ وﺟﻮد ﯾﺎ ﻓﻘﺪان ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻫﺎ داده و ﺗﻔ ﺴﯿﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 3 - 5 - 1 - ﺗﺸﺨﯿﺺ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻫﺎ داده ی ﻣﮑﺎﻧﯽ ﮐﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی آن ﺑﺎ اﻓﺰاﯾﺶ ﻓﺎﺻ ﻠﻪ ﺑﻪ ﻃﻮر ﻣﻨﻈﻢ اﻓﺰاﯾﺶ ﯾﺎﺑﺪ ﻣﯽ و ﺑﻪ ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﻣـﯽ رﺳـﺪ، دارای ﻫﻤﺒﺴـﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﯽ ﺑﺎﺷﻨﺪ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﺷﮑﻞ )3 - 5 ( ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺑﺪون راﺳﺘﺎ ی ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺮﺳﯿﻢ ﺷـﺪه اﺳـﺖ . اﯾـﻦ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ ﺗﺼـﻮﯾﺮ ﻣﻨﺎﺳﺒﯽ از ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮ را اراﺋﻪ ﻧ دﻫﺪ ﻤﯽ . ﻫﺮﭼﻨﺪ ﮐﻪ ﺗﻮان ﻣﯽ اﻓﺰاﯾ ﺶ ﻧﺴﺒﯽ ﻣﻘـﺎدﯾﺮ (h) g ﺑـﻪ ازای اﻓـﺰاﯾﺶ ﻓﺎﺻـﻠﻪ ﻣﻼﺣﻈـﻪ ﻧﻤﻮد، اﻣﺎ اﯾﻦ اﻓﺰاﯾﺶ ﮐﺎﻣﻼ ﻧﺎﻣﻨﻈﻢ و ﻧﺎﭼﯿﺰ ﻣﯽ ﺑﺎﺷﺪ . ﺷﮑﻞ3 - 5 - ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺑﺪون ﺟﻬﺖ از ﯾﮏ ﻣﺘﻐﯿﺮ ﻓﺮﺿﯽ ﻓﺎﻗﺪ ﺳﺎﺧﺘﺎر ﻣﮑﺎﻧﯽ از ﻃﺮف دﯾﮕﺮ ﻣﯿﺰان ﭘﯿﻮﺳﺘﮕﯽ ﻫﺮ ﻣﺘﻐﯿﺮ از رﻓﺘ ﺎر ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﻧﺰدﯾﮑﯽ ﻣﺒﺪا ﻣﺨﺘﺼﺎت ﻣﺸﺨﺺ .ﺷﻮد ﻣﯽ ﺷﯿﺐ ﮐﻢ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ در ﻧﺰدﯾﮑﯽ ﻣﺒﺪا دﻻﻟﺖ ﺑﺮ وﺟﻮد ﭘﯿﻮﺳﺘﮕﯽ ﻣﺘﻐﯿﺮ ﻣﮑﺎﻧﯽ . دارد رﻓﺘﺎر ﺳﻬﻤﯽ ﮔﻮﻧﻪ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ در ﻧﺰدﯾﮑـﯽ ﻣﺒـﺪا ﻣﺨﺘﺼـﺎت ﺑـﻪ ﻃـﻮری ﮐـﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در دو ﻣﺒﺪا ﺑﺎر ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ ، ﻧﯿﺰ ﺑﯿﺎﻧﮕﺮ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺑﺎﻻ اﺳﺖ . ﻫﺮﭼﻪ ﺷﯿﺐ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ در ﻣﺒـﺪا ﻣﺨﺘﺼـﺎت ﺑـﯿﺶ ﺗـﺮ ﺑﺎﺷﺪ ﻧﺎﭘﯿﻮﺳﺘﮕﯽ ﻣﺘﻐﯿﺮ ﻣﮑﺎﻧﯽ در ﻓﻀﺎی ﺗﻮزﯾﻊ ﺑﯿﺶ اﺳﺖ ﺗﺮ . ﺑﺨﺶ ﭘﺮش ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﮐﻪ ﻗﺴﻤﺖ ﻣﯿﺎﻧﯽ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﯽ ﺑﺎﺷﺪ ، ﺗﺎ ﺣﺪودی دﻻﻟﺖ ﺑﺮ درﺟﻪ ﻫﻤﮕﻨﯽ و ﯾﺎ ﻧـﺎﻫﻤﮕﻨﯽ ﻣﺤـﯿﻂ دارد . ﻫـﺮ ﻗﺪر ﺷ ﯿ ﺐ اﯾﻦ ﻗﺴﻤﺖ از ﻣﻨﺤﻨﯽ ﺑﯿﺶ ،ﺷﺪﺑﺎ ﺗﺮ ﻣﺤﯿﻂ ﻧﺎﻫﻤﮕﻦ ﺗﺮ اﺳﺖ و در ﻓﺎﺻﻠﻪ ﺗﺮ ﮐﻢ ی ﺑﻪ ﺳﻘﻒ ﻣﯽ رﺳﺪ . ﺑﺪﯾﻬﯽ اﺳﺖ در اﯾﻦ ﺣﺎﻟـﺖ ، داﻣﻨﻪ ﺗﺎﺛﯿﺮ ﮐﻮﭼﮏ ﺗﺮ و در ﻧﺘﯿﺠﻪ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ در ﻓﺎﺻﻠﻪ ﺗﺮ ﮐﻢ ی وﺟﻮد ﺧﻮاﻫﺪ داﺷﺖ . در ﻧﻤﻮﻧﻪ ﺑﺮداری از ﭼﻨﯿﻦ ﻣﺤﯿﻄﯽ ﺑﺎﯾـﺪ ﻓﻮاﺻـﻞ ﻧﻤﻮﻧﻪ ﺑﺮداری را ﮐﻮﭼﮏ اﻧﺘﺨﺎب ﮐﺮد . 3 - 5 - 2 - ﺗﺸﺨﯿﺺ ﻫﻤﺴﺎن ﮔﺮدی از ﻧﯿﻢ ﺗ ﻐﯿﯿﺮﻧﻤﺎ ﻋﻼوه ﺑﺮ ﺗﺸﺨﯿﺺ ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ، اﻃﻼﻋﺎت ﺑﯿﺶ ﺗﺮ ی را ﺗﻮان ﻣﯽ از ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ اﺳﺘﺨﺮاج ﮐﺮد ﮐـﻪ از آن ﺟﻤﻠـﻪ ﻧﺎﻫﻤﺴـﺎن ﮔـﺮدی ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ و ﻫﻤﮕﻨﯽ ﺗﻐﯿﯿﺮات ﻣﺘﻐﯿﺮ در ﻣﻨﻄﻘﻪ ﻣﻄﺎﻟﻌﺎﺗﯽ ﻣﯽ ﺑﺎﺷﺪ . ﻫﻤﺎن ﻃﻮرﮐﻪ ﮔﻔﺘﻪ ﺷﺪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ را ﻣـﯽ ﺗـﻮان در راﺳـﺘﺎ ﻫﺎ ی ـﻣﺨﺘ ﻠﻒ ﯿﺮﺳﺗ ﻢ ﮐﺮ د. درﺻﻮرﺗﯽ در ﮐﻪ داﻣﻨﻪ ﺗﺎﺛﯿﺮ و ﯾﺎ ﺳﻘﻒ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﺟﻬﺎت ﻣﺨﺘﻠﻒ ﺗﻔﺎوت وﺟﻮد داﺷـﺘﻪ ﺑﺎﺷـﺪ ، اﺻـﻄﻼﺣﺎ ﺑـﻪ آن ﻓﺼﻞ ﺳﻮم- ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 39 ﻧﺎﻫﻤﺴﺎن ﮔﺮدی ١ اﻃ ﻼق ﺷﻮد ﻣﯽ . آﻧﭽﻪ ﮐﻪ ﺑﺎﻋﺚ ﺑﺮوز اﯾﻦ ﺗﻐﯿﯿﺮات ،ﺷﻮد ﻣﯽ ﻧـﺎﻫﻤﮕﻨﯽ ﻫـﺎﯾﯽ ا ﺳـﺖ ﮐـﻪ در ﺟﻬـ ﺎ ت ﻣﺨﺘﻠـﻒ وﺟـﻮد دارد . ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎ رﺳﻢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در اﻣﺘ ای ﺪاده ﻣﺨﺘﻠﻒ و ﻣﻘﺎﯾﺴﻪ آﻧﻬﺎ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﺗﻮان ﻣﯽ ﺑﻪ وﺟﻮد ﻧﺎﻫﻤﺴﺎن ﮔﺮدی .ﺑﺮد ﭘﯽ 3 - 6 - ﭼﮕﻮﻧﮕﯽ ﺑﺮرﺳﯽ اﯾﺴﺘﺎﯾﯽ ﻣﮑﺎﻧﯽ ﻫﺎ داده و ﺗﺸﺨﯿﺺ روﻧﺪ و ﺗﻨﺎوب ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ در ﻣﻨﻄﻘﻪ در ﻫﺎ داده ی ﻣﮑﺎﻧﯽ و روش ﻫﺎ ی زﻣﯿﻦ آﻣﺎری ﯾﮑﯽ از روش ﻫﺎ ی ﺗﺸﺨﯿﺺ اﯾﺴﺘﺎﯾﯽ ﻫﺎ داده آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﯽ ﺑﺎﺷﺪ . ﺑﻪ اﯾ ﻦ ﺻـﻮرت ﮐﻪ اﮔﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ ﺳﻘﻒ ﻣﻌﯿﻨﯽ ﻧﺮﺳﺪ و ﺛﺎﺑﺖ ﻧﮕﺮدد ﻫﺎ داده اﯾﺴﺘﺎﯾﯽ ﻧﺪارﻧﺪ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ آﺳﺘﺎﻧﻪ ﻣﻌﯿﻨـﯽ ﻧﺮﺳـﯿﺪ و ،دارای روﻧﺪ اﻓﺰاﯾﺸﯽ ﺑﻮد ﻣﯽ ﺗﻮاﻧﺪ ﺑﯿﺎﻧﮕﺮ روﻧﺪ در ﻫﺎ داده ﺑﺎﺷﺪ ) ﺷﮑﻞ 3 - 6 اﻟﻒ (. ﮔﺎﻫﺎ ﻣﻤﮑﻦ اﺳﺖ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺗﺠﺮﺑـﯽ ﺗﻨـﺎوﺑﯽ ﻋﻤـ ﻞ ﻧﻤﻮده و ﺣﺎﻟﺖ ﻣﻮﺟﯽ داﺷﺘﻪ ﺑﺎﺷﺪ ﮐﻪ اﯾﻦ ﻧﯿﺰ ﻣﯽ ﺗﻮاﻧﺪ اﯾﺠﺎد ﺷﺒﻬﻪ در اﯾﺴﺘﺎﯾﯽ ﻫﺎ داده ﻧﻤﺎﯾﺪ ) ﺷـﮑﻞ 3 - 6 ب و ج (. ﻟـﺬا ﺑـﺎ اﻧﺠـﺎم آﻧـﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎﯾﯽ ﺗﻮان ﻣﯽ وﺟﻮد اﯾﺴﺘﺎﯾﯽ ﯾﺎ ﻋﺪم آن را در ﻫﺎ داده ﻣﺸﺨﺺ ﻧﻤﻮد . اﻟﺒﺘﻪ در زﻣﯿﻦ آﻣﺎر روش ﻫﺎ ﯾﯽ وﺟﻮد دارد ﮐﻪ ﺗﻮان ﻣﯽ روﻧـﺪ و ﺗﻨﺎو ب را اﺑﺘﺪا ﺣﺬف ﻧﻤﻮده و ﺑﻪ ﺑﺮآورد ﻫﺎ داده در ﻧﻘﺎط ﻣﺠﻬﻮل ﭘﺮداﺧﺖ . اﻟﻒ ب 1- Anisotropy 40 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ج ﺷﮑﻞ3 - 6 - ﻧﻤﺎﯾﺶ ﭼﻨﺪ ﻧﻤﻮﻧﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ دارای روﻧﺪ و ﺗﻨﺎوب - اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ ﺑﺮای ﺣﺬف روﻧﺪ و ﺗﻨﺎوب )د ر ﺻﻮرت وﺟﻮد ( در زﻣﯿﻦ آﻣﺎر ﺑﺮای اﯾﺴﺘﺎ ﻧﻤﻮدن روش ﻫﺎ داده ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ وﺟﻮد دارد . ﭘﺲ از آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﺗﺸـﺨﯿﺺ وﺟـﻮد روﻧـﺪ در ﻫـﺎ داده ﯾﮑﯽ از ﮐﺎرﻫﺎﯾﯽ ﮐﻪ ﺑﺮای اﯾﺴﺘﺎ ﻧﻤﻮدن ﺗﻮان ﻣﯽ ﻫﺎ داده اﻧﺠﺎم داد، ﺗﻘﺴﯿﻢ ﻣﻨﻄﻘﻪ ﺑﻪ واﺣﺪﻫﺎی ﻫﻤﮕـﻦ ﻣـﯽ ﺑﺎﺷـﺪ . اﯾـﻦ ﻋﻤـﻞ ﻣـﯽ ﺗﻮاﻧـﺪ ﻫﻨﮕﺎﻣﯽ ﺻ ﻮرت ﮔﯿﺮد ﮐﻪ ﻣﻨﻄﻘﻪ وﺳﯿﻊ ﺑﻮده و ﺗﻌﺪاد ﻫﺎ داده ﻧﯿﺰ ﮐﺎﻓﯽ ﺑﺎﺷﺪ ﺑﻪ . ﻃﻮری ﮐﻪ در ﻫﺮ واﺣـﺪ ﻫﻤﮕـﻦ ﺗﻌـﺪاد ﻧﻘﻄـﻪ ﮐـﺎﻓﯽ ﺑـﺮای ﺑﺮرﺳﯽ ﻫﺎ ی ﻣﺠﺪد و ﺑﺮآورد ﻣﻮﺟﻮد ﺑﺎﺷﺪ . ﺑﺮای اﯾﻦ ﮐﺎر ﺗﻬﯿﻪ ﯾﮏ ﻧﻤﻮدار از ﻣﻮﻗﻌﯿﺖ ﻫﺎ داده ﺑﻪ ﻫﻤﺮاه ﻣﻘﺪار ﻣﯽ آﻧﻬﺎ ﺗﻮاﻧـﺪ راﻫﮕﺸـﺎ ﺑﺎﺷـﺪ . روش دﯾﮕﺮی ﮐﻪ وﺟﻮد دارد ، ا ﯾﻦ ا ﺳﺖ ﮐﻪ روﻧﺪ از ﻫﺎ داده ﺣﺬف ﺷﻮد . ﻟﺬا ﻣﻌﻤﻮﻻ از ﺗﻮاﺑﻊ درﺟﻪ ﯾﮏ ﺗﺎ n ﺑﻪ ﻋﻨـﻮان ﻣـﺪل روﻧـﺪ ﻫـﺎ داده اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ و ﻣﻘﺪار ﺗﺎﺑﻊ روﻧﺪ از اﺻﻞ ﻫﺎ داده ﺣﺬف ﺷﻮد ﻣﯽ . اﯾﻦ ﻋﻤﻞ در روش ﮐﺮﯾﺠﯿﻨﮓ ﻋﻤﻮﻣﯽ ١ اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ . 3 - 7 - ﺑﺮرﺳﯽ ﺗﺎﺛﯿﺮ ﻣﺘﻐﯿﺮﻫﺎ ی ﮐ ﻤﮑﯽ در ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ داده ﻫﺎ ﻃﻮر نﻫﻤﺎ ﮐﻪ در آﻣﺎر ﮐﻼﺳﯿﮏ روش ﻫﺎ ی ﭼﻨﺪ ﻣﺘﻐﯿﺮه وﺟﻮد دارد، در زﻣﯿﻦ آﻣﺎر ﻧﯿﺰ ﻣﯽ ﺗـﻮان ﺑﺮاﺳـﺎس ﻫﻤﺒﺴـﺘﮕﯽ ﺑـﯿﻦ ﻣﺘﻐﯿﺮﻫـﺎ ی ﻣﺨﺘﻠﻒ ﺑﺮای ﻧﻘﻄﻪ ﻣﺠﻬﻮل ﻣﻘﺪار ﻣﺘﻐﯿﺮ را ﺑﺮآورد ﻧﻤﻮد . ﻟﺬا ﻻزم اﺳﺖ ﻫﻤﺎﻧﻨﺪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮای ﺑﺮرﺳـﯽ ﭘﯿﻮﺳـﺘﮕﯽ ﻣﮑـﺎﻧﯽ ﯾـﮏ ﻣﺘﻐﯿـﺮ، ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ٢ ﺑﻪ ﻣﻨﻈﻮر ﺗﻮﺻﯿﻒ و ﺗﺸﺮﯾﺢ ﭘﯿﻮﺳﺘﮕﯽ ﻣﺘﻘﺎﺑﻞ ﺑﯿﻦ دوﻣﺘﻐﯿﺮ ﻣﺤﺎﺳﺒﻪ و رﺳﻢ ﺷﻮد . ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ﺑـﻪ ﺻـﻮرت زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ : )3 - 7( [ ] [ ] UV i i k k 1 (h) U(x h) U(x ) V(x h) V(x ) 2n g = + - ´ + - å ﮐﻪ در آن،UV(h) g : ﻐﺗ ﻧﯿﻢ ﯿﯿﺮ ﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ﺑﯿﻦ دو ﻣﺘﻐﯿﺮ U و V ، i U(x ) : ﻐﯿﺮﺘﻣ اﺻﻠﯽ در ﻣﻮﻗﻌﯿﺖix، k V(x ) : ﻣﺘ ﻐﯿﺮ ﮐﻤﮑـﯽ در ﻣﻮﻗﻌﯿﺖk x وn ﺗﻌﺪاد ﺟﻔﺖ ﻧﻘﺎط ﻣﯽ ﺑﺎﺷﺪ . 1- Universal Kriging 2- Cross Variogram ﻓﺼﻞ ﺳﻮم- ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ 41 در ﺷﮑﻞ )3 - 7 (ﻧﻤﻮﻧﻪ ای از ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ﺑﺮای دو ﻣﺘﻐﯿﺮ ﻓﺮﺿـﯽ U وV اراﺋـﻪ ﺷـﺪه اﺳـﺖ . ﻫﻤـﺎن ﻃﻮرﮐـﻪ در ﺷـﮑﻞ ﻧﯿـﺰ ﻣﺸﺨﺺ اﺳﺖ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ دارای روﻧﺪ ﺑﻮده و ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﺘﻘﺎﺑﻞ ﺑﯿﻦ اﯾﻦ دو ﻣﺘﻐﯿﺮ وﺟﻮد دارد . ﺷﮑﻞ3 - 7 - ﻧﯿﻢ ﺗﻌﯿﯿﺮ ﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ﻣﺘﻐﯿﺮﻫﺎ ی U وV ﭘﺲ از آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﺗﺤﻠﯿﻞ ﻧﺘﺎﯾﺞ آن ﻻزم اﺳﺖ ﮐﻪ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣﻮرد ارزﯾﺎﺑﯽ و ﻣﻘﺎ ﯾﺴﻪ ﻗـﺮار ﮔﺮﻓﺘـﻪ و روش ﻣﻨﺎﺳـﺐ اﻧﺘﺨﺎب ﮔﺮدد . روش ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ ﺑﺮای درون ﯾﺎﺑﯽ ﻣﺘﻐﯿﺮﻫﺎ وﺟﻮد دارد روش ﻫـﺎﯾﯽ ﻣﺎﻧﻨـﺪ روش رﮔﺮﺳـﯿﻮن، روش ﻋﮑـﺲ ﻓﺎﺻـﻠﻪ وزﻧـﯽ، روش ﺗﻮاﺑﻊ ﺷﻌﺎع ﻣﺤﻮر1 و ﮐﺮﯾﺠﯿﻨﮓ . اﻧﺘﺨﺎب اوﻟﯿﻪ روش ﻣﯽ ﻫﺎ ﺗﻮاﻧﺪ ﺑﺮاﺳﺎس آﻧﺎﻟﯿﺰ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ، ﻫـﺪف ﻣﻄﺎﻟﻌـﻪ، ﻣﺘﻐﯿـﺮ ﻣـﻮرد ﻧﻈـﺮ و ش رو ﻫﺎ ی ﻣﻮﺟﻮد ﺑﺎﺷﺪ ﮐﻪ در ﻓﺼﻮل ﺑﻌﺪی ﻣﻮرد اﺷﺎره ﻗﺮار ﻣﯽ ﮔﯿﺮد . ﺗﺌﻮری روش ﻫﺎ و ﭼﮕﻮﻧﮕﯽ ﻋﻤﻠﮑﺮد ﻫﺮ ﯾﮏ از روش ﻫﺎ در ﭘﯿﻮﺳـﺖ )3 (ﺷﺮح داده ﺷﺪه اﺳﺖ . 1- Radial Basis Functions (RBF) 4 ﻓﺼﻞ4 ﻧﺤﻮه ارزﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ ﻓﺼﻞ ﭼﻬﺎرم- ﻧﺤﻮه ارزﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ 45 ﻓﺼﻞ ﭼﻬﺎر م- ﻧﺤﻮه ارزﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ 4 - 1 - ﻧﺤﻮه اﻧﺘﺨﺎب اوﻟﯿﻪ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺗﺠﺮﺑـﯽ، ﻣﯿـﺰان ﻫﻤﺒﺴـﺘﮕﯽ ﻣﮑﺎﻧﯽ و ﻓﯿﺰﯾﮏ ﭘﺪﯾﺪه ﻣﻮرد ﺑﺮرﺳﯽ اﻧﺘﺨﺎب روش درون ﯾﺎﺑﯽ در درﺟﻪ اول ﺑﻪ ﻃﺒﯿﻌﺖ ﻣﺘﻐﯿﺮ و ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ آن واﺑﺴﺘﻪ اﺳﺖ، ﻫﺮﭼﻨﺪ ﺗﺤﺖ ﺗـﺎﺛﯿﺮ ﻋﻮاﻣـﻞ دﯾﮕـﺮی ﻧﯿـﺰ ﻣﯽ ﺑﺎﺷﺪ . اراﺋﻪ ﯾﮏ ﻗﺎﻧﻮن ﺻﺮﯾﺢ و ﻋﺎم ﺑﺮای اﻧﺘﺨﺎب ﯾﮏ روش ﺑﺴﯿﺎر دﺷﻮار اﺳﺖ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺑﺴـﯿﺎری از روش ﻫـﺎ ی درون ﯾـﺎﺑﯽ در ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻒ ﺑﺮای ﺗﺨﻤﯿﻦ ﺑﺎرﻧﺪﮔﯽ ﻣﻨﻄﻘﻪ . اﻧﺪ رﻓﺘﻪ ﮐﺎر ﺑﻪ ای ﺳﺎده ﺗﺮﯾﻦ وﻋﺎم ﺗـﺮﯾﻦ روش ﻫـﺎ ﭼﻨـﺪ ﺿـﻠﻌﯽ ﺗﯿﺴـﻦ و ﺧﻄـﻮط ﻫﻤﺒـﺎران ﻫﺴﺘﻨﺪ . ﺧﻄﻮط ﻫﻤﺒﺎران اﻏﻠﺐ ﺑﺮاﺳﺎس ﯾﮏ درون ﯾﺎﺑﯽ ﺧﻄﯽ ﺳﺎده ﺗﺮﺳﯿ ﺷﻮد ﻣﯽﻢ . روش ﻫﺎ ی آﻣﺎری اﺑﺘﺪا ﺑﻪ آزﻣﻮن ﺳﺎﺧﺘﺎر ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻫﺎ داده ، ﻧﻈﯿﺮ آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در روش ﮐﺮﯾﺠﯿﻨﮓ ﻧﯿﺎز دارﻧـﺪ . ﻣﻌﻤـﻮﻻ در ﺗﺤﻠﯿﻞ ﺳﺎﺧﺘﺎر ﻣﮑﺎﻧﯽ ﻫﺎ داده ﺗﻌﺪاد ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﻧﺴﺒﺘﺎ زﯾﺎدی ﻣﻮرد ﻧﯿﺎز اﺳﺖ ﮐﻪ اﯾﻦ ﻣﻮﺿﻮع ﮐﺎرﺑﺮد اﯾﻦ روش ﻫﺎ را ﻣﺤﺪود ﻣـﯽ ﮐﻨـﺪ . از ﻃﺮف دﯾﮕﺮ ﺑﺎ ﯾﮏ ﺗﺮاﮐﻢ ﮐﺎﻓﯽ ﺷﺒﮑﻪ اﯾﺴﺘﮕﺎه ﻫﺎ ، آﻧﺎﻟﯿﺰ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑـﺎﻧﯽ ﻣﻤﮑـﻦ اﺳـﺖ زﻣـﺎن زﯾـﺎدی را ﺑـﻪ ﺧـﻮد اﺧﺘﺼـﺎص دﻫـﺪ . اﺳﺘﻔﺎده از ﯾﮏ روش آﻣﺎری ﺑﺮای ﺗﻮﻟﯿﺪ ﻧﻘﺸﻪ ﻫﺎ ی ﻣﺘﻌﺪد ﻣﺎﻧﻨﺪ ﻧﻘﺸﻪ ﻫﺎ ی ﺑﺎرﻧﺪﮔﯽ روزاﻧﻪ وﻗﺖ ﮔﯿﺮ و ﻧﺎﻣﻄﻠﻮب اﺳﺖ . از دﯾﮕﺮ ﻣﻼﺣﻈﺎت ﺑﺮای اﻧﺘﺨﺎب روش درون ﯾﺎﺑﯽ ، دﻗ ﺖ اﻧﺪازه ﮔﯿﺮی ﻣـﯽ ﺑﺎﺷـﺪ . ﺑﺎﯾـﺪ در ﻧﻈـﺮ داﺷـﺖ ﮐـﻪ ﺣﺘـﯽ در ﯾـﮏ ﻧﻘﻄـﻪ ﻧﯿـﺰ اﻧﺪازه ﮔﯿﺮی ﺑﺎرﻧﺪﮔﯽ ﺑﺎ دﻗﺖ ﻣﻨﺎﺳﺐ، ﺑﻪ دﺷﻮاری اﻧﺠﺎم ﺷﻮد ﻣﯽ . در ﻣﻮرد ﺑﺎرﻧﺪﮔﯽ ﻣﻨﻄﻘﻪ ای در ﻧـﻮاﺣﯽ ﮐﻮﻫﺴـﺘﺎﻧﯽ، ﺗﺨﻤـﯿﻦ ﻣﮑـﺎﻧﯽ ﺑـﻪ ﻋﻠﺖ ﺗﺮاﮐﻢ ﮐﻢ اﯾﺴﺘﮕﺎه ﻫﺎ ، ﺛﺒﺖ ﻧﺎﻣﻨﻈﻢ، اﺛﺮات ﻣﻬﻢ اروﮔﺮاﻓﯿﮏ، ﺑﺮف و ﻏﯿﺮه ﺑﺴﯿﺎر ﭘﯿ ﭽﯿﺪه ﺗﺮ ﻣﯽ ﺑﺎﺷﺪ . ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻄﺎﻟﺐ ذﮐﺮ ﺷﺪه ﺑﻪ ﻃﻮر ﮐﻠﯽ ﺗﻮان ﻣﯽ ﺑﺮای اﻧﺘﺨﺎب ﯾﮏ روش ﻣﻨﺎﺳﺐ اﺑﺘﺪا ﺑﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﻓﯿﺰﯾـﮏ ﭘﺪﯾـﺪه و ﺑـﺎ آﮔـﺎﻫﯽ از ﺗﺌﻮری روش ﻫﺎ ﭼﻨﺪ روش ﻣﻨﺎﺳﺐ را اﻧﺘﺨﺎب ﻧﻤﻮد . ﭘﺲ از آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﻮان ﻣﯽ اﻧﺘﺨﺎب ﻫﺎ ی اوﻟﯿﻪ را رد ﯾﺎ ﻗﺒﻮل ﻧﻤـﻮده و ﺳـﭙﺲ ﺑـﻪ ﮐﻤﮏ روش ﻫﺎ و ﻣﻌﯿﺎرﻫﺎی ارزﯾﺎﺑﯽ ﮐﻪ در ذﯾﻞ ﺑﻪ آﻧﻬﺎ ﭘﺮداﺧﺘﻪ ﺷﺪه اﺳﺖ، از ﺑﯿﻦ آﻧﻬﺎ روش ﻣﻨﺎﺳﺐ ﺗﺮ را اﻧﺘﺨﺎب ﻧﻤﻮد . در ﻧﻬﺎﯾﺖ ﭘـﺲ از ﺗﻬﯿﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮ ﻣﻮرد ﻧﻈﺮ ﺑﺎ اﺳﺘﻔﺎده از روش اﻧﺘﺨﺎب ﺷﺪه ﺗﻮان ﻣﯽ ﺗﻄﺎﺑﻖ ﻣﻘﺎدﯾﺮ ﺑﺮآوردی را ﺑـﺎ واﻗﻌﯿـﺖ ﻣﻨﻄﻘـﻪ ﻣـﻮرد ﺑﺮرﺳـﯽ ﺑﯿﺶ ﺗﺮ ﻗﺮار داد . 4 - 1 - 1 -ﭼ ﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب ﯾﺎ ﺣﺬف روش ﻫﺎ ی ﻣﻮرد ﺑﺮرﺳﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻓﯿﺰﯾﮏ ﭘﺪﯾﺪه ﻣﻮرد ﻧﻈﺮ ﻫﻤﺎن ﻃﻮرﮐﻪ در ﺑﺎﻻ ﻧﯿﺰ اﺷﺎره ﺷ ﺪ، ﻣﺎﻫﯿﺖ ﻣﺘﻐﯿﺮ ﺗﺎ ﺣﺪی ﻣﯽ ﺗﻮاﻧﺪ در اﻧﺘﺨﺎب ﯾﮏ روش درون ﯾﺎﺑﯽ ﮐﻤﮏ ﻧﻤﺎﯾﺪ . در ﻣﻮرد ﻣﺘﻐﯿﺮﻫـﺎ ﯾﯽ ﮐﻪ رﻓﺘﺎرﻫﺎی ﭘﯿﭽﯿﺪه ای دارﻧﺪ اﻧﺘﺨﺎب روش ﺑﺎﯾﺪ ﺑﺎ دﻗﺖ ﺑﯿﺶ ﺗﺮ ی ﺻﻮرت ﮔﯿﺮد . اﻣﺎ در ﻣﻮرد ﻣﺘﻐﯿﺮﻫـﺎ ﯾﯽ ﮐـﻪ رﻓﺘـﺎر ﻗﺎﻧﻮﻧﻤﻨـﺪﺗﺮی دارﻧـﺪ ﺗﻮان ﻣﯽ اﻧﺘﺨﺎب روش را ﺑﺎ اﻃﻤﯿﻨﺎن ﺑﯿﺶ ﺗﺮ ی اﻧﺠﺎم داد . ﻫﻤﭽﻨﯿﻦ زﻣﺎﻧﯽ ﮐﻪ ﺗﺮاﮐﻢ اﯾﺴﺘﮕﺎه ﻫﺎ ﭘﺎﯾﯿﻦ ﺑﺎﺷﺪ و ﯾﺎ ﺗﻬﯿﻪ ﺗﻌـﺪاد زﯾـﺎدی ﻧﻘﺸـﻪ ﻣﻮرد ﻧﯿﺎز ﺑﺎﺷﺪ، از روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﭘﯿﭽﯿﺪه رﯾﺎﺿﯽ اﺟﺘﻨﺎب ﺷﻮد ﻣﯽ . ﻣﻘﯿﺎس زﻣﺎﻧﯽ ﻧﯿﺰ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮ روی ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﺑﺎرﻧـﺪﮔﯽ اﺛـﺮ داﺷﺘﻪ ﺑﺎﺷﺪ . ﻣﻘﺎدﯾﺮ ﻣﺎﻫﺎﻧﻪ ﻧﺴﺒﺖ ﺑﻪ ﻣﻘﺎدﯾﺮ روزاﻧﻪ ﺑﺎرﻧﺪﮔﯽ ﻫﻤﺒﺴﺘﮕﯽ ﺑﯿﺶ ﺗﺮ ی ﻧﺸﺎن ﻣﯽ دﻫﻨـﺪ . ﺑﻨـﺎﺑﺮاﯾﻦ ﻣﻤﮑـﻦ اﺳـﺖ روش ﻣﻨﺎﺳـﺐ درون ﯾﺎﺑﯽ ﺑﺎرﻧﺪﮔﯽ ﻣﺎﻫﺎﻧﻪ ﺑﺮای ﺑﺎرﻧﺪﮔﯽ روزاﻧﻪ دﻗﯿﻖ ﻧﺒﺎﺷﺪ . از ﻃﺮف دﯾﮕﺮ در ﺑﺴﯿﺎری ﺑﺮرﺳﯽ ﻫﺎ ی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ، ر واﺑﻂ ﺣﺎﮐﻢ ﺑﯿﻦ ﻣﺘﻐﯿﺮﻫﺎ ی ﻣﺴﺘﻘﻞ و ﻣﺘﻐﯿﺮﻫﺎ ی واﺑﺴﺘﻪ ﺗﺮ ﮐﻢ ﻣـﻮرد ﺗﻮﺟـﻪ ﻗـﺮار ﮔﺮﻓﺘﻪ اﺳﺖ در . ﺑﺮﺧﯽ ﻣﻄﺎﻟﻌﺎت، ﺻﺮﻓﺎ ﻋﺎﻣﻞ ارﺗﻔﺎع ﺑﻪ ﻋﻨﻮان ﻣﻮﺛﺮﺗﺮﯾﻦ ﻋﺎﻣﻞ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳـﺖ . ﻫـﺮ ﭼﻨـﺪ ﻣﻤﮑـﻦ اﺳﺖ ارﺗﻔﺎع در ﺑﺮﺧﯽ ﻣﻨﺎﻃﻖ ﺑﻪ ﻋﻨﻮان ﻣﻮﺛﺮﺗﺮﯾﻦ ﻋﺎﻣﻞ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرش ﺷﻨﺎﺧﺘﻪ ﺷﻮ د، وﻟﯽ در اﻏﻠـﺐ ﻣﻨـﺎﻃﻖ اﯾـﺮان ﺣﺘـﯽ ﺑﺎرﻧـﺪﮔﯽ 46 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺳﺎﻻﻧﻪ ﺑﺎ ارﺗﻔﺎع راﺑﻄﻪ ﻫﻤﺒﺴﺘﮕﯽ ﻗﻮی ﻧﺪارد . ﻟﺬا ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ اﺳﺘﻔﺎده از روش ﻫﺎ ی رﮔﺮﺳﯿﻮن ﮐﻪ از ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ اﺳـﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ ﺑﺎﯾﺪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﺼﻮﺻﯿﺎت ﻣﻨﻄﻘﻪ ﺻﻮرت ﮔﯿﺮد و ﻧ ﻤﯽ ﺗﻮاﻧﺪ ﺑﺮای ﻫﻤﻪ ﻣﻨﺎﻃﻖ ﺻﺎدق ﺑﺎﺷﺪ . ﻫﻤﺎن ﻃﻮر ﮐﻪ ﻗﺒﻼ اﺷﺎره ﺷﺪ، ﺗﻐﯿﯿﺮات دﻣﺎی ﻫﻮا ) ﺑﻪ وﯾﮋه ﻣﯿﺎﻧﮕﯿﻦ ﻫﺎ ی دﻣﺎ ( ﺑﺎ ارﺗﻔﺎع ﭘﺪﯾﺪه ﺷﻨﺎﺧﺘﻪ ای ﺷﺪه اﺳـﺖ و ﭘﯿﭽﯿـﺪﮔﯽ ﻫـﺎ ی ﻣﺘﻐﯿﺮ ﺑﺎرش را ﻧﺪارد . ﻧﺮﻣﺎل ﻫﺎ ی دﻣﺎﯾﯽ ﺑﺮ ﺣﺴﺐ ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻧﯿﺰ از اﺳﺘﻮا ﺑﻪ ﻗﻄﺐ ﮐﺎﻫﺶ ﻣـﯽ ﯾﺎﺑـﺪ . ﻋﺎﻣـﻞ ﻃـﻮل ﺟﻐﺮاﻓﯿـﺎﯾﯽ ﻧﯿـﺰ ﻣﯽ ﺗﻮاﻧﺪ در ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ دﻣﺎ ﻣ ﻮﺛﺮ ﺑﺎﺷﺪ . ﻟﺬا در ﻣﻮرد ﺑﺮآورد دﻣﺎ ﺗﻮان ﻣﯽ از روش ﻫﺎ ی ﺳﺎده ای ﻧﻈﯿﺮ رﮔﺮﺳـﯿﻮن ﺗـﮏ ﯾـﺎ ﭼﻨـﺪ ﻣﺘﻐﯿـﺮه اﺳﺘﻔﺎده ﻧﻤﻮد . اﯾﻦ رﮔﺮﺳﯿﻮن ﻣﯽ ﺗﻮاﻧﺪ ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﺑﺎﺷﺪ و ﻃﻮل و ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ را ﻧﯿـﺰ در ﻧﻈـﺮ ﺑﮕﯿـﺮد . در ﻣﺠﻤـﻮع ﻣﺎﻫﯿـﺖ ﻣﺘﻐﯿـﺮ و ﭘﯿﭽﯿﺪﮔﯽ ﻫﺎ ی ﺣﺎﮐﻢ ﺑﺮ آن ﻣﯽ ﺗﻮاﻧﺪ ﺗﺎ اﻧﺪازه ای در ا ﻧﺘﺨﺎب اوﻟﯿﻪ روش ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﯾﮏ ﻣﺘﻐﯿﺮ اﻗﻠﯿﻤﯽ راﻫﮕﺸﺎ ﺑﺎﺷﺪ . 4 - 1 - 2 -ﭼﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب ﯾﺎ ﺣﺬف روش ﻫﺎی درون ﯾﺎﺑﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺤﻠﯿﻞ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ داده ﻫﺎ آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻧﯿﺰ ﻣﯽ ﺗﻮاﻧﺪ در ﺷﻨﺎﺧﺖ روش ﻣﻨﺎﺳﺐ اﺳﺘﻔﺎده ﺷﻮد . ﺑﺎ ﺑﺮرﺳﯽ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﯽ ﺗﻮان ﺑﻪ وﺟﻮد ﯾﺎ ﻋﺪم وﺟﻮد ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ داده ﻫﺎ و ﻫﻤﭽﻨﯿﻦ وﺟﻮد روﻧﺪ در آﻧﻬﺎ ﭘﯽ ﺑﺮد . ﻣﻤﮑﻦ اﺳﺖ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎ ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﯾﯽ ﻧﺒﺎﺷﺪ و ﻟﺬا اﻣﮑﺎن اﺳﺘﻔﺎده از روش ﻫﺎی آﻣﺎری ﻓﺮاﻫﻢ ﻧﯿﺴﺖ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ در ﻗﺴﻤﺘﯽ از ﻣﻨﻄﻘﻪ ﻣﻘﺪار ﺑﺎرﻧﺪﮔﯽ ﺻﻔﺮ ﺑﺎﺷﺪ و ﯾﺎ اﯾﻨﮑﻪ ﺗﻌﺪاد داده ﻫﺎ ﮐﻢ ﺑﺎﺷﺪ، ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻧﻤﯽ ﺗﻮاﻧﺪ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ را ﺑﻪ ﺧﻮﺑﯽ ﻧﺸﺎن دﻫﺪ . در اﯾﻦ ﺣﺎﻟﺖ اﻣﮑﺎن اﺳﺘﻔﺎده از روش ﻫﺎﯾﯽ ﻧﻈﯿﺮ ﮐﺮﯾﺠﯿﻨﮓ وﺟﻮد ﻧﺪارد وﻟﯽ ﻣﯽ ﺗﻮان روش ﻫﺎی دﯾﮕﺮی ﻧﻈﯿﺮ اﺳﭙﻼﯾﻦ ﻫﺎ و ﯾﺎ رﮔﺮﺳﯿﻮن و ﯾﺎ روش ﻫﺎی دﯾﮕﺮ را ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار داد . در ﺻﻮرت وﺟﻮد روﻧﺪ، اﺳﺘﻔﺎده از ﺑﺮﺧﯽ ﻣﺸﺘﻘﺎت روش ﮐﺮﯾﺠﯿﻨﮓ ﮐﻪ ﺑﻪ ﺣﺬف روﻧـﺪ ﻣـﯽ ﭘﺮدازﻧـﺪ ﻧﻈﯿـﺮ ﮐﺮﯾﺠﯿﻨـﮓ ﻋﻤـﻮﻣﯽ و ﯾـﺎ ﮐﺮﯾﺠﯿﻨﮓ ﺑﺎ ﺗﺮﻧﺪ ﺧﺎرﺟﯽ ﺗﻮﺻﯿﻪ ﻣﯽ ﮔﺮدد . در ﺷﮑﻞ )4 - 1 (ﭼﻨﺪ ﻧﻤﻮﻧﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ اراﺋﻪ ﺷﺪه اﺳـﺖ . در ﺷـﮑﻞ )4 - 1 اﻟـﻒ ( ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺧﻮﺑﯽ را ﺑﺮای ﻫﺎ داده ی ﺑﺎرﻧﺪﮔ ﯽ ﻧﺸﺎن ﻧ دﻫﺪ ﻤﯽ ، ﻟﺬا اﺳﺘﻔﺎده از ﮐﺮﯾﺠﯿﻨﮓ اﻣﮑﺎن ﭘﺬﯾﺮ ﻧ ﻤـﯽ ﺑﺎﺷـﺪ . در ﺷـﮑﻞ )4 - 1 ( ب ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ آﺳﺘﺎﻧﻪ ﻣﺸﺨﺼﯽ ﻧﺮﺳﯿﺪه و دارای روﻧﺪ ﻣﯽ ﺑﺎﺷﺪ . ﻟﺬا ﻻزم اﺳﺖ ﺑﺮای درون ﯾﺎﺑﯽ از ﻣﺸﺘﻘﺎت روش ﮐﺮﯾﺠﯿﻨﮓ اﺳﺘﻔﺎده ﮔـﺮدد و ﯾﺎ اﯾﻨﮑﻪ ﺑﺎ ﺗﻘﺴﯿﻢ ﻣﻨﻄﻘﻪ ﺑﻪ واﺣﺪﻫﺎی ﻫﻤﮕﻦ ) درﺻﻮرت اﻣﮑـﺎن ﻫـﺎ ه داد ( اﯾﺴـﺘﺎ ﮔﺮدﻧـﺪ . از ﻃـﺮف دﯾﮕـﺮ اﮔـﺮ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ ی ﻣﺘﻘﺎﺑـﻞ ،ﻫﻤﺒﺴﺘﮕﯽ ﺑﺎ ﯾﮏ ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ را اﺛﺒﺎت ﻧﻤﺎﯾﺪ ﺗﻮان ﻣﯽ روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ را ﮐﺎر ﺑﻪ ﮔﺮﻓﺖ . در ﻏﯿﺮ اﯾﻦ ﺻﻮرت روش ﻫﺎ ی دﯾﮕـﺮی ﻧﻈﯿـﺮ اﺳﭙﻼﯾﻦ ﻫﺎ را ﺗﻮان ﻣﯽ اﺳﺘﻔﺎده ﮐﺮد . 4 - 2 - ﻣﻌﺮﻓﯽ ﻣﻌﯿﺎرﻫﺎی اﻋﺘﺒﺎرﺳﻨﺠﯽ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ روش ﻫﺎ ی ﻣﺨﺘ ﻠﻔﯽ ﺑﺮای اﻋﺘﺒﺎرﺳﻨﺠﯽ روش ﻫﺎ ی درون ﯾﺎﺑﯽ وﺟﻮد دارد ﮐـﻪ ﯾﮑـﯽ از ﻣﻬـﻢ ﺗـﺮ ﯾﻦ آﻧﻬـﺎ روش اﻋﺘﺒﺎرﺳـﻨﺠﯽ ﺗﻘـﺎﻃﻌﯽ 1 ﻣﯽ ﺑﺎﺷﺪ . در اﯾﻦ روش ﺑﺮای ﻫﺮ ﯾﮏ از ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای، ﮐﻪ ﻣﻌﻤﻮﻻ ﺗﻨﻬﺎ اﺑﺰار ﻣﻘﺎﯾﺴﻪ ﻣﯽ ﺑﺎﺷﻨﺪ ، ﺗﺨﻤﯿﻦ ﺑﺎ ﺑﻪ ﮐـﺎرﮔﯿﺮی روش درون ﯾـﺎﺑﯽ ﻣﻮرد ﻧﻈﺮ اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد و ﺳﭙﺲ ﻣﻘﺪار ﺗﺨﻤﯿ ﻦ ﺑﺎ ﻣﻘﺪار ﻣﺸﺎﻫﺪه ای ﻣﻘﺎﯾﺴﻪ ﻣﯽ ﮔﺮدد . ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ ﮐﻪ در روش CV ، ﯾﮏ ﻧﻘﻄﻪ ﺑﻪ ﻃـﻮر ﻣﻮﻗﺖ ﺣﺬف و ﺑﺎ اﺳﺘﻔﺎده از ﺳﺎﯾﺮ ﻧﻘﺎط و اﻋﻤﺎل روش درون ﯾﺎﺑﯽ ﻣﻮرد ﻧﻈﺮ ﺑﺮای اﯾﻦ ﻧﻘﻄﻪ ﺗﺨﻤﯿﻦ ﺻﻮرت ﻣﯽ ﮔﯿﺮد . ﺳﭙﺲ اﯾﻦ ﻧﻘﻄـﻪ ﺑـﻪ ﻣﺤﻞ ﺧﻮد ﺑﺮﮔﺮداﻧﺪه ﺷﺪه و ﻧﻘﻄﻪ ﺑﻌﺪی ﺣﺬف ﻣﯽ ﮔﺮدد و ﺑﻪ ﻫﻤﯿﻦ ﺗﺮﺗﯿﺐ ﺑ ﺮای ﺗﻤﺎم ﻧﻘﺎط ﺑـﺮآورد ﺻـﻮرت ﻣـﯽ ﮔﯿـﺮد . در ﭘﺎﯾـﺎن ﺳـﺘﻮن ﻣﻘــﺎدﯾــﺮ ﻣﺸﺎﻫﺪه ای و ﺳﺘﻮن ﻣﻘﺎدﯾﺮ ﺑﺮآورد ﺷﺪه در ﻗﺎﻟﺐ ﻣﻌﯿﺎرﻫﺎی ﻣﺨﺘﻠﻒ ﺧﻄﺎ ﻣﻘﺎﯾﺴﻪ .ﺷﻮد ﻣﯽ 1 - Cross Validation ﻓﺼﻞ ﭼﻬﺎرم- ﻧﺤﻮه ار زﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ 47 اﻟﻒ ب ﺷﮑﻞ4 - 1 - ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎﻫﺎی ﺗﺠﺮﺑﯽ ﺑﺮای یﻫﺎ داده ﺑﺎرﻧﺪﮔﯽ اﻟﻒ- ﻓﺎﻗﺪ ﺳﺎﺧﺘﺎر ب - دارای روﻧﺪ ﻣﻌﯿﺎرﻫﺎی ﻣﺨﺘﻠﻔﯽ ﺑﺮای ﻣﻘﺎﯾﺴﻪ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای و ﺑﺮآورد ﺷﺪه وﺟﻮد دارد ﮐﻪ در زﯾﺮ ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﮐﺎرﺑﺮدی ﺗﺮﯾﻦ آﻧﻬﺎ ﻣﻌﺮﻓﯽ ﻣﯽ : ﺷﻮد اﻟﻒ- ﻣﯿﺎﻧﮕﯿﻦ ﻗﺪر ﻣﻄﻠﻖ ﺧﻄﺎ1 ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد، )4 - 1( n 1 * MAE z (x ) z(x ) i i n i 1 = - = å ﮐﻪ در آن : z*(xi) : ﻣﻘﺪار ﺑﺮآورد ﺷﺪ ه ﻣﺘﻐﯿﺮ در xi، z(xi) : ﻣﻘﺪار ﻣﺸﺎﻫﺪه ای ﻣﺘﻐﯿﺮ در xi، n: ﺗﻌﺪاد ﻧﻘﺎط ﺑﺎ ﻣﺘﻐﯿﺮ ﻣﺸﺎﻫﺪه . ای 1-Mean Absolute Error (MAE) 48 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻣﻌﯿﺎرMAE ﻫﺮ ﭼﻘﺪر ﺑﻪ ﺻﻔﺮ ﻧﺰدﯾﮏ ﺗﺮ ﺑﺎﺷﺪ ﻧﺸﺎن دﻫﻨﺪه دﻗﺖ ﺑﯿﺶ ﺗﺮ روش ﻣﯽ ﺑﺎﺷﺪ . ﻣﻘﺪار اﯾﻦ ﻣﻌﯿﺎر ﻫﻤﻮاره ﻣﺜﺒﺖ اﺳﺖ . ب- ﻣﯿﺎﻧﮕﯿﻦ اﻧﺤﺮاف ﺧﻄﺎ1: )4 - 2( n 1 * MBE z (x ) z(x ) i i n i 1 = - = å MBE در ﺣﻘﯿﻘﺖ اﺧﺘﻼف ﺑﯿﻦ ﻣﯿﺎﻧﮕﯿﻦ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای و ﺑﺮآوردی اﺳـﺖ و ﺑﯿـﺎﻧﮕﺮ اﻧﺤـﺮاف از ﻣﯿـﺎﻧﮕﯿﻦ ﻣـﯽ ﺑﺎﺷـﺪ . اﯾـﻦ ﻣﻘـﺪار ﻣﯽ ﺗﻮاﻧﺪ ﻣﺜﺒﺖ ﯾﺎ ﻣﻨﻔﯽ ﺑﺎﺷﺪ ﮐﻪ ﻧﺸﺎن دﻫﻨﺪه ﺑﺮآورد ﺑﯿﺶ ﻣﺜﺒﺖ ) ( و ﯾﺎ ) ﺗﺮ ﮐﻢ ﻣﻨﻔﯽ ( از ﻣﯿﺎﻧﮕﯿﻦ ﻣﯽ ﻫﺎ داده ﺑﺎﺷﺪ . اﯾﻦ ﻣﻌﯿﺎر ﻧﯿـﺰ ﻫـﺮ ﭼﻘـﺪر ﺑﻪ ﺻﻔﺮ ﻧﺰدﯾﮏ ﺗﺮ ﺑﺎﺷﺪ ، ﻧﺸﺎن دﻫﻨﺪه ی اﺧﺘﻼف ﺗﺮ ﮐﻢ ﻣﻘﺎدﯾﺮ ﺑﺮآورد ﺷﺪه ﻧﺴﺒﺖ ﺑﻪ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﻣﯽ ﺑﺎﺷﺪ . در ﺷـﺮاﯾﻄﯽ ﮐـﻪ MAE و MBEﺑ ﺮاﺑﺮ ﺻﻔﺮ ﺑﺎﺷﻨﺪ، ﻣﺪل درون ﯾﺎﺑﯽ ﻣﺘﻐﯿﺮ ﻣﻮرد ﻧﻈﺮ را ﺑﻪ ﻃﻮر دﻗﯿﻖ ﺑ ﺮآورد . ﮐﻨﺪ ﻣﯽ ج- رﯾﺸﻪ دوم ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻊ ﺧﻄﺎ2: اﯾﻦ ﻣﻌﯿﺎر ﺑﻪ ﺻﻮ رت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﺷﺪه و ﻫﺮ ﭼﻘﺪر ﺑﻪ ﺻﻔﺮ ﻧﺰدﯾﮏ ﺗﺮ ﺑﺎﺷﺪ ﺑﯿﺎﻧﮕﺮ ﺧﻄﺎی ﺗـﺮ ﮐﻢ روش ﻣﯽ ﺑﺎﺷﺪ . )4 - 3( i i n 1 * 2 RMSE (z (x ) z(x )) n i 1 = å - = د- ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای و ﺑﺮآوردی : در اﯾﻦ ﻧﻮع ﻣﻘﺎﯾﺴﻪ ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای در ﻣﻘﺎﺑـﻞ ﻣﻘـﺎدﯾﺮ ﺑـﺮآوردی رﺳـﻢ ﺷﻮد ﻣﯽ . ﻫﺮ ﭼﻘﺪر ﭘﺮاﮐﻨﺶ ﻣﻘ ﺎدﯾﺮ ﺑﻪ ﺧﻂ 45 درﺟﻪ ﻧﺰدﯾﮏ ﺗﺮ ﺑﺎﺷـﺪ ﻧﺸـﺎﻧﮕﺮ ﺑـﺮآورد دﻗﯿـﻖ ﺗـﺮ روش ﻣـﯽ ﺑﺎﺷـﺪ . اﮔـﺮ ﻣﻘـﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﮐﺎﻣﻼ ﺑﺮاﺑﺮ ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎﺷﺪ، ﻧﻘﺎط دﻗﯿﻘﺎ روی ﺧﻂ 45 درﺟﻪ ﻗﺮار ﻣﯽ ﮔﯿﺮﻧـﺪ . ﭘﺮاﮐﻨـﺪﮔﯽ ﻧﻘـﺎط در اﻃـﺮاف اﯾـﻦ ﺧﻂ ﻧﺸﺎن دﻫﻨﺪه ﺗﻔﺎوت ﺑﯿﺶ ﺗﺮ ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎ ﻣﺸﺎﻫﺪه ای ﻣﯽ ﺑﺎﺷـﺪ . ﺷـﮑ )ﻞ 4 - 2 ( ﯾـﮏ ﻧﻤﻮﻧـﻪ از اﯾـﻦ ﻣﻨﺤﻨـﯽ را ﻧﺸـﺎن دﻫﺪ ﻣﯽ . ﺑﺮای ﮐﻤﯽ ﮐﺮدن اﯾﻦ ﻧﻤﻮدار ﺗﻮان ﻣﯽ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﺑﺎ ﺑﺮآوردی را ﻣﺤﺎﺳﺒﻪ ﻧﻤـﻮد و روش ﻫـﺎ ی ﻣﺨﺘﻠﻒ را ﺑﺎ ﻫﻢ ﻣﻘﺎﯾﺴﻪ ﮐﺮد وﻟﯽ . اﯾﻦ ﺿ ﺮﯾﺐ ﺑﻪ ﺗﻨﻬﺎﯾﯽ ﻧﻤﯽ ﺗﻮاﻧﺪ روش ﺑﺮﺗﺮ را ﺷﻨﺎﺳﺎﯾﯽ ﻧﻤﺎﯾﺪ . از ﻃﺮف دﯾﮕﺮ اﮔﺮ ﺗﺠﻤﻊ ﻧﻘﺎ ط در زﯾﺮ ﺧﻂ 45 درﺟﻪ ﺑﺎﺷﺪ ) و ﻣﺤﻮر xﻫﺎ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﺑﺎﺷﺪ ( ﻧﺸﺎن دﻫﻨـﺪه اﯾـﻦ ا ﺳـﺖ ﮐـﻪ روش ﻣﻘﺎدﯾﺮ را دﺳﺖ ﭘﺎﯾﯿﻦ ﺑﺮآورد ﻧﻤﻮده اﺳﺖ . ﺑﺎﻟﻌﮑﺲ ، درﺻﻮرﺗﯽ ﮐﻪ ﺗﺠﻤﻊ ﻧﻘﺎط در ﺑﺎﻻی اﯾﻦ ﺧﻂ ﺑﺎﺷﺪ ﻧﺸﺎن دﻫﻨـﺪه ﺑـﺮآورد دﺳـﺖ ﺑـﺎﻻی روش ﻣﯽ ﺑﺎﺷﺪ . 4 - 3 -ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﺎراﻣﺘﺮﻫﺎی روش درون ﯾﺎﺑﯽ و ﺑﺮ رﺳﯽ اﻋﺘﺒﺎر ﻧﺘﺎﯾﺞ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ ﻫﺮ روش درون ﯾﺎﺑﯽ ﭘﺎراﻣﺘﺮﻫﺎﯾﯽ دارد ﮐﻪ اﻧﺘﺨﺎب اﯾﻦ ﭘﺎراﻣﺘﺮﻫﺎ روی ﻣﻘﺎدﯾﺮ ﺑﺮآورد ﺷﺪه ﺗﺎﺛﯿﺮ زﯾـﺎدی دارد . ﻟـﺬا ﻻزم اﺳـﺖ ﮐـﻪ اﺑﺘـﺪا ﭘﺎراﻣﺘﺮﻫﺎی ﻫﺮ روش ﺑﻬﯿﻨﻪ ﺷﻮد . ﭘﺎراﻣﺘﺮﻫﺎی ﺑﻬﯿﻨﻪ ﻫﺮ روش درون ﯾﺎﺑﯽ ﺑﺎﯾﺪ ﺑﻬﺘﺮﯾﻦ دﻗﺖ را در ﺑﺮآورد اراﺋﻪ ﻧﻤﺎﯾﺪ . ﺑﻨـﺎﺑﺮاﯾﻦ ﻣـﯽ ﺗـﻮان در ﻗﺎﻟﺐ روش اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻫﺮ ﯾﮏ از ﭘﺎراﻣﺘﺮﻫﺎ را ﺗﻐﯿﯿﺮ داده و ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ آن ) دارای ﺗﺮ ﮐﻢ ﯾﻦ ﺧﻄﺎی ﺑﺮآورد را ( ﺷﻨﺎﺳﺎﯾﯽ ﻧﻤـﻮد . ﻫﻤﭽﻨـﯿﻦ ﺑﺮای اﻧﺘﺨﺎب ﯾﮏ روش درون ﯾﺎﺑﯽ از ﺑﯿﻦ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ ﻧﯿﺰ ﻻزم اﺳﺖ روﺷﯽ اﻧﺘﺨﺎب ﮔﺮدد ﮐﻪ ﺧﻄـﺎی ﺗـﺮ ﮐـﻢ ی داﺷـﺘﻪ ﺑﺎﺷـﺪ . ﺑـﺎ اﺳﺘﻔﺎ ده از روش اﻋﺘﺒﺎرﺳﻨﺠﯽ و ﯾﮏ ﻣﻌﯿﺎر ﻣﻨﺎﺳﺐ ﺗﻮان ﻣﯽ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ را ﻣﻘﺎﯾﺴﻪ ﻧﻤﻮد و ﮐﻢ ﺧﻄﺎﺗﺮﯾﻦ روش را اﻧﺘﺨﺎب ﮐﺮد . 1- Mean Bias Error (MBE) 2- Root Mean Square Error (RMSE) ﻓﺼﻞ ﭼﻬﺎرم- ﻧﺤﻮه ارزﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ 49 0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500 ﻣﻘﺎدﯾﺮ ﻣﺸﺎھﺪه ای ﻣﻘﺎدﯾﺮ ﺑﺮآوردی 45° ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﺷﮑﻞ4 - 2 - ﻧﻤﻮﻧﻪ ای از ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﺑﺮآورد ﺷﺪه ﺑﺎ ﯾﮏ روش درون ﯾﺎﺑﯽ 4 - 4 -ﭼﮕﻮﻧﮕﯽ ﺑﺮرﺳﯽ ﺗﻄﺎﺑﻖ ﺗﻮزﯾﻊ ﻣﮑﺎ ﻧﯽ ﺑﺮآورد ﺷﺪه ﺑﺎ ﻓﯿﺰﯾﮏ ﭘﺪﯾﺪه ﻣﻌﻤﻮﻻ ﭘﺲ از اﻧﺘﺨﺎب روﺷﯽ ﮐﻪ دارای ﺗﺮ ﮐﻢ ﯾﻦ ﺧﻄﺎ ﻣﯽ ﺑﺎﺷﺪ ، ﻧﻘﺸـﻪ ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﻣﺘﻐﯿـﺮ ﻣـﻮرد ﻧﻈـﺮ ﺑـﺎ روش اﻧﺘﺨـﺎﺑﯽ ﺗﺮﺳـﯿﻢ ﻣﯽ ﮔﺮدد . ﻧﻘﺸﻪ ﻣﻮرد ﻧﻈﺮ ﺑﺎ دﯾﺪﮔﺎه ﮐﺎرﺷﻨﺎﺳﯽ ﻧﯿﺰ ﻣﻮرد ارزﯾﺎﺑﯽ ﻗﺮار ﻣﯽ ﮔﯿﺮد، ﺑـﻪ اﯾـﻦ ﻣﻔﻬـﻮم ﮐـﻪ ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﻣﺘﻐﯿـﺮ ﺑـﺎ ﻓﯿﺰﯾـﮏ و ﺧﺼﻮﺻﯿﺎت آن ﻫﻤﺨﻮاﻧﯽ داﺷﺘﻪ ﺑﺎﺷﺪ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل درﺻﻮرﺗﯽ ﮐﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ دﻣﺎ و ﯾﺎ رﻃﻮﺑﺖ ﻧﺴﺒﯽ و ﯾﺎ ﻫﺮ ﭘـﺎراﻣﺘﺮ دﯾﮕـﺮی ﮐـﻪ ﺑـﺎ ارﺗﻔﺎع ارﺗﺒﺎط ﻣﺴﺘﻘﯿﻢ دارد، ﻣﺪ ﻧﻈﺮ ﺑﺎﺷﺪ، ﺑﺎﯾﺪ ﺗﻮزﯾﻊ دﺳﺖ ﺑﻪ آﻣﺪه ﺑﺎ ﻧﻘﺸﻪ ارﺗﻔﺎع ﻣﻨﻄﻘﻪ ﺗﻄـﺎﺑﻖ ﻣﮑـﺎﻧﯽ داده ﺷـﻮد . در ﻣـﻮاردی ﻣﻤﮑـﻦ اﺳﺖ ﻻزم ﺑﺎﺷﺪ ﺗﺎﺛﯿﺮ دوری و ﻧﺰدﯾﮑﯽ ﺑﻪ ﻣﻨﺒﻊ رﻃﻮﺑﺖ ) ﻣﺜﻞ درﯾﺎ ( در ﺗﻮزﯾﻊ ﺑﻪ دﺳﺖ آﻣﺪه ﺣﻔﻆ ﺷﺪه ﺑﺎﺷﺪ . ﻫﻤﭽﻨﯿﻦ ﺗﺎﺛﯿﺮ ﻋﻮاﻣﻠﯽ ﻣﺜـﻞ روﺑﻪ ﺟﺒﻬﻪ ﺑﺎران زا ﺑﻮدن و ﯾﺎ ﭘﺸﺖ ﺑﻪ ﺟﺒﻬﻪ ﺑﻮدن و ﯾﺎ ﻗﺮار ﮔﺮﻓﺘﻦ در دره و ﯾﺎ ﻣﻮﻗﻌﯿﺘﯽ ﮐﻪ اﯾﺠﺎد ﺗﻐﯿﯿﺮ ﺳﺮﯾﻊ در ﻣﻘﺪار ﯾـﮏ ﻣﺘﻐﯿـﺮ ﻣﺜـﻞ ﺑﺎرﻧﺪﮔﯽ ﻣﯽ ﻧﻤﺎﯾﺪ را ﻣﺪ ﻧﻈﺮ ﻗﺮار داﺷﺖ . ﻫﻤﮕﻦ ﺑﻨﺪی ﻣﻨﺎﻃﻖ ﯾﮑﯽ از راﻫﮑﺎرﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ﭘﺲ از ﺷﻨﺎﺳـﺎﯾﯽ روﻧـﺪ در روش ﻫـﺎ ی زﻣـﯿﻦ آﻣﺎر اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد . 4 - 5 -ﭼﮕﻮﻧﮕﯽ ﺷﻨﺎﺳﺎﯾﯽ ﻣﻨﺎﻃﻖ ﺑﺎ ﺑﺮآورد ﭘﺎﯾﯿﻦ1 و ﯾﺎ ﺑﺎﻻ2 ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر اﺑﺘﺪا ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮ ﻣﻮرد ﻧﻈﺮ ﺗﺮﺳﯿﻢ ﺷﻮد ﻣﯽ . ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای و رو ی ﻫﻢ ﮔـﺬاری ﺑـﺎ اﯾﻦ ﻧﻘﺸﻪ ﻣﻨﺎﻃﻘﯽ ﮐﻪ دارای ﺑﺮآوردی ﺑﯿﺶ ﺗﺮ ﮐﻢﯾﺎ ﺗﺮ از درﺻﺪ ﺧﻄﺎی ﻗﺎﺑﻞ ﻗﺒﻮل ﻫﺴﺘﻨﺪ ، ﻣﺸﺨﺺ ﺷﻮد ﻣﯽ . ﺑﻪ ﻋﻨﻮان ﻣﺜـﺎل اﮔـﺮ ﻧﻘﻄـﻪ ﻣﺸﺎﻫﺪه ای ﻣﻘﺪاری ﺑﺮاﺑﺮ 200 واﺣﺪ دارد و ﻣﻘﺪار ﺑﺮآوردی ﺣﺪود50 واﺣﺪ اﺳـﺖ، اﯾـﻦ ﻧﺸـﺎن دﻫﻨـﺪه ﺑـﺮآورد ﺗـﺮ ﮐـﻢ از ﺣـﺪ ﻣـﯽ ﺑﺎﺷـﺪ . 1- Under-estimate 2- Over-estimate 50 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣ ﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای درﺻﻮرﺗﯽ ﻣﻘ ﮐﻪ ﺪار ﺑﺮآوردی ﺑﻪ ﻓﺮض 300 واﺣﺪ ﺑﺎﺷﺪ در اﯾﻦ ﺻﻮرت ﺑﺮآورد ﺑﯿﺶ از ﺣﺪ ﻣﯽ ﺑﺎﺷﺪ . ﻟﺬا ﻻزم اﺳـﺖ ، ﺑـﺮآورد ﻣـﻮرد ﺑـﺎزﺑﯿﻨﯽ ﻗﺮار ﮔﯿﺮد . اﯾﻦ ﻣﺴﺎﻟﻪ ﺑﯿﺶ ﺗﺮ در ﻣﻨﺎﻃﻘﯽ ﮐﻪ ﺗﻐﯿﯿﺮات ارﺗﻔﺎﻋﯽ ﺷﺪﯾﺪی داﺷﺘﻪ و ﯾﺎ ﻣﻮاﻗﻌﯽ ﮐﻪ ﻫﺎ داده ﭘﺮاﮐﻨﺶ ﻣﮑﺎﻧﯽ و ارﺗﻔـﺎﻋﯽ ﻣﻨﺎﺳـﺒﯽ ﻧﺪارﻧﺪ رخ دﻫﺪ ﻣﯽ . در ﻣﻨﺎﻃﻖ ﻣﺮ ﺗﻔﻊ ﮐﺸﻮر اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻫﻮاﺷﻨﺎﺳﯽ ﺗﻨﻬﺎ ﺗﺎ ارﺗﻔﺎع ﻣﺸﺨﺼﯽ ﻧﺼﺐ اﻧﺪ، ﺷﺪه ﻟـﺬا ﻫﻨﮕـﺎم ﺑـﺮآورد ﺑـﺎران در ﻣﻨﺎﻃﻖ ﺑﺎﻻﺗﺮ از اﯾﺴﺘﮕﺎه ﺗﻮان ﻤﯽﻧ ﻫﺎ دﺳﺖ ﭘﺎﯾﯿﻦ و ﯾﺎ دﺳﺖ ﺑﺎﻻ ﺑﻮدن ﺑﺮآورد را ﺗﻌﯿﯿﻦ ﻧﻤﻮد . 4 - 6 -ﭼﮕﻮﻧﮕﯽ ﺑﺮآورد ﺧﻄﺎی ﺗﺨﻤﯿﻦ ﺑﺮآورد ﺧﻄﺎی ﺗﺨﻤﯿﻦ در روش ﻫﺎ ی ﻣﺨﺘﻠﻒ ﻣﺘﻔﺎوت ﻣـﯽ ﺑﺎﺷـﺪ از ﯽﮑـ ﯾ . ﻣﻬـﻢ ﺗـﺮ ﯾﻦ ﻧﻘـﺎط ﻗـﻮت روش ﮐﺮﯾﺠﯿﻨـﮓ، ﺗﻮاﻧـﺎﯾﯽ آن در ﻣﺤﺎﺳﺒﻪ ی وارﯾﺎﻧﺲ ﺗﺨ ﻤﯿﻦ و ﺑﻨﺎﺑﺮاﯾﻦ ﺗﻮاﻧﺎﯾﯽ ﺗﻌﯿﯿﻦ ﺳﻄﺢ اﻋﺘﻤﺎد ﺗﺨﻤﯿﻦ ﻣﯽ ﺑﺎﺷﺪ . ﻫﺮ روش ﺗﺨﻤـﯿﻦ ﺑـﺮای ﻫـﺮ ﻣـﻮرد ﻣﻌﯿﻨـﯽ ﺧﻄـﺎی ﻣﺨﺼﻮص ﺑﻪ ﺧﻮد را دارد . اﯾﻦ ﺧﻄﺎ اﻧﻌﮑﺎس دﻫﻨﺪه ی اﺧﺘﻼف ﺑﯿﻦ ﻣﻘﺪار واﻗﻌﯽ ﮐﻤﯿﺖ و ﻣﻘﺪار ﺗﺨﻤﯿﻨﯽ ﺑﻨﺎ . ﺖ اﺳ ﺑﺮاﯾﻦ ﺑﻪ ﺗﻔﺎﺿـﻞ ﻣﻘـﺪار واﻗﻌﯽ از ﻣﻘﺪار ﺗﺨﻤﯿﻨﯽ، ﺧﻄﺎی ﺗﺨﻤﯿﻦ ﮔﻔﺘﻪ ا .ﺷﻮد ﻣﯽ ﯾﻦ ﺗﻔﺎﺿﻞ ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ اﺳﺖ . وارﯾﺎﻧﺲ ﺗﺨﻤﯿﻦ ﮐـﻪ ﺑـﺎ ﻧﻤـﺎد 2 E s ﻤـ ﻧ ﺎﯾﺶ داده ﻣﯽ ﺷﻮد، ﻧﺸﺎﻧﮕﺮ وارﯾﺎﻧﺲ ﺧﻄﺎی ﺑﯿﻦ ﻣﻘﺪار ﺣﻘﯿﻘﯽ و ﻣﻘﺪار ﺗﺨﻤﯿﻨﯽ ﻣﯽ ﺑﺎﺷﺪ . ﻣﻘﺪار اﯾـﻦ و ا رﯾـﺎﻧﺲ، ﺑـﺎ اﺳـﺘﻔ ﺎده از ﻣﻘـﺎدﯾﺮ ﻣﺘﻮﺳـﻂ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ، ﮐﻪ ﺧﻮد از ﻃﺮﯾﻖ ﺗﻮاﺑﻊ ﮐﻤﮑﯽ ﻣﻮﺟ ﻮد ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﻫﺴﺘﻨﺪ، دﺳﺖ ﺑﻪ . آﯾﺪ ﻣﯽ ﻣﺤﺎﺳﺒﻪ ی وارﯾـﺎﻧﺲ ﺗﺨﻤـﯿﻦ ﺑـﻪ ﺻـﻮرت زﯾـﺮ ﻣﯽ ﺑﺎﺷﺪ : )4 - 4( 2 i 0i 0 i E n n n Σ λ γ γ Σ Σ λ σ i 1 i 1j 1 2 . .γij = = = = - - ﮐﻪ در آن ، n : ﺗﻌﺪاد ،ﻫﺎ دادهil :وز ن داده در ﻣﻮﻗﻌﯿﺖ i، 0 g: ﻣﻘ ﺪار ﻣﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ ازا یh 0 = ، 0i g :ﻘـ ﻣ ﺪار ﻣـﺪل ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ ﺑﯿﻦi ،اﻣﯿﻦ داده و ﻧﻘﻄﻪ ﻣﻮردﻧﻈﺮij g: ﻣﻘ ﺪار ﻣﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﯿﻦ ﻫﺎ داده ی i وj . وارﯾﺎﻧﺲ ﻣﺤﺎﺳﺒ ﻪ ﺷﺪه ﺗﺎﺑﻊ ﻣﺸﺨﺼﺎت ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ اﺳﺖ ﮐﻪ ﺧﻮد از ﻣﻘﺎدﯾﺮ ﻫﺎ داده ی ﻣﺸـﺎﻫﺪه ای ﺑـﻪ دﺳـﺖ ﻣـﯽ آﯾـﺪ و ﻟـﺬا ﺑـﻪ ﻃـﻮر ﻏﯿﺮﻣﺴﺘﻘﯿﻢ ﺑﺎ ﻣﻘﺪار واﻗﻌﯽ ﻫﺎ داده ارﺗﺒﺎط دارد . ﻣﺸﺨﺼﺎﺗﯽ ﻣﺎﻧﻨﺪ ﻓﺎﺻﻠﻪ ﻧﻤﻮﻧﻪ ﻫﺎ ﺗﺎ ﻧﻘﻄﻪ ﺗﺨﻤﯿﻦ و ﻧﺤﻮه ﭘﺮاﮐﻨـﺪﮔﯽ ﻧﻘـﺎط ﻧﻤﻮﻧـﻪ ﺑـﺮداری ﺣﻮل ﻧﻘﻄﻪ ﺗﺨﻤﯿﻦ در ﺳﺎﺧﺘﺎر ﻣﮑﺎﻧﯽ و در ﻧﺘﯿﺠﻪ در ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﻨﻌﮑﺲ ﺷﻮد ﻣﯽ . از ﻃﺮﻓﯽ ﭼﻮن ﺗﻐﯿﯿﺮﻧﻤﺎ روی ﺧﻄﺎی ﺗﺨﻤﯿﻦ ﻣـﻮﺛﺮ اﺳـﺖ، ﻟﺬا اﯾﻦ ﻣﺸﺨﺼﺎت روی ﺧﻄﺎی ﺗﺨﻤﯿﻦ ﺗﺎﺛﯿﺮ ﻣﯽ ﮔﺬارﻧﺪ . در ﺳﺎﯾﺮ روش ﺗﻮان ﻣﯽ ﻫﺎ ﺑﺮای دﺳﺖ ﺑﻪ آوردن ﺧﻄﺎی ﺗﺨﻤﯿﻦ اﺧﺘﻼف ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای و ﺑﺮآوردی را ﻣﺤﺎﺳﺒﻪ ﻧﻤﻮد . درﺻـﻮرﺗﯽ ﮐـﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺧﻄﺎی ﺗﺨﻤﯿﻦ ﻣﻮرد ﻧﯿﺎز ﺑﺎﺷﺪ، ﺑﺎ ﯾﮏ روش ﺳﺎده اﯾﻦ ﻣﻘﺪار اﺧﺘﻼف درون ﯾﺎﺑﯽ ﺷﻮد ﻣﯽ . وﻟﯽ اﯾـﻦ ﻧﻘﺸـﻪ ﺑـﻪ ﻃـﻮر ﻣﻄﻤـﺌﻦ ﺧﻮد دارای ﺧﻄﺎ ﻣﯽ ﺑﺎﺷﺪ و ﻣﻘﺪار ﺗﻘﺮﯾﺒﯽ را در ﺳﻄﺢ دﻫﺪ ﻣﯽ . درﺣﺎﻟﯽ ﮐﻪ در ﻣﻮرد ﮐﺮﯾﺠﯿﻨﮓ اﯾﻦ ﻣﻘﺪار دﻗﯿـﻖ ﺗـﺮ ﻣـﯽ ﺑﺎﺷـﺪ . روﺷـﯽ ﮐـﻪ ﺧﻄﺎی ﺗﺨﻤﯿﻦ ﺗﺮ ﮐﻢ ی داﺷﺘﻪ ﺑﺎﺷﺪ دارای ﺳﻄﺢ اﻋ ﺘﻤﺎد ﺑﺰرگ ﺗﺮ ﻣﯽ ی ﺑﺎﺷﺪ و ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺑﺮآورد دﻗﯿﻖ ﺗﺮ ی دارد . 4 - 7 -ﻧﺤﻮه اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ و ﭘﺎراﻣﺘﺮﻫﺎی آن ﺑﺮاﺳﺎس آزﻣﻮن ﻫﺎی ﻣﻌﺘﺒﺮ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻄﺎﻟﺒﯽ ﮐﻪ ﮔﻔﺘﻪ ﺷﺪ ﺑﺮای اﻧﺘﺨﺎب ﯾﮏ روش در اﺑﺘﺪا از ﻣﻌﯿﺎرﻫﺎی ذﮐـﺮ ﺷـﺪه ﻧﻈﯿـﺮ ﻣﻘـﺪار MAE ، MBE ، ﻫﻤﺒﺴـﺘﮕﯽ ﻣﻘﺎدﯾﺮ ﺑﺮآوردی و ﻣﺸﺎﻫﺪه ای و وارﯾﺎﻧﺲ ﺗﺨﻤﯿﻦ، ﯾﮏ روش ﻣﻨﺎﺳﺐ اﻧﺘﺨﺎب ﺷﻮد ﻣﯽ . در ﻣﺮﺣﻠﻪ ﺑﻌـﺪ ﭘـﺲ از رﺳـﻢ ﻧﻘﺸـﻪ، ﺑﺎﯾـﺪ ﺗﻮزﯾـﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮارﮔﺮﻓﺘﻪ ﺗﺎ ﺑﺎ رﻓﺘﺎر واﻗﻌﯽ آن ﭘﺎراﻣﺘﺮ در ﻣﻨﻄ ﻘﻪ ﻣﻮرد ﻧﻈﺮ ﻫﻤﺨﻮاﻧﯽ داﺷﺘﻪ ﺑﺎﺷﺪ . ﻓﺼﻞ ﭼﻬﺎرم- ﻧﺤﻮه ارزﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﻣﻨﺎﺳﺐ درون ﯾﺎﺑﯽ 51 4 - 8 - ﭼﮕﻮﻧﮕﯽ اﺳﺘﺨﺮاج ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺮاﺳﺎس روش اﻧﺘﺨﺎﺑﯽ ﭘﺲ از ارزﯾﺎﺑﯽ روش یﻫﺎ ﻣﺨﺘﻠﻒ و اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ روش، ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿـﺮ ﻣـﻮرد ﻧﻈـﺮ ﺑـﺎ ﯾـﮏ ﻧـﺮم اﻓـﺰار اﺳـﺘﺨﺮاج ﻣﯽ ﮔﺮدد . در ﮐﻠﯿﻪ ﻧﺮم اﻓﺰار ﻫﺎ ﺑﺮای ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ، ﯾﮏ ﺷﺒﮑﻪ ﺗﻌﺮﯾﻒ ﺷﻮد ﻣﯽ ﮐﻪ ﺑﺮای ﻫﺮ ﯾﮏ از ﺳﻠﻮل ﻫﺎ ی اﯾﻦ ﺷـﺒﮑﻪ ﻣﻘـﺪار ﻣﺘﻐﯿﺮ ﺑﺎ روش اﻧﺘﺨﺎﺑﯽ ﺗﺨﻤﯿﻦ زده ﺷﻮد ﻣﯽ . در ﻓﺼﻞ ﺑﻌﺪ ﻧﺮم ی اﻓﺰار ﻫﺎی ﻣﻮﺟﻮد ﺑﺮای اﯾﻦ اﻣﺮ ﺗﺸﺮﯾﺢ ﺷﺪه اﺳﺖ . 5 ﻓﺼﻞ5 ﻣﻌﺮﻓﯽ و ارزﯾﺎﺑﯽ ﻧﺮم اﻓﺰار ﻫﺎی درون ﯾﺎﺑﯽ ﻓﺼﻞ ﭘﻨﺠﻢ - ﻣﻌﺮﻓﯽ و ارز ﻧﺮم ﯽﺎﺑﯾ اﻓﺰارﻫﺎی درون ﯾﺎﺑﯽ 55 ﻓﺼﻞ ﭘﻨﺠﻢ- ﻣﻌﺮﻓﯽ و ارزﯾﺎﺑﯽ ﻧﺮم اﻓﺰار ﻫﺎی درون ﯾﺎﺑﯽ 5 - 1 -ﮐﻠﯿﺎت ﻧﺮم اﻓﺰار ﻫﺎی ﻣﺨﺘﻠﻔﯽ ﺑﺮای ارزﯾﺎﺑﯽ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ و ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ آﻧﻬﺎ وﺟﻮد دارﻧﺪ . اﯾﻦ ﻧﺮم اﻓﺰار ﻫﺎ را ﻣـﯽ ﺗـﻮان ﺑـﻪ ﺻﻮرت ﻋﻤﻮﻣﯽ ﺑﻪ دو دﺳﺘﻪ ﮐﻠﯽ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﻧﻤﻮد ﻧﺮم . اﻓﺰار ﻫﺎی ﺗﺨﺼﺼﯽ زﻣﯿﻦ آﻣﺎری ﮐﻪ ﺑﯿﺶ ﺗﺮ ﺑﻪ ﺑﺮرﺳـﯽ ﺳـﺎﺧﺘﺎر ﻣﮑـﺎﻧﯽ و اﻧـﻮاع روش ﻫﺎ ی ﮐﺮﯾﺠﯿﻨﮓ ﻣﯽ ﭘﺮدازد . از دﯾﮕﺮ ﻧﺮم اﻓﺰار ﺗﻮان ﻣﯽﻫﺎ ﺑﻪ ﻧﺮم اﻓﺰار ﻫﺎی ﺳﺎﻣﺎﻧﻪ اﻃﻼﻋـﺎت ﺟﻐﺮاﻓﯿـﺎﯾﯽ اﺷـﺎر ه ﻧﻤـﻮد ﮐـﻪ روش ﻫـﺎ ی ﻣﺨﺘﻠﻒ درون ﯾﺎﺑﯽ را ﺷﺎﻣﻞ ﻣﯽ ﺷﻮﻧﺪ . در اﯾﻦ ﻓﺼﻞ ﻧﺮم اﻓﺰار ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺑﺎ اﻣﮑﺎن دﺳﺘﺮﺳﯽ آزاد1 ﻣﻌﺮﻓﯽ ﻣﯽ ﺷـﻮد . ﺳـﭙﺲ ﭼﮕـﻮﻧﮕﯽ ﮐﺎر ﺑﺎ ﻧﺮم اﻓﺰار ﻫﺎﯾﯽ ﮐﻪ در ﻣﺠﻤﻮع ﮐﺎراﯾﯽ ﺑﻬﺘﺮی دارﻧﺪ و ﺑﻪ ﺻﻮرت ﮔﺴﺘﺮده ﺗﺮ ی ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ ، ﺗﺸﺮﯾﺢ ﺷﻮد ﻣﯽ . در ﺟـﺪول )5 - 1 ( ﻣﺸﺨﺼﺎت ﺑﺮﺧﯽ از ﻧﺮم اﻓﺰار ﻫﺎی ﻣﻮﺟﻮد ﺑﺮای ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری و درون ﯾﺎﺑﯽ اراﺋﻪ ﺷ ﺪه اﺳﺖ . ﻫﻤﺎن ﻃﻮر ﮐﻪ در ﺟـﺪول ﻧﯿـﺰ ﻣﺸﺨﺺ اﺳﺖ اﻧﻮاع ﻣﺨﺘﻠﻔﯽ از ﻧﺮم اﻓﺰار ﻫﺎ وﺟﻮد دارﻧﺪ ﮐﻪ ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی ﻣﺘﻔﺎوﺗﯽ داﺷـﺘﻪ و روش ﻫـﺎ ی ﻣﺘﻘـﺎوﺗﯽ را ﻧﯿـﺰ در ﺑـﺮ ﻣـﯽ ﮔﯿﺮﻧـﺪ . اﺳﺘﻔﺎده از ﺑﺮﺧﯽ از اﯾﻦ ﻧﺮم اﻓﺰار ﻫﺎ ﺳﺎده و آﺳﺎن و ﮔﺎﻫﯽ دارای ﭘﯿﭽﯿﺪﮔﯿﻬﺎی ﺧﺎﺻﯽ ﺑﻮده و ﯾﺎ ﻧﯿـﺎز ﺑـﻪ وﺟـﻮد ﺳﯿﺴـﺘﻢ ﻋﺎﻣﻠﻬـﺎی ﺧـﺎص ﻣﯽ ﺑﺎﺷﺪ ﻧﺮم . اﻓﺰار + GS ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻧﺮم اﻓﺰار ﻋﻤﻮﻣﯽ ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ ﮐﻪ دارای ﮐﺎرﺑﺮی آﺳـﺎن و ﺳـﺮﯾﻊ ﺑـﻮده و دﺳﺘﺮﺳـﯽ ﺑـﻪ آن ﻧﯿـﺰ اﻣﮑﺎن ﭘﺬﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ، اﻧﺘﺨﺎب و در ﺑﻨﺪﻫﺎی ﺑﻌﺪی ﺑ ﻪ ﺗﻔﺼﯿﻞ ﺑﻪ آن ﭘﺮداﺧﺘﻪ ﺷﻮد ﻣﯽ . ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ در اﻏﻠﺐ ﻣﻮارد ﺑﻌﺪ از ﺗﺤﻠﯿﻞ ﺗﻮزﯾـﻊ ﻣﮑﺎﻧﯽ ﻫﺎ داده ﻻزم اﺳﺖ ﮐﻪ ﺗﺤﻠﯿﻞ ﻫﺎی دﯾﮕﺮی ﻧﯿﺰ ﺑﺮ روی ﻧﻘﺸﻪ ﻫﺎ اﻧﺠﺎم ﮔﯿﺮد، ﺑﻪ ﻧﺮم اﻓﺰار ﻫﺎی GIS ﮐﻪ اﻣﮑﺎﻧﺎت اﻧﺠـﺎم ﺗﺤﻠﯿـﻞ ﻫـﺎی زﻣﯿﻦ آﻣﺎری را دارﻧﺪ ﻧﯿﺰ ﺗﻮﺟﻪ ﺧﻮاﻫﺪ ﺷﺪ . ﻟﺬا در ﺑﺤﺚ ﻫﺎی ﺑﻌ ﺪی ﻧﺮم اﻓﺰار Arc/GIS ﮐـﻪ ﻗﺎﺑﻠﯿـﺖ ﻫـﺎ ی ﺑﺴـﯿﺎری از روش ﻫـﺎ ی زﻣـﯿﻦ آﻣﺎری را دارد و ﮐﺎر ﺑﺎ آن ﻧﯿﺰ ﻧﺴﺒﺘﺎ آﺳﺎن اﺳﺖ ﻣﻌﺮﻓﯽ ﺷﻮد ﻣﯽ . اﯾﻦ ﻧﺮم اﻓﺰار ﺗﻮاﻧﻤﻨﺪ ﺑﺮﺧﻼف ﺑﻘﯿـﻪ ﻧـﺮم اﻓﺰار ﻫـﺎی GIS اﻣﮑـﺎن ارزﯾـﺎﺑﯽ روش ﻫﺎ ی درون ﯾﺎﺑﯽ را ﻧﯿﺰ دارد . ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ ﮐﻪ ﻧﺮم اﻓﺰار ﻫﺎی ﺗﺨﺼﺼﯽ دﯾﮕﺮی ﻧﻈﯿﺮ GSLIB وﺟﻮد دارﻧﺪ اﻣﺎ ﺑﻪ دو دﻟﯿﻞ در اﯾـﻦ دﺳـﺘﻮراﻟﻌﻤﻞ از آن اﺳـﺘﻔﺎده ﻧﺸﺪه اﺳﺖ . ﻓﻘﻂ ﻧﺴﺨﻪ b اﯾﻦ ﻧﺮم اﻓﺰار در دﺳﺘﺮس ﺑﻮده ﮐﻪ ﺑﻪ ﺻﻮرت ﻣﺎﻫﺎﻧﻪ ﮐﺎر ﮐﻨﺪ ﻣﯽ و ﺑﺮای ﻧﺼﺐ ﻣﺠـﺪد آن ﻻزم اﺳـﺖ ، ﺳﯿﺴـﺘﻢ ﻋﺎﻣﻞ ﻣﺠﺪدا ﻧﺼﺐ . دﺷﻮ از ﻃﺮف دﯾﮕﺮ اﯾﻦ ﻧﺮم اﻓﺰار ﺗﺨﺼﺼﯽ ﺑﻮده و ﮐﺎرﺑﺮ آ ن ﺑﺎﯾﺪ ﮐﺎﻣﻼ ﺑـﻪ ﺗﺌـﻮری روش ﻫـﺎ ی زﻣـﯿﻦ آﻣـﺎری و آﻣـﺎر ﮐﻼﺳﯿﮏ ﻣﺴﻠﻂ ﺑﺎﺷﺪ . اﯾﻦ ﺳﻄﺢ آﮔﺎﻫﯽ از ﺗﺌﻮری ﻫﺎی زﻣﯿﻦ آﻣﺎر ﻓﺮاﺗﺮ از ﻣﺤﺘﻮﯾﺎت اﯾﻦ راﻫﻨﻤﺎ اﺳﺖ . ﻟﺬا اﺳﺘﻔﺎده ﻣﺪاوم از آن ﺑﺮای ﺗﻬﯿـﻪ ﻧﻘﺸﻪ ﻫﺎ ی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﮐﺎرﺑﺮدی ﺑﻪ ﻧﻈﺮ ﻧﻤﯽ رﺳﺪ . ﺿﻤﻦ آﻧﮑﻪ ﮐﺎر ﺑﺎ اﯾﻦ ﻧﺮم اﻓﺰار ﻧﯿـﺰ ﭘﯿﭽﯿـﺪﮔﯽ ﻫـﺎی ﺧﺎ ﺻـﯽ دارد ﮐـﻪ در ﻣﺠﻤـﻮع در ﻣﻘﺎﯾﺴﻪ ﺑﺎGS+ ﺑﻪ ﮐﺎرﮔﯿﺮی آن ﺑﺮای ﮐﺎرﻫﺎی ﻣﻬﻨﺪﺳﯽ و ﺑﻪ ﺗﻌﺪاد زﯾﺎد ﺗﻮﺻﯿﻪ ﻧﻤﯽ .ﺷﻮد 5 - 2 -ﻣﻌﺮﻓﯽ ﻧﺮم اﻓﺰار + GS GS+ اوﻟﯿﻦ ﺑﺮﻧﺎﻣﻪ آﻧﺎﻟﯿﺰ زﻣﯿﻦ آﻣﺎری اﺳﺖ ﮐﻪ در ﺳﺎل1988 ﺑﺮای ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎی ﺷﺨﺼﯽ اراﺋﻪ ﺷﺪ . اﯾـﻦ ﻧـﺮم اﻓـﺰار ﺑـﻪ ﺳـﺮﻋﺖ در ﺳﺮاﺳﺮ ﺟﻬﺎن ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺑﺮﻧﺎﻣﻪ زﻣﯿﻦ آﻣﺎری ﻣﻨﺘﺨﺐ ﮐﺎرﺑﺮان ﺗﺒﺪﯾﻞ ﺷﺪ . اﯾﻦ ﻧﺮم اﻓﺰار، اوﻟﯿﻦ ﻧﺮم اﻓـﺰار زﻣـﯿﻦ آﻣـﺎری اﺳـﺖ ﮐـﻪ ﻫـﻢ ﺧﻮاﺳﺖ ﻫﺎی اﻧﻌﻄﺎف ﭘﺬﯾﺮ ﯾﮏ ﻣﺘﺨﺼﺺ و ﻫﻢ ﻧﯿﺎزﻫﺎی ﺳﺎده ﯾﮏ ﻣﺒﺘﺪی را ﺑﺮآورده ﻣﯽ ﺳﺎزد . اﯾـﻦ وﯾﮋﮔـﯽ ﺷـﺎﻣﻞ ﺗﻤـﺎم اﺟـﺰای آن، از آﻧﺎﻟﯿﺰ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺎ ﮐﺮﯾﺠﯿﻨﮓ و ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ ﻣﯽ .ﺷﻮد 1- Freeware 56 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻧ ﺴﺨﻪ5.1.1 اﯾﻦ ﻧﺮم اﻓﺰار در ﻗﺎﻟﺐ ﺷﺶ ﻣﺮﺣﻠﻪ اﺻﻠﯽ زﯾﺮ ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﻣﯽ :ﺷﻮد ورود ﻫﺎ داده در ﻣﺤﯿﻂ + GS 1 1 - ﺧﺼﻮﺻﯿﺎت آﻣﺎری ﻫﺎ داده ی ورودی2 2 -اﺳﺘﺨﺮاج ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ3 3 -درون ﯾﺎﺑﯽ و اﻧﺘﺨﺎب روش ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ4 4 - ارزﯾﺎﺑﯽ روش ﻫﺎ و ﭘﺎراﻣﺘﺮﻫﺎ5 5 -ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ6 ﻧﺤﻮه اﺳﺘﻔ ﺎده از اﯾﻦ ﻧﺮم اﻓﺰار ﺑﻪ ﺻﻮرت ﻣﺒﺴﻮط و ﺑﺎ ﺟﺰﯾﯿﺎت در ﭘﯿﻮﺳﺖ )4 (اراﺋﻪ ﺷﺪه اﺳﺖ . 1- Import Data 2- Summarize Data 3- Semivariance Analysis 4- Interpolation 5- Cross Validation 6- Mapping ﻓﺼﻞ ﭘﻨﺠﻢ - ﻣﻌﺮﻓﯽ و ارز ﻧﺮم ﯽﺎﺑﯾ اﻓﺰارﻫﺎی درون ﯾﺎﺑﯽ 57 GRNN 2 Geostatistical Toolbax 1.30 GeoR 1.6 GeoPack Geo-EAS GeoDa 0.9.5 ExploStat Easy Krig 2.1 E{z}-Kriging DACE BMElib 2.0 Agromet ﻧﺮم اﻓﺰار ﺟﺪول5 - 1 - ﻣﺸﺨﺼﺎت ﭼﻨﺪ ﻧﺮم اﻓﺰار ﻣﻮﺟﻮد ﺑﺮای ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری 2005- 2006 1990 1997- 2006 1990 1989 & 1993 2003- 2004 2002- 2005 2000 2003- 2004 1996 2001- 2005 1996 ﺳﺎل ﺗﻮﻟﯿﺪ Windows Dos UNIX- Windows Dos Dos & UNIX Windows Windows Matlab Windows Matlab Matlab UNIX- Windows ﭘﺎﯾﮕﺎه اﺗﺼﺎل ﺑﻪ ﮐﺎﻣ ﭙﯿﻮﺗﺮ درون ﯾﺎﺑﯽ ﻣﮑﺎﻧﯽ زﻣﯿﻦ آﻣﺎر ﻣﺠﻤﻮﻋﻪ ﺗﻮاﺑﻊ زﻣﯿﻦ آﻣﺎر ) Geostatistical toolbox ( ﻧﺮم اﻓﺰار زﻣﯿﻦ آﻣﺎر ﺑﺮای ﻣﺪﯾﺮﯾﺖ اﻓﺖ) waste Management ( زﻣﯿﻦ آﻣﺎر اﺑﺰار آﻧﺎﻟﯿﺰ ﻫﺎ داده ی ﻣﮑﺎﻧﯽ ﺑﺮاﺳﺎس داده ﻫﺎ ی ﺷﺒﮑﻪ ای ﺗﻮاﺑﻊGIS ﻫﻤﺮاه ﺑﺎ ﺗﻮاﺑﻊ زﻣﯿﻦ آﻣﺎر ﻣﺠﻤﻮﻋﻪ ﺗﻮاﺑﻊ زﻣﯿﻦ آﻣﺎر ) Geostatistical toolbox ( آﻣﻮزش ﮐﺮﯾﺠﯿﻨﮓ ﻣﺠﻤﻮﻋﻪ ﺗﻮاﺑﻊ ﮐﺮﯾﺠﯿﻨﮓ ) Matlab Kriging toolbox ( ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ و زﻣﺎﻧﯽ- ﮐﻣﺎ ﺰﯾﻤﻢ ﺑﯿﻀﻮی اﻧﺘﺮوﭘﯽ ﻣﺪﻟﺴﺎزی روش ﻫﺎ ی زﻣﯿﻦ آﻣﺎری ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﻫﺪف + + + + + + St ﻗﺎﺑﻠﯿﺖ* + + + + + + + + V + + + + SK + + + + + + + + Ok + + + + BK + + K-ED + UK + + + + + + + CK + I S + + + + R + + CV Sm + + + + + + + + 2D + + + 3D + G ﺗﻮاﺑﻊ ﻣﻮﺟﻮد در اﯾﻦ ﻧﺮم اﻓﺰار ﺷﺎﻣﻞ رﮔﺮﺳﯿﻮن ﻋﻤﻮﻣﯽ ﺷﺒﮑﻪ ﻋﺼﺒﯽ و ﺿﺮﯾﺐ ﻫﻤﺴﺎن ﮔﺮدی ﻣﯽ ﺑﺎﺷﺪ. ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ، ﮐﻮوارﯾﺎﻧﺲ وmadogram ﺑﻪ ﺻﻮرت ﺗﻘﺎﺑﻞ ﺑﺎ ﮐﺎرﺑﺮ ﺻﻮرت ﻣﯽ ﮔﯿﺮد . در ﻗﺴﻤﺖ آﻧﺎﻟﯿﺰ آﻣﺎری اﯾﻦ ﻧﺮم اﻓﺰار اﻣﮑﺎن ﺗﺒﺪﯾﻞ ﻫﺎ داده ﺑﻪ ﻧﺮﻣﺎل ﺑﺎ روشBox- Cox وﺟﻮد دا . رد در اﯾﻦ ﻧﺮم اﻓﺰار ﻗﺎﺑﻠﯿﺖ ﻣﺤﺎﺳﺒﻪ و ﻣﺪﻟﺴﺎزی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ ﺻﻮرت اﺗﻮﻣﺎﺗﯿﮏ و ﯾﺎ در ﺗﻘﺎﺑﻞ ﺑﺎ ﮐﺎرﺑﺮ وﺟﻮد دارد. ﻗﺎﺑﻠﯿﺖ ﻣﺤﺎﺳﺒﻪ و ﻣﺪﻟﺴﺎزی ﺑﻪ ﺻﻮرت اﺗﻮﻣﺎﺗﯿﮏ و ﯾﺎ در ﺗﻘﺎﺑﻞ ﺑﺎ ﮐﺎرﺑﺮ در اﯾﻦ ﻧﺮم اﻓﺰار وﺟﻮد دارد و ﻫﻤﭽﻨﯿﻦ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻧﺴﺒﯽ وmadogram ﻧﯿﺰ در آن ﻣﻮرد ﺑﺮ ﺳﯽ ﻗﺮار ﻣﯽ ﮔﯿﺮد در اﯾﻦ ﻧﺮم اﻓﺰار ﯾﮏ ارﺗﺒﺎط دﯾﻨﺎﻣﯿﮑﯽ ﺑﯿﻦ ﺟﻔﺖ ﻫﺎ، داده ﻫﯿﺴﺘﻮﮔﺮام، ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ و ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮﻗﺮار اﺳﺖ . از دﯾﮕﺮ ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی آن ﺗﻮان ﻣﯽ ﺑﻪ ﺗﺎﺑﻊVoronoi Polygons اﺷﺎره ﮐﺮد. اﯾﻦ ﻧﺮم اﻓﺰار ،ﮐﻮوارﯾﺎﻧﺲ ﻫﻤﺒﺴﺘﮕﯽ ﻧﮕﺎر وrodogram را ﻧﯿﺰ ﻫﻤﺎﻧﻨﺪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺤﺎﺳﺒﻪ و ﻣﺪﻟﺴﺎزی ﻣﯽ ﻧﻤﺎﯾﺪ. اﯾﻦ ﻧﺮم اﻓﺰار ﯾﮏ ﺗﺨﻤﯿﻦ ﮔﺮ زﻣﺎﻧﯽ و ﻣﮑﺎﻧﯽ اﺳﺖ ﮐﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺌﻮری ) Bayesian Maximum Entropy ( اﻟﮕﻮرﯾﻤﻬﺎی ﻣﺸﻬﻮر ﮐﺮﯾﺠﯿﻨﮓ را ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﺷﺮاﯾﻂ ﻣﺤﺪود ﮐﻨﻨﺪه ﻫﻤﺎﻧﻨﺪ روﻧﺪ وhard data اﺟﺮا ﻣﯽ ﻧﻤﺎﯾﺪ ﺗﻮﺿﯿﺤﺎت 58 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای CV UK K-ED BK Ok SK V St ARC GIS GS+ Arcview ILWIS Variowin 2.21 Spherekit 1.0 S-GEMS 1.4 SAGA GIS 2.0 SADA 4.1 Matlab Kriging Toolbox 3 Gstat 2.4.5 GSLIB ﻧﺮم اﻓﺰار اداﻣﻪ ﺟﺪول5 - 1 - ﻣﺸﺨﺼﺎت ﭼﻨﺪ ﻧﺮم اﻓﺰار ﻣﻮﺟﻮد ﺑﺮای ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری ﺎﻋﺘﺒﺎرﺳﻨﺠﯽ ﺗﻘﺎﻃﻌﯽ ﮐﺮﯾﺠﯿﻨﮓ ﻋﻤﻮﻣ ﯽ ﮐﺮﯾﺠﯿﻨﮓ ﺑﺎ روﻧﺪ ﺧﺎرﺟﯽ ﺑﻼک ﮐﺮﯾﺠﯿﻨﮓ ﮐﺮﯾﺠﯿﻨﮓ ﻣﻌﻤﻮﻟﯽ ﮐﺮﯾﺠﯿﻨﮓ ﺳﺎده ﺗﺮﺳﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ آﻧﺎﻟﯿﺰ آﻣﺎری ﻋﻤﻮﻣﯽ 1988 1996- 1999 1997 2001- 2006 2003- 2005 2000- 2004 1998 1996- 2005 1992- 1999 ﺳﺎل ﺗﻮﻟﯿﺪ Windows Windows Windows Windows Windows UNIX- Fortran-C Linux- Windows Windows Windows Matlab UNIX- Windows UNIX- Windows ﭘﺎﯾﮕﺎه اﺗﺼﺎل ﺑﻪ ﮐﺎﻣﭙﯿﻮﺗﺮ ﮐﻠﯿﻪ ﺗﺤﻠﯿﻞ ﻫﺎی ﻣﮑﺎﻧﯽ زﻣﯿﻦ آﻣﺎر ﮐﻠﯿﻪ ﺗﺤﻠﯿﻞ ﻫﺎی ﻣﮑﺎﻧﯽ ﮐﻠﯿﻪ ﺗﺤﻠﯿﻞ ﻫﺎی ﻣﮑﺎﻧﯽ آﻧﺎﻟﯿﺰ و ﻣﺪل ﮐﺮدن ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ درون ﯾﺎﺑﯽ ﻣﮑﺎﻧﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻫ ﻨﺪﺳﻪ ﮐﺮوی ﻧﺮم اﻓﺰار ی ﺑﺮای ﻣﺪﻟﺴﺎزی ﺳﻪ ﺑﻌﺪی زﻣﯿﻦ آﻣﺎر GIS ﺑﺎ ﺗﻮاﺑﻊ زﻣﯿﻦ آﻣﺎر ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ وdecision assistance درGIS ﻣﺠﻤﻮﻋﻪ ﺗﻮاﺑﻊ زﻣﯿﻦ آﻣﺎر ﺑﺮاﺳﺎس ﻧﺮم اﻓﺰار GSLIB ،ﺑﺮﻧﺎﻣﻪ ای ﺑﺮای ﻣﺪﻟﺴﺎزی ﭘﯿﺶ ﺑﯿﻨﯽ و ﺷﺒﯿﻪ ﺳﺎزی زﻣﯿﻦ آﻣﺎر زﻣﯿﻦ آﻣﺎر ﻫﺪف + + + + + + St ﻗﺎﺑﻠﯿﺖ* + + + + + + + + + + V + + + + + SK + + + + + + + + + + + Ok + + + + + + + BK + + + + + K-ED + + + + + UK + + + + + + + CK G 3D 2D Sm R S I CK + + + + + + I ﺗﻮاﺑﻊGIS ﺳﻪ ﺑﻌﺪی دو ﺑﻌﺪی ﺷﺒﯿﻪ ﺳﺎزی رﮔﺮﺳﯿﻮن اﺳﭙﻼﯾﻦ ﻋﮑﺲ وزﻧﯽ ﻓﺎﺻﻠﻪ ﮐﻮﮐﺮﯾﺠﯿﻨﮓ + S + + + + R + + + CV + + + + + + + Sm + + + + + + + + + 2D + + + + + 3D + + + + + G ﺟﺪﯾﺪ ﺗﺮﯾﻦ و ﮐﺎراﺗﺮﯾﻦ ﺗﺮﯾﻦ ﻧﺮم اﻓﺰارGIS اﺳﺖ ﻗﺎﺑﻠﯿﺖ ﻣﺤﺎﺳﺒﻪ و ﻣﺪﻟﺴﺎزی ﻧﯿﻢ ،ﺗﻐﯿﯿﺮﻧﻤﺎmadogram ،ﻫﻤﺒﺴﺘﮕﯽ ﻧﮕﺎر ، ﮐﻮوارﯾﺎﻧﺲ، ﻧﻤﻮدار ﭘﺮاﮐﻨﺶh، اﺑﺮ ﺗﺎﺑﻊ ﭘﯿﻮﺳﺘﮕﯽ، ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎﻫﺎی ﺟﻬﺖ دار ﺑﻪ ﺻﻮر ت ﺗﻘﺎﺑﻞ ﺑﺎ ﮐﺎرﺑﺮ در اﯾﻦ ﻧﺮم اﻓﺰار وﺟﻮد دارد. ﺗﻨﻬﺎ از ﺗﺎﺑﻊ ﮐﻮوارﯾﺎﻧﺲ در اﯾﻦ ﻧﺮم اﻓﺰار اﺳﺘﻔﺎده ﻣﯽ ﮔﺮدد در اﯾﻦ ﻧﺮم اﻓﺰار nearest neighbor وnatural neighbor ﻧﯿﺰ وﺟﻮد دارد. اﯾﻦ ﻧﺮم اﻓﺰار ﮐﻮوارﯾﺎﻧﺲ، ﮐﺮوﻟﻮﮔﺮام وrodogram را ﻧﯿﺰ ﻫﻤﺎﻧﻨﺪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺤﺎﺳﺒﻪ و ﻣ ﺪﻟﺴﺎزی ﻣﯽ ﻧﻤﺎﯾﺪ. ﺗﻮﺿﯿﺤﺎت ﻓﺼﻞ ﭘﻨﺠﻢ - ﻣﻌﺮﻓﯽ و ارز ﻧﺮم ﯽﺎﺑﯾ اﻓﺰارﻫﺎی درون ﯾﺎﺑﯽ 59 5 - 3 - ﻣﻌﺮﻓﯽ ﻧﺮم اﻓﺰارArc/GIS Arc/GISﺗﺮ ﻣﻬﻢ ﯾﻦ ﻧﺴﺨﻪ از ﺳﺮی ﻣﺤﺼﻮﻻت ﺳﯿﺴﺘﻢ ﻫﺎ ی اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿـﺎﯾﯽ ﺷـﺮﮐﺖ ESRI ﺑـﻪ ﻋﻨـﻮان ﯾـﮏ GIS ﮐﺎﻣـﻞ ، ﻣﺪرن و ﻗﻮی ﻣﯽ ﺑﺎﺷﺪ . ﻧﻘﻄﻪ ﻗﻮت Arc/GIS اﯾﻦ اﺳﺖ ﮐﻪ اﯾﻦ ﻧﺮم اﻓﺰار ، GIS ﻪ ﺑ را ﻗﺪر ﮐﺎﻓﯽ ﮐﺎرﺑﺮدی ﻣﯽ ﻧﻤﺎﯾﺪ . ﺑﺨﺶ ﻫﺎ ی ﺟﺪﯾﺪ اﯾـﻦ ﻧﺮم اﻓﺰار ArcMap ، ArcCatalog وArcToolbox ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی ﺑﺴﯿﺎری را ﺑـﻪ ﻫﻤـﺮاه آورده اﻧـﺪ . ﻫﻤﭽﻨـﯿﻦ راﺑـﻂ ﮐـﺎرﺑﺮ 1 ﺟﺪﯾـﺪ اﯾـﻦ ﻧﺮم اﻓﺰار ﯾﮑﯽ از ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی اﯾﺠﺎد ﺳﻬﻮﻟﺖ در ﮐﺎرﺑﺮد ﻧﺮم اﻓﺰار اﺳﺖ . دﯾﮕﺮ ﻧﺮم اﻓﺰارﻫﺎ ی GIS ﻣﺎﻧﻨﺪILWIS ﻧﯿﺰ ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣﺤﺪودی دارﻧﺪ، وﻟﯽ ﺑﻪ واﺳﻄﻪ ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی ﺑﺮﺟﺴﺘﻪ زﯾﺮ ﻧﺮم ، اﻓـﺰار Arc/GIS ﺟﻬﺖ ﻋﻤﻠﯿﺎت درون ﯾﺎﺑﯽ در زﻣﺎن ﺗﻬﯿﻪ اﯾﻦ دﺳﺘﻮراﻟﻌﻤﻞ ﻣﻌﺮﻓﯽ ﺷﻮد ﻣﯽ . دارا ﺑﻮدن روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣﺘﻌﺪد ﺑﻪ وﯾﮋه زﻣﯿﻦ آﻣﺎری 1 -ﮐﺎرﺑﺮد و ﻣﻘﺒﻮﻟﯿﺖ ﮔﺴﺘﺮده در ﺟﻬﺎن 2 -آﻣﺎده ﺑﻮدن ﺑﺴﯿﺎری از داده ﻫﺎی ﻣﮑﺎﻧﯽ در اﯾﻦ ﻧﺮم اﻓﺰار 3 -اﻣﮑﺎن ﯾﺎدﮔﯿﺮی ﻧﺴﺒﺘﺎ ﺳﺮﯾﻊ ﻧﺮم اﻓﺰار 4 -اﻣﮑﺎن اﻧﺠﺎم ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری در ﺣﺪ ﻧﺮم اﻓﺰارﻫﺎی ﻧﺴﺒﺘﺎ ﺗﺨﺼﺼﯽ 5 -اﻣﮑﺎن ﺑﻬﯿﻨﻪ ﻧﻤﻮدن ﺳﺮﯾﻊ ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺨﺘﻠﻒ روش ﻫﺎی درون ﯾﺎﺑﯽ 6 -اﻣﮑﺎن اﻧﺠﺎم ارزﯾﺎﺑﯽ ﻣﺘﻘﺎﻃﻊ در ﻧﺮم اﻓﺰار و در ﻧﺘﯿﺠﻪ اﻣﮑﺎن ﻣﻘﺎﯾﺴﻪ روش ﻫﺎ در داﺧﻞ ﻧﺮم اﻓﺰار 7 -ا ﻣﮑﺎن اﻧﺠﺎم ﮐﻠﯿﻪ ﻋﻤﻠﯿﺎت درون ﯾﺎﺑﯽ ﺗﺎ ﻣﺮﺣﻠﻪ اراﺋﻪ ﻧﻘﺸﻪ ﻧﻬﺎﯾﯽ . در ﻧﺮم اﻓﺰار Arc/GIS دوExtension ﺑﺎ ﻋﻨﺎوﯾﻦ ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣـﺎری 2 و ﺗﺤﻠﯿـﻞ ﮔـﺮ ﻣﮑـﺎﻧﯽ 3 وﺟـﻮد دارد . ﺑـﻪ ﻧـﻮﻋﯽ ﻣـﯽ ﺗـﻮان ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری را ﻣﮑﻤﻞ ﺗﺤﻠﯿﻞ ﮔﺮ ﻣﮑﺎﻧﯽ داﻧﺴﺖ . در ذﯾﻞ ﺑﻪ ﭼﻨﺪ ﻗﺎﺑﻠﯿﺖ ﻋﻤﺪه ﺗﺤﻠﯿـﻞ ﮔـﺮ زﻣـﯿﻦ آﻣـﺎری در ﻣﺤـﯿﻂ Arc/GIS اﺷﺎره ﮐﻪ ﺷﻮد ﻣﯽ ﺗﺤﻠﯿﻞ ﮔﺮ ﻣﮑﺎﻧﯽ ﻓﺎﻗﺪ اﯾﻦ ﮔﻮﻧﻪ ﺗﻮاﻧﺎﯾﯽ ﻣﯽ ﻫﺎ ﺑﺎﺷﺪ : 1 - اﮐﺜﺮ روش ﻫﺎی درون ﯾﺎﺑﯽ ﮐﻪ در ﺗﺤﻠﯿﻞ ﮔﺮ ﻣﮑﺎﻧﯽ وﺟﻮد دارد، در ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﻧﯿﺰ در دﺳﺘﺮس اﺳﺖ ﺑﺎ اﯾـﻦ ﺗﻔـﺎوت ﮐﻪ ﺗﺤﻠﯿﻞ ﮔﺮ ﻣﮑﺎﻧﯽ دارای روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣﻘﺪﻣﺎﺗﯽ4 اﺳﺖ ا ﻣﺎ ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری روش ﻫﺎ ی ﭘﯿﺸﺮﻓﺘﻪ زﻣﯿﻦ آﻣـﺎری و ﻗﻄﻌﯽ ) ﻋﺪدی ( را ﻧﯿﺰ ﺷﺎﻣﻞ ﺷﻮد ﻣﯽ . 2 - ﺗﻌﺪاد ﺑﺴﯿﺎر زﯾﺎدی از ﻫﺎ ﻣﺪل و اﺑﺰار آﻣﺎری در ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری وﺟﻮد دارد ﮐﻪ ﻣﯽ ﺗـﻮان ﺑـﺎ ﺗﻐﯿﯿـﺮ ﭘﺎراﻣﺘﺮﻫـﺎی آﻧﻬـﺎ ﺑـﻪ ﺻﻮرت دﺳﺘﯽ ﺗﺎﺛﯿﺮ ﻫﺮ ﯾﮏ از ﭘﺎراﻣﺘﺮﻫﺎ را در اﺳﺘﺨﺮاج ﺑﻬﺘﺮﯾﻦ ﻧ ﻘﺸﻪ ﻣﺸﺎﻫﺪه ﻧﻤﻮد وﻟﯽ . ﺗﺤﻠﯿﻞ ﮔـﺮ ﻣﮑـﺎﻧﯽ ﻓﺎﻗـﺪ اﯾـﻦ ﮔﻮﻧـﻪ ﺗﺤﻠﯿﻞ ﻫﺎی آﻣﺎری ﺑﻮده و ﻟﺬا ﻧ ﺗﻮان ﻤﯽ ﭘﺎراﻣﺘﺮﻫﺎی ﻣﻮرد ﻧﯿﺎز ﻣﺨﺼﻮﺻﺎ در روش ﮐﺮﯾﺠﯿﻨﮓ را ﺗﻌﯿﯿﻦ ﻧﻤﻮد و ﺗﻨﻬـﺎ ﻣـﯽ ﺗـﻮان آﻧﻬﺎ را ﺑﻪ ﻋﻨﻮان ورودی ﺑﻪ ﻧﺮم اﻓﺰار وارد ﻧﻤﻮد . 3 - اﻣﮑﺎن ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻫﺎ داده ی ﻣﮑﺎﻧﯽ اﮐﺘﺸﺎﻓﯽ5 4 - ﻗﺎﺑﻠﯿﺖ ارزﯾﺎﺑﯽ ﺑﻬﺘﺮﯾﻦ روش درون ﯾﺎﺑﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻌﯿﺎرﻫﺎی ﺧﻄﺎ 1- User Interface 2- Geostatistical Analyst 3- Spatial Analyst 4- Rudimentary Interpolation Method 5- Exploratory Spatial Data Analysis 60 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 5 -ﺗﻮاﻧﺎﯾﯽ اراﺋﻪ ﻧﻘﺸﻪ ﻫﺎ ی ﺗﺮﺳﯿﻤﯽ در ﻗﺎﻟﺐ ﺧﺮوﺟﯽ ﻫﺎی ﻣﺘﻔﺎوت اﯾﻦ ﻗﺎﺑﻠﯿﺖ ﻫﺎ ﻣﻮﺟﺐ ﮔﺮدﯾﺪ ﺗﺎ ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در اﯾﻦ راﻫﻨﻤﺎ ﻣﻄﺮح ﺷﻮد ﮐﻪ ﻣﺮاﺣﻞ ﺗﺤﻠﯿﻞ ﻫﺎی زﻣﯿﻦ آﻣﺎری در اﯾﻦ ﻧـﺮم اﻓـﺰار ﺑﻪ ﻃﻮر ﮐﺎﻣﻞ و ﺑﺎ ﺟﺰﯾﯿﺎت در ﭘﯿﻮﺳﺖ )5 (آﻣﺪه اﺳﺖ . ﻣﺠﺪدا ﯾﺎدآوری ﻣﯽ ﺷﻮد ﮐﻪ ﻧـﺮم اﻓﺰارﻫـﺎی اﻧﺘﺨـﺎﺑﯽ در اﯾـﻦ راﻫﻨﻤـﺎ ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﻧﺴﺨﻪ ﻫﺎی ﻣﻮﺟﻮد ﺑﻮده و ﻣﻤﮑﻦ اﺳﺖ در آﯾﻨﺪه ﻧﺴﺨﻪ ﻫﺎی ﻣﺘﻔﺎوت ﯾﺎ ﻧﺮم اﻓﺰارﻫﺎی ﺟﺪﯾﺪی در دﺳﺘﺮس ﺑﺎﺷﻨﺪ ﮐﻪ ﻧﯿﺎز ﺑﻪ ﺑﺮرﺳﯽ آﻧﻬـﺎ در آن زﻣﺎن وﺟﻮد ﺧﻮاﻫﺪ داﺷﺖ . ﻋﻼوه ﺑﺮ ﺑﺮﻧﺎﻣﻪ ﺟﺎﻧﺒﯽ ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری Arc/GIS اﻣﮑﺎن اﺳﺘﻔﺎده از ﺳﺎﯾﺮ روش ﻫـﺎی درون ﯾـﺎﺑﯽ ﻣﺎﻧﻨـﺪ IDW ، Spline ، Kriging و ﺗﻮﻟﯿﺪ ﻣﺪل ارﺗﻔﺎﻋﯽ رﻗﻮﻣﯽ ﺑﺎ روشTopoToRaster ﻧﯿﺰ وﺟﻮد دارد . اﯾﻦ روش ﻫﺎ ﺑﻪ ﺳﺎدﮔﯽ از ﺑﺨـﺶ ArcTool Box ﻧـﺮم اﻓـﺰار در ﻗﺴـﻤﺖ Spatial Analysis ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻣﯽ ﺑﺎﺷﺪ . در ا ﺳﺘﻔﺎده از اﯾﻦ روش ﻫﺎ در اﯾﻦ ﺑﺨﺶ ﻧﺮم اﻓـﺰار، اﻣﮑـﺎن وارد ﮐـﺮدن ﻣـﺮز ﻣﺤـﺪوده )Mask ( ﻫـﻢ وﺟﻮد دارد ﮐﻪ در ﮔﺰﯾﻨﻪ ی Environments ﻫﺮ روش درون ﯾﺎﺑﯽ در ﻗﺴﻤﺖ Raster Analysis ﻗﺎﺑﻞ دﺳﺘﺮس ﻣﯽ ﺑﺎﺷﺪ . 6 ﻓﺼﻞ6 ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﻓﺼﻞ ﺷﺸﻢ- ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 63 ﻓﺼﻞ ﺷﺸﻢ- ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 6 - 1 -ﮐﻠﯿﺎت ﺑﺎ اﻧﺠﺎم ﻣﻄﺎﻟﻌﻪ ﻣﻮردی در اﯾﻦ ﺑﺨﺶ ﻣﺮاﺣﻞ اﻧﺠﺎم درون ﯾﺎﺑﯽ ﺑﻪ ﺻﻮرت ﮔﺎم ﺑﻪ ﮔﺎم اراﺋﻪ ﺷﻮد ﻣﯽ . اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﺷﺎﻣﻞ ﺗﻤـﺎﻣﯽ ﻣﺮاﺣﻞ درون ﯾﺎﺑﯽ از ﺑﺮرﺳﯽ ﻫﺎ ی ﻣﻘﺪﻣﺎﺗﯽ ﻫﺎ داده ﺗﺎ اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ روش درون ﯾﺎﺑﯽ و رﺳﻢ ﻧﻘﺸﻪ ﻣﯽ ﺑﺎﺷﺪ . ﺑﺮای اﻧﺠﺎم ﻣﻄﺎﻟﻌﻪ ﻣﻮردی از ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ ﻣﺎری آ ﻧﺮم اﻓﺰار Arc/GIS اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ . ﻣﻨﻄﻘـﻪ ﻣـﻮرد ﻣﻄﺎﻟﻌـﻪ ﺣﻮﺿـﻪ ﮐﺮﺧـﻪ در ﺟﻨﻮب ﻏﺮب اﯾﺮان ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ در ﺷﮑﻞ )6 - 1 (ﻣﻮﻗﻌﯿﺖ آن ﻧﺸﺎن داده ﺷﺪه اﺳﺖ . ﻫﺪف ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﺳـﺎﻻﻧﻪ ﺑـﺮای اﯾﻦ ﻣﻨﻄﻘﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ روش درون ﯾﺎﺑﯽ ﻣﯽ ﺑﺎﺷﺪ . ﺑﺮاﺳﺎس ﻣﻄﺎﻟﺐ ﺑﺨﺶ ﻫﺎ ی ﭘﯿﺸـﯿﻦ ﺑـﺮای اﻧﺘﺨـﺎب ﻣﻨﺎﺳـﺐ ﺗـﺮ ﯾﻦ روش ﺑﺮآورد ، ﻻزم اﺳﺖ ﻣﺮاﺣﻞ زﯾﺮ اﻧﺠﺎم ﮔﯿﺮد : 1 - ﺑﺮرﺳﯽ آﻣﺎر ﺗﻮﺻﯿﻔﯽ ﻫﺎ داده 2 -ﺷﻨﺎﺧﺖ ﮐﻠﯽ و ﺑﺮرﺳﯽ وﺿﻌﯿﺖ ﭘﺪﯾﺪه ﻣﻮرد ﻧﻈﺮ در ﻣﻨ ﻄﻘﻪ و ﻣﻮﻗﻌﯿﺖ ﺗﻮﭘﻮﮔﺮاﻓﯿﮑﯽ ﻣﻨﻄﻘﻪ 3 -ﺑﺮرﺳﯽ ﻫﻤﺒﺴﺘﮕﯽ ﭘ ﺎراﻣﺘﺮ ﻣﻮرد ﻧﻈﺮ ﺑﺎ ﻋﻮاﻣﻞ ﻣﺤﯿﻄﯽ 4 - اﻧﺘﺨﺎب اوﻟﯿﻪ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻓﯿﺰﯾﮏ ﭘﺪﯾﺪه، ﺗﻌﺪاد ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای در دﺳﺘﺮس، ﻫﺪف، ز ﻣـﺎن اﺟـﺮای روش و ﺗﻮﺟﯿﻪ اﻗﺘﺼﺎدی 5 - ﺑﺮرﺳﯽ ﭘﺮاﮐﻨﺶ ﻫﺎ داده از ﻟﺤﺎظ ﺗﺮاﮐﻢ 6 - ﺑﺮرﺳﯽ ﺗﻮزﯾﻊ ﻓﺮاواﻧﯽ ﻫﺎ داده 7 -آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﺎراﻣﺘﺮﻫﺎی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ 8 -ﺑﺮازش ﻣﺪ ل ﻣﻨﺎﺳﺐ ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ 9 -ا رزﯾﺎﺑﯽ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﻣﺘﻘﺎﺑﻞ ﺑﯿﻦ ﺑﺎرﻧﺪﮔﯽ و ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ و ﺑﺮازش ﻣﺪل ﻣﻨﺎﺳﺐ ﺑﻪ آن 10 -ارزﯾﺎﺑﯽ ﻣﺘﻘﺎﻃﻊ روش ﮐﺮﯾﺠﯿﻨﮓ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ و اﺳﺘﺨﺮاج ﻣﻘﺪار ﺧﻄﺎی ﻫﺮ روش 11 -ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﺎراﻣﺘﺮﻫﺎی روش IDW ﺑﺎ ﮐﻤﮏ روش ارزﯾﺎﺑﯽ ﻣﺘﻘﺎﻃﻊ و اﺳﺘﺨﺮاج ﻣﻘﺪار ﺧﻄ ﺎی اﯾﻦ روش ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﺑﻬﯿﻨﻪ 12 -ﺑﻬﯿﻨﻪ ﺳﺎزی ﭘﺎراﻣﺘﺮﻫﺎی روش ﻫﺎی ﻣﺨﺘﻠﻒ RBF ﺑﺎ ﮐﻤﮏ روش ارزﯾﺎﺑﯽ ﻣﺘﻘﺎﻃﻊ و اﻧﺘ ﺨﺎب ﯾﮏ روش از ﺑﯿﻦ روش ﻫﺎی ﮔﺮوه 13 - ﻣﻘﺎﯾﺴﻪ ﺧﻄﺎی ﻫﺮ ﯾﮏ از روش ﻫﺎ و اﻧﺘﺨﺎب اوﻟﯿﻪ روﺷﯽ ﮐﻪ دارای ﺗﺮ ﮐﻢ ﯾﻦ ﻣﻘﺪار ﺧﻄﺎ ﻣﯽ ﺑﺎﺷﺪ . 14 -ﻣﻘﺎﯾﺴﻪ ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی و ﻣﺸﺎﻫﺪه ای ﻫﺮ ﯾﮏ از روش ﻫﺎ ﺑﻪ ﻣﻨﻈﻮر ﺗﺎﯾﯿﺪ ﯾﺎ ﺗ ﻐﯿﯿﺮ روش اﻧﺘﺨﺎﺑﯽ 15 -رﺳﻢ ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣ ﮑﺎﻧﯽ ﺑﺎ اﺳﺘﻔﺎده از روش اﻧﺘﺨﺎﺑﯽ 16 -ﺑﺮرﺳﯽ ﻣﻘﺎدﯾﺮ ﺑﺮآ ورد ﺷﺪه ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ وﺿﻌﯿﺖ ﻣﻨﻄﻘﻪ 6 - 2 - ﻣﺮاﺣﻞ اﻧﺠﺎم ﻣﻄﺎﻟﻌﻪ ﻣﻮردی در اﺑﺘﺪا ﺷﻨﺎﺳﺎﯾﯽ و ﺣﺬف ﻧﻘﺎط ﭘﺮت، آزﻣﻮن ﻫﻤﮕﻨﯽ و ﺳﺎﯾﺮ آﻧﺎﻟﯿﺰﻫﺎی آﻣﺎده ﺳﺎزی داده ﻫﺎ اﻧﺠﺎم ﮔﺮﻓﺘﻪ و ﺳﺮی داده ﻫﺎ ﻧﻬﺎﯾﯽ ﻣﯽ . دﮔﺮد ﺟﺪول )6 - 1 (ﻣﺸﺨﺼﺎت اﯾﺴﺘﮕﺎه ﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده و ﻣﻘﺪار ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻫﺮ ﯾﮏ از اﯾﺴﺘﮕﺎه ﻫﺎ را ﻧﺸﺎن ﻣﯽ دﻫﺪ . ﺷﮑﻞ )6 - 2 ( ﻧﯿـﺰ ﭘﺮاﮐﻨﺶ اﯾﺴﺘﮕﺎه ﻫﺎ را در ﻣﻨﻄﻘﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ . ﺗﺎ ﺣﺪ ﻣﻤﮑﻦ ﺑﺎﯾﺪ در ﺧﺎرج از ﻣﺮز ﻣﻨﻄﻘﻪ ﻧﯿﺰ اﯾﺴﺘﮕﺎه ﻫﺎﯾﯽ اﻧﺘﺨﺎب ﮔﺮدد . اﯾـﻦ اﻣـﺮ ﺑﺎﻋـﺚ ﻣﯽ ﺷﻮد ﮐﻪ د ر ﻣﺮز ﺣﻮﺿﻪ ﺑﺮوﻧﯿﺎﺑﯽ اﻧﺠﺎم ﻧﮕﯿﺮد و ﺧﻄﺎ در ﻣﺤﺪوده ﺣﻮﺿﻪ اﻓﺰاﯾﺶ ﻧﯿﺎﺑﺪ . ﺑﺎ ﺑﺮرﺳﯽ ﺷﮑﻞ )6 - 3 ( ﮐﻪ ﻃﺒﻘﺎت ارﺗﻔﺎﻋﯽ ﻣﻨﻄﻘﻪ 64 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای را ﻧﺸﺎن ﻣﯽ دﻫﺪ، ﻣﯽ ﺗﻮان ﺗﺎﺛﯿﺮ ارﺗﻔﺎع ﺑﺮ ﺑﺎرﻧﺪﮔﯽ را ﻣﺸﺎﻫﺪه ﻧﻤﻮد . ﺑﺮای ﺷﻨﺎﺧﺖ ﺑﯿﺶ ﺗﺮ ﺑﺎرﻧﺪﮔﯽ ﻣﺸﺨﺼﺎت آﻣﺎری داده ﻫﺎ اﺳﺘﺨﺮاج ﮔﺮدﯾﺪ . ﺟﺪول )6 - 2 (آﻣﺎره ﻫﺎی ﺗﻮﺻﯿﻔﯽ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ را ﻧﺸﺎن ﻣﯽ دﻫﺪ . ﻫﻤﺎن ﻃﻮر ﮐﻪ در اﯾﻦ ﺟﺪول ﻣﺸﺨﺺ اﺳﺖ ﻣﯿﺎﻧﮕﯿﻦ ﺑﺎرﻧﺪﮔﯽ ﺣﺪود504 ﻣﯿﻠﯽ ﻣﺘﺮ و ﺑﺎ اﻧﺤﺮاف ﻣﻌﯿﺎر 184 ﻣﯿﻠﯽ ﻣﺘﺮ ﻣﯽ ﺑﺎﺷﺪ . ﺿﺮﯾﺐ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﻧﯿﺰ ﺑﺮاﺑﺮ 4/ 36 درﺻﺪ ﺑﻮده ﮐﻪ ﻧﺸﺎن دﻫﻨﺪه ﺗﻐﯿﯿﺮات ﻧﺴﺒﺘﺎ ﮐﻢ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﺳ ﻄﺢ ﻣﯽ ﺑﺎﺷﺪ . از ﻃﺮف دﯾﮕﺮ ﻣﻘﺪار ﭼﻮﻟﮕﯽ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ داده ﻫﺎ دارای ﭼﻮﻟﮕﯽ ﺑﻪ راﺳﺖ ﺑﻮده و ﻟﺬا ﻓﺮاواﻧﯽ ﻣﻘﺎدﯾﺮ ﮐﻢ ﺑﯿﺶ ﺗﺮ ﻣﯽ ﺑﺎﺷﺪ ) ﺷﮑﻞ 6 - 5 .( ﺑﺮرﺳﯽ ﻃﺒﻘﺎت ارﺗﻔﺎﻋﯽ ﻣﻨﻄﻘﻪ ) ﺷﮑﻞ 6 - 3 (و اﯾﺴﺘﮕﺎه ﻫﺎ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐـﻪ ارﺗﻔـﺎع ﻣﻨﻄﻘﻪ ﺑﯿﻦ150 ﻣﺘﺮ ﺗﺎ3995 ﻣﺘﺮ ﻣﯽ ﺑﺎﺷﺪ درﺣﺎﻟﯽ ﮐﻪ اﯾﺴ ﺘﮕﺎه ﻫﺎ ﺗﺎ ارﺗﻔﺎع 2640 ﻣﺘﺮی ﻗﺮار دارﻧﺪ . ﻟﺬا ﺑﺨﺸﯽ از ارﺗﻔﺎﻋـﺎت ﻣﻨﻄﻘـﻪ ﻓﺎﻗـﺪ اﯾﺴﺘﮕﺎه ﺑﻮده و ﺑﻪ ﻧﺎﭼﺎر در ﺑﻌﺪ ارﺗﻔﺎع ﺑﺮون ﯾﺎﺑﯽ ﺑﺎرﻧﺪﮔﯽ ﺻﻮرت ﻣﯽ ﮔﯿﺮد . ﻟﺬا ﺑﻌﺪ از ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻻزم اﺳﺖ اﯾﻦ ارﺗﻔﺎﻋﺎت ﺑـﺎ دﻗﺖ ﺑﯿﺶ ﺗﺮی ﺑﺮرﺳﯽ ﮔﺮدد ﺑﻪ ﻧﺤﻮی ﮐﻪ ﻣﻨﻄﻘﻪ در اﯾﻦ ﻣﺤﺪوده دﭼ ﺎر ﺑﺮآورد ﺑﯿﺶ ﺗﺮ ﯾﺎ ﮐﻢ ﺗﺮ از ﺣﺪ ﻧﺸﺪه ﺑﺎﺷﺪ . ﺷﮑﻞ6 - 1 - ﻣﻮﻗﻌﯿﺖ ﻣﻨﻄﻘﻪ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ در ﻧﻘﺸﻪ اﯾﺮان ﺟﺪول6 - 1 - ﻣﺸﺨﺼﺎت اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻣﻮرد اﺳﺘﻔﺎده در ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﮐﺪ اﯾﺴﺘﮕﺎه ﻧﺎم اﯾﺴﺘﮕﺎه ﻃﻮل ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ ارﺗﻔﺎع- ﻣﺘﺮ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ- ﻣﯿﻠﯽ ﻣﺘﺮ 21125ﮐﺎرﺧﺎﻧﻪ ﻗﻨﺪﺑﯿﺴﺘﻮن450 / 47 400 / 34 1280 3/ 588 21534وراﯾﻨﻪ400 / 48 083 / 34 1800 4/ 534 21127 ﭘﻞ ﭼﻬﺮ433 / 47 350 / 34 1280 5/ 409 21109ﻓﯿﺮوزآﺑﺎد ) ﺑﺸﺎر (117 / 48 350 / 34 1450 5/ 334 21113آران917 / 47 417 / 34 1440 5/ 447 21117ﺻﺤﻨﻪ700 / 47 483 / 34 1400 3/ 420 21111آﻗﺎﺟﺎن ﺑﻼﻏﯽ050 / 48 833 / 34 1710 2/ 292 21143 ﻗﺮه ﺑﺎﻏﺴﺘﺎن250 / 47 233 / 34 1230 2/ 409 21129ﻣﺎﻫﯿﺪﺷﺖ 800 / 46 267 / 34 1360 7/ 348 ﻓﺼﻞ ﺷﺸﻢ- ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 65 اداﻣﻪ ﺟﺪول 6 - 1 - ﻣﺸﺨﺼﺎت اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻣﻮرد اﺳﺘﻔﺎده در ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﮐﺪ اﯾﺴﺘﮕﺎه ﻧﺎم اﯾﺴﺘﮕﺎه ﻃﻮل ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ ارﺗﻔﺎع- ﻣﺘﺮ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ- ﻣﯿﻠﯽ ﻣﺘﺮ 21141 ﭘﻞ ﮐﻬﻨﻪ133 / 47 317 / 34 1260 2/ 386 21139ﺣﺠﺖ آﺑﺎد 000 / 47 483 / 34 1300 1/ 414 21133دوآب ﻣﺮگ 783 / 46 550 / 34 1290 5/ 487 21393ﭼﺸﻤﻪ رواﻧﺴﺮ650 / 46 717 / 34 1320 3/ 520 21191ﭘﻞ ﭘﺎی150 / 48 417 / 32 90 0/ 309 21189زال ﭘﻞ083 / 48 817 / 32 300 9/ 426 21187ﮔﺰ ﭼﻢ833 / 47 950 / 32 350 3/ 544 21185ﺟﻠﻮﮔﯿﺮ800 / 47 967 / 32 350 8/ 471 21163ﺗﻨﮓ ﺳﯿﺎب 200 / 47 383 / 33 880 2/ 411 21183 ﭘﻞ دﺧﺘﺮ717 / 47 167 / 33 650 5/ 430 21177آﻓﺮﯾﻨﻪ900 / 47 333 / 33 820 3/ 506 21175 ﭼﻢ اﻧﺠﯿﺮ233 / 48 450 / 33 1140 9/ 492 21167 ﻧﻮ ده783 / 48 517 / 33 1770 6/ 451 21173 ﭘﻞ ﮐﺸﮑﺎن883 / 47 583 / 33 1000 6/ 242 21169ﮐﺎﮐﺎرﺿﺎ267 / 48 717 / 33 1530 4/ 484 21171ﺳﺮاب ﺳﯿﺪﻋﻠﯽ217 / 48 800 / 33 1520 3/ 516 21199ﺣﻤﯿﺪﯾﻪ433 / 48 500 / 31 20 3/ 253 21193ﻋﺒﺪل ﺧﺎن 383 / 48 833 / 31 40 6/ 227 21526ارﮐﻮاز ﻣﻠﮑﺸﺎ ﻫﯽ600 / 46 383 / 33 130 5/ 591 21566دﺷﺖ ﻋﺒﺎس833 / 47 400 / 32 174 6/ 692 21031ﭘﻠﻨﮕﺎن ) ﺳﯿﺮوان (600 / 46 067 / 35 1000 3/ 579 21051ﺗﻮﺗﺸﺎﻣﯽ ) ﮔﻬﻮاره (350 / 46 367 / 34 1550 3/ 693 21067 ﺷﺎه ﭘﻞ917 / 45 283 / 34 720 1/ 325 21081اﯾﻮان 300 / 46 817 / 33 1180 7/ 601 21121ﻣﯿﺎ ﻧﺮاﻫﺎن 433 / 47 583 / 34 1350 2/ 481 21147ﻫﻮﻟﯿﻼن ) ﺳﯿﻤﺮه (250 / 47 750 / 33 970 7/ 362 21149ﻫﻮﻟﯿﻼن ) ﺟﺰﻣﺎن (100 / 47 767 / 33 950 4/ 360 21153 ﺧﺴﺮوآﺑﺎد ) ﮐﺮﻧﺪ (383 / 46 167 / 34 1380 6/ 458 21155 ﭼﻢ ) ﭼﻮب ﮐﻠﻪ راوﻧﺪ (633 / 46 033 / 34 1320 7/ 427 21157دارﺗﻮت 683 / 46 750 / 33 950 7/ 442 21161ورﮔﭻ 833 / 46 550 / 33 770 9/ 422 21337ﺗﻮﻧﻞ رﻣﺸﺖ 967 / 46 017 / 35 1390 1/ 426 21351ﻣﺤﮑﯽ ) ﺣﺒﯿﺒﻮﻧﺪ (950 / 45 433 / 34 700 0/ 452 21411 ﻧﻂ رآﺑﺎد ) ﺳﯿﻤﺮه (433 / 47 183 / 33 530 3/ 339 21642ﻫﻮاﺷﻨﺎﺳﯽ ورﻣﻬﻨﮓ 883 / 46 783 / 34 1418 9/ 617 21273ﮐﻤﻨﺪان433 / 49 317 / 33 2080 6/ 731 21275ﺗﺨﺖ دره 383 / 49 350 / 33 1940 7/ 788 21271زﻣﺎن ﭼﻢ400 / 49 400 / 33 1830 2/ 497 21267درود067 / 49 483 / 33 1400 1/ 685 21259وﻧﺎﺋﯽ583 / 48 900 / 33 2000 3/ 683 21144ﺳﺪ دز450 / 48 550 / 32 525 5/ 497 21295رﻧﮓ ﺗﻠﻪ767 / 48 817 / 32 440 3/ 938 21293ﺗﻨﮓ ﭘﻨﺞ767 / 48 933 / 32 600 0/ 1196 21285ﺳﭙﯿﺪدﺷﺖ 883 / 48 217 / 33 970 6/ 771 21289ﮐﺸﻮر633 / 48 133 / 33 770 3/ 981 21281 ﭼﯿﺖ ﭼﻢ983 / 48 383 / 33 1290 2/ 711 66 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای اداﻣﻪ ﺟﺪول 6 - 1 - ﻣﺸﺨﺼﺎت اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻣﻮرد اﺳﺘﻔﺎده در ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﮐﺪ اﯾﺴﺘﮕﺎه ﻧﺎم اﯾﺴﺘﮕﺎه ﻃﻮل ﺟﻐﺮاﻓﯿﺎﯾ ﯽ ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ ارﺗﻔﺎع- ﻣﺘﺮ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ- ﻣﯿﻠﯽ ﻣﺘﺮ 21303ﻫﺮﻣﻠﻪ 550 / 48 950 / 31 38 7/ 242 21195ﺷﻮش داﻧﯿﺎل250 / 48 200 / 32 72 6/ 329 21124ﺑﺮوﺟﺮد750 / 48 900 / 33 1600 5/ 470 21166 ﺗﭙﻪ ﻫﻔﺖ517 / 48 067 / 32 60 7/ 283 21261رﺣﯿﻢ آﺑﺎد ) ﺳﯿﻼﺧﻮر (800 / 48 783 / 33 1490 1/ 470 21298ﺳﺪ ﺗﻨﻂ ﯾﻤﯽ دزﻓﻮل 450 / 48 417 / 32 142 9/ 401 21400آﺑﺎد م ﮐﺎظ683 / 49 133 / 33 2000 2/ 608 21404ﻓﺮﯾﺪوﻧﺸﻬﺮ417 / 50 967 / 32 2640 9/ 617 21449 ﻓﻠﮏ ﭼﺮخ050 / 50 867 / 32 2490 1/ 406 21968ﻗﻠﯿﺎن ) ﺳﮑﺎﻧﻪ (650 / 49 067 / 33 1330 5/ 809 N ﺷﮑﻞ6 - 2 - ﻣﻮﻗﻌﯿﺖ اﯾﺴﺘﮕﺎه ﻫﺎی ﺑﺎران ﺳﻨﺠﯽ ﻣﻨﻄﻘﻪ و ﻣﻘﺎدﯾﺮ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در آﻧﻬﺎ ﺷﮑﻞ6 - 3 - ﻧﻘﺸﻪ ﻃﺒﻘﺎت ارﺗﻔﺎﻋﯽ ﺣﻮﺿﻪ ﮐﺮﺧﻪ ﻓﺼﻞ ﺷﺸﻢ- ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 67 ﺟﺪول6 - 2 - آﻣﺎره ﻫﺎ ی ﺗﻮﺻﯿﻔﯽ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ ﺑﻪ ) ﻣﯿﻠﯽ (ﻣﺘﺮ ﻣﯿﺎﻧﮕﯿﻦ 0/ 504 ﻣﯿﺎﻧﻪ 1/ 470 ﻣﺪ6/ 227 اﻧﺤ ﺮاف ﻣﻌﯿﺎر6/ 183 وارﯾﺎﻧﺲ 3/ 33702 درﺻﺪ ﺿﺮﯾﺐ ﺗﻐﯿﯿﺮات 4/ 36 ﭼﻮﻟﮕﯽ3/1 ﮐﺸﯿﺪﮔﯽ 6/2 ﺣﺪاﻗﻞ 6/ 227 ﺣﺪاﮐﺜﺮ0/ 1196 ﭼﻨﺪک ﻫﺎ 25 0/ 404 50 1/ 470 75 6/ 596 ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ وﺿﻌﯿﺖ ﺗﻐﯿﯿﺮات ﺑﺎرﻧﺪﮔﯽ ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ ﮐﻪ اﺳﺘﻔﺎده از روش ﻫﺎ ی ﺳﺎده درون ﯾﺎﺑﯽ ﻧ ﻤـﯽ ﺗﻮاﻧـﺪ ﮔﻮﯾـﺎی ﺗﻐﯿﯿـﺮا ت ﻣﮑـﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﺑﺎﺷﺪ . از ﻃﺮف دﯾﮕﺮ اﺳﺘﻔﺎده از روش ﮔﺮادﯾﺎن ﺑﺎرﻧﺪﮔﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ اﯾﺴﺘﮕﺎه ﻫﺎ ﻋﻤﺪﺗﺎ در ارﺗﻔﺎع ﭘﺎﯾﯿﻦ ﻗﺮار دارﻧـﺪ، ﻧ ﻤـﯽ ﺗﻮاﻧـﺪ ﺑﺮآورد درﺳﺘﯽ را اراﺋﻪ ﻧﻤﺎﯾﺪ . ﻟﺬا از روش ﻫﺎ ی ﮐﺮﯾﺠﯿﻨﮓ، ﮐﻮﮐﺮﯾﺠﯿﻨﮓ، IDW وRBF ﻫﺎ اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ ﻫﺮ ﭼﻨﺪ ﺑـﺮای ﻣﻘﺎﯾﺴـﻪ روش ﮔﺮادﯾ ﺎن ﻧﯿﺰ ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﻣﯽ . ﺑﺮای ﺑﺮرﺳﯽ ﻣﻌﺎدﻟﻪ رﮔﺮﺳﯿﻮن ﺑﺎرﻧﺪﮔﯽ ﺑﺎ ارﺗﻔﺎع، اﺑﺘﺪا ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ﺑﺎرﻧـﺪﮔﯽ و ارﺗﻔـﺎع در ﻣﻨﻄﻘـﻪ اﺳـﺘﺨﺮاج ﺷـﺪ . ﻣﻘـﺪار اﯾـﻦ ﺿﺮﯾﺐ ﺑﺮاﺑﺮ3/0 ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﻧﺸﺎن دﻫﻨﺪه ﻫﻤﺒﺴﺘﮕﯽ ﺿﻌﯿﻔﯽ ﻣﯽ ﺑﺎﺷـﺪ . ﺷـﮑﻞ )6 - 4 ( ﻧﻤـﻮدار ﺑﺎرﻧـﺪﮔﯽ و ارﺗﻔـﺎع و ﻣﻌﺎدﻟـﻪ رﮔﺮﺳـﯿﻮن ﺑﺎرﻧﺪﮔﯽ را ﻧﺸﺎن دﻫﺪ ﻣﯽ . ﻫﻤﺎن ﻃﻮر ﮐﻪ در ﺷﮑﻞ ﻧﯿﺰ ﻣﺸﺨﺺ اﺳﺖ ﺑﺎرﻧﺪﮔﯽ و ارﺗﻔﺎع دارای ﺗﻐﯿﯿـﺮات ﻧﺴـﺒﺘﺎ زﯾـﺎدی ﻣـﯽ ﺑﺎﺷـﺪ . ﻣﻘـﺎدﯾﺮ RMSE وMBE اﯾﻦ روش ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮاﺑﺮ7/ 173 و1/ 11 - ﻣﯽ ﻣﺘﺮ ﻣﯿﻠﯽ ﺑﺎﺷﺪ . اﮐﻨﻮن ﺗﻮان ﻣﯽ ﺗﻮزﯾﻊ ﻫﺎ داده را ﺑﺮرﺳﯽ ﻧﻤﻮد و درﺻﻮرت ﻧﺮﻣﺎل ﻧﺒﻮدن، ﻫﺎ داده را ﺑﺎ ﯾﮑﯽ از ﺗﺒﺪﯾﻼت ﺑﻪ ﺗﻮزﯾـﻊ ﻧﺮﻣـﺎل ﻧﺰدﯾـﮏ ﮐـﺮد . ﻫﯿﺴﺘﻮﮔﺮام و ﻧﻤﻮدارq-q ) ﺑﻪ ﭘﯿﻮﺳﺖ )2 (ﻣﺮاﺟﻌﻪ ﺷﻮد ( ﺑﺎرﻧﺪﮔﯽ ﻗﺒﻞ و ﺑﻌﺪ از ﺗﺒﺪﯾﻞ ﻟﮕﺎرﯾﺘﻢ در ﺷﮑﻞ )6 - 5 ( ﻧﺸﺎن ﻣﯽ دﻫـﺪ ﮐـﻪ ﻫـﺎ داده دارای ﭼﻮﻟﮕﯽ ﺑﻮده وﻟﯽ ﺑﻌﺪ از ﺗﺒﺪﯾﻞ ﻟﮕﺎرﯾﺘﻤﯽ ﺑﻪ ﻧﺮﻣﺎل ﻧﺰدﯾﮏ ﺗﺮ ﺷﺪه و ﭼﻮﻟﮕﯽ ﮐﺎﻫﺶ ﯾﺎﻓﺘﻪ اﺳﺖ . در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺗﻮان ﻣﯽ وﺟﻮد روﻧـﺪ در ﻫﺎ داده را ﻧﯿﺰ ﺑﺮرﺳﯽ ﻧﻤﻮد، ﻫﺮﭼﻨﺪ ﮐﻪ وﺟﻮد روﻧﺪ در ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻧﯿﺰ ﻗﺎﺑﻞ ﺗﺸﺨﯿﺺ ﻣﯽ ﺑﺎﺷﺪ . درﺻﻮرﺗﯽ ﮐﻪ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺑﯿﻦ ﺑﺎرﻧﺪﮔﯽ و ارﺗﻔﺎع وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﻣﯽ ﺗﻮاﻧﺪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﯿﺮد، ﻫﺮﭼﻨـﺪ ﮐﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻫﻤﺒﺴﺘﮕﯽ ﺿ ﻌﯿﻒ ﺑﺎرﻧﺪ ﮔﯽ و ارﺗﻔﺎع ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ اﯾﻦ روش ﻧﺘﻮاﻧﺪ دﻗﺖ ﺑﺮآورد را اﻓﺰاﯾﺶ دﻫﺪ . ﭘﺲ از ﺗﺤﻠﯿﻞ ﻫﺎی اوﻟﯿﻪ، اﮐﻨﻮن ﻣﯽ ﺗﻮان ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ را ﻣﺤﺎﺳﺒﻪ و ﺗﺮﺳﯿﻢ ﻧﻤﻮد . ﺷﮑﻞ )6 - 6 ( ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺑـﺪون ﺟﻬـﺖ را ﺑـﺮای ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ . ﮔﺎم ﻣﮑﺎﻧﯽ1 در ﻧﺮم اﻓﺰار Arc/GIS ﻣﺘﻮﺳ ﻂ ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻧﻘﺎط در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮد ﮐﻪ ﻣﯽ ﺗﻮان آن را ﮐﻢ ﯾﺎ زﯾﺎد ﻧﻤﻮد . اﻓﺰاﯾﺶ ﻣﻘﺪار ﮔﺎم ﻣﻮﺟﺐ از دﺳﺖ دادن اﻃﻼﻋﺎت و ﮐﺎﻫﺶ ﻣﻘﺪار ﮔﺎم ﻧﯿﺰ اﻃﻼﻋﺎت ﻏﯿﺮ ﻗﺎﺑﻞ ﻣﺼﺮف و ﮔﺎﻫ ﯽ ﮔﯿﺞ ﮐﻨﻨﺪه ای را ﺗﻮﻟﯿﺪ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺑﻪ ﺑﻬﺒﻮد ﻧﺘﺎﯾﺞ ﻧﻤﯽ اﻧﺠﺎﻣﺪ . ﻟﺬا اﻧﺘﺨﺎب ﻓﺎﺻﻠﻪ ﮔﺎم ﻣﻨﺎﺳﺐ ﻣﻬﻢ ﻣﯽ ﺑﺎﺷﺪ . ﻣﻌﻤﻮﻻ ﻣﺘﻮﺳـﻂ ﻓﺎﺻـﻠﻪ ﻧﻘـﺎط در ﻧﻤﻮﻧﻪ ﺑﺮداری ﻫﺎی ﻧﺎﻣﻨﻈﻢ ﻣﻨﺎﺳﺐ ﻣﯽ ﺑﺎﺷﺪ . در اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﻣﻄﺎﺑﻖ ﺷﮑﻞ )6 - 6 ( ﻣﻘﺪار34465 ﻣﺘﺮ ﺑﻪ ﻋﻨﻮان ﮔﺎم اﻧﺘﺨﺎب ﻣﯽ ﺷﻮد . 1- Lag size 68 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای y = 53.033Ln(x) + 140.54 0 200 400 600 800 1000 1200 0 500 1000 1500 2000 2500 (ارﺗﻔﺎع ) ﻣﺘﺮ (ﺑﺎرﻧﺪﮔﻲ ) ﻣﯿﻠﻲ ﻣﺘﺮ ﺑﺎرﻧﺪﮔﻲ ﺳﺎﻻﻧﮫ رﮔﺮﺳﯿﻮن ﺑﺎرﻧﺪﮔﻲ و ارﺗﻔﺎع R= 0.3 ﺷﮑﻞ6 - 4 - ﻧﻤﻮدار ﺗﻐﯿﯿﺮات ﺑﺎرﻧﺪﮔﯽ و ارﺗﻔﺎع و ﻣﻌﺎدﻟﻪ ﮔﺮادﯾﺎن ﺑﺎرﻧﺪﮔﯽ در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﻣﯽ ﺗﻮان ﻫﻤﺴﺎن ﮔﺮدی را ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار داد . ﺷﮑﻞ )6 - 7 (ﺳﻄﺢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و راﺳـﺘﺎی ﻧﺎﻫﻤﺴـﺎن ﮔـﺮدی را ﻧﺸـﺎن دﻫﺪ ﻣﯽ . ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ روﯾﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﮐﻪ در راﺳﺘﺎی ﺟﻨﻮب ﻏﺮﺑﯽ – ﺷﻤﺎل ﺷﺮﻗﯽ ﻣﻘﺪار ﺷﻌﺎع ﻫﻤﺒﺴﺘﮕﯽ ﺑﯿﺶ ﺗـﺮ ﺑـﻮده و در اﯾـﻦ راﺳـﺘﺎ ﻧﺎﻫﻤﺴﺎن ﮔﺮدی وﺟﻮد دارد . ﺑﺮای ﺑﺮآورد ﺗﻮزﯾ ﻊ ﻣﮑﺎﻧﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻫﺪف، ﻧﻮع و اﻣﺘﺪاد ﭘﺮاﮐﻨﺶ ﻣﺘﻐﯿـﺮ ﻣـﯽ ﺗـﻮان از ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺑـﺪون ﺟﻬﺖ و ﯾﺎ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در راﺳﺘﺎی ﻣﺸﺨﺼﯽ اﺳﺘﻔﺎده ﻧﻤﻮد . در ﻣﻮرد ﺑﺮآورد ﺑﺎرﻧﺪﮔﯽ در ﺳﻄﺢ ﻣﻨﻄﻘـﻪ از ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺑـﺪون راﺳـﺘﺎ ﺑـﻪ ﻋﻨﻮان ﻣﺘﻮﺳﻂ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی راﺳﺘﺎﻫﺎی ﻣﺨﺘﻠﻒ، اﺳﺘﻔﺎده ﺷﺪ . درﺻ ﻮرﺗﯽ ﮐﻪ ﻻزم ﺑﺎﺷﺪ ﺑﺮآورد در ﺟﻬﺖ راﺳﺘﺎی ﻣﺸﺨﺼـﯽ ﺻـﻮرت ﮔﯿـﺮد )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺑﺮآورد ﯾﮏ ﭘﺎراﻣﺘﺮ در راﺳﺘﺎی ﺑﺎد ﻏﺎﻟﺐ ﻣﻨﻄﻘﻪ ، ﻧﯿﻢ ( ﺗﻐﯿﯿﺮﻧﻤﺎ را در آن راﺳﺘﺎ رﺳﻢ و ﻣﺪل را ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻫﻤـﺎن راﺳـﺘﺎ ﺑﺮازش داده و ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ در آن راﺳﺘﺎ اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد . در ﻏﯿﺮ اﯾﻦ ﺻﻮ رت ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺌﻮری ﺑـﻪ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺑـﺪون ﺟﻬـﺖ ﺑﺮازش داده ﻣﯽ ﺷﻮد . ﺑﺮای اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ ﻣﺪل ﺑﺮازش داده ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﺗﺠﺮﺑﯽ، ﺗﻮان ﻣﯽ از ﻃﺮﯾﻖ اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺘﻘﺎﻃﻊ ، ﻣـﺪل ﻫـﺎ ی ﻣﺨﺘﻠـﻒ را ﻣﻮرد ارزﯾﺎﺑﯽ ﻗﺮار داد . ﺑﻪ اﯾﻦ ﺻﻮرت ﮐﻪ ﻫﺎ ﻣﺪل ی ﻣﺨﺘﻠﻒ ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺘﻔﺎوت اﻧﺘﺨﺎب و ﻫﺮ ﯾﮏ از ﻫﺎ ﻣﺪل ﮐـﻪ ﭘـﺲ از اﺟـﺮای روش ﮐﺮﯾﺠﯿﻨﮓ دارای ﺧﻄﺎی ﺑﺮآورد ﺗﺮ ﮐﻢ ی ﺑﻮد ﺑﻪ ﻋﻨﻮان ﻣﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ اﻧﺘﺨﺎب ﺷﻮد ﻣﯽ . ﻓﺼﻞ ﺷﺸﻢ- ﻣ ﻄﺎﻟﻌﻪ ﻣﻮردی 69 اﻟﻒ ب ج د ﺷﮑﻞ6 - 5 - ﻧﻤﻮدار ﻫﯿﺴﺘﻮﮔﺮام وq-q ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﺤﯿﻂArc/GIS :اﻟﻒ - ﻫﯿﺴﺘﻮﮔﺮام ﺑﺎرﻧﺪﮔﯽ ﻗﺒﻞ از ﺗﺒﺪﯾﻞ ب - ﻧﻤ ﻮدار q-q ﺑﺎرﻧﺪﮔﯽ ﻗﺒﻞ از ﺗﺒﺪﯾﻞ ج- ﻫﯿﺴﺘﻮﮔﺮام ﺑﺎرﻧﺪﮔﯽ ﭘﺲ از ﺗﺒﺪﯾﻞ ﻟﮕﺎرﯾﺘﻤﯽ د- q-q ﻣﻘﺎدﯾﺮ ﻟﮕﺎرﯾﺘﻢ ﺑﺎرﻧﺪﮔﯽ 70 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺷﮑﻞ6 - 6 - ﻧﻤﻮدار و ﻣﺸﺨﺼﺎت ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺑﺪون ﺟﻬﺖ در ﻧﺮم اﻓﺰارARC/GIS . ﺟﺪول6 - 3 - ﻧﺘﺎﯾﺞ ﺑﺮرﺳﯽ ﻫﺎ ﻣﺪل ی ﻣﺨﺘﻠﻒ ﻣﺪل ﻧﻮع ﻣﺪل ﺷﻌﺎع ﻫﻤﺒ ﺴﺘﮕﯽ (ﻣﺘﺮ ) آﺳﺘﺎﻧﻪ ) ﻣﯿﻠﯽ ﻣﺘﺮ ﻣﺮﺑﻊ ( C0 )ﻣﯿﻠﯽ ﻣﺘﺮ ﻣﺮﺑﻊ ( RMSE )ﻣﯿﻠﯽ (ﻣﺘﺮ Mean of Error ﻣﺪل1 ﮐﺮوی 308520 13 /0 03 /0 1/ 115 3/3 ﻣﺪل2 ﮔﻮﺳﯽ 257710 1/0 04 /0 114 2/2 ﻣﺪل3 ﻧﻤﺎﯾﯽ 498520 1/0 03 /0 7/ 114 9/1 ﻓﺼﻞ ﺷﺸﻢ- ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 71 ﺷﮑﻞ6 - 7 - ﻧﻤﻮدار ﺳﻄﺢ وارﯾﻮﮔﺮام و راﺳﺘﺎی ﻧﺎﻫﻤﺴﺎن ﮔﺮدی داده ﻫﺎی ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ ﻧﺘﺎﯾﺞ ﺑﺮرﺳﯽ ﻣﺪل ﻫﺎی ﻣﺨﺘﻠﻒ در ﺟﺪول )6 - 3 ( ﻧﺸﺎن دﻫﺪ ﻣﯽ ﮐﻪ ﻣﺪل ﮔﻮﺳﯽ دارای ﺧﻄﺎی ﺗﺮ ﮐﻢ ﻣﯽ ی ﺑﺎﺷﺪ . ﻟﺬا ﻣﺪل ﺑﻬﯿﻨﻪ ﻣـﺪل ﺷﻤﺎره2 اﺳﺖ و از اﯾﻦ ﻣﺪل ﺑﺮای اﻧﺠﺎم روش ﮐﺮﯾﺠﯿﻨﮓ اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ . روش ﮐﺮﯾﺠﯿﻨﮓ ﻣﻌﻤﻮﻟﯽ ﺑـﺮای ﺑـﺮآو رد ﺑﺎرﻧـﺪﮔﯽ ﺳـﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ ﺗﺎ اﻧﺪازه ای دارای MBE وRMSE ﺑﺮاﺑﺮ2/2 و114 ﻣﯽ ﺑﺎﺷﺪ ) ﺟﺪول 6 - 3( .ﻫﻤﺎن ﻃﻮر ﮐﻪ در ﺷﮑﻞ )6 - 6 ( ﻧﯿﺰ ﻣﺸـﺨﺺ اﺳـﺖ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ دارای ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺑﻮده و ﻓﺎﻗﺪ روﻧﺪ ﻣﺸﺨﺼﯽ ﻧﯿﺰ ﻣﯽ ﺑﺎﺷﺪ . درﺻﻮرﺗﯽ ﻧﯿﻢ ﮐﻪ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻫﺎ داده ی ﺑﻪ ﺳـﻘﻒ ﺛﺎﺑﺘﯽ ﻧﺮﺳﯿﺪ و اﻓﺰاﯾﺶ ﯾﺎﻓﺘﻪ و ﯾﺎ ﺣﺎﻟﺖ ﺳﯿﻨﻮﺳﯽ ﭘﯿﺪا ﻧﻤﺎﯾﺪ، ﻧﺸﺎن دﻫﻨﺪه وﺟﻮد روﻧﺪ در ﻫﺎ داده اﺳـﺖ ﮐـﻪ در اﯾـﻦ ﺻـﻮرت ﺑﺎﯾـﺪ از روش ﯾﻮﻧﯿﻮرﺳﺎل ﮐﺮﯾﺠﯿﻨﮓ اﺳﺘﻔﺎده ﻧﻤﻮد . ﺑﺮای اﺟﺮای روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﻻزم اﺳﺖ ﻋﻼوه ﺑـﺮ رﺳـﻢ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎ ی ﺗﺠﺮﺑـﯽ ﻣﺘﻐﯿـﺮ اﺻـﻠﯽ، ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﻣﺘﻐﯿﺮﮐﻤﮑـﯽ و ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﻣﺘﻘﺎﺑﻞ ﻣﺘﻐﯿﺮ اﺻـﻠﯽ و ﻣﺘﻐﯿﺮﮐﻤﮑـﯽ ﻧﯿـﺰ ﺗﺮﺳـﯿﻢ ﮔﺮدﻧـﺪ و ﺑـﻪ آﻧﻬـﺎ ﻧﯿـﺰ ﻣـﺪل ﺗﺌـﻮری ﺑـﺮازش داده ﺷـﻮد . ﺷـﮑﻞ )6 - 8 ( ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ی ارﺗﻔﺎع و ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﻣﺘﻘﺎﺑﻞ ﺑﺎرﻧﺪﮔﯽ و ارﺗﻔﺎع و ﻫﺎ ﻣﺪل ی ﺑﻬﯿﻨﻪ ﺑﺮازش داده ﺷﺪه ﺑﻪ آن را ﻧﺸﺎن دﻫﺪ ﻣﯽ . ﻫﻤﺎن ﻃـﻮر ﮐـﻪ در ﺷﮑﻞ )6 - 8 ( ب ﻧﯿﺰ ﻣﺸﺨﺺ اﺳﺖ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺘﻘﺎﺑﻞ ﺑﺎرش و ارﺗﻔﺎع ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺧﻮﺑﯽ را ﻧﺸﺎن ﻧ ﻤﯽ دﻫﻨـﺪ . ﻟـﺬا اﻣﮑـﺎن ﻣـﺪل ﮐﺮدن ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﺗﺠﺮﺑﯽ ﻣﺘﻘﺎﺑﻞ و اﻧﺠﺎم روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ وﺟﻮد ﻧﺪارد . 72 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای اﻟﻒ ب ﺷﮑﻞ6 - 8 - اﻟﻒ - ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ارﺗﻔﺎع در ﻣﻨﻄﻘﻪ ب- ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ارﺗﻔﺎ ع و ﺑﺎرﻧﺪﮔﯽ ﻓﺼﻞ ﺷﺸﻢ- ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 73 ﺑﺮای اﺟﺮای روشIDW ﻻزم اﺳﺖ ﮐﻪ ﭼﻨﺪ ﭘﺎراﻣﺘﺮ ﺑﻬﯿﻨﻪ ﺷﻮﻧﺪ . اﯾﻦ ﭘﺎراﻣﺘﺮﻫﺎ ﺷﺎﻣﻞ ﺗﻮان ﻓﺎﺻﻠﻪ، ﺗﻌـﺪاد ﻧﻘـﺎط ﻫﻤﺴـﺎﯾﮕﯽ و ﺷـﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ ﻣﯽ ﺑﺎﺷﺪ ﻧﺮم . اﻓﺰار Arc/GIS ﺗﻮان ﻓﺎﺻﻠﻪ را ﺑﻬﯿﻨﻪ ﻣﯽ ﻧﻤﺎﯾﺪ . ﺑﺮای ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﻣﻨﻄﻘﻪ ﺗﻮان ﺑﻬﯿﻨﻪ ﺑﺮاﺑـﺮ 1/1 ﻣـﯽ ﺑﺎﺷـﺪ . در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ ﺑﺎ اﺳﺘﻔﺎده از روش اﻋﺘﺒﺎر ﺳﻨﺠﯽ ﺗﻘﺎﻃﻌﯽ اﺳﺘﺨﺮاج ﺷﻮد ﻣﯽ . در اﻧﺘﻬﺎ ﺑﺎ رﺳﻢ ﯾﮏ ﻧﻤﻮدار ) ﻣﺤـﻮر X ﻫـﺎ ﺗﻌﺪاد ﻧﻘﺎط و ﻣﺤﻮرYﻫﺎ ﻣﻘﺪار ﺧﻄﺎ ﺗﻮان ﻣﯽ ( ﺗﻌﺪاد ﺑﻬﯿﻨﻪ ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ را ﺗﻌﯿﯿﻦ ﻧﻤﻮد . در ﻣﻮرد ﺷﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ ﻧﯿﺰ ﺗﻮان ﻣﯽ ﺑﻪ ﻫﻤـﯿﻦ ﺻﻮرت ﻋﻤﻞ ﻧﻤﻮد . ﻧﻤﻮدار ﺑﺮرﺳﯽ ﺗﻌﺪاد ﻧﻘﺎط و ﺷﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ در ﺷﮑﻞ )6 - 9 ( ﻧﺸﺎن دﻫﺪ ﻣﯽ ﮐـﻪ روش IDW ﺑـﺎ ﺗﻌـﺪاد ﻧﻘـﺎط 10 و ﺷﻌﺎع ﺣﺪود 72100 ﻣﺘﺮ ﺗﺮ ﮐﻢ ﯾﻦ ﺧﻄﺎ را در ﺑﺮآورد ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ اﯾﺠﺎد ﻣﯽ ﻧﻤﺎﯾﺪ . MBE وRMSE روشIDW ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮاﺑـﺮ5/1 و6/ 113 ﻣﯽ ﻣﺘﺮ ﻣﯿﻠﯽ ﺑﺎﺷﺪ . در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ، از ﺑﯿﻦ روش یﻫﺎ RBF ﺑﻬﺘﺮﯾﻦ روش ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﺑﻬﯿﻨﻪ آ ن اﻧﺘﺨﺎب ﻣﯽ ﺷﻮﻧﺪ . ﺧﻮﺷﺒﺨﺘﺎﻧﻪ در ﻧـﺮم اﻓـﺰار Arc/GIS ﭘﺎراﻣﺘﺮﻫﺎی ﻫﺮ روش ﺑﻬﯿﻨﻪ ﻣﯽ ﮔﺮدﻧﺪ . درﺻﻮرﺗﯽ ﮐﻪ اﯾﻦ ﻗﺎﺑﻠﯿﺖ وﺟـﻮد ﻧﺪاﺷـﺘﻪ ﺑﺎﺷـﺪ، ﺑﺎﯾـﺪ ﺑـﺎ اﺳـﺘﻔﺎده از روش اﻋﺘﺒﺎر ﺳـﻨﺠﯽ ﺗﻘـﺎﻃﻌﯽ ﭘﺎراﻣﺘﺮ ﻫﺎی ﻫﺮ روش ﺑﻬﯿﻨﻪ ﺷﻮد . در اﯾﻦ روش ﺗﺮ ﻣﻬﻢ ﯾﻦ ﭘﺎراﻣﺘ ﺮی ﮐﻪ ﺑﺎﯾﺪ ﺑﻬﯿﻨﻪ ﺷﻮﻧﺪ، ﭘﺎراﻣﺘﺮ ﻫﻤـﻮار ﺳـﺎزی ﻣـﯽ ﺑﺎﺷـﺪ . ﻧﺘـﺎﯾﺞ ارزﯾـﺎﺑﯽ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ RBF ﺑﺮای ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﺣﻮﺿﻪ ﮐﺮﺧﻪ در ﺟﺪول )6 - 4 ( ﻧﺸـﺎن ﻣـﯽ دﻫـﺪ ﮐـﻪ روش Spline with Tension دارای ﺧﻄﺎی ﺗﺮ ﮐﻢ ﻣﯽ ی ﺑﺎﺷﺪ . ﻧﺘﺎﯾﺞ ﺑﺮرﺳﯽ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ در ﺟﺪول )6 - 5 ( ﻧﺸﺎن ﻣﯽ دﻫﺪ، روش اﺳ ﭙﻼﯾﻦ در ﺑﯿﻦ ﻫﻤﻪ روش ﻫﺎ دارای ﺗﺮ ﮐﻢ ﯾﻦ ﺧﻄـﺎی ﺑـﺮآورد ﻣﯽ ﺑﺎﺷﺪ . ﻟﺬا ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ ﮐﻪ اﯾﻦ روش ﻣﻨﺎﺳﺐ ﺗﺮ از ﺑﻘﯿﻪ ﺑﺎﺷﺪ . ﺑﺮای ﻣﻘﺎﯾﺴﻪ ﺑﻬﺘﺮ، ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی و ﻣﺸﺎﻫﺪه ای ﻫﺮ روش ﻧﯿـﺰ اﺳﺘﺨﺮاج ﮔﺮدﯾﺪ ) اﺷﮑﺎل 6 - 10 ﺗﺎ6 - 12 .(ﻫﻤﺎن ﻃﻮر ﮐﻪ در ﺷﮑﻠﻬﺎ ﻧﯿﺰ ﻣﺸﺨﺺ اﺳﺖ ﻣﻘﺎدﯾﺮ ﺑﺮآور دی و ﻣﺸﺎﻫﺪه ای در ﮐﻠﯿﻪ روش ﻫﺎ ﺑـﻪ ﻫﻢ ﺷﺒﯿﻪ ﺑﻮده و ﻫﻤﺒﺴﺘﮕﯽ ﻣﺸﺎﺑﻬﯽ دارﻧﺪ . ﻟﺬا ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻘﺎدﯾﺮ ﺧﻄﺎ و ﺑﺎ اﺳﺘﻔﺎده از روش اﺳﭙﻼﯾﻦ ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﺑﺎرﻧـﺪﮔﯽ ﺳـﺎﻻﻧﻪ در ﺣﻮﺿﻪ ﮐﺮﺧﻪ ﺑﺮآورد ) ﺷﺪ ﺷﮑﻞ 6 - 13 .( ﺑﺮای ﺑﺮرﺳﯽ ﺑﯿﺶ ﺗﺮ ﺑﺮآورد اﻧﺠﺎم ﺷﺪه، ﻧﻘﺸﻪ ﺑﺎرﻧﺪﮔﯽ ﺑﺎ ﻧﻘﺸﻪ ﻣـﺪل رﻗـﻮﻣﯽ ارﺗ ﻔـﺎﻋ ﯽ ﻣﻘﺎﯾﺴـﻪ ﻣﯽ ﮔﺮدد . ﻫﻤﺎن ﻃﻮر ﮐﻪ در ﺷﮑﻞ )6 - 2 ( ﻣﺸﺨﺺ اﺳﺖ ﺑﺎرﻧـﺪﮔﯽ ﺑـﺮآورد ﺷـﺪه ﺑـﺎ ﺗﻮﭘـﻮﮔﺮاﻓﯽ ﻣﻨﻄﻘـﻪ و ﻫﻤﭽﻨـﯿﻦ ﻣﻘـﺪار ﺑﺎرﻧـﺪﮔﯽ در اﯾﺴﺘﮕﺎه ﻫﺎ ﺗﻘﺮﯾﺒﺎ ﻫﻤﺨﻮاﻧﯽ دارد . ﺑﺮرﺳﯽ ﺑﺎرﻧﺪﮔﯽ ﺑﺮآورد ﺷﺪه در ارﺗﻔﺎﻋﺎت ﺑﺎﻻی 2700 )ﻣﺘﺮ ﺷﮑﻞ 6 - 14 ( ﻧﺸﺎن دﻫﺪ ﻣﯽ ﮐـﻪ ﺑﺮوﻧﯿـﺎﺑﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻘﺪار ﺑﺎرﻧﺪﮔﯽ در اﯾﺴﺘﮕﺎه ﻫﺎ ی اﻃﺮاف ﺗﻘﺮﯾﺒﺎ ﻣﻨﺎﺳﺐ اﻧﺠـﺎم ﺷـﺪه اﺳـﺖ . ﺑـﻪ ﻋﻨـﻮان ﻣﺜـﺎل در ﻗﺴـﻤﺖ ﻫـﺎ ی ﻣﺮﺗﻔـﻊ ) ﺑـﺎﻻی 2700( ﻣﺘﺮ ﺷﻤﺎل ﻏﺮﺑﯽ ﺣﻮﺿﻪ ﺑﺎرﻧﺪﮔﯽ ﺑﯿﻦ 430 ﺗﺎ490 ﻣﺘﺮ ﻣﯿﻠﯽ وﻟﯽ در ﻫﻤﯿﻦ ارﺗﻔﺎﻋﺎت در ﻗﺴﻤﺖ ﻫﺎ ی ﺟﻨﻮب ﺷﺮﻗﯽ ﻣﻨﻄﻘﻪ ﺑﺎرﻧﺪﮔﯽ ﺑﯿﻦ640 ﺗﺎ790 ﻣﺘﺮ ﻣﯿﻠﯽ ﺑﺮآورد اﺳﺖ ﺷﺪه . ﻣﻘﺎﯾﺴﻪ ﻣﻘﺎدﯾﺮ ﺑﺎرﻧﺪﮔﯽ ﻣﺸﺎﻫﺪه ﺷـﺪه در اﯾـﻦ ﻣﻨـﺎﻃﻖ ﻧﺸـﺎن ﻣـﯽ دﻫـﺪ ﮐـﻪ ﺑﺎرﻧـﺪﮔﯽ در ﻗﺴﻤﺖ ﻫﺎ ی ﺷﻤﺎل ﻏﺮﺑﯽ ﺑﯿﻦ 380 ﺗﺎ480 ﻣﺘﺮ ﻣﯿﻠﯽ و در ﻗﺴﻤﺖ ﻫﺎ ی ﺟﻨﻮب ﺷﺮﻗﯽ ﺑﯿﻦ 450 ﺗﺎ810 ﻣﯿﻠـﯽ ﻣﺘـﺮ ﻣـﯽ ﺑﺎﺷـﺪ . اﯾـﻦ ﻧﺸـﺎن دﻫﺪ ﻣﯽ ﮐﻪ در ﻗﺴﻤﺖ ﻫﺎ ی ﺟﻨﻮب ﻏﺮﺑﯽ ﻣﻘﺎدﯾﺮ ، اﻧﺪﮐﯽ ﺗﺮ ﮐﻢ از ﺣﺪ ﺑﺮآورد اﻧﺪ، ﺷﺪه وﻟﯽ ﺑﻪ ﻃﻮر ﮐﻠﯽ ﻧﻘﺸﻪ ﻗﺎﺑﻞ ﻗﺒـﻮل ﻣـﯽ ﺑﺎﺷـﺪ . ﺑـﺮای ﺑﺮرﺳﯽ ﺑﯿﺶ ﺗﺮ وﺿﻌﯿﺖ ﺑﺮون ﯾﺎﺑﯽ ﺗﻮان ﻣﯽ ﻫﺎ داده از روﺷﯽ ﮐﻪ ﺛﻘﻔﯿﺎن و ﻫﻤﮑﺎران )1384 ( ﺑﺮای ﺑﺮآورد ﺧﻄﺎی ﺑﺮوﻧﯿﺎﺑﯽ ﻣﻘﺎدﯾﺮ ﺑﺎرﻧـﺪﮔﯽ اﺳﺘﻔﺎده ﻧﻤﻮدﻧﺪ، ﺑﻬﺮه ﮔﺮﻓﺖ . از ﻃﺮف دﯾﮕﺮ ﺣﺪاﮐﺜﺮ ﺑﺎرﻧﺪﮔﯽ در ﻧﻘﺸﻪ در ﻧﺰدﯾﮑﯽ ﺟﻨﻮب ﺷﺮﻗﯽ ﻣﻨﻄﻘﻪ اﺗﻔﺎق اﻓﺘﺎ ده اﺳﺖ ﮐﻪ ﺑﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﻣﻘﺪار ﻫﺎ داده ی ﺛﺒﺖ ﺷﺪه در اﯾﺴﺘﮕﺎه ) ﻫﺎ ﺷﮑﻞ 6 - 2 ( ﺑﻪ ﻧﻈﺮ ﻣﯽ آﯾﺪ، ﻣﻨﺎﺳﺐ ﺑﺮآورد اﺳﺖ ﺷﺪه . 74 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 115 115 116 116 117 117 118 118 119 119 120 0 10 20 30 ﺗﻌﺪاد ﻧﻘﺎط ھﻤﺴﺎﯾﮕﻲ RMSE اﻟﻒ 112 114 116 118 120 122 124 126 0 100000 200000 300000 ﺷHﻌﺎع ھﻤﺴHﺎﯾﮕﻲ RMSE ب (m) ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ ﺷﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ ﺷﮑﻞ6 - 9 - ﺑﻬﯿﻨﻪ ﺳﺎزی ﺷﻌﺎع و ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ در روش IDW اﻟﻒ- ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ ب- ﺷﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ ﺟﺪول6 - 4 - ﻧﺘﺎﯾﺞ ارزﯾﺎﺑﯽ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ RBF روش ﻣﻘﺪار ﺑﻬﯿﻨﻪ ﭘﺎراﻣﺘﺮ ﻫﻤﻮارﺳﺎز MBE RMSE Regularized spline 0025 /0 4/0 7/ 113 Spline with tension 0036 /0 1/0 1/ 113 Multiquadric 0/0 7/1 7/ 122 Inverse multiquadric 5/ 4678 9/7 118 Thin plate spline 1011 * 1/1 6/5 - 2/ 164 ﺟﺪول6 - 5 - ﻧﺘﺎﯾﺞ ارزﯾﺎﺑﯽ روش ﻫﺎ ی ﻣﺨﺘﻠﻒ درون ﯾﺎﺑﯽ روش MBE (mm) RMSE (mm) ﮐﺮﯾﺠﯿﻨﮓ 2/2 114 ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﻏﯿﺮ ﻗﺎﺑﻞ اﻧﺠﺎم ﻏﯿﺮ ﻗﺎﺑﻞ اﻧﺠﺎم Spline with tension 1/0 1/ 113 IDW ﺑﺎ ﺗﻮان1/1 5/1 6/ 113 ﮔﺮادﯾﺎن1/ 11 7/ 173 ﻓﺼﻞ ﺷﺸﻢ- ﻣﻄﺎﻟﻌﻪ ﻣﻮردی 75 0.0 100.0 200.0 300.0 400.0 500.0 600.0 700.0 800.0 900.0 0.0 100.0 200.0 300.0 400.0 500.0 600.0 700.0 800.0 900.0 ﻣﻘﺪار ﻣﺸﺎھﺪه ای ﻣﻘﺪار ﺑﺮآوردی R=0.598 ﻣﻘﺪار ﻣﺸﺎﻫﺪه ای ﻣﻘﺪار ﺑﺮآوردی ﺷﮑﻞ6 - 10 - ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎ روش اﺳﭙﻼﯾﻦ در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ) ﺑﻪ ﻣﯿﻠﯽ (ﻣﺘﺮ 0.0 100.0 200.0 300.0 400.0 500.0 600.0 700.0 800.0 900.0 0.0 100.0 200.0 300.0 400.0 500.0 600.0 700.0 800.0 900.0 ﻣﻘﺪار ﻣﺸﺎھﺪه ای ﻣﻘﺪار ﺑﺮآوردی R=0.585 ﻣﻘﺪار ﻣﺸﺎﻫﺪه ای ﻣﻘﺪار ﺑﺮآوردی ﺷﮑﻞ6 - 11 - ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎ روش ﮐﺮﯾﺠﯿﻨﮓ در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ) ﺑﻪ ﻣﯿﻠﯽ (ﻣﺘﺮ 0.0 100.0 200.0 300.0 400.0 500.0 600.0 700.0 800.0 900.0 0.0 100.0 200.0 300.0 400.0 500.0 600.0 700.0 800.0 900.0 ﻣﻘﺪار ﻣﺸﺎھﺪه ای ﻣﻘﺪار ﺑﺮآوردی R=0.596 ﻣﻘﺪار ﻣﺸﺎﻫﺪه ای ﻣﻘﺪار ﺑﺮآوردی ﺷﮑﻞ6 - 12 - ﻧﻤﻮدار ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺑﺎ روشIDW در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ ﻣﺸ ﺎﻫﺪه ای ) ﺑﻪ ﻣﯿﻠﯽ (ﻣﺘﺮ 76 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺷﮑﻞ6 - 13 - ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ در ﺣﻮزه ﮐﺮﺧﻪ ﺑﺎ روش اﺳﭙﻼﯾﻦ ﺷﮑﻞ6 - 14 - ﻧﻘﺸﻪ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ارﺗﻔﺎع ﺑﺎﻻی2700 ﻣﺘﺮ در ﻣﻨﻄﻘﻪ 7 ﭘﯿﻮﺳﺖ1 ﺳﻮاﺑﻖ ﮐﺎرﺑﺮد روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﭘﯿﻮﺳﺖ1 - ﺳﻮاﺑﻖ ﮐﺎرﺑﺮد روش ﻫﺎی درون ﯾﺎﺑﯽ 79 ﭘﯿﻮﺳﺖ1 - ﺳﻮاﺑﻖ ﮐﺎرﺑﺮد روش ﻫﺎ ی درون ﯾﺎﺑﯽ پ.1 - 1 - ﺗﺎرﯾﺨﭽﻪ اﺳﺘﺨﺮاج ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺴﯿﺎری از ﭘﺎراﻣﺘﺮﻫﺎ از ﺟﻤﻠﻪ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ ﮐﻪ در ﻧﻘﺎط اﻧﺪازه ﮔﯿﺮی ﻣﯽ ﺷـﻮﻧﺪ ، در اﻏﻠـﺐ ﻣﻄﺎﻟﻌـﺎت ﻣﻨـﺎﺑﻊ آب ﻣﻮرد ﻧﯿﺎز اﺳﺖ . روش ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺑﻪ نﺗﻮا ﻣﯽ روش ﻫﺎ ی ﮐﻼﺳـﯿﮏ ﻧﻈﯿـﺮ ﭼﻨﺪ ﺿﻠﻌﯽ ﻫﺎی ﺗﯿﺴﻦ، ﻣﻌﺎدﻻت رﮔﺮﺳﯿﻮن و روش ﻣﺜﻠﺚ ﺑﻨﺪی در ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑـﺎﻧﯽ ﺑـﺎرش اﺷـﺎره ﻧﻤـﻮ . د اﮔـﺮ ﭼـﻪ ﻣﺤﺎﺳـﺒﺎت اﯾـﻦ روش ﻫﺎ ﺳﺮﯾﻊ و آﺳﺎن اﺳﺖ وﻟﯽ ﻣﻌﺎﯾﺐ و اﺷﮑﺎﻻت آﻧﻬﺎ ﮔﺎﻫﯽ ﻣﻨﺠﺮ ﺑﻪ ا ر اﺋﻪ ﻧﺘﺎﯾﺞ ﻏﯿﺮﻗﺎﺑﻞ ﻗﺒﻮل و ﺑﺎ دﻗﺖ ﮐـﻢ ﻣـﯽ ﺷـﻮﻧﺪ . اﺳﺘﻔــﺎده از ﺗﺨﻤ ﯿﻨﮕﺮﻫﺎی ﻏﯿﺮﭘﺎراﻣﺘﺮی ﻧﻈﯿﺮ روش ﻫﺎ ی (TPSS) 1 و اﻧﻮاع روش ﻫﺎ ی ﻣﯿﺎﻧﮕﯿﻦ ﻣﺘﺤﺮک وزﻧﯽ2 ﻫﻢ اﮐﻨﻮن ﻣﺘﺪاول ﻫﺴـﺘﻨﺪ . ﻫﻤﭽﻨـﯿﻦ روش ﻫﺎ ی ﭘﺎراﻣﺘﺮی ز ﻣﯿ ﻦ آﻣﺎری ﻧﻈﯿﺮ ﮐﺮﯾﺠﯿﻨﮓ ﻧﯿﺰ ﮐﺎر ﺑﻪ ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮﻧﺪ . ﺑﻪ دﻧﺒﺎل روﻧﺪ ﺗﮑﺎﻣﻞ روش ﻫﺎ ی آﻣﺎری در ﺗﺨﻤﯿﻦ ذﺧﺎﯾﺮ ﻣﻌﺪﻧﯽ ﺑﻪ وﯾﮋه ﺑﺮاﺳﺎس ﭘﮋوﻫﺶ ﻫﺎ ی ﻣﺤ ﻘﻘﯿﻨﯽ از ﻗﺒﯿﻞ ﺳﯿﺸـﻞ و ﮐﺮﯾـﮓ ، ﻣﺎﺗﺮون ﭘ وﻫﺸﮋ ﮕ ﺮ ﻓﺮاﻧﺴﻮی ﺑﺎ اﻧﺘﺸﺎر ای ﻣﻘﺎﻟﻪ در ﺳﺎل 1962 ﻫﺎ ﭘﺎﯾﻪ ی زﻣﯿﻦ آﻣﺎر را ﺑﻨﺎ ﻧﻬﺎد . اﮔﺮ ﭼـﻪ ﻋﻤـﺪه زﻣﯿﻨـﻪ ﻫـﺎ ی رﺷـﺪ و ﺗﻮﺳـﻌﻪ زﻣﯿﻦ آﻣﺎر در ﻣﺴﺎﻟﻪ ﺗﺨﻤﯿﻦ ذﺧﺎﯾﺮ ﻣﻌﺪﻧﯽ ﺑﻮده اﺳﺖ وﻟﯽ در زﻣﯿﻨﻪ ژ ﺋﻮﺷﯿﻤﯽ زﻣﯿﻦ ، ﺷﻨﺎﺳﯽ ژ ، ﺋﻮﻓﯿﺰﯾﮏ، ﻣﮑﺎﻧﯿﮏ ﺳﻨﮓ، ﺗﺨﻤـﯿﻦ ﻣ ﺨـﺎزن ﻧﻔﺖ ، اﻗﻠﯿﻢ ﺷﻨﺎﺳﯽ، ﻫﯿﺪروﻟﻮ ژ ی و ﻣﻨﺎﺑﻊ آب ﻧﯿﺰ ﺗﺤﻘﯿﻘﺎت ﮐﺎرﺑﺮدی ﺟﺎﻣﻌﯽ اﻧﺠﺎم ﺷﺪه اﺳﺖ . اﻣﺮوزه اﺳـﺘﻔﺎده از روش ﻫـﺎ ی درون ﯾـﺎﺑﯽ در ﺑﺴﯿﺎری از ﻋﻠﻮم زﻣﯿﻦ ﮐﺎرﺑﺮد دارد . رواج اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢ ﻫﺎ ی اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ )GIS ( ﺑﻪ اﺳﺘﻔﺎده ﮔﺴﺘﺮده ﺗﺮ از اﯾﻦ روش ﻫـﺎ ﮐﻤـﮏ ،ﮐﺮده اﺳﺖ زﯾﺮا اﻣﮑﺎن اﺳﺘﻔﺎده از اﯾﻦ روش ﻫﺎ در ﺑﺴﯿﺎری از ﻧﺮم اﻓﺰارﻫﺎ ی GIS وﺟﻮد دارد ﻣﯽ و ﺗـﻮان ﺑـﺎ اﺳـﺘﻔﺎده از اﯾـﻦ روش ﻫـﺎ و ﺑـﺎ دﻗﺖ ﻣﻨﺎﺳﺐ ﻧﻘﺸﻪ ﻫﺎ ی ﺧﻄﻮط ﻫﻢ ارزش را ﺗﺮﺳﯿﻢ ﻧﻤﻮد . در اداﻣﻪ ﺑﻪ ﺑﺮﺧﯽ ﮐﺎرﺑﺮدﻫﺎی روش ﻫﺎ ی درون ﯾﺎﺑﯽ در ﻫﻮاﺷﻨﺎﺳﯽ ﮐﻪ ﻣﻮﺿـﻮع ﺑﺤﺚ اﯾﻦ راﻫﻨﻤﺎ اﺳﺖ ، اﺷﺎره . ﻮدﺷ ﻣﯽ پ.1 - 2 - ﮐﺎرﺑﺮد روش ﻫﺎ ی درون ﯾﺎﺑﯽ در ﻫﻮاﺷﻨﺎﺳﯽ ﺳﻮاﺑﻖ ﺑﯽ ﺷﻤﺎر ی در زﻣﯿﻨﻪ ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫﺎ ی اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎ ی زﻣﯿﻦ آﻣﺎری ﮔﺰارش ﺷﺪه اﺳﺖ . ﺗـﺎﺑﯿﻮس 3 و ﺳﺎﻻس4 ) 1985 ( ،ﺑﺮای ﺑﺮآورد ﺗﻮزﯾﻊ ﺑﺎرش در ﯾﮏ ﻣﻨﻄﻘﻪ آﻣﺮﯾﮑﺎ روش ﻫﺎ ﯿ ی ﺗ ﺴﻦ، ﻋﮑـﺲ ﻓﺎﺻـﻠﻪ، ﻣﺠـﺬور ﻋﮑـ ﺲ ﻓﺎﺻـﻠﻪ، ﻋﮑـﺲ وزﻧﯽ ﻓﺎﺻﻠﻪ، ﭼ ﻨﺪ ﺟﻤﻠﻪ ای درﺟﻪ دو و ﮐﺮﯾﺠﯿﻨـﮓ را ﻣﻘﺎﯾﺴـﻪ ﮐﺮدﻧـﺪ . ﺗﮑﻨﯿـﮏ اﻋﺘﺒﺎرﺳـﻨﺠﯽ ﻣﺘﻘـﺎﻃﻊ ﻧﺸـﺎن داد ﮐـﻪ روش ﮐﺮﯾﺠﯿﻨـﮓ ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ روش ﺑﺮای ﺑﺮازش ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ ﺑﻮده اﺳﺖ . ﺑ ﺮآورد ﺑﺎرﻧﺪﮔﯽ ﺳﺎﻻﻧﻪ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎ ی ﮐﺮﯾﺠﯿﻨﮓ ﻓﺎﻗﺪ روﻧﺪ5، ﮐﻮﮐﺮﯾﺠﯿﻨﮓ وﮐﺮﯾ ﺠﯿﻨﮓ، ﺗﻮﺳﻂ ﻓﯿﻠﯿﭙﺲ6 و ﻫ ﻤﮑـﺎران )1992 ( در ﺣﻮﺿﻪ ی وﯾﻠﻤﺖ در ﻏ ﺮب اﯾﺎﻟﺖ اورﮔﺎن اﻧﺠﺎم ﺷﺪ . ﺑﺮاﺳﺎس ﻧﺘـﺎﯾﺞ اﯾـﻦ ﻣﻄﺎﻟﻌـﻪ، روش ﻫـﺎ ی ﮐﺮﯾﺠﯿﻨـﮓ روﻧـﺪدار وﮐﻮ ﮐﺮﯾﺠﯿﻨـﮓ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روش ﮐﺮﯾﺠﯿﻨﮓ ﻣﻨﺎﺳﺐ ﺗﺮ ﺗﺸﺨﯿﺺ داده ﺷﺪﻧﺪ . ﻫﻤﭽﻨﯿﻦ اﯾﻦ ﻣﺤﻘﻘﯿﻦ ﺑﺎ ﺗﺮﺳﯿﻢ ﻧﻘﺸـﻪ ی ﺑﺎرﻧـﺪﮔﯽ و ﺗﻄـﺎﺑﻖ آن ﺑـﺎ ﺳـﯿﻤﺎی ﺮﮔﻮﻮﭘﺗ اﻓﯽ ﻣﻨﻄﻘﻪ ﺑﻪ ﻧﺘﯿﺠ اﯾﻦ ﻪ رﺳﯿﺪﻧﺪ ﮐﻪ روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ، ﺑﯿﺶ از د و روش دﯾﮕﺮ ﺑﺎ ﻣﻨﻄﻘﻪ ﺗﻄﺎﺑﻖ دارد . 1- Thin Plate Smoothing Splines 2- Weighted Moving Average ﯾﺎWMA 3- Tabios 4- Salas 5- Deterended Kriging 6- Phillips 80 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻟﯿﺒﻞ1 و ﻫﻤﮑﺎران )1987 ( در ﯾﮏ ﻣﻄﺎﻟﻌﻪ ی ﻣﻮردی در ﺳﻮﻧﺲ ﻓﺮا ﻧﺴﻪ ﺑﺮای ﺗﻌﯿﯿﻦ دﻗﺖ ﺑﺮآورد ﻣﮑـﺎﻧﯽ ﺑـﺎرش ﻫـﺎی 1 ، 2 ، 4 ، 6 ، 12 و24 ،ﺳﺎﻋﺘﻪ روش ﻫﺎ ی ﺑﺮازش ﺻﻔﺤﻪ ﻫﺎ ی اﺳـﭙﻼﯾﻦ، ﭼﻨﺪﺿـﻠﻌﯽ ﺗﯿﺴـﻦ و ﮐﺮﯾﺠﯿﻨـﮓ را ﺑﺮرﺳـﯽ ﻧﻤﻮدﻧـﺪ . ﻧﺘـﺎﯾﺞ ﻧﺸـﺎن داد ﮐـﻪ روش ﮐﺮﯾﺠﯿﻨﮓ ﻧﺴﺒﺖ ﺑﻪ روش ﻫﺎ ی دﯾﮕﺮ از دﻗﺖ ﺑﯿﺶ ﺗﺮ ی ﺑﺮﺧﻮردار ﻣﯽ ﺑﺎﺷﺪ . ﺑﺎل2 و ﻫ ﻤﮑﺎران )1998 ( ﺑﺮای ﺗﺨﻤﯿﻦ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺷﺪت ﺑﺎرﻧﺪﮔﯽ روزاﻧﻪ در ی ﺣﻮﻣﻪ ﻏﺮﺑﯽ ﺷﻬﺮ ﺳﯿﺪﻧﯽ، روش ﻫﺎ ی ﺗﯿﺴﻦ، ﻋﮑـﺲ ﻓﺎﺻﻠﻪ، ﺗﻮاﺑﻊ اﺳﭙﻼﯾﻦ و ﭼﻨﺪ ﺟﻤﻠﻪ ای ر ا در ﻣﺤﯿﻂ ﺳﯿﺴﺘﻢ اﻃﻼ ﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ ﺑ ﺮرﺳﯽ ﮐﺮ . دﻧﺪ روش اﺳﭙﻼﯾﻦ دﻗﯿـﻖ ﺗـﺮ ﯾﻦ روش و روش ﭼﻨﺪﺿﻠﻌﯽ ﺗﯿﺴﻦ ﻧﺎ ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ روش ﻣﻌﺮﻓﯽ ﺷﺪ . ﻣ ﻘﺎﯾﺴﻪ ﺑﯿﻦ ﭼﻨﺪ روش ﮐﺮﯾﺠﯿﻨﮓ ، ﻧﺰدﯾﮏ ﺗﺮ ﯾﻦ ﻫﻤﺴﺎﯾﮕﯽ، ﻋﮑﺲ ﻣﺠﺬور ﻓﺎﺻﻠﻪ و روش ﮔﺮادﯾﺎن ﻫﻤﺮاه ﺑـﺎ ﻋ ﮑـﺲ ﻣﺠـﺬور ﻓﺎﺻـﻠﻪ (GIDS) 3 ﺗﻮﺳ ﻂ ﻧﺎﻟﺪر4 و وﯾﻦ5 ) 1998 ( ﺑﻪ ﻣﻨﻈﻮر ﺑﺮرﺳﯽ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ و دﻣﺎی ﻣﺎﻫﺎﻧﻪ در ﺟﻨﮕﻞ ﻫـﺎی ﺷـﻤﺎل ﮐﺎﻧـﺎدا ﮔـﺰارش . ﺷﺪ ﻧﺘﺎﯾﺞ ﺑﻪ دﺳﺖ آﻣﺪه ﻧﺸﺎن داد ﮐﻪ روش GIDS ، ﺑﺮای دﻣﺎی ﻣﺎﻫﺎﻧﻪ و ﺑﺎرﻧﺪﮔﯽ ﻣ ﺎﻫﺎﻧﻪ ازﺳﺎﯾﺮ روش ﻫﺎ ﻣﻨﺎﺳـﺐ ﺗـﺮ اﺳـﺖ . ﻫﻤﭽﻨـﯿﻦ اﯾﺸﺎن ﺑﺎ ﻣﻘﺎﯾﺴﻪ روش ی ﻫﺎ ی GIDS و ﮐﺮﯾﺠﯿﻨﮓ ، روش GIDS از را ﻧﻈﺮﮐﺎرﺑﺮد و ﻋﺪم ﻧﯿﺎز ﺑﻪ رﺳﻢ ﻫﺎ ﻣﺪل ی ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﮕـﺎر ﺳـﺎده ﺗـﺮ ﺗﺸﺨﯿﺺ دادﻧﺪ . آﺑﺘﯿﻮ6 و ﻫ ﻤﮑﺎران )1993 (در آﻧﺎﻟﯿﺰ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﻣﺎﻫﺎﻧﻪ در ﺟﻨﻮب ﻓﻠﻮرﯾﺪا، روش ﻫﺎ ﯿﺗ ی ﺴﻦ، ﻋﮑﺲ ﻓﺎﺻﻠﻪ، ﭼﻨﺪ ای ﺟﻤﻠﻪ درﺟـﻪ دو، ﮐﺮﯾﺠﯿﻨﮓ ﻋﻤﻮﻣﯽ، ﮐﺮﯾﺠﯿﻨﮓ ﻣﻌﻤ ﻮﻟﯽ و ﺑﻬﯿﻨﻪ7 را ﻣﻮرد آزﻣﻮن ﻗﺮا ادﻧﺪ د ر و روش ﻫﺎ ی ﭼﻨﺪﺟﻤﻠﻪ ای، ﮐﺮﯾﺠﯿﻨﮓ ﻣﻌﻤـﻮﻟﯽ و ﺑﻬﯿﻨـﻪ را ﺟـﺰ ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ روش ﻫﺎ ی ﺑﺮآورد ﺑﺎرﻧﺪﮔﯽ ﻣﺎﻫﺎﻧﻪ در آن ﻣﻨﻄﻘﻪ ﻣﻌﺮﻓﯽ ﮐﺮدﻧﺪ . ﺣﻮﯾﺴﯽ8 ﻫﻤ و ﮑﺎران )1992 ( ﺑﺎرﻧﺪﮔﯽ ﻣﺘﻮﺳﻂ ﺳﺎﻻﻧﻪ رد را ﻣﻨﻄﻘﻪ ای ﺷﺎﻣﻞ ﻫـﺎ ﮐـﻮه ی ﯾﻮﮐـﺎ واﻗـﻊ در ﺟﻨـﻮب ﻧـﻮادا ﺟﻨـ و ﻮب ﺷـﺮﻗﯽ ﮐﺎﻟﯿﻔﺮﻧﯿﺎ ﺑﺮآورد ﮐﺮدﻧﺪ . آﻧﻬﺎ روش ﻫﺎ ی ﻋﮑﺲ ﻓﺎﺻﻠﻪ، ﻋﮑﺲ ﻣﺠـﺬور ﻓﺎﺻـﻠﻪ، ﻋﮑـﺲ ﻣﮑﻌـﺐ ﻓﺎﺻـﻠﻪ، ﮐﺮﯾﺠﯿﻨـﮓ، ﻫﻤﺒﺴـﺘﮕﯽ ﺧﻄـﯽ، ﻫﻤﺒﺴﺘﮕﯽ ﺧﻄﯽ ﻟﮕﺎرﯾﺘﻤﯽ، ﻣﺘﻮﺳﻂ ﻫﻤﺴﺎﯾﮕﯽ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ را ﺑﺮرﺳﯽ ﻧﻤﻮدﻧﺪ . ﺑـﻪ ﻋﻠـﺖ اﯾـﻦ ﮐـﻪ در ﻣﻨﻄﻘـ ﻣﻄﺎ ﻪ ﻟﻌـ ﺎﺗﯽ ﻫﻤﺒﺴـﺘﮕﯽ ﺑﺎرﻧﺪﮔﯽ و ارﺗﻔ ﺎ ع ﻗﻮی ﺑﻮد، روش ﻫﺎ ﯾﯽ ﻣﺎﻧﻨﺪ ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﮐﻪ از ارﺗﻔﺎع ﺑﻪ ﻋﻨﻮا ن ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ ، ﺑﺮﺗﺮی ﻧﺸﺎن دادﻧﺪ . ﮔﺎرن9 و ﻫ ﻤﮑﺎران )1994 (روش ﮐﺮﯾﺠﯿﻨﮓ روﻧﺪدار را ﺑﺮای ﺑﺮآورد ﻣﺘﻮﺳﻂ ﻣﻨﻄﻘﻪ ای ﺑﺎرﻧﺪﮔﯽ روزاﻧـﻪ در ﺣﻮﺿـﻪ ی رﯾﻨﻮﻟـﺪز ﮐﺮﯾـﮏ اﺳﺘﻔﺎده ﻧﻤﻮدﻧﺪ و ﺑﻪ اﯾﻦ ﻧﺘﯿﺠﻪ رﺳﯿﺪﻧﺪ ﮐﻪ روش ﮐﺮﯾﺠﯿﻨﮓ ﺑﻪ دﻟﯿﻞ وزن دﻫﯽ ﻣﺘﻔﺎوت، در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روش یﻫﺎ ﺑـﺎ وزن ﯾﮑﺴـﺎن، دﻗـﺖ ﺑﺮآورد را ﺑﺎﻻ ﺑﺮد ﻣﯽ . آﻧﻬﺎ ﻧﺸﺎن دادﻧﺪ ﮐﻪ ﺑﺎ ﺗﻘﺴﯿﻢ ﻣﻨﻄﻘﻪ، ﺧﻄﺎ اﻓﺰاﯾﺶ ﻧ .ﯾﺎﺑﺪ ﻤﯽ ﭘﺮودﻫﻮم10 و رﯾـﺪ 11 ) 1999 ( ﺑـﺮای ﯾـ ﺎﻓﺘﻦ ﯾـﮏ روش ﺳﺎده ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ ی ﺣﺪاﮐﺜﺮ ﺑﺎرش روزاﻧﻪ در ﻧﻮاﺣﯽ ﮐﻮﻫﺴﺘﺎﻧﯽ اﺳﮑﺎﺗﻠﻨﺪ روش ، ﻫﺎ ی ﮐﺮﯾﺠﯿﻨﮓ ﻣﻌﻤﻮﻟﯽ و ﮐﺮﯾﺠﯿﻨـﮓ اﺻـﻼح ﺷـﺪه 12 را اﻧﺘﺨﺎ ب ﻧﻤﻮدﻧﺪ . روش ﮐﺮﯾﺠﯿﻨﮓ اﺻﻼح ﺷﺪه ﺑﺮای ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ ی ﻧﻬﺎﯾﯽ اﻧﺘﺨﺎب ﺷ .ﺪ 1- Lable 2- Ball 3- Gradian Plus Inverse Distance Squared 4- Nalder 5- Wein 6- Abtew 7- Optimal 8- Hevesi 9- Garen 10- Prudhomme 11- Reed 12- Modified Kriging ﭘﯿﻮﺳﺖ1 - ﺳﻮاﺑﻖ ﮐﺎرﺑﺮد روش ﻫﺎی درون ﯾﺎﺑﯽ 81 ﻣﻘﺎﯾﺴﻪ ی ﺑﯿﻦ روش ﻫﺎ ی TPSS و GIDS ﺑﺮای درون ﯾﺎﺑﯽ ﻣﮑﺎﻧﯽ دﻣ ﺎ و ﺑﺎرﻧﺪﮔﯽ ﻣﺎﻫﺎﻧﻪ و ﺳﺎﻻﻧﻪ در ﻏﺮب و ﺷـ ﺮق ﮐﺎﻧـﺎدا، ﺗﻮﺳـﻂ ﭘﺮاﯾﺲ1 و ﻫ ﻤﮑﺎران )2000 (ا ﻧﺠﺎم . ﺷﺪ در ﻣﺠﻤﻮع روش TPSS در اﻏﻠﺐ ﻣﺎه ﻫﺎ ﻧﺘﯿﺠﻪ ﻣﻨﺎﺳﺐ ﺗﺮ ی اراﺋـﻪ داد، اﻣـﺎ ﮐـﺎرﺑﺮد روش GIDS هﺳﺎد ﺗﺮ ﺗﺸﺨﯿﺺ داده ﺷﺪ . درﮐﺲ2 ﻫ و ﻤﮑﺎران )1998 ( ﺑﺮای ﺑﺮآورد ﻣﺘﻮﺳﻂ ﺑﺎرﻧﺪﮔﯽ در ﺟﺰﯾﺮه ی ﻧﻮرﻓﻮﻟـﮏ اﺳـﺘﺮاﻟﯿﺎ، ﭼﻬـﺎر رو ش ﮐﺮﯾﺠﯿﻨـﮓ ، ﻋﮑـﺲ ﻓﺎﺻـﻠﻪ، ﺗﯿﺴﻦ و ﻣﯿﺎﻧﮕﯿﻦ اﯾﺴﺘﮕﺎه ﻫﺎ را ﻣﻮرد ﻣﻘﺎﯾﺴﻪ ﻗﺮار دادﻧﺪ . ﺑﺮاﺳﺎس ﻧﺘﺎﯾﺞ اﯾﻦ ﻣﻄﺎﻟﻌﻪ، ﮐﺮﯾﺠﯿﻨﮓ ا ز ﻧﻈﺮ دﻗﺖ ﺿﻌﯿﻒ ﺗـﺮ از ﺳـﻪ روش دﯾﮕـﺮ ﺑﻮد و ﻣﻨﺎﺳﺐ روش ﯾﻦﺗﺮ ، روش ﻋﮑﺲ ﻓﺎﺻﻠﻪ ﻣﻌﺮﻓﯽ ﺷﺪ . ﭘﻮﻧﯿﺎوردﻧﺎ3 و ﮐﻮﻻﺳﯿﺮ4) ی1998 ( ﻣﻄ ﺎﻟﻌﺎﺗﯽ را در زﻣﯿﻨـﻪ ی ﺑـﺮآورد ﺑﺎرﻧـﺪﮔﯽ در ﻧـﻮاﺣﯽ ﺧﺸـﮏ ﺳـﺮﯾﻼﻧﮑﺎ اﻧﺠـﺎم دادﻧـﺪ ﮐـﻪ ﻣـ ﺪل ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ در اﯾﻦ ﻣﻄﺎﻟﻌﻪ از ﻧﻮع ﻧﻤﺎﯾﯽ ﺑﻪ دﺳﺖ آﻣﺪ آ . ﻧﻬﺎ ﺑﺎ ﺑﺮرﺳﯽ و ﻣﻘﺎﯾﺴـﻪ روش ی ﻫـﺎ ی ﻋﮑـﺲ ﻓﺎﺻـﻠﻪ و ﻣ ﯿـﺎﻧﮕﯿﻦ اﯾﺴﺘﮕﺎه ﻫﺎ ﺑﺎ ﻣﺪل ﻧﻤﺎﯾﯽ اﻇﻬﺎر داﺷﺘﻨﺪ ﮐﻪ ﻣﺪل ﻧﻤﺎﯾﯽ ﻣﺰﯾﺘﯽ ﺑﺮ روش ﻫﺎ ی ﺳﺎد ة اﺳﺘﻔﺎده ﺷﺪه ﻧﺪارد . ﮔﻮارﺗﺰ5 ) 2000 (ﺳﻪ اﻟﮕﻮرﯾﺘﻢ زﻣﯿﻦ آﻣﺎری را ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ ﺑﺮرﺳﯽ ﮐﺮد . روش ﻫﺎ ی ﮐﺮﯾﺠﯿﻨﮓ ﺳﺎده، ﮐﺮﯾﺠﯿﻨـﮓ ﺑـﺎ ،روﻧﺪ ﺧﺎرﺟﯽ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﺑﺮای ﺑ ﺎرﻧ ﺪﮔﯽ و دﻣﺎی ﺳﺎﻻﻧﻪ 36 اﯾﺴﺘﮕﺎه ﮐﻠﯿﻤﺎﺗﻮﻟﻮ ژی در ﯾﮏ ﻧﺎﺣﯿﻪ ﺑـﺎ وﺳـﻌﺖ 5000 ﮐﯿﻠـﻮﻣﺘﺮ ﻣﺮﺑـﻊ در ﭘﺮﺗﻐﺎل ﺑﺮرﺳﯽ .ﺷﺪ ﺑﺮای ﻣﻘﺎﯾﺴﻪ ﺳﻪ روش ﮐﺮﯾﺠﯿﻨﮓ ﺑﺎ روش ﻫﺎ ی رﮔﺮﺳﯿﻮن ﺧﻄﯽ ﺑﺎ ارﺗﻔـﺎع، ﺗﯿﺴـﻦ، ﻋﮑـﺲ ﻓﺎﺻـﻠﻪ، ﻋﮑـﺲ ﻣﺠـﺬور ﻓﺎﺻﻠﻪ و ﮐﺮﯾﺠﯿﻨﮓ ﻣﻌﻤﻮﻟﯽ از ﺗﮑﻨﯿﮏ اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺘﻘﺎﻃﻊ اﺳﺘ ﻔﺎده ﺷﺪ . دو روش ﻋﮑﺲ ﻣﺠﺬور ﻓﺎﺻﻠﻪ و ﺗﯿﺴﻦ ﺑـﯿﺶ ﺗـﺮ ﯾﻦ ﺧﻄـﺎ را در ﺑﺮآورد ﺑﺎرﻧﺪﮔﯽ داﺷﺘﻨﺪ . در ﻣﺠﻤﻮع روش ﻫﺎ ی ﭼﻨﺪ ﻣﺘﻐﯿﺮه زﻣﯿﻦ آﻣﺎری و در رأس آﻧﻬـﺎ روش ﮐﺮﯾﺠﯿﻨـﮓ ﺳـﺎده ﺑـﺎ ﺗﻐﯿﯿـﺮ دادن ﻣﯿـﺎﻧﮕﯿﻦ ﻣﺤﻠﯽ و ﮐﺮﯾﺠﯿﻨﮓ ﺑﺎ روﻧﺪ ﺧﺎرﺟﯽ ﺑﻬﺘ ﺮﯾﻦ روش ﻫﺎ ﺑﻮدﻧﺪ . ﻧﺘﺎﯾﺞ ﻧﺸﺎن داد ﮐﻪ رو ش ﮐﺮﯾﺠﯿﻨﮓ ﻣﻌﻤﻮﻟﯽ ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﺿـﺮﯾﺐ ﻫﻤﺒﺴـﺘﮕ ﯽ ﺑﺎرﻧﺪﮔﯽ و ارﺗﻔﺎع ﻧﺴﺒﺘﺎ ﺑﺎﻻ ﺑﺎﺷﺪ، از روش ﻫﻤﺒ ﺴﺘﮕﯽ ﺧﻄﯽ ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮی اراﺋﻪ . دﻫﺪ ﻣﯽ ﻟﯿﻨﭻ6 ) 2001 (روش یﻫﺎ ﺗﺒﺪﯾﻞ ﺑﺎرﻧﺪﮔﯽ روزاﻧﮥ ﻧﻘﻄﻪ ای ﺑﻪ ﻣﻨﻄﻘﻪ ای را در آﻓﺮﯾﻘﺎی ﺟﻨﻮﺑﯽ ﺑﺮرﺳـﯽ ﮐـﺮد و ﺑـﯿﻦ روش ﻫـﺎ ی ﻋﮑـﺲ وزﻧﯽ ﻓﺎﺻﻠﻪ، ﮐﺮﯾﺠﯿﻨ ﮓ و اﺳﭙﻼﯾﻦ، روش ﻋﮑﺲ وزﻧﯽ ﻓﺎ ﺻﻠﻪ را ﺗﻮﺻﯿﻪ ﻧﻤﻮد . ﮐﺴﺘﯿﻮن7 و ﻫﻮﺗﭽﯿﻨﺴﻮن8 ) 2001 (ﺑﺮا ی ﭘﺎﯾ ﺶ ﺗﻐ ﯿﯿﺮات و ﻧﻮﺳﺎﻧﺎت اﻗﻠﯿﻤﯽ و ﻣﺪل ﺳﺎزی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻣﺘﻐﯿﺮﻫـﺎ ی اﻗﻠﯿﻤـﯽ در ﻣﻘﯿـﺎس ﻗﺎره ای و ﻣﻨﻄﻘﻪ ای، ﻣﻄﺎﻟﻌﺎﺗﯽ را در ی ﻗﺎره اﻗﯿﺎﻧﻮﺳﯿﻪ اﻧﺠﺎم دادﻧﺪ . آﻧﻬﺎ ﺑﺎ اﺳـﺘﻔﺎده از روش TPSS ﻫـﺎ داده ایﺑـﺮ ی دﻣـﺎ و ﻓﺸـﺎر ﻣﺎﻫﺎﻧـﮥ ﺷﺒﮑﻪ ی اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻫﻮاﺷﻨﺎﺳﯽ ﺑﺮای دوره ﻫﺎی ژاﻧﻮﯾﻪ 1952 ﺗﺎ دﺳﺎﻣﺒﺮ1990 ﺑﻪ اﯾﻦ ﻧﺘﯿﺠﻪ رﺳﯿﺪﻧﺪ ﮐﻪ ﺗﻐﯿﯿـﺮ ﻗﺎﺑـﻞ ﺗـﻮﺟﻬﯽ در اﻗﻠـﯿﻢ ی ﻗﺎره اﻗﯿﺎﻧﻮﺳﯿﻪ در ی دوره ﻣﻮرد ﺑﺤﺚ دﯾﺪه .ﺷﻮد ﻣﯽ ﻫﻤﭽﻨﯿﻦ ﮐﻮﻧﮑﺎ9 و ﻣﺎرﺗﯿﻨﺰ10 ) 1992 (ﺗﺎﺛﯿﺮ ارﺗﻔﺎع ﺑ ﺮ ﺗﺒﺨﯿﺮ - ﺗﻌﺮق ﻣﻨﻄﻘﻪ ای ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎ ی زﻣﯿﻦ آﻣﺎری ، ﺑـﺮای رژﯾـﻢ ﻫـﺎ ی ﻣﺨﺘﻠـﻒ اﻗﻠﯿﻤﯽ اردن را ﮔﺰارش ﮐﺮدﻧﺪ . آﻧﻬﺎ ﻋﻼوه ﺑﺮ ﻣﺤﺎﺳﺒﻪ و رﺳﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮای ﻫﺮ ﮐﺪام از ﭘﺎراﻣﺘﺮﻫـﺎ ی ﺗﺒﺨﯿـﺮ - ،ﺗﻌـﺮق و ارﺗﻔـﺎع 1- Price 2- Dirks 3- Punyawordena 4- Kulasiri 5- Goovaerts 6- Lynch 7- Kesteven 8- Hutchinson 9-Cuenca 10- Martinez 82 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﻣﺘﻘﺎﺑﻞ ﺗﺒﺨﯿﺮ - ﺗﻌﺮق و ارﺗﻔﺎع را ﺑﺮآورد و ﻣﺪل ﮐﺮوی را ﺑﺮای آن اﻧﺘﺨﺎب ﮐﺮدﻧﺪ . ﺑﻪ ﮐـﺎرﮔﯿﺮی روش ﻫـﺎ ی ﮐﺮﯾﺠﯿﻨـﮓ و ﮐـﻮ ﮐﺮﯾﺠﯿﻨﮓ ﻧﺸﺎن داد ﮐﻪ ﻣﻘﺎدﯾﺮ ﺣﺪاﻗﻞ، ﺣﺪاﮐﺜﺮ و ﻣﯿﺎﻧﮕﯿﻦ ﺗﺒﺨﯿﺮ - ﺗﻌﺮق ﺑﺮای ﻫﺮ دو روش ﯾﮑﺴﺎن ﺑـﻮد . وﻟـﯽ ﺧﻄـﻮط ﻣﯿـﺰان در روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ اﺛﺮ ارﺗﻔﺎع و ﻧﻮاﺣﯽ آب و ﻫﻮاﯾﯽ را ﻣﻨﻌﮑﺲ ﻣﯽ ﮐﺮد . ﺟﻔﺮی1 ﻫﻤ و ﮑﺎران )2001 (آﻣﺎر ﺑﺎرﻧﺪﮔﯽ را از ﺳﺎ ل 1890 و آﻣـﺎر ﺳـﺎﯾﺮ ﻣﺘﻐﯿﺮﻫـﺎ ی اﻗﻠﯿﻤـﯽ را از 1957 در4600 اﯾﺴـﺘﮕﺎ ه ﺳﺮاﺳـﺮ اﺳﺘﺮاﻟﯿﺎ ﺑﺮ رﺳﯽ ﮐﺮدﻧﺪ . آﻧﻬﺎ در ﻧﻬﺎﯾﺖ از روش TPSS ﺑﺮا ی درون ﯾﺎﺑﯽ ﻣﺘﻐﯿﺮﻫﺎ ی اﻗﻠﯿﻤـﯽ روزاﻧـﻪ و از روش ﮐﺮﯾﺠﯿﻨـﮓ ﻣﻌﻤـﻮﻟﯽ ﺑـﺮا ی درون ﯾﺎﺑﯽ ﺑﺎرﻧﺪﮔﯽ ﻣﺎﻫ ﺎﻧﻪ و روزاﻧﻪ در ﯾﮏ ﯾﮏ ی ﺷﺒﮑﻪ ﻣﻨﻈﻢ 05 /0 درﺟﻪ ای اﺳﺘﻔﺎ ده ﮐﺮدﻧﺪ . رﺣﯿﻤﯽ )1379 ( ﮐﺎرﺑﺮد روش ﻫﺎ ی زﻣﯿﻦ آﻣﺎری را در ﺑﺮآورد ﺑﺎرﻧﺪﮔﯽ ﻣﻨﺎﻃﻖ ﺧﺸﮏ و ﻧﯿﻤﻪ ﺧﺸﮏ ﺟﻨﻮب ﺷﺮق اﯾﺮان ﻣـﻮرد ﺑﺮرﺳـﯽ ﻗﺮار داد . ﻧﺘﺎﯾﺞ ﻧﺸﺎن داد ﺑﺮای ﺑﺮآورد ﺑﺎرﻧﺪﮔﯽ ﻣﺎﻫﺎﻧﻪ و ﺳﺎﻻﻧﻪ روش TPSS ﺑﺎ ﺗﻮان2 و ﺑﺎ ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ ارﺗﻔﺎع روش ﻣﻨﺎﺳﺒﯽ ﻣﯽ ﺑﺎﺷﺪ . ﺛﻘﻔﯿﺎن و ﻫﻤﮑﺎر ) ان 2003 (ﭼﻨﺪ روش درون ﯾﺎﺑﯽ ﺗﯿﺴﻦ، ﻣﯿﺎﻧﮕﯿﻦ ﻣﺘﺤﺮک وزﻧﯽ، روﯾﻪ ﻣﺘﺤﺮک2 ، روﯾﻪ ﭼﻨﺪﺟﻤﻠـﻪ ای 3 و ﮐﺮﯾﺠﯿﻨـﮓ را ﺑﺮای ﺑﺎرﻧﺪﮔﯽ ﻓﺮاﮔﯿﺮ روز16 اﺳﻔﻨﺪ1369 در ﺟﻨﻮب ﻏﺮب اﯾﺮان و ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی اﯾﺴﺘﮕﺎه ﻫﺎی ﺳﺎزﻣﺎن ﻫﻮاﺷﻨﺎﺳﯽ )47 اﯾﺴـﺘﮕﺎه ( آزﻣﻮن ﮐﺮدﻧﺪ . آﻧﻬﺎ ﺑﻪ اﯾﻦ ﻧﺘﯿﺠﻪ رﺳﯿﺪﻧﺪ ﮐﻪ روش ﻣﯿﺎﻧﮕﯿﻦ ﻣﺘﺤﺮک وزﻧﯽ ﺑﺎ ﺗﻮان 3 ﺑﯿﺶ ﺗﺮﯾﻦ دﻗﺖ را ﺑﺮای ﺑﺎرﻧﺪﮔﯽ آن روز اراﺋﻪ ﻣﯽ .ﮐﻨﺪ ﺛﻘﻔﯿﺎن و ﻫﻤﮑﺎران )1384 ( اﺛﺮ ﺗﺮاﮐﻢ اﯾﺴﺘﮕﺎه و ﺗﻔﮑﯿﮏ ﻣﻨﻄﻘﻪ ای در ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ روزاﻧﻪ را ﺑﺮ روی ﺑﺎرﻧﺪﮔﯽ ﺟﻨـﻮب ﻏﺮب اﯾﺮان ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار دادﻧﺪ . آﻧﻬﺎ ﻧﺘﯿﺠﻪ ﮔﺮﻓﺘﻨﺪ ﮐﻪ در ﻣﺠﻤﻮع روش TPSS ﻣﻨﺎﺳﺐ ﻣﯽ ﺗﺮ ﺑﺎﺷﺪ . وﻟﯽ ﺑﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﻧﺰدﯾـﮏ ﺑـﻮدن دﻗﺖ روش ﻫﺎ اﻧﺘﺨﺎب ﻧﻬﺎﯾﯽ روش ﻣﻨﺎﺳﺐ ﺑﻪ ﻫﺪف و زﻣﺎن ﻣﺤﺎﺳﺒﻪ واﺑﺴﺘﻪ .ﺷﺪ رﺣﯿﻤﯽ و ﻣﻬﺪﯾﺎن )1383 (ﻧﯿﺰ ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ روزاﻧﻪ و ﻣﺎﻫﺎﻧﻪ در ﺣﻮﺿﻪ درﯾﺎی ﺧﺰر را ﺑﺮرﺳﯽ ﮐﺮدﻧﺪ . ﻧﺘﺎﯾﺞ آﻧﻬﺎ ﺑﯿﺎﻧﮕﺮ ﺑﺮﺗـﺮی روشTPSS ﺑﺮای ﻫﺮ دو ﻣﻘﯿﺎس روزاﻧﻪ و ﻣﺎﻫﺎﻧﻪ ﺑﻮد . ﺑﺮرﺳﯽ ﻣﻄﺎﻟﻌﺎت اﻧﺠﺎم ﺷﺪه ﻧﺸﺎن ﮐﻪ دﻫﺪ ﻣﯽ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﺑﺴﺘﻪ ﺑﻪ ﻧﻮع ﻣﺘﻐﯿﺮ و ﻫﻤﭽﻨﯿﻦ وﯾﮋﮔﯽ ﻫﺎ ی ﻣﻨﻄﻘﻪ ﻣﻮرد ﻣﻄﺎﻟﻌـﻪ، ﺗﺮاﮐﻢ ﻧﻘﺎط اﻧﺪازه ﮔﯿﺮی و ﻧﺤﻮه آراﯾﺶ آﻧﻬﺎ دﻗﺖ ﻣﺘﻔﺎوﺗﯽ را اراﺋﻪ ﻣﯽ ﮐﻨﻨﺪ ﺗﻮان ﻤﯽ و ﻧ ﻧﺘﺎﯾﺞ ﯾﮏ ﻣﻨﻄﻘﻪ را ﺑﻪ راﺣﺘـﯽ ﺑـﻪ ﻣﻨﻄﻘـﻪ ای دﯾﮕـﺮ ﺗﻌﻤﯿﻢ داد . ﻟﺬا ﻻزم اﺳﺖ ﮐﻪ ﺑﺮای ﻫﺮ ﻣﻨﻄﻘﻪ و ﻫﺮ ﻣﺘﻐﯿﺮ ، ﺑﺮرﺳﯽ ﻫﺎ ی اراﺋﻪ ﺷﺪه در اﯾﻦ دﺳﺘﻮراﻟﻌﻤﻞ اﻧﺠﺎم ﮔﺮﻓﺘﻪ ﺗـﺎ ﯾـﮏ روش ﻣﻨﺎﺳـﺐ ﺑﺮای ﻣﻨﻄﻘﻪ ﻣﻮرد ﻧﻈﺮ و ﭘﺎراﻣﺘﺮ ﻣﻮرد ﺑﺮرﺳﯽ ﺣﺎﺻﻞ ﺷﻮد . 1- Jeffry 2- Moving Surface 3- Trend Surface 8 ﭘﯿﻮﺳﺖ2 آﻧﺎﻟﯿﺰﻫﺎی آﻣﺎری ﭘﯿﻮﺳﺖ2 - آﻧﺎﻟﯿﺰﻫﺎی آﻣﺎری 85 ﭘﯿﻮﺳﺖ2 - آﻧﺎﻟﯿﺰﻫﺎی آﻣﺎر ی در اﯾ ﻦ ﭘﯿﻮﺳﺖ ﺑﺮﺧﯽ ﺗﺤﻠﯿﻞ ﻫﺎی آﻣﺎری ﺗﻮﺻﯿﻔﯽ ﻫﺎ داده اراﺋﻪ ﺷ ﺪه اﺳﺖ . ﯾﮑﯽ از ﮐﺎرﺑﺮدی ﺗﺮ ﯾﻦ اﺑﺰارﻫﺎی آﻣﺎر ﺗﻮﺻﯿﻔﯽ، آﻣﺎره ﻣﯽﻫﺎ ﺑﺎﺷﻨﺪ . پ.2 - 1 - آﻣﺎره ﻫﺎ آﻣﺎره در ﻫﺎ ﺳﻪ دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﻣﯽ ﺷﻮﻧﺪ : ﻣﻌﯿﺎرﻫﺎی ﻣﻮﻗﻌﯿﺖ ، ﻣﻌﯿﺎرﻫﺎی ﭘﺮاﮐﻨﺶ و ﻣﻌﯿﺎرﻫﺎی ﺷﮑﻞ . پ.2 - 1 - 1 - ﻣﻌﯿﺎرﻫﺎی ﻣﻮﻗﻌﯿﺖ ﻋﺒﺎرت اﻧﺪ از : اﻟﻒ- ﻣﯿﺎﻧﮕﯿﻦ : ﻣﯿﺎﻧﮕﯿﻦ،m ، ﺷﻨﺎﺳﻪ ﻣﺘﻮﺳﻂ ﺣﺴﺎﺑﯽ ﻣﻘﺎدﯾﺮ ﻣﯽ ﻫﺎ داده ﺑﺎﺷﺪ : )1( n i i 1 1 m x n = = å ﮐﻪ در آنn ﺗﻌﺪاد و ﻫﺎ دادهx1, …, xn ﻣﻘﺎدﯾﺮ ﻣﯽ ﻫﺎ داده ﺑﺎﺷﻨﺪ . ب- ﻣﯿﺎﻧﻪ : اﮔﺮ ﻫﺎ داده ﺑﻪ ﺻﻮرت ﺻﻌﻮدی ﻣﺮﺗﺐ ﺷﻮﻧﺪ، ﻣﯿﺎﻧﻪ ﻧﻘﻄﻪ وﺳﻂ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﻣـﯽ ﺑﺎﺷـﺪ . ﻧﯿﻤـﯽ از ﻣﻘـﺎدﯾﺮ زﯾـﺮ ﻣﻘـﺪار ﻣﯿﺎﻧﻪ و ﻧﯿﻢ دﯾﮕﺮ ﺑﺎﻻی آن ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ . زﻣﺎﻧﯽ ﻫﺎ داده ﮐﻪ ﻣﺮﺗﺐ اﻧﺪ ﺷﺪه ﺧﻮاﻫﯿﻢ داﺷﺖ : ≤x n . .. x1≤ x2 ≤ . در اﯾـﻦ ﺻـﻮرت ﻣﯿﺎﻧﻪ از ﻃﺮﯾﻖ ﯾﮑﯽ از دو ﻣﻌﺎدﻟﻪ زﯾﺮ ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺑﺎﺷﺪ : )2( اﮔﺮn ﻓﺮد ﺑﺎﺷﺪ اﮔﺮn زوج ﺑﺎﺷﺪ n 1 2 n n 1 2 2 x M x x 2 + + ì ïï = íæ ö ïç ÷ + ¸ ç ÷ ïè ø î ﻣﯿﺎﻧﻪ ﺑﻪ آﺳﺎﻧﯽ از ﻃﺮﯾﻖ ﻧﻤﻮدا ر اﺣﺘﻤﺎل ﻗﺎﺑﻞ ﻗﺮاﺋﺖ اﺳﺖ . درﺻﻮرﺗﯽ ﮐﻪ ﻣﺤﻮر y ﻓﺮاواﻧﯽ ﺗﺠﻤﻌﯽ را ﻧﺸﺎن دﻫﺪ، ﻣﯿﺎﻧﻪ ﻣﻘﺪارx ﻣﺘﻨـﺎﻇﺮ اﺣﺘﻤﺎل50 % ﻣﺤﻮرy ﻣﯽ ﺑﺎﺷﺪ . ،ﻣﯿﺎﻧﻪ و ﻣﯿﺎﻧﮕﯿﻦ ﻣﻌﯿﺎرﻫﺎ ی ﻣﻮﻗﻌﯿﺖ ﻣﺮﮐﺰ ﺗﻮزﯾﻊ ﻣﯽ ﺑﺎﺷﻨﺪ . ﻣﯿﺎﻧﮕﯿﻦ ﺑﻪ ﺗﻐﯿﯿﺮات ﻧﺎﻣﻨﻈﻢ ﻣﻘﺎدﯾﺮ ﺑﺎﻻی ﻫﺎ داده ﺣﺴﺎس ﻣﯽ ﺑﺎﺷﺪ . ج- : ﻣﺪ ﻣﺪ ﻣﻘﺪاری اﺳﺖ ﮐﻪ ﺑﯿﺶ ﺗﺮ ﯾﻦ ﻓﺮاواﻧﯽ را در ﻣﺠﻤﻮﻋﻪ ﻫﺎ داده دارا ﻣﯽ ﺑﺎﺷﺪ . در ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﻣﺤـﺪوده ای ﮐـﻪ دارای ﺑﻠﻨﺪ ﺗﺮﯾﻦ ﺳﺘﻮن ﺑﺎﺷﺪ ﻣﻮﻗﻌﯿﺖ ﻣﺪ را ﺗﻌﯿﯿﻦ . ﮐﻨﺪ ﻣﯽ ﯾﮑﯽ از اﺷﮑﺎﻻت ﻣﺪ اﯾﻦ اﺳﺖ ﮐﻪ ﻣﻤﮑـﻦ اﺳـﺖ ﻧﺴـﺒﺖ ﺑـﻪ ﺗﻐﯿﯿـﺮ دﻗـﺖ ﻣﻘﺎدﯾﺮ )ﻫﺎ داده اﻋﺪاد اﻋﺸﺎر ی ﯾﺎ اﻋﺪاد ﻣﻬﻢ ( ﺣﺴﺎس ﺑﺎﺷﺪ ﻫﻪ ﺑ . ﻤـﯿﻦ ﻋﻠـﺖ ﻣـﺪ آﻣـﺎره ﻣﻔﯿـﺪی ﺑـ ﻪ ﺧﺼـﻮص ﺑـﺮای ﻣﺠﻤﻮﻋـﻪ ﻫﺎﯾ داده ﯽ ﮐﻪ دارای ارﻗﺎم اﻋﺸﺎری ﻣﯽ ﺑﺎﺷﻨﺪ ﻧﺨﻮاﻫﺪ ﺑﻮد . در اﯾﻦ ﻣﻮرد زﻣﺎﻧﯽ ﮐﻪ ﮐﻪ ﻣﺎ در ﻣﻮرد ﻣﺪ ﺻﺤﺒﺖ ﻣـﯽ ﮐﻨـﯿﻢ ، ﻣﻌﻤـﻮﻻ ﻣﻨﻈﻮر ﻣﺎ ﻣﻘﺎدﯾﺮ ﺗﻘﺮﯾﺒﯽ اﺳﺖ ﮐﻪ از ﺑﻠﻨﺪﺗﺮﯾﻦ ﺳﺘﻮن ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ اﻧﺘﺨﺎب .ﺷﻮد ﻣﯽ پ.2 - 1 - 2 - ﻣﻌﯿﺎرﻫﺎی ﭘﺮا ﮐﻨﺶ ﻋﺒﺎرﺗﻨﺪ از : اﻟﻒ- وارﯾﺎﻧﺲ : وارﯾﺎﻧﺲ )2 s ( ﺗﻮﺳﻂ ﻓﺮﻣﻮل زﯾﺮ ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺑﺎﺷﺪ : )3( 2 n 2 i i 1 1 σ x m n = = - å 86 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺑﻨﺎﺑﺮاﯾﻦ وارﯾﺎﻧﺲ ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻊ اﺧﺘﻼف ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای ﻧﺴﺒﺖ ﺑﻪ ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎ ﻣـﯽ ﺑﺎﺷـﺪ . از آﻧ ﺠـﺎﯾﯽ ﮐـﻪ وارﯾـﺎﻧﺲ ﺷـﺎﻣﻞ ﻣﺮﺑـﻊ اﺧﺘﻼ ﻓﺎت اﺳﺖ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﻪ ﻣﻘﺎدﯾﺮ ﺑﺎﻻ ﺣﺴﺎﺳﯿﺖ ﻧﺸﺎن . دﻫﺪ ﻣﯽ ب- اﻧﺤﺮاف ﻣﻌﯿﺎر : اﻧﺤﺮاف ﻣﻌﯿﺎر )s ( رﯾﺸﻪ دوم وارﯾﺎﻧﺲ ﻣﯽ ﺑﺎﺷﺪ . ﻣﻌﻤﻮﻻ از اﯾﻦ آﻣﺎره ﺑﻪ ﺟﺎی وارﯾﺎﻧﺲ اﺳﺘﻔﺎده ﻣـﯽ ﺷـﻮد ، ﭼـﻮن واﺣﺪ آن ﻫﻤﺎﻧﻨﺪ ﺧﻮد ﻣﺘﻐﯿﺮ اﺳﺖ . ج- ﻓﺎﺻﻠﻪ ﮐﻮاﻧﺘﺎﯾﻞ : ﯾﮑﯽ از ﻣﻌﯿﺎر ﻫﺎی ﻣﻔﯿﺪ ﭘﺮاﮐﻨﺶ، ﻓﺎﺻﻠﻪ ﮐﻮاﻧﺘﺎﯾﻞ ﻣﯽ ﺑﺎﺷﺪ . IQR ﯾﺎ ﻓﺎﺻﻠﻪ ﮐﻮاﻧﺘﺎﯾﻞ اﺧﺘﻼف ﺑﯿﻦ ﭼﺎرک ﺑـﺎﻻ و ﭘﺎﯾﯿﻦ ﻣﯽ ﺑﺎﺷﺪ و ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ :ﺷﻮد ﻣﯽ )4( 3 1 IQR Q Q = - ﺑﺮﺧﻼف وارﯾﺎﻧﺲ و اﻧﺤﺮاف ﻣﻌﯿﺎر، ﻓﺎﺻﻠﻪ ﭼﺎرﮐﯽ ﺑﻪ ﻋﻨﻮان ﺷﺎﺧﺼﯽ ﺑﺮای ﻣﺮﮐﺰ ﺗﻮزﯾﻊ اﺳﺘﻔﺎده ﻧ ﺷﻮد ﻤﯽ و زﻣﺎ ﻧﯽ ﻣﻄﺮح ﻣﯽ ﺷـﻮد ﮐـﻪ ﺗﻌﺪادی ﻣﻘﺎدﯾﺮ ﺑﺎﻻ ﺑﻪ ﺻﻮرت ﻧﺎﻣﻨﻈﻢ و ﺑﯽ ﻗﺎﻋﺪه ﺗﺎﺛﯿﺮ زﯾﺎدی ﺑﺮ ﻣﯿﺎﻧﮕﯿﻦ داﺷﺘﻪ ﺑﺎﺷﺪ . د- ﺿﺮﯾﺐ ﺗﻐﯿﯿﺮات : ﺿﺮﯾﺐ ﺗﻐﯿﯿﺮات )CV ( آﻣﺎره ای اﺳﺖ ﮐﻪ ﺑﺮای ﺗﻮزﯾﻊ ﻣﺘﻐﯿﺮﻫﺎﯾﯽ ﮐﻪ ﺗﻤـﺎم ﻣﻘـﺎدﯾﺮ آن ﻣﺜﺒـﺖ و دارای ﺿـﺮﯾﺐ ﭼﻮﻟﮕﯽ ﻣﺜﺒﺖ ﺑﺎﺷﺪ، اﺳﺘﻔﺎده ﻣﯽ ﮔﺮدد . اﮔﺮﭼﻪ ﺗﻮان ﻣﯽ ا ز اﯾﻦ ﭘﺎراﻣﺘﺮ ﺑﺮای اﻧﻮاع دﯾﮕﺮی از ﺗﻮزﯾﻊ ﻫﺎ ﻧﯿﺰ اﺳﺘﻔﺎده ﮐـﺮد . اﯾـﻦ آﻣـﺎره ﺑﻪ ﺻﻮرت ﻧﺴﺒﺖ اﻧﺤﺮاف ﻣﻌﯿﺎر و ﻣﯿﺎﻧﮕﯿﻦ ﺗﻌﺮﯾﻒ :ﺷﻮد ﻣﯽ )5( σ CV m = ﺿﺮﯾﺐ ﺗﻐﯿﯿﺮات ﺑﯿﺶ ﺗﺮ از ﯾﮏ ﺑﯿﺎﻧﮕﺮ وﺟﻮد ﻫﺎ داده ی ﭘﺮت ﺑﺎﻻ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺗﺎﺛﯿﺮ ﻣﻌﻨﯽ داری ﺑـﺮ روی ﺗﺨﻤـﯿﻦ ﻫـﺎ ی ﻧ ﻬـﺎﯾﯽ داﺷﺘﻪ ﺑﺎﺷﺪ . پ.2 - 1 - 3 - ﻣﻌﯿﺎرﻫﺎی ﺷﮑﻞ ﻋﺒﺎرﺗﻨﺪ از : اﻟﻒ- ﺿﺮﯾﺐ ﭼﻮﻟﮕﯽ : ﯾﮑﯽ از ﺧﺼﻮﺻﯿﺎت ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﮐﻪ ﺗﻮﺳﻂ آﻣﺎره ﻫﺎی ﻗﺒﻠﯽ ﺑﯿﺎن ﻧ ﺷﻮد ﻤﯽ , ﺗﻘﺎرن آن ﻣﯽ ﺑﺎﺷﺪ ﺑﯿﺶ . ﺗﺮ ﯾﻦ آﻣﺎره ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮای ﺑﯿﺎن ﺗﻘﺎرن، ﮐﻤﯿﺘﯽ اﺳﺖ ﮐﻪ ﺿﺮﯾﺐ ﭼﻮﻟﮕﯽ ﻧﺎﻣﯿﺪه ﺷﻮد ﻣﯽ و ﺑﻪ ﺻﻮرت ز ﯾﺮ ﺗﻌﺮﯾﻒ :ﺷﻮد ﻣﯽ )6( n 3 i i 1 3 1 x m n S σ = - = å ﺻﻮرت ﮐﺴﺮ ﻣﺘﻮﺳﻂ ﻣﮑﻌﺐ اﺧﺘﻼف ﺑﯿﻦ ﻣﻘﺎدﯾﺮ ﻫﺎ داده و ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎ ﻣﯽ ﺑﺎﺷﺪ و ﻣﺨﺮج ﮐﺴﺮ ﻣﮑﻌﺐ اﻧﺤﺮاف ﻣﻌﯿـﺎر اﺳـﺖ . ﺿـﺮﯾﺐ ﭼﻮﻟﮕﯽ از ﻣﻘﺎدﯾﺮ ﺑﺎﻻی ﭘﺮت ﺑﯿﺶ ﺗﺮ از ﻣﯿﺎﻧﮕﯿﻦ و وارﯾﺎﻧﺲ ﺗﺎﺛﯿﺮ ﻣﯽ ﭘﺬﯾﺮد . ﯾﮏ ﻣﻘﺪار زﯾﺎد ﻣﯽ ﺗﻮاﻧـﺪ ﯿﺮیﺎﺛﺗـ ﺑﺴـﯿﺎر زﯾـﺎدی ﺑـﺮ ﺿـﺮﯾﺐ ﭼﻮﻟﮕﯽ ﺑﮕﺬارد، زﯾﺮا ﺗﻔﺎﺿﻞ ﻣﻘﺪار داده و ﻣﯿﺎﻧﮕﯿﻦ ﺑﻪ ﺗﻮان ﺳﻪ ﻣﯽ رﺳﺪ . ﮔﺎﻫﯽ اوﻗﺎت ﺑﺰرﮔﯽ ﺿﺮﯾﺐ ﭼﻮﻟﮕﯽ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻧ ﻤﯽ ﮔﯿـﺮد، اﻣﺎ ﺗﻨﻬﺎ ﻋﻼﻣﺖ آن ﻣﯽ ﺗﻮاﻧﺪ ﺑﯿﺎﻧﮕﺮ ﺗﻘﺎرن ﺑﺎﺷﺪ . ﻫﯿﺴﺘﻮﮔﺮام ﻓﺮاواﻧﯽ ﺑﺎ ﭼﻮﻟﮕﯽ ﻣﺜﺒﺖ دارای ﯾﮏ دﻧﺒﺎﻟﻪ ﻃﻮﻻﻧﯽ از ﻣﻘـﺎدﯾﺮ ﺑـﺎﻻ ﺑـﻪ ﺳـﻤﺖ راﺳﺖ اﺳﺖ ﮐﻪ در آن ﻣﯿﺎﻧﻪ ﮐﻮﭼﮏ ﺗﺮ از ﻣﯿﺎﻧﮕﯿﻦ ﻣﯽ ﺑﺎﺷﺪ . اﮔﺮ ﯾﮏ دﻧﺒﺎﻟﻪ ﺑﻠﻨﺪ از ﻣﻘﺎدﯾﺮ ﮐﻢ ﻫﺎ داده ﺑﻪ ﺳﻤﺖ ﭼﭗ وﺟـﻮد داﺷـﺘﻪ ﺑﺎﺷـﺪ و ﻣﯿﺎﻧﻪ ﻧﯿﺰ ﺑﺰرگ ﺗﺮ از ﻣﯿﺎﻧﮕﯿﻦ ﺑﺎﺷﺪ ﻫﯿﺴﺘﻮﮔﺮام دارای ﭼﻮﻟﮕﯽ ﻣﻨﻔﯽ ﺧﻮاﻫﺪ ﺑﻮد . اﮔﺮ ﭼﻮﻟﮕﯽ ﻧﺰدﯾـﮏ ﺑـﻪ ﺻـﻔﺮ ﺑﺎﺷـﺪ، ﻫﯿﺴـﺘﻮﮔﺮام ﺗﻘﺮﯾﺒـﺎ ﻣﺘﻘﺎرن اﺳ ﺖ و ﻣﯿﺎﻧﻪ ﻧﺰدﯾﮏ ﺑﻪ ﻣﯿﺎﻧﮕﯿﻦ اﺳﺖ . ﭘﯿﻮﺳﺖ2 - آﻧﺎﻟﯿﺰﻫﺎی آﻣﺎری 87 ب- ﮐﺸﯿﺪﮔﯽ : در ﻣﻘﺎﯾﺴﻪ دو ﺟﺎﻣﻌﻪ ﻣﻤﮑﻦ اﺳﺖ ﺷﺎﺧﺺ ﻫﺎی ﻣﺮﮐﺰی، ﭘﺮاﮐﻨﺪﮔﯽ، ﺿﺮﯾﺐ ﺗﻐﯿﯿﺮات و ﭼﻮﻟﮕﯽ ﯾﮑﺴﺎن ﺑﺎﺷﺪ، وﻟﯽ ﺷﮑﻞ ﺗﻮزﯾﻊ ﯾﮑﺴﺎن ﻧﺒﺎﺷﺪ . ﻟﺬا ﺑﺮای ﭘﻮﺷﺶ دادن ﺑﻪ اﯾﻦ ﻣﻮﺿﻮع از ﺷﺎﺧﺺ ﮐﺸﯿﺪﮔﯽ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد ﮐﻪ از راﺑﻄﻪ زﯾﺮ ﺗﻌﯿﯿﻦ ﻣﯽ :ﺷﻮد )7( 4 i i 4 N (X X) N K 3 S - = - å ﻣﻘﺪار K ﺑﯿﻦ1 + و1 - ﺗﻐﯿﯿﺮ . ﮐﻨﺪ ﻣﯽ اﮔﺮ ﻣﻘﺪار آن ﺻﻔﺮ ﺑﺎﺷﺪ، ﮐﺸﯿﺪﮔﯽ ﺗﻮزﯾﻊ ﻣـﻮرد ﻧﻈـﺮ ﺑـﺎ ﺗﻮزﯾـﻊ ﻧﺮﻣـﺎل ﺑﺮاﺑـﺮ ﺧﻮاﻫـﺪ ﺑـﻮد . در ﺷﺮاﯾﻄﯽ ﮐﻪ ﻣﻘﺪار ﮐﺸﯿﺪﮔﯽ از ﺻﻔﺮ ﺑﯿﺶ ﺗﺮ ﺑﺎﺷﺪ، ﻣﻨﺤﻨﯽ ﺗﻮزﯾﻊ ﺟﺎﻣﻌﻪ از ﻣﻨﺤﻨﯽ ﻧﺮﻣﺎل ﮐﺸﯿﺪه ﺗﺮ اﺳﺖ . درﺻـﻮرﺗﯽ ﮐـﻪ ﮐﺸـﯿﺪﮔﯽ ﻣﻨﻔـﯽ ﺑﺎﺷﺪ ، ﻣﻨﺤﻨﯽ ﺟﺎﻣﻌﻪ از ﻣﻨﺤﻨﯽ ﻧﺮﻣﺎل ﭘﺎﯾﯿﻦ ﺗﺮ ﺧﻮاﻫﺪ ﺑﻮد . پ.2 - 2 - آﻣﺎر ﺗﻮﺻﯿﻔﯽ دو ﻣﺘﻐﯿﺮه اﮔﺮ ﯾﮏ ﻣﺠﻤﻮﻋﻪ ﻫﺎ داده ی ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﺑﻪ ﺻﻮرت ﻣﻨﻔﺮد ﺗﺤﻠﯿﻞ ﮔﺮ دد، اﻃﻼﻋﺎت اﻧﺪﮐﯽ ﺑﻪ دﺳـﺖ ﺧﻮاﻫـﺪ آﻣـﺪ . ﯾﮑـﯽ از ﻣﻬـﻢ ﺗـﺮ ﯾﻦ ﺧﺼﻮﺻﯿﺎت ﻫﺎ داده ی ﻋﻠﻮم زﻣﯿﻦ ارﺗﺒﺎط و واﺑﺴﺘﮕﯽ ﻫﺎی ﻣﻮﺟﻮد ﺑﯿﻦ ﻣﺘﻐﯿﺮﻫﺎ ی ﻣﺨ ﺘﻠﻒ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﻣﯽ ﺗﻮاﻧـﺪ در ﺗﺨﻤـﯿﻦ ﺑﻬﺘـﺮ ﯾﮑـﯽ از ﻣﺘﻐﯿﺮﻫﺎ در ﻧﻘﺎط ﻣﺠﻬﻮل ﻣﻔﯿﺪ واﻗﻊ ﺷﻮد . روش ﻫﺎ ی ﺑﯿﺎن ارﺗﺒﺎط ﺑﯿﻦ دو ﻣﺘﻐﯿﺮ ﺷﺎﻣﻞ ﻣﻮارد ذﯾﻞ ﻣﯽ ﺑﺎﺷﺪ . اﻟﻒ- ﻣﻘﺎﯾﺴﻪ دو ﺗﻮزﯾﻊ در ﺑﺤﺚ و ﺑﺮرﺳﯽ داده ﻫﺎی ﻋﻠﻮم زﻣﯿﻦ اﻏﻠﺐ ﻧﯿﺎز ﺑﻪ ﻣﻘﺎﯾﺴﻪ دو ﺗﻮزﯾﻊ ﻣﯽ ﺑﺎﺷﺪ . اراﺋﻪ ﻫﯿﺴﺘﻮﮔﺮام ﺗﻮزﯾﻊ ﻫﺎ ﺑﻪ ﺗﻨﻬﺎﯾﯽ ﺑﺎ ﭼﻨﺪﯾﻦ آﻣﺎره ﺗﻮﺻﯿﻔﯽ ﺗﻔﺎوت ﻫﺎی ﮐﻠﯽ را آﺷﮑﺎر ﺧﻮاﻫﺪ ﺳـﺎﺧﺖ . ﻣﺘﺎﺳـﻔﺎﻧﻪ اﮔـﺮ دو ﺗﻮزﯾـﻊ ﺑﺴـﯿﺎر ﺑـﻪ ﯾﮑـﺪﯾﮕﺮ ﺷـﺒﯿﻪ ﺑﺎﺷـﻨﺪ، اﯾـﻦ روش ﺗﻔﺎوت ﻫﺎی اﻧﺪک وﻟﯽ ﻗﺎﺑﻞ ﺗﻮﺟﻪ را ﻧﺸﺎن ﻧﺨﻮاﻫﺪ داد . ﻫﯿﺴﺘﻮﮔﺮام ﻫﺎی ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮﻫﺎی ﻓﺮﺿـﯽ V وU در ﺷـﮑﻞ . پ)2 - 1 ( و ﭘﺎراﻣﺘﺮﻫﺎی آﻣﺎری آﻧﻬ ﺎ ﻧﯿﺰ در ﺟﺪول . پ)2 - 1 (اراﺋﻪ ﺷﺪه اﺳﺖ . ﺗﻔﺎوت ﻫﺎی ﻧﺴﺘﺒﺎ زﯾﺎدی ﺑﯿﻦ ﺗﻮزﯾﻊ ﻫﺎ ی اﯾﻦ دو ﻣﺘﻐﯿﺮ وﺟﻮد دارد . ﺗﻮزﯾﻊ ﻣﺘﻐﯿﺮU دارای ﭼﻮﻟﮕﯽ ﻣﺜﺒﺖ وﻟﯽ ﻣﺘﻐﯿﺮV دارای ﯾﮏ ﺗﻮزﯾﻊ ﺑﺎ ﭼﻮﻟﮕﯽ ﻣﻨﻔﯽ ﻣﯽ ﺑﺎﺷﺪ . ﻫﻤﭽﻨﯿﻦ ﻣﻘﺎدﯾﺮV ﻣﻌﻤﻮﻻ ﺑﺰرگ ﺗـﺮ از ﻣﻘﺎدﯾﺮU ﺑﺎ ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻨﯽ ﮐﻪ ﺑﯿﺶ از5 ﺑﺮاﺑﺮ ﻣﯿﺎﻧﮕﯿﻦ ﻣﺘﻐﯿﺮ U اﺳﺖ ﻣﯽ ﺑﺎﺷﺪ . ﻣﯿﺎﻧﻪ و اﻧﺤﺮاف ﻣﻌﯿـﺎر ﻣﺘﻐﯿـﺮ V ﻧﯿـﺰ ﻫﻤﺎﻧﻨـﺪ ﻣﯿﺎﻧﮕﯿﻦ آن ﺑﺰرگ ﺗﺮ از اﻧﺤﺮاف ﻣﻌﯿﺎر ﻣﺘﻐﯿﺮ U ﻣﯽ ﺑﺎﺷﺪ . ﺟﺪول پ.2 - 1 - ﭘﺎراﻣﺘﺮﻫﺎی آﻣﺎری ﻣﺘﻐﯿﺮﻫﺎ ی V وU ﺷﮑﻞ پ )2 - 1 ( آﻣﺎره V U n 100 100 m 97 /6 19 /1 σ 26 /2 9/ 81 CV 0/ 27 0/ 51 min 0/0 0/0 Q1 81 /3 14 /0 M 100 /5 18 /0 Q3 116 /8 25 /0 max 145 /0 55 /0 88 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 0 5 10 15 20 0-10 20-30 40-50 60-70 80-90 100-110 120-130 > 140 V (mm) (%) ﺕﹲﻔﹲﻎﻙ 0 5 10 15 20 25 30 35 0-5 10-15 20-25 30-35 40-45 50-55 U (m) (%) ﺕﹲﻔﹲﻎﻙ ب اﻟﻒ ﺷﮑﻞ پ .2 - 1 - اﻟﻒ - ﻫﯿﺴﺘﻮﮔﺮام100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮU ب - ﻫﯿﺴﺘﻮﮔﺮام100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮV ﺑﺮای ﻣﻘﺎﯾﺴﻪ ﭼﺸﻤﯽ ﺑﯿﻦ دو ﺗﻮزﯾﻊ ﺗﻮان ﻣﯽ از ﮔﺮاﻓﯽ ﺑﻪ ﻧﺎم ﻧﻤﻮدار q-q اﺳﺘﻔﺎده ﮐﺮد . اﯾـﻦ ﮔـﺮاف ﻣﻌﻤـ ﻮﻻ زﻣـﺎﻧﯽ ﮐـﺎرﺑﺮد دارد ﮐـﻪ دﻻﯾﻞ ﮐﺎﻓﯽ دال ﺑﺮ ﺷﺒﺎﻫﺖ دو ﺗﻮزﯾﻊ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ . ﯾﮏ ﻧﻤﻮدار q-q ﮔﺮاﻓﯽ اﺳﺖ ﮐﻪ در آن ﮐﻮاﻧﺘﯿﻞ ﻫﺎی دو ﺗﻮزﯾـﻊ در ﻣﻘﺎﺑـﻞ ﻫـﻢ ﺗﺮﺳﯿﻢ ﻣﯽ ﮔﺮدﻧﺪ . ﯾﮏ ﻧﻤﻮدار q-q ﺑﺮای دو ﺗﻮزﯾﻊ ﮐﺎﻣﻼ ﻣﺘﺸﺎﺑﻪ ﺑﻪ ﺻﻮرت ﯾﮏ ﺧﻂ راﺳﺖy=x ﺧﻮاﻫﺪ ﺑﻮد . ﺑﺮای ﺗﻮزﯾﻊ ﯾﯽﻫﺎ ﮐـﻪ ﺑﺴـﯿﺎر ﺑﻪ ﻫﻢ ﺷﺒﯿﻪ ﻫﺴﺘﻨﺪ اﻧﺤﺮاف ﮐﻤﯽ از ﺧﻂy=x در ﻧﻤﻮدارq-q وﺟﻮد دارد ﮐﻪ ﺑﯿﺎﻧﮕﺮ اﺧﺘﻼف اﻧﻬﺎ ﻣﯽ ﺑﺎﺷﺪ . اﮔﺮ ﻧﻤﻮدار q-q دو ﺗﻮزﯾـﻊ ﯾـﮏ ﺧﻂ راﺳﺖ ﻏﯿﺮ از ﺧﻂy=x ﺑﺎﺷﺪ، اﯾﻦ دو ﺗﻮزﯾﻊ دارای ﺷﮑﻞ ﯾﮑﺴﺎﻧﯽ ﻣﯽ ﺑﺎﺷﻨﺪ اﻣﺎ ﻣﻤﮑﻦ اﺳـﺖ ﻣﻮﻗﻌﯿـﺖ و ﭘـﺮاﮐﻨﺶ آﻧﻬـﺎ ﺑـﺎ ﯾﮑـﺪﯾﮕﺮ ﺗﻔﺎوت داﺷﺘﻪ ﺑﺎﺷﺪ . ب- دﯾﺎ ﮔﺮام ﻫﺎی ﭘﺮاﮐﻨﺶ دﯾﺎﮔﺮام ﭘﺮاﮐﻨﺶ1 ﺗﺮﯾﻦ راﯾﺞ ﻧﻤﺎﯾﺶ از ﻫﺎ داده ی دو ﻣﺘﻐﯿﺮ ﻣﯽ ﺑﺎﺷﺪ . اﯾﻦ دﯾﺎﮔﺮام ﯾﮏ ﮔﺮاف x-y اﺳﺖ ﮐﻪ ﻣﺤﻮرx ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻣﻘﺎدﯾﺮ ﯾﮏ ﻣﺘﻐﯿﺮ و ﻣﺤﻮرy ﻧﯿﺰ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮ دﯾﮕﺮ اﺳﺖ . ﻣﻘﺎدﯾﺮ 100 ﺟﻔﺖ از ﻣﺘﻐﯿﺮﻫﺎ ی U-V در ﯾﮏ ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ در ﺷﮑﻞ )پ.2 - 2 - ( ﻒاﻟ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ . ﻫﺮ ﭼﻨﺪ ﮐﻪ ﻣﻘﺪاری ﭘﺮاﮐﻨﺪﮔﯽ در اﺑﺮ ﻧﻘﺎط وﺟﻮد دارد اﻣﺎ ﻣﻘﺎدﯾﺮ ﭘﺎﯾﯿﻦ ﺗﺮ ﻣﺘﻐﯿﺮ V ارﺗﺒﺎط ﺑﻬﺘﺮی ﺑﺎ ﻣﻘﺎدﯾﺮ ﺑﺎﻻی ﻣﺘﻐﯿﺮU ﻧﺸﺎن ﻣﯽ دﻫﻨﺪ و ﻣﻘﺎدﯾﺮ ﺑﺰرگ ﺗﺮ ﻧﯿﺰ از وﯾﮋﮔﯽ ﻣﺸﺎﺑﻬﯽ ﭘﯿﺮوی ﻣﯽ ﮐﻨﻨﺪ . ﻋﻼوه ﺑﺮ اﯾﻦ در ﺻﻮرت ﻣﺸﺎﻫﺪه واﺑﺴﺘﮕﯽ ﻣﻨﺎﺳﺐ ﺑﯿﻦ ،دو ﻣﺘﻐﯿﺮ ﯾﮏ دﯾﺎﮔﺮام ﭘﺮاﮐﻨﺶ ﻣﯽ ﺗﻮاﻧﺪ در ﺑﻪ ﺗﺼﻮﯾﺮ ﮐﺸﯿﺪن ﻫﺎ داده ی ﭘﺮت ﻫﻢ ﻣﻔﯿﺪ ﺑﺎﺷـﺪ ) ﺷـﮑﻞ پ .2 - 2 - (. ب در اوﻟـﯿﻦ ﻣﺮﺣﻠـﻪ از ﻣﻄﺎﻟﻌﺎت ﭘﯿﻮﺳﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻫﺎ داده ، ﮐﻨﺘﺮل و ﺣﺬف ﻫﺎ داده ی ﭘﺮت ﺿﺮوری ﻣﯽ ﺑﺎﺷﺪ . زﯾﺮا ﻣﻮﻓﻘﯿﺖ ﻫﺮ ﯾﮏ از روش ﻫﺎ ی ﺗﺨﻤﯿﻦ ﺑﻪ ﻫﺎ داده ی ﻣﻄﻤﺌﻦ ﺑﺴﺘﮕﯽ دارد . ﺣﺘﯽ ﺑﻌﺪ از اﯾﻨﮑ ﻪ ﻫﺎ داده اﺻﻼح ﺷﺪﻧﺪ، ﺗﻌﺪادی از ﻣﻘﺎدﯾﺮ ﭘﺮت ﻣﻤﮑﻦ اﺳﺖ ﺗﺎﺛﯿﺮ زﯾﺎدی را روی ﺗﺨﻤﯿﻦ داﺷﺘﻪ ﺑﺎﺷﺪ . دﯾﺎﮔﺮام ﭘﺮاﮐﻨﺶ ﻣﯽ ﺗﻮاﻧﺪ ﻫﻢ در ﻣﺮﺣﻠﻪ آزﻣﻮن اﻋﺘﺒﺎر ﻫﺎ داده ی اوﻟﯿﻪ و ﻫﻢ در ﺗﻔﺴﯿﺮ ﻧﺘﺎﯾﺞ ﺑﻌﺪی ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﯿﺮد . ج- ﻫﻤﺒﺴﺘﮕﯽ ﺑﻪ ﻃﻮرﮐﻠﯽ در ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ ﺗﻮان ﻣﯽ ﺳﻪ اﻟﮕ ﻮ را ﻣﺸﺎﻫﺪه ﮐﺮد : ﻣﺘﻐﯿﺮﻫﺎ ﯾﺎ ﻫﻤﺒﺴﺘﮕﯽ ﻣﺜﺒﺖ دارﻧﺪ ﯾـﺎ ﻫﻤﺒﺴـﺘﮕﯽ ﻣﻨﻔـﯽ و ﯾـﺎ دارای ﻫﯿﭻ ﮔﻮﻧﻪ ﻫﻤﺒﺴﺘﮕﯽ ﻧ ﻤﯽ ﺑﺎﺷﻨﺪ . دو ﻣﺘﻐﯿﺮ در ﺻﻮرﺗﯽ ﻫﻤﺒﺴﺘﮕﯽ ﻣﺜﺒﺖ ﺧﻮاﻫﻨﺪ داﺷﺖ ﮐﻪ ﻣﻘﺎدﯾﺮ ﺑﺎﻻی ﯾﮏ ﻣﺘﻐﯿﺮ ﺑﺎ ﻣﻘﺎدﯾﺮ ﺑـﺎﻻی ﻣﺘﻐﯿـﺮ 1 - Scatter ﭘﯿﻮﺳﺖ2 - آﻧﺎﻟ ﯿﺰﻫﺎی آﻣﺎری 89 دﯾﮕﺮ ﻣﺮﺗﺒﻂ ﺑﺎﺷﻨﺪ و ﻣﻘﺎدﯾﺮ ﮐﻮﭼﮏ ﻧﯿﺰ ﺑﻪ ﺻﻮرت ﻣﺸﺎﺑﻪ ﭼﻨﯿﻦ رﻓﺘﺎری داﺷـ ﺘﻪ ﺑﺎﺷـﻨﺪ . در ﺻـﺨﺮه ﻫـﺎی ﻣﺘﺨﻠـﻞ، ﺗﺨﻠـﻞ و ﻧﻔـﻮذ ﻧـﻮﻋﯽ ﻫﻤﺒﺴﺘﮕﯽ ﻣﺜﺒﺖ دارﻧﺪ . V (mm) V (mm) U (mm) U (mm) اﻟﻒ ب ﺷﮑﻞ پ .2 - 2 - اﻟﻒ - ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮU ب - ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ100 ﻧﻤﻮﻧﻪ از ﻣﺘﻐﯿﺮV دو ﻣﺘﻐﯿﺮ دارای ﻫﻤﺒﺴﺘﮕﯽ ﻣﻨﻔﯽ ﻫﺴﺘﻨﺪ اﮔﺮ ﻣﻘﺎدﯾﺮ ﺑﺎﻻی ﻣﺘﻐﯿﺮی ﺗﻤﺎﯾﻞ ﺑﻪ ﺑﺮﻗﺮا ری ارﺗﺒﺎط ﺑﺎ ﻣﻘﺎدﯾﺮ ﮐﻮﭼﮏ ﺗﺮ ﻣﺘﻐﯿـﺮ دﯾﮕـﺮ دارﻧـﺪ . اﻟﮕﻮی دﯾﮕﺮ اﯾﻦ اﺳﺖ ﮐﻪ دو ﻣﺘﻐﯿﺮ ﻫﯿﭻ ﮔﻮﻧﻪ ارﺗﺒﺎﻃﯽ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﻧﺪاﺷﺘﻪ و ﺗﻐﯿﯿﺮات ﻣﻘﺎدﯾﺮ ﯾﮏ ﻣﺘﻐﯿﺮ ﻫﯿﭻ ﮔﻮﻧﻪ ارﺗﺒﺎﻃﯽ ﺑـﺎ ﺗﻐﯿﯿـﺮ ﻣﻘـﺎدﯾﺮ ﻣﺘﻐﯿﺮ دﯾﮕﺮ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ . در اﯾﻦ ﺣﺎﻟﺖ ﮔﻔﺘﻪ ﮐﻪ ﺷﻮد ﻣﯽ ﻣﺘﻐﯿﺮﻫﺎ ﻣﺴﺘﻘﻞ ﻫﺴﺘﻨﺪ . ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽρ ﺗﺮﯾﻦ راﯾﺞ آﻣﺎره ای اﺳﺖ ﺑﺮای ﺧﻼﺻﻪ ﮐﺮدن ارﺗﺒﺎط ﺑﯿﻦ دو ﻣﺘﻐﯿـﺮ ﺑـﻪ ﮐـﺎر رود ﻣـﯽ و ﺑـﻪ ﺻـﻮرت زﯾـﺮ ﻗﺎﺑـﻞ ﻣﺤﺎﺳﺒﻪ اﺳﺖ : )8( n i x i y i 1 x y 1 x m y m n = - - r = s s å ﮐﻪ در آنn ﺗﻌﺪاد ، ﻫﺎ دادهx1 ، ﺗﺎxn ﻣﻘﺎدﯾﺮ ﻫﺎ داده ی اوﻟﯿﻦ ﻣﺘﻐﯿﺮ، mx ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎ وx s اﻧﺤﺮاف ﻣﻌﯿﺎر ﻣﯽ ﺑﺎﺷﺪ . y1 ﺗـﺎyn ﻣﻘـﺎدﯾﺮ ،ﻣﺘﻐﯿﺮ دومmy ﻣﯿﺎﻧﮕﯿﻦ آﻧﻬﺎ وy s اﻧﺤﺮاف ﻣﻌﯿﺎر ﻣﯽ ﺑﺎﺷﺪ . ﺻﻮرت ﻣﻌﺎدﻟﻪ )7 ( ﮐﻮارﯾﺎﻧﺲ ﻧﺎﻣﯿﺪه :ﺷﻮد ﻣﯽ )9( n XY i x i y i 1 1 C x m y m n = = - - å از ﻃﺮف دﯾﮕﺮ ﮐﻮارﯾﺎﻧﺲ ﻧﯿﺰ ﺑﻪ ﻋﻨﻮان ﺧﻼﺻﻪ آﻣﺎره ﻧ ﻤﻮدار ﭘﺮاﮐﻨﺶ اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ . ﮐﻮوارﯾﺎﻧﺲ ﺑـﯿﻦ دو ﻣﺘﻐﯿـﺮ ﺑـﻪ ﺑﺰرﮔـﯽ ﻣﻘـﺎدﯾﺮ ﻫﺎ داده ﺑﺴﺘﮕﯽ دارد . ﻣﻘﺪار r ﺷﺎﺧﺺ ﻣﻨﺎﺳﺒﯽ اﺳﺖ ﺑﺮای اﯾﻨﮑﻪ ﻧﺸﺎن دﻫﺪ ﺗﻐﯿﯿﺮات ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺎ ﭼﻪ ﺣﺪ ﻗﺎﺑﻞ ﺑﯿﺎن ﯾﺎ ﭘـﯿﺶ ﺑﯿﻨـﯽ از روی ﺗﻐﯿﯿﺮات ﯾﮏ ﻣﺘﻐﯿﺮ دﯾﮕﺮ ﻣﯽ ﺑﺎﺷﺪ . اﮔﺮ ﻗﺪر ﻣﻄﻠﻖ r ﮐﻮﭼﮏ ﺑﺎﺷﺪ، آﻧﮕﺎه ﻣﻘﺎدﯾﺮ ﻣﻌﻠﻮم ﯾﮏ ﻣﺘﻐﯿﺮ ﭼﻨﺪان در ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﺘﻐﯿﺮ دﯾﮕـﺮ ﮐﻤـﮏ ﻧﺨﻮاﻫﺪ ﮐﺮد . 9 ﭘﯿﻮﺳﺖ3 روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﭘﯿﻮﺳﺖ3 - روش ﻫﺎی درون ﯾﺎﺑﯽ 93 ﭘﯿﻮﺳﺖ3 - روش ﻫﺎی درون ﯾﺎﺑﯽ پ.3 - 1 - ﮐﻠﯿﺎت ﺑﺮآورد ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ در ﺑﺴﯿﺎری از ﻣﻄﺎﻟﻌﺎت ﻣﻨﺎﺑﻊ آب اﺟﺘﻨﺎب ﻧﺎﭘﺬﯾﺮ اﺳﺖ وﻟﯽ . ﺑـﻪ دﻟﯿـﻞ ﻋـﺪم اﻣﮑـﺎن ﭘﻮﺷـﺶ ﮐﺎﻣﻞ ﻣﻨﻄﻘﻪ ﺗ ﻮﺳﻂ اﯾﺴﺘﮕﺎه ﻫﺎ ی اﻧﺪازه ﮔﯿﺮی ، ﺑﺮآورد ﻋﺎﻣﻞ ﻣﻮرد ﻧﻈﺮ ﺑﺮای ﻣﻨﺎﻃﻖ ﺑﯿﻦ اﯾﺴﺘﮕﺎه ﻫﺎ ﺑﺎﯾـﺪ ﻣـﻮرد ﺗﻮﺟـﻪ ﻗـﺮار ﮔﯿـﺮد . ﺑـﺮآورد ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ ﭼﮕﻮﻧﮕﯽ اﻧﺘﺨﺎب روش ﻫﺎ ی ﻣﻨﺎﺳﺐ ﻣﯽ ﺗﻮاﻧﺪ از ﻋﻮاﻣﻞ ﻣﻬـﻢ اﯾﺠـﺎد ﺧﻄـﺎ در ﻣﻄﺎﻟﻌـﺎت ﺑﺎﺷﺪ . روش ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ ﺑﺮای ﺑﺮآورد ﺗ ﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ و ﺳﺎﯾﺮ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ وﺟﻮد دارد . از ﺟﻤﻠﻪ روش ﻫﺎ ی ﮐﻼﺳـﯿﮏ ﻣﻌﻤـﻮل ﺗﻮان ﻣﯽ ﺑﻪ روش ﻣﯿﺎﻧﮕﯿﻦ ﺣﺴﺎﺑﯽ، ﺗﯿﺴﻦ، ﻫﯿﭙﺴﻮﻣﺘﺮﯾﮏ و ﺧﻄﻮط ﻫﻢ ﺑﺎران اﺷﺎره ﻧﻤﻮ . د اﮔﺮ ﭼﻪ ﻣﺤﺎﺳﺒﺎت اﯾﻦ روش ﻫـﺎ ﺳـﺮﯾﻊ و آﺳـﺎن اﺳﺖ وﻟﯽ ﻣﻌﺎﯾﺐ و اﺷﮑﺎﻻت آﻧﻬﺎ ﮔﺎﻫﯽ ﻣﻨﺠﺮﺑﻪ ا ر اﺋﻪ ﻧﺘﺎﯾﺞ ﻏﯿﺮ ﻗﺎﺑﻞ ﻗﺒﻮل و ﺑﺎ دﻗﺖ ﮐﻢ ﻣﯽ ﺷﻮﻧﺪ . از ﻣﻌﺎﯾﺐ اﯾﻦ روش ﻫـﺎ ﻣـﯽ ﺗـﻮان ﺑـﻪ ﻣﻮارد زﯾﺮ اﺷﺎره ﮐﺮد رد . روش ﻣﯿﺎﻧﮕﯿﻦ ﺣﺴﺎﺑﯽ، ﻣﻮﻗﻌﯿﺖ اﯾﺴﺘﮕﺎه ﻫﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد ﻤﯽﻧ و ﺑﻨﺎﺑﺮاﯾﻦ ﻧﺤﻮه ی ﭘـﺮاﮐﻨﺶ ﻧﻘـﺎط ﺑـﺎ ﻣﻘـﺎدﯾﺮ ﻣﻌﻠﻮم در اﻃﺮاف ﻧﻘﻄﻪ ی ﻣﺠﻬﻮل در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻧ ﺷﻮد ﻤﯽ . در اﯾﻦ ﺣﺎﻟﺖ وﻗﺘﯽ ﮐﻪ ﺗﻐﯿﯿـﺮات ﺑﺎرﻧـ ﺪ ﮔﯽ در ﻣﻨﻄﻘـﻪ زﯾـﺎد و ﺗـﺮاﮐﻢ ﺷـﺒﮑﻪ ی ﺑﺎران ﺳﻨﺠﯽ ﭘﺎﯾﯿﻦ ﺑﺎﺷﺪ، ﻣﯿﺎﻧﮕﯿﻦ ﻣﺤﺎﺳﺒﻪ ﺷﺪه ﻗﺎﺑﻞ اﻋﺘﻤﺎد ﻧﺨﻮاﻫﺪ ﺑﻮد . ﺿﻤﻦ آن ﮐﻪ ﻧﻘﺸـﻪ ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﺑﺎرﻧـﺪﮔﯽ ﻧﯿـﺰ در اﯾـﻦ روش دﺳﺖ ﺑﻪ . آﯾﺪ ﻧﻤﯽ در روش ﺗﯿﺴﻦ ﻧﯿﺰ ﺗﻤﺎﻣﯽ وزن ﺑﻪ ﻧﻤﻮﻧﻪ ﻣﺮﮐﺰی داده ﺷﻮد ﻣﯽ . در اﯾﻦ روش ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻘﺴﯿﻢ ﻣﻨﻄﻘ ﻪ ﺑﻪ وﺳـﯿﻠﻪ ﻋﻤـ ﻮد ﻣﻨﺼﻒ ﻫﺎ ، ﺗﻐﯿﯿﺮات ﺑﺎرﻧﺪﮔﯽ ﺑﯿﻦ دو اﯾﺴﺘﮕﺎه دارای ﯾﮏ ﻧﺎﭘﯿﻮﺳﺘﮕﯽ اﺳـﺖ و در ﻧﺘﯿﺠـﻪ ﺑـﺮای اﻏﻠـﺐ ﻣﻨـﺎﻃﻖ ﻧﻈﯿـﺮ ﻣﻨـﺎﻃﻖ ﮐﻮﻫﺴـﺘﺎﻧﯽ ﻤﯽﻧ ﺗﻮاﻧﺪ دﻗﺖ زﯾﺎدی داﺷﺘﻪ ﺑﺎﺷﺪ . اﺷﮑﺎﻻت ﻣﻮﺟﻮد در روش ﻫﺎ ی ﺳﺎده، اﺳﺘﻔـﺎده از ﺗﺨﻤﯿﻨﮕﺮﻫﺎی آﻣﺎری ﻏﯿﺮﭘﺎراﻣﺘﺮی ﻧﻈﯿﺮ روش یﻫـﺎ (TPSS) 1 و (IDW) 2 ﺮح ﻄﻣ را ﻣﯽ ﻧﻤﺎﯾﺪ . ﻫﻤﭽﻨﯿﻦ اﺳﺘﻔﺎده از روش ﻫﺎ ی ﭘﺎراﻣﺘﺮی ز ﻣﯿ ﻦ آﻣﺎر ﻧﻈﯿﺮ ﮐﺮﯾﺠﯿﻨﮓ3 ﻧﯿﺰ ﺑﺎﯾـﺪ در ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ ﺷﻮد . در اداﻣﻪ ﺗﺮ ﻣﻬﻢ ﯾﻦ روش ﻫﺎ ی ﻣﻌﻤﻮل در درون ﯾﺎﺑﯽ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳﯽ اراﺋﻪ ﻣﯽ ﮔﺮدد . پ.3 - 2 - روش ﭼﻨﺪﺿﻠﻌﯽ ﺗﯿﺴﻦ در اﯾﻦ روش اﯾﺴﺘﮕﺎه ﻫﺎ ی ﻣﻮﺟﻮد در ﻣﻨﻄﻘﻪ ﺗﻮﺳﻂ ﺧﻄﻮﻃ ﯽ ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﻣﯽ ﺷﻮﻧﺪ . ﺳـﭙﺲ ﻋﻤﻮد ﻣﻨﺼـﻒ ﻫـﺎ ی اﯾـﻦ ﺧﻄـﻮط رﺳـﻢ ﻣﯽ ﺷﻮﻧﺪ . از اﺗﺼﺎل اﯾﻦ ﻋﻤﻮد ﻣﻨﺼﻒ ﭼﻨﺪ ﻫﺎ ﺿﻠﻌﯽ ﻫﺎ ﯾﯽ اﻃﺮاف ﻫﺮ اﯾﺴﺘﮕﺎه ﺑﻪ وﺟﻮد . آﯾﺪ ﻣﯽ ﻓﺮض ﺑﺮ اﯾﻦ ا ﺳﺖ ﮐـﻪ ﺷـﺮاﯾﻂ ﻫـﺮ اﯾﺴـﺘﮕﺎه واﻗﻊ در اﯾﻦ ﭼﻨﺪﺿﻠﻌﯽ ﻧﻤﺎﯾﻨﺪه وﺿﻌﯿﺖ ﮐﻠﯽ اﯾﻦ ﭼﻨﺪﺿﻠﻌﯽ ﻣﯽ ﺑﺎﺷﺪ . ﺑﻨﺎﺑﺮاﯾﻦ ﻣﻘﺪار ﺑﺎرش ﻫﺮ اﯾﺴﺘﮕﺎه ﻣﻌﺮف ﻣﻘﺪار ﺑﺎرش آن ﭼﻨﺪﺿـﻠﻌﯽ ﻣﯽ ﺑﺎﺷﺪ . پ.3 - 3 - روش رﮔﺮﺳﯿﻮن در روش رﮔﺮﺳﯿﻮن ﻣﻨﺎﺳﺐ ﺗﺮ ﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﺑﺮاﺳﺎس ﺗﺮ ﮐﻢ ﯾﻦ ﻣﺮﺑﻊ اﻧﺤﺮاف ﺑﺮازش داده ﻣﯽ ﺷـﻮد . در ﻣـﻮرد ﺑﺎرﻧـﺪﮔﯽ و درﺟﻪ ﺣﺮارت ، رﮔﺮﺳﯿﻮن ﺗﮏ ﯾﺎ ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﺑﺎ ارﺗﻔﺎع ، ﻃﻮل و ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ ﺑﯿﺶ ﺗﺮ ﯾﻦ ﮐﺎرﺑﺮد ر ا دارد . 1- Thin Plate Smoothing Splines 2- Inverse Distance Weighting 3 - Kriging 94 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای پ.3 - 4 - روش ﻋﮑﺲ ﻓﺎﺻﻠﻪ وزﻧﯽ1 از ﺗﺮ ﻣﻬﻢ ﯾﻦ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ، روش ﻋﮑﺲ ﻓﺎﺻﻠﻪ وزﻧﯽ ﻣﯽ ﺑﺎﺷﺪ . در اﯾﻦ روش وزن ﻧﻘﺎط ﻧﻤﻮﻧﻪ ﺑﺮ روی ﻧﻘﻄﻪ ﻣﺠﻬﻮل ﺑﺮاﺳـﺎس ﻓﺎﺻﻠﻪ ی ﺑﯿﻦ ﻧﻘﺎط ﻣﻌﻠﻮم و ﻧﻘﻄﻪ ﻣﺠﻬﻮل ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﻣﯽ . اﯾﻦ اوزان ﺗﻮﺳﻂ ﺗﻮان وزن دﻫﯽ ﮐﻨﺘﺮل ﻣﯽ ﺷﻮﻧﺪ ﺑـﻪ ، ﻃـﻮری ﮐـﻪ ﺗـﻮان ﻫـﺎی ﺑﺰرگ ﺗﺮ اﺛﺮ ﻧﻘﺎط دورﺗﺮ از ﻧﻘﻄﻪ ی ﻣﻮرد ﺗﺨﻤﯿﻦ را ﮐﺎﻫﺶ ﻣﯽ دﻫﻨﺪ و ﻫﺎی ﺗﻮان ﮐﻮﭼﮏ ﻫﺎ وزن ﺗﺮ را ﺑﻪ ﻃـﻮل ﯾﮑﻨﻮاﺧـ ﺖ ﺗـﺮی ﺑـﯿﻦ ﻧﻘـﺎط ﻫﻤﺴﺎﯾﻪ ﺗﻮزﯾﻊ ﻣﯽ ﮐﻨﻨﺪ . ﻣﻌﺎدﻟﻪ ی زﯾﺮ ﭼﮕﻮﻧﮕﯽ ﻣﺤﺎﺳﺒﻪ ی اوزان در اﯾﻦ روش را ﻧﺸﺎن : دﻫﺪ ﻣﯽ )1( D0 λ 1 i Di æ ö ç ÷ ç ÷ è ø a = - ﮐﻪ در آن : li : وزن ﻧﻘﻄﻪ ﻧﻤﻮﻧﻪ i ، امDi : ﻓﺎﺻﻠﻪ ﺑﯿﻦ ﻧﻘﻄﻪ ﻧﻤﻮﻧﻪi ،ام و ﻧﻘﻄﻪ ﻣﺠﻬﻮلa :ﺗﻮان وزن دﻫﯽ و D0 :ﺷﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ ﻣﯽ ﺑﺎﺷﺪ . اﻧﺘﺨﺎب ﺗﻮان در روش IDW ﻣﯽ ﺗﻮاﻧﺪ ﺗﻮﺳﻂ روش اﻋﺘﺒﺎرﺳﻨﺠﯽ ﺗﻘﺎﻃﻌﯽ ﺻﻮرت ﮔﯿﺮد . ﻧﮑﺘﻪ ای ﮐﻪ در اﯾﻦ روش وﺟﻮد دارد اﯾـﻦ ا ﺳـﺖ ﮐـﻪ ﺑﻪ ﻧﻘﺎط دارای ﻓﺎﺻﻠﻪ ی ﯾﮑﺴﺎن از ﻧﻘﻄﻪ ی ﻣﻮرد ﺗﺨﻤﯿﻦ، وزن ﯾﮑﺴﺎن داده ﻣﯽ ﺷﻮد و ﻣﻮﻗﻌﯿﺖ و آراﯾﺶ آﻧﻬﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻧﻤﯽ .ﺷﻮد پ.3 - 5 - روش ﺗﻮاﺑﻊ ﺷﻌﺎع ﻣﺤﻮر2 اﯾﻦ روش ﻣﯽ ﺗﻮاﻧﺪ روی ﻫﺎ داده ی ﻧﻮﯾﺰداری ﮐﻪ ﺑﻪ ﻃﻮر ﻧﺎﻣﻨﻈﻢ در ﯾﮏ ﻣﻨﻄﻘﻪ ﭘﺨﺶ اﻧـﺪ ﺷﺪه اﻋﻤـﺎل ﺷـﺪه و ﯾـﮏ درون ﯾـﺎﺑﯽ ﭼﻨـﺪ ﻣﺘﻐﯿﺮه ﻫﻤﻮار روی ﻫﺎ داده اﻧﺠﺎم دﻫﺪ روش اﯾﻦ . ﺗﺎﮐﻨﻮن ﺗﻮﺳﻂ ﻣﺤﻘﻘﯿﻦ ﺑﻪ ﻣﻨﻈﻮر درون ﯾـﺎﺑﯽ ﭘﺎراﻣﺘﺮﻫـﺎی ﻣﺨﺘﻠـﻒ ﻣـﻮرد اﺳـﺘﻔﺎده ﻗـﺮار ﮔﺮﻓﺘﻪ اﺳﺖ و ﺗﺠﺮﺑﯿﺎت ﻧﺸﺎن ﮐﻪ دﻫﺪ ﻣﯽ ﻣﯽ ﺗﻮاﻧﺪ ﻧﺘﺎﯾﺞ ﺧﻮﺑﯽ در ﮐﺎرﺑﺮد ﻫﺎی ﻣﺨﺘﻠﻒ اﯾﺠﺎد ﮐﻨﺪ . در اﯾﻦ روش ﯾﮏ ﺗﺎﺑﻊ f(x,y) ﯾﺎﺑﺪ ﻣﯽ را ﮐﻪ اﯾﻦ ﺗﺎﺑﻊ ﻧﻪ ﺗﻨﻬﺎ از ﺗﻤﺎﻣﯽ ﻫﺎ داده ی ﻣﻮﺟﻮد ﻣﯽ ﮔﺬرد ﺑﻠ ، ﮑﻪ ﻣﻘﺪار ﯾﮏ ﺗﺎﺑﻊ اﻧﺤﻨـﺎ 3 را ﮐـﻪ ﻣﯿﺰان ﻫﻤﻮار ﺑﻮدن ﺗﺎﺑﻊf(x,y) را ﻣﯽ ﺳﻨﺠﺪ را ﻧﯿﺰ ﮐﻤﯿﻨﻪ . ﮐﻨﺪ ﻣﯽ ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ، روش ﺗﺎﺑﻊ ﺷﻌﺎع ﻣﺤﻮر ﺗﺎﺑﻌﯽ را ﯾﺎﺑﺪ ﻣﯽ ﮐﻪ ﻣﺸﺎﺑﻪ ﯾﮏ ورﻗﻪ ﻓﻠﺰی ﻧﺎزک اﺳﺖ ﮐﻪ ﺑﻪ ﻃﻮر ﻫﻤﻮاری ﺧﻢ ﺷﺪه اﺳـﺖ و ﻣﻘﯿﺪ ﺑﻪ ﮔﺬﺷﺘﻦ ازﺗﻤﺎﻣ ﻣﯽ ﻫﺎ داده ﯽ ﺑﺎﺷﺪ . در روش ﺗﺎﺑﻊ ﺷ ﻌﺎع ﻣﺤﻮر ﺗﺎﺑﻌﯽ ﮐﻪ ﻣﯿﺰان ﺗﺎﺑﻊ اﻧﺤﻨﺎ ﺑﺮای آ ن ﻣﯿﻨﯿﻤﻢ ﺑﻪ ﺷﻮد ﻣﯽ ﺷﮑﻞ ﻋﻤﻮﻣﯽ زﯾﺮ ﻣـﯽ ﺑﺎﺷـﺪ و ﺗﻔـﺎوت روش ﻫـﺎ ی ﺗﺎﺑﻊ ﺷﻌﺎع ﻣﺤﻮر ﻣﺨﺘﻠﻒ در ﻧﺤﻮه ﺗﻌﺮﯾﻒ ﺗﺎﺑﻊ )E( در راﺑﻄﻪ )2 ( ﻣﯽ ﺑﺎﺷﺪ . )2( n j j j 0 1 2 j 1 f (x,y) a E( x x ,y y ) b b x b y = = - - + + + å ﺑﻪ ﻃﻮری ||.|| ﮐﻪ ﺑﯿﺎﻧﮕﺮ ﻃﻮل ﺑﺮدار، x وy ﻣﺘﻐﯿﺮﻫﺎ ی ﻣﮑﺎﻧﯽ، (xj, yj) ﻣﺨﺘﺼﺎت ﻣﮑﺎﻧﯽjاﻣﯿﻦ ﻧﻘﻄﻪ ﻣﺸﺎﻫﺪه ای ﭘـﺎراﻣﺘﺮ Zj وE ﯾـﮏ RBF ﻣﯽ ﺑﺎﺷﺪ . j 0 1 2 a ,b ,b ,b ﺿﺮاﯾﺒﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺎﯾﺪ ﺗﻌﯿﯿﻦ ﺷﻮﻧﺪ ﺗﺎ ﺗﺎﺑﻊf ﺑﻪ ﻃﻮر ﺻﺮﯾﺢ ﻣﺸﺨﺺ ﺷﻮد . اﻟﺒﺘﻪ اﺑﺘﺪا ﺑﺎﯾـﺪ ﺗـﺎﺑﻊ RBF ) E( را ﻧﯿﺰ ﻣﺸﺨﺺ ﮐﻨﯿﻢ . ﺗﻮاﺑﻊRBF اﻧﻮاع ﻣﺨﺘﻠﻔﯽ دارد ﮐﻪ ﻣﯽ ﺗﻮان از آﻧﻬ ﺎ در درون ﯾﺎﺑﯽ اﺳﺘﻔﺎده ﻧﻤﻮد . ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﮐﺎرﺑﺮدی ﺗﺮﯾﻦ اﯾﻦ ﺗﻮاﺑﻊ در زﯾﺮ ﻣﻌﺮﻓﯽ ﺷﺪه : اﻧﺪ 2 2 2 2 j j j j Thin Plate Splines (x x ) (y y )λ log (x x ) (y y ) λ é ù é ù = - + - + - + - + ë û ë û 1 - Inverse Distance Weighting (IDW) 2 -Radial Basis Functions (RBF) 3- Bending Function ﭘﯿﻮﺳﺖ3 - روش ﻫﺎی درون ﯾﺎﺑﯽ 95 3 2 2 2 j j Natural Cubic Spline (x x ) (y y )λ é ù = - + - + ë û 2 2 j j Multiquadratic (x x ) (y y )λ é ù = - + - + ë û 2 2 j j 1 Inverse Multiquadratic (x x ) (y y )λ = é ù - + - + ë û ﭘﺲ از اﻧﺘﺨﺎب ﺗﺎﺑﻊRBF ، b0 ، b1 ، b2 وaj ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒ ﻣﯽﻪ ﮔﺮدﻧﺪ : )3( 0 t 1 1 t 1 1 2 b b b (B A B) B A Z b - - - é ù ê ú = = ê ú ê ú ë û   1 2 1 n a a a . A (Z Bb) . a - é ù ê ú ê ú ê ú = = - ê ú ê ú ê ú ë û    ﮐﻪ در رواﺑﻂ ﻓﻮق : )4( 1 2 n n.1 Z Z Z . . Z é ù ê ú ê ú ê ú = ê ú ê ú ê ú ë û  1 1 2 2 n n n.3 y x 1 y x 1 B . . . x 1 y ù é ú ê ú ê = ú ê ú ê ë û 11 1n 12 21.. 2n 22 n2 nn n1 n.n E E E .. E E E .. A . ... . E ..E E é ù ê ú ê ú = ê ú ê ú û ë ﮐﻪ در ﻣﺎﺗﺮﯾﺲ A ، Eij ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ :ﺷﻮد ﻣﯽ ij i j i j E E(x x ,y y ) = - - ﮐﻪE ﻫﻤﺎن ﺗﺎﺑﻊRBF اﻧﺘﺨﺎب ﺷﺪه ﻣﯽ ﺑﺎﺷﺪ . در رواﺑﻂ ﻓﻮق ﭘﺎراﻣﺘﺮl، ﺿﺮﯾﺐ ﻫﻤﻮاری1 ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد و ﺑﺎﯾﺴﺘﯽ ﺗﻮﺳﻂ ﮐﺎرﺑﺮ ﻣﻌﯿﻦ ﮔﺮدد . اﯾﻦ ﺿﺮﯾﺐ ﺑـﻪ ﻣﻨﻈـﻮر اﯾﺠـﺎد ﻗﺎﺑﻠﯿـﺖ ﻫﻤﻮاری ﺗﺎﺑﻊ درون ﯾﺎب (f) ﺑﻪ رواﺑﻂRBF اﺿﺎﻓﻪ ﮔﺮدﯾﺪه اﺳﺖ ﻣﯽ . ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از رو ش اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺘﻘﺎﻃﻊ ﻣﻘﺪار l را ﺑﻬﯿﻨﻪ ﻧﻤﻮد . پ.3 - 6 - روش ﮐﺮﯾﺠﯿﻨﮓ ﺷﺮط اﺳﺘﻔﺎده از اﯾﻦ ﺗﺨﻤﯿﻦ ﮔﺮ اﯾﻦ اﺳﺖ ﮐﻪ ﻣﺘﻐﯿﺮ Z دارای ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﺑﺎﺷﺪ . در ﻏﯿﺮ اﯾﻦ ﺻـﻮرت ﯾـﺎ ﺑﺎﯾـﺪ از ﮐﺮﯾﺠﯿﻨـﮓ ﻏﯿﺮﺧﻄـﯽ اﺳﺘﻔﺎده ﮐﺮد و ﯾﺎ اﯾﻦ ﮐﻪ ﺑﺎ ﺗﺒﺪﯾﻞ ﻫﺎی ﻣﻨﺎﺳﺐ ﺗﻮزﯾﻊ ﻣﺘﻐﯿﺮ را ﺑﻪ ﻧﺮﻣﺎل ﺗﺒﺪﯾﻞ ﮐﺮد . ﮐﺮﯾ ﺠﯿﻨﮓ ﺑﻬﺘﺮﯾﻦ ﺗﺨﻤﯿﻦ ﮔـﺮ ﺧﻄـﯽ ﻧﺎارﯾـﺐ اﺳـﺖ و ﻋﺎری از ﺧﻄﺎی ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﻣﯽ ﺑﺎﺷﺪ . ﻫﻤﭽﻨﯿﻦ وارﯾﺎﻧﺲ ﺗﺨﻤﯿﻦ در آن ﻧﯿﺰ ﺣﺪاﻗﻞ ﻣﯽ ﺑﺎﺷﺪ . ﺑﻨﺎﺑﺮاﯾﻦ : )5( * i i E Z(x ) Z (x ) 0 é ù - = ë û ﮐﻪ در آنZ(xi) :ﻣﻘﺪار ﻣﺸﺎﻫﺪه ﺷﺪ ه ی ﻣﺘﻐﯿﺮ در ﻧﻘﻄﻪi ام ﺑﺎ ﻣﺨﺘﺼﺎت ﻣﻌﻠﻮم، Z*(xi) : ﻣﻘـﺪار ﺗﺨﻤﯿﻨـﯽ در ﻫﻤـﺎن ﻧﻘﻄـﻪ i ام و E: اﻣﯿﺪ رﯾﺎﺿﯽ اﺳﺖ . 1 - Smoothing Factor 96 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای راﺑﻄﻪ ﻓﻮق را ﺗﻮان ﻣﯽ ﺑﻪ ﺻﻮرت زﯾﺮ ﻧﻮﺷﺖ : )6( Z n E[Z(x ) Σ λ (x )] 0 i i i i 1 - = = ﮐﻪ در آنli وزن ﻫﺎ داده ی ﻣﺸﺎﻫﺪه ﻣﯽ ای ﺑﺎﺷﺪ . ﺑﺎ اﻧﺠﺎم ﻋﻤﻠﯿﺎت رﯾﺎﺿﯽ ﮐﻪ در اﯾﻨﺠﺎ ﺑﺮای رﻋﺎﯾﺖ اﺧﺘﺼﺎر آﯾﺪ ﻧﻤﯽ ، ﺧﻮاﻫﯿﻢ داﺷﺖ : )7( n 1 i i 1 S l = = ﺑﻨﺎﺑﺮاﯾﻦ ﺷﺮط ﻧﺎ ارﯾﺒﯽ ﮐﺮﯾﺠﯿﻨﮓ ﺑﯿﺎﻧﮕﺮ آن اﺳﺖ ﮐﻪ ﻣﺠﻤﻮع ﺿﺮاﯾﺐ وزﻧﯽ ﺗﺨﻤﯿﻦ ﺑﺎﯾﺪ ﻣﺴﺎوی واﺣﺪ ﺑﺎﺷـﺪ . ﺷـﺮط دﯾﮕـﺮ در روش ﮐﺮﯾﺠﯿﻨﮓ اﯾﻨﺴﺖ ﮐﻪ وارﯾﺎﻧﺲ ﺗﺨﻤﯿﻦ ﺑﺎﯾﺪ ﺣﺪاﻗﻞ ﺑﺎﺷﺪ . اﻋﻤﺎل اﯾﻦ ﺷﺮط ﺑﻪ ﺣﻞ ﻣﻌﺎدﻟﻪ ﻣﺎﺗﺮﯾﺴﯽ زﯾﺮ ﻣﻨﺘﻬﯽ :ﺷﻮد ﻣﯽ )8( 1 AX B X A .B - = Þ = ﮐﻪ در آن : A ﻣ ﺎﺗﺮﯾﺲ gij ) ﻣﻘﺪار ﻣﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﯿﻦ ﻧﻤﻮﻧﻪ ﻫﺎ ی i وj( ، B: ﻣﺎﺗﺮﯾﺲ g0i ) ﻣﻘﺪار ﻣﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﯿﻦ ﻧﻘﻄﻪ ﻣﺠﻬـﻮل و ﻧﻘﺎط ﻧﻤﻮﻧﻪ i( ، X: ﻣﺎﺗﺮﯾﺲ ﺿﺮاﯾﺐli )وزن ﻧﻤﻮﻧﻪ i ام ﺑﺮای ﺗﺨﻤﯿﻦ ﻧﻘﻄﻪ ﻣﺠﻬﻮل (. پ.3 - 7 - روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﻫﻤﺎن ﻃﻮر ﮐﻪ در آﻣﺎر ﮐﻼﺳﯿﮏ ﻧﯿﺰ روش ﻫﺎ ی ﭼﻨﺪ ﻣﺘﻐﯿﺮه وﺟﻮد دارد ، در زﻣﯿﻦ آﻣﺎر ﻧﯿﺰ ﺗﻮان ﻣﯽ ﺎ ﺑ روش ﮐﻮﮐﺮﯾﺠﯿﻨـﮓ ﮐـﻪ ﺑﺮاﺳـﺎس ﻫﻤﺒﺴﺘﮕﯽ ﺑﯿﻦ ﻣﺘﻐﯿﺮ اﺻﻠﯽ و ﯾﮏ ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ اﺳﺘﻮار اﺳﺖ ﺑﻪ ﺗﺨﻤﯿﻦ ﻣﺘﻐﯿﺮ اﺻﻠﯽ ﭘﺮداﺧﺖ . ﻣﻌﺎدﻟﻪ ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﺑﻪ ﺷﺮح زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ : )9( i i k λ x ) x n n Z*(x )Σ .Z( Σ λ .U i k i 1 k 1 = = = ﮐﻪ در آنil : وزن ﻣﺮﺑـ ﻮط ﺑـﻪ ﻣﺘﻐﯿـﺮ Z در ﻣﻮﻗﻌﯿـﺖxi ، k l: وزن ﻣﺮﺑـﻮط ﺑـﻪ ﻣﺘﻐﯿـﺮ ﮐﻤﮑـﯽU در ﻣﻮﻗﻌﯿـﺖxk ، ) U(xk ﻣﻘـﺪار ﻣﺸﺎﻫﺪه ای ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ در ﻣﻮﻗﻌﯿﺖ xk ﻣﺤﺎﺳﺒﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮ ﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ1 ﺑـﺮای ﻣـﺤﺎﺳﺒﻪ اوزان ﺑﻪ ﺻـﻮرت زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ : ) 10 ( 1 γ (h) n[Z(x h) Z(x )] [Y(x h) Y(x )] zy i i k k 2 = + - ´ + - ﮐﻪ در آن zy(h) g: ﻧﯿﻢ ﺗﻐﯿﯿﺮ ﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ﺑﯿﻦ ﻣﺘﻐﯿﺮ Z وY ، Z(xi) : ،ﻣﺘﻐﯿﺮ ﻣﺸﺎﻫﺪه ﺷﺪه Y(xk) : ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ ﻣﯽ ﺑﺎﺷﻨﺪ . ﻣﻌﺎدﻻت ﮐﺮﯾﺠﯿﻨﮓ ﺑﺎ اﻋﻤﺎل ﺷﺮاﯾﻂ ﻧﺎ ارﯾﺐ ﺑﻮدن و ﺣﺪاﻗﻞ ﺷﺪن وارﯾﺎﻧﺲ ﺗﺨﻤﯿﻦ ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ : Σ (z).γ (z) Σλ (y).γ (zy) μ γ (z) λ ij k ik 1 i0 i + + = ) 11 ( ik k k0 γ γ (y) γ (z) Σ (z). (zy) Σλ (y). μ λi 2 k + + = ﺑﺎ و ﻓﺮض :یﻫﺎ ) 12 ( n Σ λ 1 i i 1 = = k Σ λ 0 k i 1 = = 1- Cross Variogram ﭘﯿﻮﺳﺖ3 - روش ﻫﺎی درون ﯾﺎﺑﯽ 97 ﮐﻪ در آن : iλ (z) : اوزان ﻣﺮﺑﻮط ﺑﻪ ﻣﺘﻐﯿﺮz(xi) ، k λ (y) : اوزان ﻣﺮﺑﻮط ﺑـﻪ ﻣﺘﻐﯿـﺮy(xk) ، ij γ (z) : ﺗﻐﯿﯿﺮﻧﻤـﺎ ی ﺑـﯿﻦ ﻧﻘـﺎط ﻣﺸـﺎﻫﺪه ای ﺷﺪه ﻣﺘﻐﯿﺮ z، ik γ (y) : ﺗﻐﯿﯿﺮﻧﻤﺎ ی ﺑﯿﻦ ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﻣﺘﻐﯿﺮ y، ik γ (zy) : ﺗﻐﯿﯿﺮﻧﻤـﺎ ی ﻣﺘﻘﺎﺑـﻞ ﺑـﯿﻦ z وy، i0 γ (zy) : ﺗﻐﯿﯿﺮﻧﻤـﺎ ی ﺑﯿﻦ ﻧﻘﻄﻪ ی ﻣﻮرد ﺗﺨﻤﯿﻦ و ﻧﻘﺎط ﻣﺸﺎﻫﺪه ای ﻣﺘﻐﯿﺮ z، k0 γ (y) : ﺗﻐﯿﯿ یﺮﻧﻤﺎ ﺑﯿﻦ ﻧﻘﻄﻪ ی ﻣـﻮرد ﺗﺨﻤـﯿﻦ و ﻧﻘـﺎط ﻣﺸـﺎﻫﺪه ای ﻣﺘﻐﯿـﺮ y و μ ,μ 1 2 :ﺿﺮاﯾﺐ ﻻﮔﺮاﻧﮋ ﻣﯽ ﺑﺎﺷﻨﺪ . پ.3 - 8 - روش ﮐﺮﯾﺠﯿﻨﮓ ﻋﻤﻮﻣﯽ1 اﯾﻦ روش ﻫﻨﮕﺎﻣﯽ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد ﮐﻪ در ﻫﺎ داده روﻧﺪ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ . ﺑﺪﯾﻦ ﻣﻌﻨﯽ ﮐﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺘﻐﯿﺮ ﻣﮑﺎﻧﯽ ﺑﻪ ﯾـﮏ آﺳﺘﺎﻧﻪ ﻣﺸﺨﺼﯽ ﻧﺮﺳﯿﺪه و ﺑﺎ اﻓﺰاﯾﺶ ﻣﻘﺪار ﻓﺎﺻﻠﻪ اﻓﺰاﯾﺶ ﯾﺎﺑﺪ . در اﯾـﻦ ﺣﺎﻟـﺖ از ﺗﺨﻤﯿﻨﮕﺮﻫـﺎی ﻏﯿﺮﺧﻄـﯽ ﻧﻈﯿـﺮ ﮐﺮﯾﺠﯿﻨـﮓ ﻋﻤـﻮﻣﯽ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮﻧﺪ . ﺑﺪﯾﻦ ﺻﻮرت ﮐﻪ اﺑﺘﺪا روﻧﺪ ﻣﻮﺟﻮد در ﻫﺎ داده ﺷﻨﺎﺳﺎﯾﯽ ﮔﺮدﯾﺪه و از ﻫﺎ داده ﺣﺬف ﻣﯽ ﺷﻮﻧﺪ ﺗﺨﻤﯿﻦ ﺑﺮاﺳـﺎس ﺑﺎﻗﯿﻤﺎﻧـﺪه ﻫﺎ داده ﮐﻪ ﺑﺪون روﻧﺪ ﺑ ﻣﯽ ﺎﺷﻨﺪ اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد . در اﻧﺘﻬﺎ ﻣﻘﺎدﯾﺮ روﻧﺪ ﺣﺬف ﺷﺪه ﺑﺎ ﻣﻘﺎدﯾﺮ ﺑﺮآوردی ﺟﻤﻊ ﺷﻮد ﻣﯽ . ﻣﻌﻤﻮﻻ ﺑـﺮآورد روﻧـﺪ ﺑـﺎ ﭼﻨﺪ ای ﺟﻤﻠﻪ ﻫﺎ ﺻﻮرت ﻣﯽ ﮔﯿﺮد . پ.3 - 9 - روﯾﻪ روﻧﺪ2 روﯾﻪ روﻧﺪ ، ﭼﻨﺪ ﻫﺎ ای ﺟﻤﻠﻪ ﯾﯽ ﺑﺎ ﻫﺎی ﺗﻮان ﻣﺨﺘﻠﻒ ﻫﺴﺘﻨﺪ ﮐﻪ از ﺑﯿﻦ ﻧﻘﺎط ﻋﺒﻮر ﻣﯽ ﮐﻨﻨﺪ . ﻫـﺮ ﭼـﻪ ﺗـﻮان ﻣﻌﺎدﻟـﻪ ﺑـﺎﻻﺗﺮ ﺑﺎﺷـ ﺪ روﯾـﻪ ﻫﻤﻮارﺗﺮ3 ﻣﯽ ﮔﺮدد . ﻟﺬا ﻫﺎی ﺗﻮان ﺑﺎﻻ ﻣﯽ ﺗﻮاﻧﺪ ﻓﺎﺻﻠﻪ ﻧﻘﺎط ﺑﺎ روﯾﻪ ﺑﺮازش داده را اﻓﺰاﯾﺶ داده و ﺧﻄﺎی روش را ﺑﺎﻻ ﺑﺒﺮد . ﻣﻌﺎدﻟﻪ روﯾـﻪ ﺑـﺎ روش ﻫﺎ ﯾﯽ ﻧﻈﯿﺮ ﺗﺮ ﮐﻢ ﯾﻦ ﻣﺮﺑﻊ4 ﺑﻪ ﻣﺨﺘﺼﺎت ﻧﻘﺎط و ﻣﻘﺎدﯾﺮ آن ﺑﺮازش داده ﺷﻮد ﻣﯽ . 1 -Universal Kriging 2- Trend Surfase 3- Smoothing 4- Least Square 10 ﭘﯿﻮﺳﺖ4 ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS ﭘﯿﻮﺳﺖ4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS 101 ﭘﯿ ﻮﺳﺖ 4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS در اﯾﻦ ﭘﯿﻮﺳﺖ ﮔﺎم ﻫﺎی ﺷﺶ ﮔﺎﻧﻪ اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار ﺗﺸﺮﯾﺢ ﻣﯽ ﺷﻮﻧﺪ . ﮔﺎم اول : ورود ﻫﺎ داده در ﻣﺤﯿﻂ GS+ ) Import data ( ﺑﺎ ﻧﺼﺐGS+ آﯾﮑﻮن ﻫﺎ ی ﻣﻮﺟﻮد در ﺷﮑﻞ زﯾﺮ ﻗﺎﺑﻞ اﺟﺮا ﻣﯽ ﺑﺎﺷﻨﺪ ﮐﻪ از آن ﻣﯿﺎن، ﻓﺎﯾﻞ اﺟﺮاﯾـﯽ ﻣـﻮرد ﻧﻈـﺮ GS+ for windows اﺳﺖ . ﺑﺎ اﻧﺘﺨﺎب اﯾﻦ ﮔﺰﯾﻨﻪ وارد ﻣﺤﯿﻂ اﺻﻠﯽ اﯾﻦ ﻧﺮم اﻓﺰار ﺷﺎﻣﻞ ﻣﻨﻮی اﺻﻠﯽ و ﭘﻨﺠﺮه ﻫﺎ داده1 ﺧﻮاﻫﯿﻢ ﺷﺪ ) ﺷﮑﻞ پ.4 - 1.( ﻣﺸﺨﺼﻪ ﻫﺮ ﺳﺘﻮن ﻧﺎم ﻫﺮ ﺳﺘﻮن ﺷﮑﻞ پ .4 - 1 - ﻣﺤﯿﻂ اﺻﻠﯽGS+ ﭘﻨﺠﺮه ﻫﺎ داده ی + GS ﻫﻤﺎﻧﻨﺪ ﺻﻔﺤﻪ ﮔﺴﺘﺮده Excel در ﻗﺎﻟﺐ ﺳﻄﺮ و ﺳﺘﻮن ﺑﻮده و ﻣﺤﺪودﯾﺘﯽ در ﺗﻌـﺪاد ﺳـﻠﻮل ﻫـﺎ وﺟـﻮد ﻧـﺪارد . ﻫﻤﭽﻨﯿﻦ اﻣﮑﺎن ﻫﺮﮔﻮﻧﻪ وﯾﺮاﯾﺸﯽ ﻧﯿﺰ در اﯾﻦ ﻣﺤﯿﻂ وﺟﻮد دارد . - ﻓﺎﯾﻞ ورودی ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ ﺪﺑﺎﯾ ، ﺷﺎﻣﻞ ﻣﻮﻗﻌﯿﺖ ﻣﮑﺎﻧﯽ ﻫﺮ داده (X,Y) و ﻣﻘﺎدﯾﺮ اﻧﺪازه ﮔﯿﺮی ﻣﺘﻨـﺎﻇﺮ ﺑـﺎ آن (Z) و در ﺻﻮرت ﻟﺰوم ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ (Z2) ﺑﺎﺷﺪ . اﯾﻦ اﻃﻼﻋﺎت ﻣﯽ ﺗﻮاﻧﺪ ﯾﺎ ﺑﻪ ﺻـﻮر ت ﻣﺴـﺘﻘﯿﻢ در ﭘﻨﺠـﺮه ﻫـﺎ داده ی GS+ در ﺳـﻠﻮل ﻫـﺎ وارد ﮔـﺮدد و ﯾـﺎ از ﻃﺮﯾـﻖ ﻓﺮﻣـﺖ ﻫـﺎ ی ﻣﺨﺘﻠـﻒ ) ﻣﺎﻧﻨـﺪ Excel Spreadsheet Access وtext ( در ﻣﺤـﯿﻂ GS+ﻓﺮاﺧﻮاﻧﯽ ﺷﻮد . -ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ روی ﺷﻤﺎره ﻫﺮ ﺳﺘﻮن، ﭘﻨﺠﺮهField (Column) Assignment ﻇﺎﻫﺮ ﺷﻮد ﻣﯽ ﮐﻪ در آن ﻣـﯽ ﺗـﻮان ﻣﺸﺨﺼـﻪ ﻫﺮ ﺳﺘﻮن را ﺗﻌﯿﯿﻦ ﻧﻤﻮد . اﯾﻦ ﻣﺸﺨﺼﻪ ﻣﯽ ﺗﻮاﻧﺪ ﯾﮑﯽ از ﻣﻮارد زﯾﺮ ﺑﺎﺷﺪ : · ﻣﺸﺨﺼﻪ ﻫﺎ داده ی ﻣﻮرد ﺑﺮرﺳﯽ2 : در اﯾﻦ ﺳﺘﻮن اﻃﻼﻋﺎﺗﯽ ﻫﻤﭽﻮن ﻧﺎم اﯾﺴﺘﮕﺎه وارد .ﺷﻮد ﻣﯽ · ﻃﻮل ﺟﻐﺮاﻓﯿﺎﯾﯽ3: در اﯾﻦ ﺳﺘﻮن ﻃﻮل ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻧﻤﻮﻧﻪ ﻫﺎ وارد .ﺷﻮد ﻣﯽ · ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ4 : ﻋﺮض ﺟﻐﺮاﻓﯿﺎﯾﯽ ﻧﻤﻮﻧﻪ ﻫﺎ در اﯾﻦ ﺳﺘﻮن وارد ﻣﯽ .ﺷﻮد ·ﻣﺘﻐﯿﺮ اوﻟﯿﻪ5: ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻧﻘﺎﻃﯽ ﮐﻪ ﻣﺨﺘﺼﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ آﻧﻬﺎ در دو ﺳﺘﻮن ﻗﺒﻞ وارد ﺷﺪ، در اﯾﻦ ﻗﺴﻤﺖ ﻟﺤﺎظ ﺷﻮد ﻣﯽ . 1- Worksheet Data 2- Sample ID 3- X Coordinate 4- Y Coordinate 5- Z Primary Variate 102 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ·ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ1 :درﺻﻮرﺗﯽ ﮐﻪ از روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ در ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ اﺳﺘﻔﺎده ﺷﻮد ، ﻣﻌﺮﻓﯽ ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ اﻟﺰاﻣﯽ اﺳﺖ ﺑﺎ . وارد ﻧﻤﻮدن ﻣﻘﺎدﯾﺮ ا ﯾﻦ ﻣﺘﻐﯿﺮ در ﯾﮏ ﺳﺘﻮن و ﺑﺎ اﻧﺘﺨﺎب ﮔﺰﯾﻨﻪ Z2 ، اﯾﻦ ﺳﺘﻮن ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ ﺑﺮای ﻧﺮم اﻓﺰار ﺗﻌﺮﯾﻒ ﺧﻮاﻫﺪ ﺷﺪ . ﺑﻪ ﺟﺎی اﯾﻦ ﮐﻪ روی ﻫﺮ ﺳﺘﻮن ﮐﻠﯿﮏ ﮐﻨﯿﻢ، ﺗﻮان ﻣﯽ در ﻗﺴﻤﺖ Active Column اﯾﻦ ﭘﻨﺠﺮه ﻫﺮ ﺳـﺘﻮن را اﻧﺘﺨـﺎب ﮐـﺮده و ﺳـﭙﺲ ﻣﺸﺨﺼﻪ ﻣﺮﺑﻮﻃﻪ را ﻧﯿﺰ ﺗﻌﯿﯿﻦ ﮐﻨﯿﻢ ) ﺷﮑﻞ پ.4 - 2 .( اﻣﮑﺎن ﺗﻐﯿﯿﺮ ﻓﺮﻣﺖ ﺳﺘﻮن ﻫﺎ ﻧﯿﺰ وﺟﻮد دارد . ﺑﺎ ﺗﻌﯿﯿﻦ ﻣﺸﺨﺼﻪ ﻫـﺮ ﺳـﺘﻮن و ﮐﻠﯿـﮏ OK اﯾﻦ ﭘﻨﺠﺮه ﺑﺴﺘﻪ ﺧﻮاﻫﺪ ﺷﺪ . ﺗﻮان ﻣﯽ ﺳﺘﻮن ﻫﺎ ی ﻣﺘﻌﺪدی را ﺑﻪ ﻋﻨﻮان ﻫﺎ داده ی اﺻﻠﯽ و ﯾﺎ ﮐﻤﮑﯽ وارد ﻧﻤﻮد . اﻣﺎ در ﻫﺮ ﺑﺎر اﺟﺮای ﺑﺮﻧﺎﻣﻪ ﺗﻨﻬﺎ ﺑﺎﯾﺪ ﯾﮑـﯽ از آﻧﻬـﺎ را ﺑﻪ ﻋﻨﻮانZ وZ2 اﻧﺘﺨﺎب ﻧﻤﻮد ﺗﺎ ﻣﺤﺎﺳ ﺒﺎت ﺑﺮاﺳﺎس آﻧﻬﺎ ﺻﻮرت ﭘﺬﯾﺮد . ﺷﮑﻞ پ .4 - 2 - ﺗﻌﯿﯿﻦ ﻣﺸﺨﺼﺎت ﺳﺘﻮن ﻫﺎ ﮔﺎم دوم : ﺗﻌﯿﯿﻦ ﺧﺼﻮﺻﯿﺎت آﻣﺎری ﻫﺎ داده ی ورودی داﻧﺴﺘﻦ اﻃﻼﻋﺎﺗﯽ از وﺿﻌﯿﺖ ﮐﯿﻔﯽ ﻫﺎ داده ﺑﺮ آﻧﺎﻟﯿﺰ زﻣﯿﻦ آﻣﺎری آﻧﻬﺎ ﺗﻘﺪم دارد . ﻣﺮاﺣﻞ ﮐﺎر در اﯾﻦ ﮔﺎم ﺑﻪ ﺷﺮح زﯾﺮ اﺳﺖ : 1 - از ﻃﺮﯾﻖ ﻣ ﺴﯿﺮData> Primary Data Summary ﺗﺤﻠﯿﻞ آﻣﺎری ﻣﺘﻐﯿﺮ اﺻـﻠﯽ و از ﻃﺮﯾـﻖData> Covariate Data Summary ﺧﺼﻮﺻﯿﺎت آﻣﺎری ﻣﺘﻐﯿﺮ ﮐﻤﮑﯽ ﻣﺸﺨﺺ ﻣﯽ ﮔﺮدد ) ﺷﮑﻞ پ .4 - 3 .( ﻣﺮاﺣﻞ ﺑﻌـﺪی ﺑـﺮای ﻫـﺮ دو ﻣﺘﻐﯿﺮ ﯾﮑﺴﺎن ﻣﯽ ﺑﺎﺷﺪ . 1- Z2 Covariate ﭘﯿﻮﺳﺖ4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS 103 ﺷﮑﻞ پ .4 - 3 - ﻣﺴﯿﺮ ﺗﻌﯿﯿﻦ ﺧﺼﻮﺻﯿﺎت آﻣﺎری 2 -ﺑﺎ ا ﻧﺘﺨﺎب Summery Statistics ، ﭘﻨﺠﺮهData summary ) ﺷﮑﻞ پ.4 - 4 ( ﻇﺎﻫﺮ ﺷﻮد ﻣﯽ ﮐﻪ ﮐـﺎرﺑﺮ در ﻗﺴـﻤﺖ اول آن ) X, Y Coordinates ( ﻣﯽ ﺗﻮاﻧﺪ ﺟﺎﻧﻤﺎﯾﯽ1 ﻫﺎ داده ی ورودی را در ﺻﻔﺤﻪ X وY ﻣﺸﺎﻫﺪه ﻧﻤﺎﯾﺪ . 3 - ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ رویExpand ﭘﻨﺠﺮه ای ﺗﺤﺖ ﻋﻨﻮان Coordinate Posting ﺑﺎز ﻣﯽ ﺷـﻮد ﮐـﻪ ﺷـﺎﻣﻞ ﻧﻤـﻮدار ﺑـﻮده و ﮐـﺎرﺑﺮ ﻣﯽ ﺗﻮاﻧﺪ ﺗﻐﯿﯿﺮات ﻣﻮرد ﻧﻈﺮ ﺧﻮد را در ﻓﺮﻣﺖ ﻧﻤﻮدار اﻋﻤﺎل ﻧﻤﺎﯾﺪ . در ﻗﺴﻤﺖ اول از اﯾﻦ ﭘﻨﺠﺮه ﻧﻘﺸﻪ ای از ﻣﻮﻗﻌﯿـﺖ و ﻫـﺎ داده ﻣﻘﺎدﯾﺮ ﻣﺘﻨﺎﻃﺮ آﻧﻬﺎ ﻧﺸﺎن داده ﺷﻮد ﻣﯽ . اﯾﻦ ﻗﺎﺑﻠﯿﺖ وﺟﻮد دارد ﮐﻪ ﻣﻘﺎدﯾﺮ ﻫﺎ داده در ﻏﺎﻟﺐ ﭼﺎرک ، ﻫﺎ ﺻﺪک ﻫـﺎ و ﯾـﺎ ﻫـﺮ ﻧـﻮع ﺗﻮزﯾﻊ دﯾﮕﺮ ی ﻧﻤﺎﯾﺶ داده ﺷﻮد . 4 - GS+ در ﻗﺴﻤﺖ دوم ﭘﻨﺠﺮهData summary (Z) ﺑﺮﺧﯽ ﺧﺼﻮﺻﯿﺎت آﻣﺎری ﻧﻈﯿﺮ ﻣﯿﺎﻧﮕﯿﻦ، اﻧﺤﺮاف ﻣﻌﯿﺎر، ﭼﻮﻟﮕﯽ، ﺗﻮزﯾـﻊ ﻓﺮاواﻧﯽ و اﺣﺘﻤﺎﻻﺗﯽ را اراﺋﻪ . دﻫﺪ ﻣﯽ 5 - اﮔﺮ ﺗﻮزﯾﻊ ﻫﺎ داده از ﺗﻮزﯾﻊ ﻧﺮﻣـﺎل ﺗﺒﻌﯿـﺖ ﻧﮑﻨـﺪ، اﻣﮑـﺎن ﺗﺒـﺪﯾﻞ آن ﺑـﻪ ﺗﻮزﯾـﻊ ﻧﺮﻣـﺎل ﺗﻮﺳـﻂ روش ﻫـﺎ ی رﯾﺸـﻪ ﮔﯿـﺮی و ﻟﮕﺎرﯾﺘﻢ ﮔﯿﺮی در ﻗﺴﻤﺖTransformation وﺟﻮد دارد . 6 - ﺑﺮای ﺑﺮﮔﺮدان ﺗﻐﯿﯿﺮات ﻣﺮﺣﻠﻪ ﻗﺒﻞ از ﻗﺴﻤﺖTransformation Back ﺑﺎﯾﺪ ﺣﺎﻟﺖ اﺳﺘﺎﻧﺪارد را اﻧﺘﺨﺎب ﻧﻤﻮد . ﮔﺎم ﺳﻮم : اﺳﺘﺨﺮاج ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در اﯾﻦ ﻣﺮﺣﻠﻪ آﻧﺎﻟﯿﺰ ﻣﮑﺎﻧﯽ داده ﻫﺎ ﺑﺮاﺳﺎس ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺻﻮرت ﻣ ﯽ ﭘﺬﯾﺮد . ﺑﺪﯾﻦ ﻣﻨﻈﻮر ﻣﺮاﺣﻞ ﮐﺎر در ﻧﺮم اﻓﺰار GS+ ﻣﻄﺎﺑﻖ زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ : 1- Positing 104 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 2 3 ﺷﮑﻞ پ .4 - 4 - ﺟﺎﻧﻤﺎﯾﯽ داده ﻫﺎ در ﻗﺴﻤﺖ اول ﭘﻨﺠﺮه Data summary 4 5 6 ﺷﮑﻞ پ .4 - 5 - ﺧﺼﻮﺻﯿﺎت آﻣﺎری ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ در ﻗﺴﻤﺖ دوم ﭘﻨﺠﺮه Data summary 1 - از ﻃﺮﯾﻖ ﻣﻨﻮی اﺻﻠﯽ و اﻧﺘﺨﺎب Semivariance Analysis ﮐﺎرﺑﺮ ﺑﺎ ﺳﻪ ﮔﺰﯾﻨﻪ ﻣﻮاﺟﻪ اﺳﺖ ) ﺷـﮑﻞ پ.4 - 6 .( در ﺻـﻮرت اﻧﺘﺨﺎبPrimary Variate (Z) ﺗﻮان ﻣﯽ آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ را ﺑﺮاﺳﺎس ﻣﺘﻐﯿﺮ اﺻـﻠﯽ اﻧﺠـﺎم داد . در ﺷـﺮاﯾﻄﯽ ﮐـﻪ از ﻣﺘﻐﯿـﺮ ﮐﻤﮑﯽ در ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ اﺳﺘﻔﺎده ﺷﻮد ﻣﯽ از ﻃﺮﯾﻖ Covariate (Z2) ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻣﺘﻐﯿـﺮ ﮐﻤﮑـﯽ ﻗﺎﺑـﻞ ﺑﺮرﺳـﯽ اﺳـﺖ و ﺳﭙﺲ ﺑﺎﯾﺪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻣﺘﻘﺎﺑﻞ ﻣﺘﻐﯿﺮﻫﺎ ی اﺻﻠﯽ و ﮐﻤﮑﯽ را ﺑﺎ اﻧﺘﺨﺎب ﮔﺰﯾﻨـﻪ Cross semivariance ﺗﺮﺳـﯿﻢ و ﺑﻬﺘـﺮﯾﻦ ﻣﺪل ﻗﺎﺑﻞ ﺑﺮازش ﺑﺮ آن را اﻧﺘﺨﺎب ﻧﻤﻮد . ﺑﺎ اﻧﺘﺨﺎب ﻫﺮ ﯾﮏ از ﮔﺰﯾﻨﻪ ﻫﺎی ﻓﻮق ﻣﺮاﺣﻞ ﻣﺸﺎﺑﻬﯽ ﺗﺎ اﻧﺘﻬﺎ ﻃﯽ ﺧﻮاﻫﺪ ﺷـ ﺪ ﮐـﻪ در اداﻣﻪ ﻣﺮاﺣﻞ ﮐﺎر ﺗﻨﻬﺎ ﺑﺮای ﻣﺘﻐﯿﺮ اﺻﻠﯽ ذﮐﺮ ﺷﺪه اﺳﺖ . ﭘﯿﻮﺳﺖ4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS 105 ﺷﮑﻞ پ .4 - 6 - ﻣﺴﯿﺮ ﺗﺮﺳﯿﻢ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ 2 - در ﭘﻨﺠﺮهPrimary Variate (Z) Semivariance Analysis- ) ﺷﮑﻞ پ.4 - 7 ( ﺑـﺎ ﮐﻠﯿـﮏ ﺑـﺮ رویCalculate ﮐـﺎرﺑﺮ ﻣﯽ ﺗﻮاﻧﺪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻏﯿﺮﻫﻤﺴﺎﻧﮕﺮد1 و ﻫﻤﭽﻨﯿﻦ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻫﻤﺴﺎﻧﮕﺮد2 را ﺑﺮای ﭼﻬﺎر راﺳﺘﺎی اﺻـﻠﯽ ) ﺻـﻔﺮ، 45 ، 90 و 135 درﺟﻪ ( در ﮐﻨﺎر ﻫﻢ ﻣﺸﺎﻫﺪه ﮐﻨﺪ . ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ ﺗﻮان ﻣﯽ ﺑﻪ ﺳﻬﻮﻟﺖ وﺟـﻮد ﻫﻤﺒﺴـﺘﮕﯽ ﻫـﺎ داده در راﺳـﺘﺎﻫﺎی ﻣﺨﺘﻠـﻒ و ﻫﻤﭽﻨﯿﻦ ﻫﻤﺴﺎن ﮔﺮدی را ﺗﺸﺨﯿﺺ داد . 3 - در ﻗﺴﻤﺘﯽ از ﭘﻨﺠﺮه ﻓﻮق ﺗﻮان ﻣﯽ ﺑﺎ ﺗﻐﯿﯿﺮ در ﻓﺎﺻﻠﻪ ﮔﺎﻣ )ﻬﺎ (Active Lag و اﻧﺪازه ﮐﻼﺳﻬﺎی ﻣﺠﺰا )size of individual lag classes (ﺗﺎﺛﯿﺮ ات ﻫﺮ ﯾﮏ از آﻧﻬﺎ را ﻓﻮرا در ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺸﺎﻫﺪه ﮐﺮد . اﻧﺪازه ﮐﻼس ﻣﯽ ﻫﺎ ﺗﻮاﻧﺪ ﺑﻪ ﺻـﻮرت ﯾﮑﻨﻮاﺧـﺖ و ﯾـﺎ ﻏﯿﺮﯾﮑﻨﻮاﺧﺖ ﺗﻨﻈﯿﻢ ﺷﻮد . 4 - ﻧﺮم اﻓﺰار GS+ ﭼﻬﺎر ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﻫﻤﺴﺎﻧﮕﺮد ﺑﺮاﺳﺎس زاوﯾـﻪ درج ﺷـﺪ ه در ﻗﺴـﻤﺖ Principal Axis و ﺑـﺎ ﻓﻮاﺻـﻞ45 درﺟﻪ ﻧﻤﺎﯾﺶ ﺧﻮاﻫﺪ داد . ﻣﻘﺪار اوﻟﯿﻪ ﺑﺮای ﭘﺎراﻣﺘﺮ ﻓﻮق ﺻﻔﺮ اﺳﺖ ﻟﺬا ﻧﻤﻮدارﻫـﺎ را ﺑﺮاﺳـﺎس ﭼﻬـﺎر راﺳـﺘﺎی اﺻـﻠﯽ ﻣﺤﺎﺳـﺒﻪ . ﮐﻨﺪ ﻣﯽ ﺑﺎ ﺗﻐﯿﯿﺮ اﯾﻦ زاوﯾﻪ ﺗﻮان ﻣﯽ ﺗﻐﯿﯿﺮﻧﻤﺎﻫﺎی ﻫﻤﺴﺎن ﮔﺮدی را ﺑﺮای زاوﯾﻪ ﻫﺎی دﯾﮕﺮی ﻧﯿﺰ ﻣﺸـﺎﻫﺪه ﮐـﺮد . ﻣﻘـﺪار ﻓـﺮض ﺷﺪه ﺑﺮای ﺗﻮﻟﻮراﻧﺲ زاوﯾﻪ 5/ 22 درﺟﻪ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺗﻮان ﻣﯽ آن را در ﻗﺴﻤﺖ Offset Tolerance ﺗﻐﯿﯿﺮ داد . 5 - ﻫﺮ ﺗﻐﯿﯿﺮ ﻧﻤﺎ را ﺗﻮان ﻣﯽ ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ روی Expand ﺑﻪ ﺻـﻮرت ﻣﺠـﺰا در ﭘﻨﺠـﺮه دﯾﮕـﺮی ﺑﺮرﺳـﯽ ﻧﻤـﻮد . در اﯾـﻦ ﻗﺴـﻤﺖ اﻃﻼﻋﺎت ﻧﻘﺎط ﺗﺸﮑﯿﻞ دﻫﻨﺪه اﯾﻦ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺎﻧﻨﺪ ﺗﻌﺪاد ﺟﻔﺖ ﻧﻘﺎط ﻣﻮ ﺟﻮد در ﻫﺮ ﮔﺎم، ﻣﻘﺎدﯾﺮ آﻧﻬﺎ و ﻓﺎﺻﻠﻪ ای ﮐـﻪ ﻧﺴـﺒﺖ ﺑﻬﻢ ﻗﺮار ﮔﺮﻓﺘﻪ اﻧﺪ، در اﺧﺘﯿﺎر ﮐﺎرﺑﺮ ﻗﺮار ﻣﯽ ﮔﯿﺮد . درﺻﻮرﺗﯽ ﮐـﻪ ﯾـﮏ داده ﺑـﺎ ﺳـﺎﯾﺮ ﻫـﺎ داده ی دﯾﮕـﺮ در ﯾـﮏ ﻓﺎﺻـﻠﻪ ﻣﻌـﯿﻦ ﻫﻤﺒﺴﺘﮕﯽ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ، ﺑﻪ ﺻﻮرت ﯾﮏ ﻧﻘﻄﻪ ﭘﺮت در ﺗﻐﯿﯿﺮﻧﻤﺎ ﻇﺎﻫﺮ ﺷﻮد ﻣﯽ . اﯾﻦ ﻗﺴﻤﺖ اﻣﮑﺎن ﺗﺸﺨﯿﺺ ﻧﻘﺎط ﭘـﺮت را ﺑـﻪ ﮐﺎرﺑﺮ دﻫﺪ ﻣﯽ . اﻣﮑﺎن ﺗﻬﯿﻪ ﭘﺮﯾﻨﺖ از ﮔﺮاف ﻫﺎ و ﻣﻘﺎدﯾﺮ ﻧﯿﺰ در اﯾﻦ ﻗﺴﻤﺖ وﺟﻮد دارد ) ﺷﮑﻞ پ.4 - 8.( 6 - ﺑﺎ اﻧﺘﺨﺎبShow model در ﻗﺴﻤﺖVariogram Options ﯾﮏ ﻣﺪل ﺗﺌﻮرﯾﮏ ﺑﻪ ﺻﻮرت اﺗﻮﻣﺎﺗﯿـﮏ ﺑـﺮ ﻧـﯿﻢ ﺗﻐﯿﯿﺮﻧﻤـﺎی ﺗﺠﺮﺑﯽ ﺑﺮازش داده ﺷﻮد ﻣﯽ . اﯾﻦ ﻣﺪل ﻣﯽ ﺗﻮاﻧﺪ ﻧﻘﻄﻪ ﺷﺮوع ﻣﻨﺎﺳﺒﯽ ﺑﺮای ﺑﻬﯿﻨﻪ ﮐ ﺮدن ﭘﺎراﻣﺘﺮﻫﺎ و رﺳﯿﺪن ﺑـﻪ ﻣﻨﺎﺳـﺐ ﺗـﺮ ﯾﻦ ﻣﺪل ﺗﻐﯿﯿﺮ ﻧﻤﺎ ﺑﻪ ﺷﻤﺎر آﯾﺪ . ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ در ﻫﺮ ﯾﮏ از ﻣﺮاﺣﻞ ﻓﻮق ﺑﺎ ﺗﻐﯿﯿﺮ در ﻫـﺮ ﯾـﮏ ﭘﺎراﻣﺘﺮﻫـﺎی ﻣﺨﺘﻠـﻒ ﺑﺎﯾـﺪCalculate را ﮐﻠﯿـﮏ ﻧﻤـﻮد ﺗـﺎ ﺗﻐﯿﯿﺮات اﻋﻤﺎل ﺷﻮد . 1- Isotropic Variogram 2- Anisotropic 106 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 7 - ﭘﺲ از ﺗﺮﺳﯿﻢ ﻣﺪل، آﯾﮑﻮنModel ﻓﻌﺎل ﺷﺪه ﮐﻪ ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ روی آن ﭘﻨﺠﺮه ای ﮐـﻪ در آن اﻣﮑـﺎن اﻧﺘﺨـﺎب 5 ﻧـﻮع ﻣـﺪل ﻣﺨﺘﻠﻒ ﺑﺮای ﮐﺎرﺑﺮ وﺟﻮد دارد، ﻇﺎﻫﺮ ﻣﯽ ﮔﺮدد ) ﺷﮑﻞ پ.4 - 9 .( ﺑﺎ اﻧﺘﺨـﺎب ﻫـﺮ ﯾـﮏ از آﻧﻬـﺎ و ﺑﺮاﺳـﺎس ﭘﺎراﻣﺘﺮﻫـﺎی Sill ، Nugget وRange ﺗﻮان ﻣﯽ ﻫﺎ ﻣﺪل ی ﻣﺨﺘﻠﻔﯽ را ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ ﻫﺎ داده ﺑﺮازش داد . 6 3 4 2 5 ﺷﮑﻞ پ .4 - 7 - ﭘﻨﺠﺮه آﻧﺎﻟﯿﺰ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮای ﻣﺘﻐﯿﺮ اﺻﻠﯽ ﺷﮑﻞ پ .4 - 8 - ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﻣﺸﺨﺼﺎت ﻧﻘﺎط ﺗﺸﮑﯿﻞ دﻫﻨﺪه آن ﭘﯿﻮﺳﺖ4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS 107 ﺷﮑﻞ پ .4 - 9 - اﻧﺘﺨﺎب ﻣﺪل ﻫﺎی ﻣﺨﺘﻠﻒ و ﺗﻐﯿﯿﺮ ﭘﺎراﻣﺘﺮﻫﺎی Sill ، Nugget و Range ﮔﺎم ﭼﻬﺎرم : درون ﯾﺎﺑﯽ و اﻧﺘﺨﺎ ب روش ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ دو ﻧﻮع روش ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ ﺗﻮﺳﻂ ﻧﺮم اﻓﺰار GS+ ﻗﺎﺑﻞ اﺟﺮا اﺳﺖ : ﮐﺮﯾﺠﯿﻨﮓ و ﻋﮑﺲ وزﻧـﯽ ﻓﺎﺻـﻠﻪ . (IDW) ﮐﺮﯾﺠﯿﻨـﮓ ﺑﺮاﺳـﺎس ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﮐﻪ ﺗﻮﺳﻂ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﻣﯽ ، درون ﯾﺎﺑﯽ ﺑﻬﯿﻨﻪ ای از ﻧﻘﺎط در ﺳﺮاﺳﺮ ﯾﮏ ﺣﻮزه ﺳﻪ ﺑﻌﺪی ) ﻣﺨﺘﺼـﺎت و ﻣﺘﻐﯿـﺮ ( اراﺋﻪ دﻫﺪ ﻣﯽ . روش IDW ﯾﮏ درون ﯾﺎﺑﯽ ﮐﻼﺳﯿﮏ از ﻧﻘﺎط ﺑﺮاﺳﺎس وزن دﻫﯽ ﺑﻪ ﻧﺰدﯾﮏ ﺗﺮﯾﻦ ﻧﻘﺎط ﻫﻤﺴـﺎﯾﮕﯽ اراﺋـﻪ ﻣـﯽ دﻫـﺪ . ﺑـﺮای اﻧﺘﺨﺎب ﻫﺮ ﯾﮏ از روش ﻫﺎ ی ﻓﻮق ﻣﻄﺎﺑﻖ ﺷﮑﻞ )پ.4 - 10 (ﻧﺸﺎن داده ﺷﺪه، در ﻣﻨﻮی اﺻﻠﯽInterpolate را ﮐﻠﯿﮏ ﻧﻤﻮده و ﺳﭙﺲ روش ﻣﻮرد ﻧﻈﺮ را اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ . در اداﻣﻪ ﻣﺮاﺣﻞ ﺑﻌﺪی ﺑﺮ ﺣﺴ ﺐ اﯾﻦ دو روش ﺑﯿﺎن ﺷﺪه اﺳﺖ ﮐﻪ در اﺷﮑﺎل )پ.4 - 11 ( و )پ.4 - 13 ( ﻧﯿﺰ ﺑﻪ ﺻﻮرت ﺷﻤﺎﺗﯿﮏ ﻣﻼﺣﻈﻪ .ﺷﻮد ﻣﯽ ﺷﮑﻞ پ .4 - 10 - ﻣﺴﯿﺮ اﻧﺘﺨﺎب روش درون ﯾﺎﺑﯽ - روش ﺗﺤﻠﯿﻞ ﮔﺮ ﮐﺮﯾﺠﯿﻨﮓ 1 - در ﭘﻨﺠــﺮه ﮐﺮﯾﺠﯿﻨــﮓ اﻣﮑــﺎن ﺗﺮﺳــﯿﻢ ﻧﻘﺸــﻪ ﺗﻮﺳــﻂ روش یﻫــﺎ Block Kriging وPoint Kriging و ﻫﻤﭽﻨــﯿﻦ Co-Kriging وﺟﻮد دارد . در ﻗﺴﻤﺖ Krig Methods ﻣـﯽ ﺗـﻮان ﻫـﺮ ﯾـﮏ از روش ﻫـﺎ ی ﻓـﻮق را اﻧﺘﺨـﺎب ﻧﻤـﻮد . ﻣـﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﺮای روش ﻣﻨﺘﺨﺐ ﺑﻪ ﺻﻮرت اﺗﻮﻣﺎﺗﯿﮏ از ﻣﺮﺣﻠﻪ ﻗﺒﻞ وارد ﺧﻮاﻫﺪ ﺷﺪ . 108 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 1 5 4 2 3 ﺷﮑﻞ پ .4 - 11 - ﻣﺮاﺣﻞ ﻣﺤﺎﺳﺒﺎﺗﯽ روش ﮐﺮﯾﺠﯿﻨﮓ 2 -ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧ ﯽ در اﻧﻮاع روش ﮐﺮﯾﺠﯿﻨﮓ ﺑﺮاﺳﺎس ﻣﺪل ﻣﻨﺘﺨﺐ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ و ﺷﻌﺎع ﺗ ﺎﺛ ﯿﺮ ﮐﻪ از ﻣـﺪل ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ اﺳﺘﺨﺮاج ﺷﻮد ﻣﯽ ، ﺻﻮرت ﻣﯽ ﮔﯿﺮد . در ﻗﺴﻤﺖ Search Neighborhood دو ﭘﺎراﻣﺘﺮ ﺗﻌـﺪاد ﻧﻘـﺎط ﻫﻤﺴـﺎﯾﮕﯽ و ﺷﻌﺎع ﺗﺎﺛﯿﺮ وارد ﻣﯽ ﮔﺮدد . ﻣﻘﺪار اوﻟﯿﻪ ﺗﻌﺪاد ﻧﻘﺎط 16 . ﺷﺪﺑﺎ ﻣﯽ 3 - ﻣﺴﯿﺮ ذﺧﯿﺮه و ﻧﺎم ﻓﺎﯾﻞ ﺧﺮوﺟﯽ و ﻫﻤﭽﻨﯿﻦ ﻧﻮع ﻓﺮﻣﺖ آن را ﻧﯿﺰ در اﯾﻦ ﭘﻨﺠﺮه ﺗﻮان ﻣﯽ ﺗﻌﯿﯿﻦ ﻧﻤﻮد . 4 - ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ رویCross-Validation ﺗﻮان ﻣﯽ ﻣﯿﺰان ﺧﻄﺎی روش اﻧﺘﺨﺎﺑﯽ را ﻣﺤﺎﺳﺒﻪ ﻧﻤـﻮد . اﯾـﻦ ﻣﺮﺣﻠـﻪ در ﮔـﺎم ﭘـﻨﺠﻢ ﻣﻔﺼﻞ ﺗﺸﺮﯾﺢ ﻣﯽ ﮔﺮدد . 5 - ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ رویCalculation ﺗﺤﻠﯿﻞ ﻣﮑﺎﻧﯽ ﻫﺎ ده دا ﺑﺮاﺳﺎس روش اﻧﺘﺨـﺎﺑﯽ ﺻـﻮرت ﻣـﯽ ﭘـﺬﯾﺮد و ﻓﺎﯾـﻞ ﺧﺮوﺟـﯽ آن در ﻣﺴﯿﺮ ﺗﻌﯿﯿﻦ ﺷﺪه ﻣﺮﺣﻠﻪ3 ذﺧﯿﺮه ﺧﻮاﻫﺪ ﺷﺪ . ﻣﺸﺎﻫﺪه ﻧ ﻘ ﺸﻪ ﺧﺮوﺟﯽ در اﯾـﻦ ﮔـﺎم ﻣﯿﺴـﺮ ﻧ ﻤـﯽ ﺑﺎﺷـﺪ اﻣـﺎ از ﻃﺮﯾـﻖ View ﺗﻮان ﻣﯽ ﻓﺎﯾﻞ Grid ﻧﻘﺸﻪ ﺗﻮﻟﯿﺪ ﺷﺪه را ﻣﺸﺎﻫﺪ ﻧﻤﻮد . ﯾﮏ ﻧﻤﻮﻧﻪ از ﻓﺎﯾﻞ Grid در ﺷﮑﻞ )پ.4 - 12 (ﻧﺸﺎن داده ﺷﺪ ه اﺳﺖ . ﺷﮑﻞ پ .4 - 12 - ﯾﮏ ﻧﻤﻮﻧﻪ ﻓﺎﯾﻞGrid ﭘﯿﻮﺳﺖ4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS 109 - روش درون ﯾﺎﺑﯽ ﻋﮑﺲ ﻓﺎﺻﻠﻪ وزﻧﯽ در روشIDW ﻣﯽ ﺑﺎﯾﺴﺖ دو ﭘﺎراﻣﺘﺮ ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ و ﺗﻮان ﺑﻬﯿﻨﻪ ﮔﺮدد . از آﻧ ﮐﻪ ﺠﺎﯾﯽ ﺑﺴﯿﺎری از ﻣﺮاﺣﻞ ﻣﺤﺎﺳـﺒﺎﺗﯽ در اﯾـﻦ روش ﻣﺎﻧﻨﺪ روش ﮐﺮﯾﺠﯿﻨﮓ اﺳﺖ ﻟﺬا ﻣﺮاﺣﻞ ﺑﻪ اﺧﺘﺼﺎ ر ﺑﯿﺎن ﺷﺪه اﺳﺖ 1 - اﻧﺘﺨﺎب ﻧﻮع روش دﻫﯽ وزن در ﻗﺴﻤﺖ Weighting Method 2 - وارد ﻧﻤﻮدن ﺗﻮان ﻣﻮرد ﻧﻈﺮ در ﻗﺴﻤﺖWeighting Power 3 - ﻫﻤﺎﻧﻨﺪ روش ﮐﺮﯾﺠﯿﻨﮓ در ﻗﺴﻤﺖSearch Neighborhood ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ و ﺷﻌﺎع ﺗﺎﺛﯿﺮ وارد ﻣﯽ ﮔﺮدد . 4 -ﺗﻌﯿﯿﻦ ﻧﺎم ﻓﺎﯾﻞ ﺧﺮوﺟﯽ، ﻣﺴﯿﺮ ذﺧﯿﺮه آن و ﻧﻮع ﻓﺮﻣﺖ آن 5 - ﻣﺤﺎﺳﺒﻪ ﻣﯿﺰان دﻗﺖ روش از ﻃﺮﯾﻖCross-Validation 6 - ﮐﻠﯿﮏCalculation ﺑﻪ ﻣﻨﻈﻮر ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ و ذﺧﯿﺮه آن در ﻣﺴﯿﺮ ﻣﺮﺣﻠﻪ4 ﺷﮑﻞ پ .4 - 13 - ﭘﻨﺠﺮه روش درون ﯾﺎﺑﯽ ﻋﮑﺲ ﻓﺎﺻﻠﻪ وزﻧﯽ IDW در ﻧﺮم اﻓﺰارGS+ ﮔﺎم ﭘﻨﺠﻢ : ارزﯾﺎﺑﯽ روش ﻫﺎ و ﭘﺎراﻣﺘﺮﻫﺎ ﯾﮑﯽ از وﯾ ﻫﺎ ﮋﮔﯽ ﻧﺮم ی اﻓﺰار GS+ ﻗﺎﺑﻠﯿﺖ اﻧﺠﺎمCross Validation ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ آﯾﮑـﻮن ﻣﺮﺑﻮﻃـﻪ در ﭘﻨﺠـﺮه روش ﻫـﺎ ی ﺗﺤﻠﯿـﻞ ﻣﮑﺎﻧﯽ ﻗﺮار دارد . ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ رویCross Validation در ﮔﺎم ﻗﺒﻞ ﻧﻤﻮدار ﺷﮑﻞ )پ.4 - 14 ( ﻇﺎﻫﺮ ﻣـﯽ ﺷـﻮد ﮐـﻪ در آن ﻣﻘـﺎدﯾﺮ ﺗﺨﻤﯿﻨـﯽ ) ﭘـﺲ از ﺣﺬف ﻧﻘﻄﻪ ( در ﻣﻘﺎﺑﻞ ﻣﻘﺎدﯾﺮ واﻗﻌﯽ ﺗﺮﺳﯿﻢ . اﻧﺪ ﺷﺪه ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ روی List Values ﺟﺪوﻟﯽ از ﻣﻘـﺎدﯾﺮ ﺑـﺮآورده ﺷـﺪه ﻧﻘـﺎط ﺑـﻪ ﻫﻤـﺮاه ﻣﻘﺎدﯾﺮ واﻗﻌﯽ ﺗﻮﺳﻂ ﻧﺮم اﻓﺰار اراﺋﻪ ﻣﯽ ﺷﻮﻧﺪ . از ﻃﺮﯾﻖ آﯾﮑﻮن Copy اﻣﮑﺎن اﻧﺘﻘﺎل اﯾﻦ ﺟﺪول ﺑﻪ ﻧﺮم اﻓﺰار ﻫـﺎی دﯾﮕـﺮ وﺟـﻮد دارد . در اﯾـﻦ زﻣﺎن ﺗﻮان ﻣﯽ ﺑﺎ ﻣﺤﺎﺳﺒﻪ ﻫﺮ ﯾﮏ از ﻣﻌﯿﺎرﻫﺎی ﺧﻄﺎ، روش ﻫﺎ و ﯾﺎ ﭘﺎراﻣﺘﺮﻫﺎ را ﻣﻮرد ارزﯾﺎﺑﯽ ﻗﺮار داد . 110 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺷﮑﻞ پ .4 - 14 - ﭘﻨﺠﺮه ﻣﺮﺑﻮط ﺑﻪCross Validation ﮔﺎم ﺷﺸﻢ : ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ ﺗﻮﺳﻂ آﯾﮑﻮنMap در ﻣﻨﻮی اﺻﻠﯽ ﺗﻮان ﻣﯽ ﻧﻘﺸﻪ ﺗﺮﺳﯿﻤﯽ ﺗﻮﺳﻂ روش ﻫﺎ را ﻣﺸﺎﻫﺪه ﮐﺮد . در ﺷﮑﻞ )پ.4 - 15 ( اﯾـﻦ ﻣﺴـﯿﺮ ﻧﺸـﺎن داده ﺷﺪه اﺳﺖ . از آﻧ ﮐﻪ ﺠﺎﯾﯽ اﯾﻦ ﺰار اﻓ ﻧﺮم در اراﺋﻪ ﻧﻘﺸﻪ ﻧ ﻬﺎﯾﯽ از ﺗﻮاﻧـﺎﯾﯽ ﺑـﺎﻻﯾﯽ ﻫﻤﭽـﻮن ﻧـﺮم اﻓﺰار ﻫـﺎی GIS ﺑﺮﺧـﻮردار ﻧﯿﺴـﺖ ﻟـﺬا ﺗﻮان ﻣﯽ ﻓﺎﯾﻞ Grid آن را در ﻗﺎﻟﺐ ﯾﮏ ﻓﺎﯾﻞASCII در ﻧﺮم اﻓﺰار ﻫﺎی دﯾﮕﺮی وارد ﻧﻤﻮد و ﺳﭙﺲ ﻧﻘﺸﻪ ﻧ ﻬﺎﯾﯽ را ﺗﺮﺳﯿﻢ ﮐﺮد . ﺷﮑﻞ پ .4 - 15 - ﻣﺴﯿﺮ ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ در اد اﻣﻪ ﻣﺮاﺣﻠﯽ ﮐﻪ در ﭘﻨﺠﺮه Map ﺑﺮای ﻣﺸﺎﻫﺪه ﻧﻘﺸﻪ ﻃﯽ ﻣﯽ ﮔﺮدد ، ذﮐﺮ ﺷﺪه اﺳﺖ ) ﺷﮑﻞ پ.4 - 16 .( از ﻃﺮﯾﻖBrowse ﻓﺎﯾﻞ ﻣﻮرد ﻧﻈﺮ اﻧﺘﺨﺎب ﻣﯽ ﮔﺮدد . در اﯾﻦ ﻗﺴﻤﺖ ﻧﯿﺰ اﻣﮑﺎن ﻣﺸﺎﻫﺪه ﻓﺎﯾﻞ Grid از ﻃﺮﯾﻖView وﺟﻮد دارد . 7 - در ﻗﺴﻤﺖMap Grid اﻣﮑﺎن ﺗﻬﯿﻪ و ﻣﺸﺎﻫﺪه دو ﻧﻮع ﻧﻘﺸﻪ وﺟﻮد دارد : - ﻧﻘﺸﻪ ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ1 -ﻧﻘﺸﻪ ﺧﻄﺎی ﺗﺨﻤﯿﻦ2 1- Z Values 2- Z std deviations ﭘﯿﻮﺳﺖ4 - ﻧﺤﻮه اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰار + GS 111 در ﻫﺮ ﯾﮏ از دو ﻧﻘﺸﻪ ﺑﺎ اﻧﺘﺨﺎبSample posting ﻫﺎ داده ی ورودی ﺑﺮ روی ﻧﻘﺸﻪ ﻗﺮار ﺧﻮاﻫﺪ ﮔﺮﻓﺖ . 8 - در ﻗﺴﻤﺖMap Appearance ﻗﺎﺑﻠﯿﺖ ﻫﺎ ی ﻣﺨﺘﻠﻔﯽ ﺑﺮای ﻧﻤﺎﯾﺶ ﻧﻘﺸﻪ ﺧﺮوﺟـﯽ وﺟـﻮد دارد ﮐـﻪ ﻋﺒـﺎرت اﻧـﺪ از : اﻣﮑـﺎن ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ2 ،ﺑﻌﺪی3 ﺑﻌﺪی ﺑ ﺎ ﻓﻮاﺻﻞ ﻣﺨﺘﻠﻒ ﺧﻄﻮط ﺗﺮاز، ﺗﻌﺮﯾﻒ ﻓﻮاﺻﻞ ﺧﻄﻮط ﺗﺮاز ﺗﻮﺳﻂ ﮐﺎرﺑﺮ، اﺿﺎﻓﻪ ﮐﺮدن ﺧﻄـﻮط ﺗﺮاز و ﯾﺎ ﺑﺎﻧﺪﻫﺎ در رو ﯾﺎ زﯾﺮ ﻧﻘﺸﻪ ﺳﻪ ﺑﻌﺪی 9 - ﮐﻠﯿﮏ ﺑﺮ رویDraw ﺑﺮای ﻧﻤﺎﯾﺶ ﻧﻘﺸﻪ 1 4 2 3 ﺷﮑﻞ پ .4 - 16 - ﻣﺮاﺣﻞ ﮐﺎر در ﭘﻨﺠﺮهMap 10 - ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ رویDraw ﭘﻨﺠﺮه ای ﺑﺎ ﻋﻨﻮان Map Image ﮐﻪ ﺣﺎوی ﻧﻘﺸﻪ ﻣﻮرد ﻧﻈﺮ اﺳﺖ، ﻇﺎﻫﺮ ﻣﯽ ﮔﺮدد . در اﯾﻦ ﻗﺴـﻤﺖ ﺗﻮان ﻣﯽ ﻧﻤﺎﯾﺶ ﻧﻘﺸﻪ را ﺑﻪ ﺻﻮرت 3 ﺑﻌﺪی )3-d ( در ﻗﺴﻤﺖMap Appearance از ﭘﻨﺠـﺮه ﻣﺮﺣﻠـﻪ ﻗﺒـﻞ (Map) ، و ﺑـﻪ ﺻﻮرت دو ﺑﻌﺪی )2-d (اﻧﺘﺨﺎب و ﻣﺸﺎﻫﺪه ﻧﻤﻮد . 11 - در ﻗﺴﻤﺖMouse Action ﺑﺎ اﻧﺘﺨﺎب ﻫﺮ ﯾﮏ از ﮔﺰﯾﻨﻪ ﻫﺎ و ﺑﺎ ﻧﮕﻪ داﺷﺘﻦ ﻣﻮس ﺑﺮ روی ﻧﻘﺸﻪ اﻣﮑـﺎن ﭼـﺮﺧﺶ، ﺣﺮﮐـﺖ، ﺑﺰرگ و ﮐﻮﭼﮏ ﮐﺮدن ﻧﻘﺸﻪ وﺟﻮد دارد . ﺑﺮای ﺑﺮﮔﺸﺖ ﺑﻪ ﺣﺎﻟﺖ اوﻟﯿﻪ ﻣﯽ ﺗـﻮان Reset را ﮐﻠﯿـﮏ ﻧﻤـﻮد . ﻣﻮﻗﻌﯿـﺖ ﻫـﺮ ﻧﻘﻄـﻪ روی ﻧﻘﺸﻪ ﮐﻪ ﻣﻮس روی آن ﻗﺮار دارد ﺑﺎ ﻣﻘﺪار ﻣﺘﻐﯿﺮ ﻣﺘﻨﺎﻇﺮ ﺑﺎ آن ﻧﻘﻄﻪ در ﻗﺴﻤﺖMouse Location ﻣﺸﺨﺺ اﺳﺖ . ﺑﺮای وﯾﺮاﯾﺶ ﻧﻘ ﺸﻪ ﺧﺮوﺟﯽ ﻣﯽ ﺗﻮان از ﻃﺮﯾﻖ Edit Graph و ﺳﭙﺲ در ﭘﻨﺠﺮهGraph Setting ﺗﻐﯿﯿﺮات ﻣﻮرد ﻧﻈﺮ را اﻋﻤﺎل ﻧﻤﻮد . 11 ﭘﯿﻮﺳﺖ5 ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 115 ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﯾﮏ Extension ﺟﺪﯾﺪ در ﻧﺮم اﻓﺰار ArcGIS اﺳﺖ ﮐﻪ در ﻧﺮم اﻓﺰارﻫـﺎی ArcInfo ، ArcEditor ، ArcView ﻗﺎﺑـﻞ اﺳﺘﻔﺎده ﻣﯽ ﺑﺎﺷﺪ . اﯾﻦ Extension ﯾﮏ ﻣﺤﯿﻂ ﭘﻮﯾﺎ و دﯾﻨﺎﻣﯿﮏ ﺑﻪ ﻫﻤﺮاه اﺑﺰارﻫﺎی ﻣﺨﺘﻠﻒ ﺑﻪ ﻣﻨﻈﻮر ﮐﺸﻒ ﻫﻤﺒﺴﺘﮕﯽ داده ﻫﺎی ﻣﮑﺎﻧﯽ، ﺗﺸﺨﯿﺺ داده ﻫﺎی ﭘﺮت، ارزﯾﺎﺑﯽ ﺧﻄﺎ در ﻣﺪل ﻫﺎی ﭘﯿﺶ ﺑﯿﻨﯽ ، ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ آﻣﺎری داده ﻫﺎ و ا ﯾﺠﺎد ﻧﻘﺸﻪ ﻣﻄﻠﻮب و ﺑﻬﯿﻨﻪ را در اﺧﺘﯿﺎر ﮐﺎرﺑﺮ ﻗﺮار دﻫﺪ . اﯾـﻦ ﺗﺤﻠﯿﻞ ﮔﺮ ﺗﻮاﻧﺎﯾﯽ اراﺋﻪ ﻧﻘﺸﻪ ﻫﺎی ﻣﺘﻔﺎوﺗﯽ ﻧﻈﯿﺮ ﻧﻘﺸﻪ ﻫﺎی ﭘﯿﺶ ﺑﯿﻨﯽ 1 ، ﺧﻄﺎی ﭘﯿﺶ ﺑﯿﻨﯽ 2، اﺣﺘﻤﺎﻻﺗﯽ3 ، ﭼـﺎرک4 و ﻣﺎﻧﻨـﺪ آﻧﻬـﺎ را دارد . ﻧﻘﺸـﻪ ﻫـﺎی ﺧﺮوﺟﯽ ﻣﯽ ﺗﻮاﻧﺪ در ﻗﺎﻟﺐ ﺷﺒﮑﻪ ﺳﻠﻮﻟﯽ5، ﺧﻄﻮط ﺗﺮاز6 ، filled contours وhillshades و ﯾﺎ ﺑﻪ ﺻﻮرت ﺗﺮﮐﯿﺒﯽ از ﻣﻮارد ﻓﻮق اراﺋﻪ ﮔﺮدد . - ﻣﺮاﺣﻞ ﮐﺎر در ﻣﻨﻮی ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﻣﺪولGeostatistical analyse ﺑﻪ ﻋﻨﻮان ﯾﮏExtension ﺑﺎﯾﺪ ﺑﻪ ﺻﻮرت ﺟﺪاﮔﺎﻧﻪ در ﻣﺤﯿﻂArcGIS وارد ﺷﻮد . ﺑـﺪﯾﻦ ﻣﻨﻈـﻮر اﺑﺘﺪا ﻣﺴﯿﺮTools> Extensions را در ﻣﺤﯿﻂArcMap اﻧﺘﺨﺎب ﻧﻤﻮده و ﺑﺎ ﮐﻠﯿﮏ روی Close اﯾﻦ ﭘﻨﺠﺮه را ﻣـﯽ ﺑﻨـﺪﯾﻢ . ﺳـﭙﺲ از ﻃﺮﯾﻖ ﻣﺴﯿﺮTools> Customize> Toolbars ﻣﺠﺪدا اﯾﻦ ﻣﺪول را اﻧﺘﺨﺎب ﻧﻤﻮده ﮐﻪ در اﯾﻦ ﺻﻮرت ﺑـﺎ ﺑﺴـﺘﻦ اﯾـﻦ ﭘﻨﺠـﺮه ﻣـﺪول Geostatistical analyse در ﺟﻌﺒﻪ اﺑﺰار ﺻﻔﺤﻪ ﻧﻤﺎﯾﺶ اﺻﻠﯽArcMap ﻇﺎﻫﺮ ﺧﻮاﻫﺪ ﺷﺪ . اﯾﻦ آﯾﮑـﻮن ﺷـﺎﻣﻞ د و ﻗﺴـﻤﺖ Explore Data وWizard Geostatistical ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ در ﺑﺨﺶ ﻫﺎ ی ﺑﻌﺪی ﺑﯿﺶ ﺗﺮ ﺗﺸﺮﯾﺢ ﻣﯽ ﮔﺮدد . اﯾﺠﺎد ﯾﮏ ﺳﻄﺢ درون ﯾﺎﺑﯽ ﺑﻬﯿﻨﻪ در ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﺑﺮاﺳﺎس ﭼﻬﺎر ﻣﺮﺣﻠﻪ اﺻﻠﯽ ﺻﻮرت ﻣﯽ ﭘﺬﯾﺮد : · اراﺋﻪ و ﻧﻤﺎﯾﺶ ﻫﺎ داده7 · ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻫﺎ داده8 · ﺑﺮازش ﻫﺎ ﻣﺪل9 · ارزﯾﺎﺑﯽ روش ﻫﺎ 10 - اراﺋﻪ و ﻧﻤﺎﯾﺶ ﻫﺎ داده اﯾﻦ ﮔﺎم اوﻟﯿﻦ ﻣﺮﺣﻠﻪ در ارزﯾﺎﺑﯽ و اﻋﺘﺒﺎر اﺳﺖ ﻫﺎ داده . ﺑﺎ ﺗﺼﻮﯾﺮ ﮐﺮدن اﻃﻼﻋﺎﺗﯽ از ﺟﻤﻠـﻪ ارﺗﻔﺎﻋﻬـﺎ، رودﻫـﺎ، و ﻫـﺎ ﻻﯾـﻪ ی دﯾﮕـﺮ ﺑـﻪ ﻫﻤﺮاه ﻻﯾﻪ ﻧﻘﻄﻪ ای ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ ﺗﻮان ﻣﯽ ﻋﻮاﻣﻞ ﺧﺎرﺟﯽ را ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ در ﺗﻮزﯾﻊ ﻫﺎ داده ﻧﻘﺸﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ، اﺳﺘ ﺨﺮاج ﻧﻤﻮد . — ﮔﺎم اول : ورود ﻫﺎ داده در ﻣﺤﯿﻂ ArcMap داده ﻫﺎی ﻣﻮرد ﻧﻈﺮ ﺟﻬﺖ اﺳﺘﻔﺎده در ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﺑﺎﯾﺪ در ﻗﺎﻟﺐ ﯾﮏ ﻻﯾﻪ11 از ﻧﻮع ﻧﻘﻄﻪ ای 12 و ﺑﺎ ﻓﺮﻣﺖShape در ﻣﺤﯿﻂArcMap وارد ﮔﺮدد . ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ ﮐﻪ اﯾﻦ Shapefile ﻣﯽ ﺗﻮاﻧﺪ دارای ﺗﻮﺻﯿﻒ ﻫﺎی13 ﻣﺨﺘﻠﻔﯽ از ﻧﻘﺎ ط اﻧﺪازه ﮔﯿـﺮی 1- Prediction 2- Error Predictions 3- Probability 4- ًQuantile 5- Grids 6- Contour 7- Represent the data 8- Explore the data 9- Fit a model 10- Perform diagnostics 11- Layer 12- Point 13- Attribute 116 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻧﻈﯿﺮ ﺑﺎرﻧﺪﮔﯽ و ﯾﺎ ﻣﻘﺎدﯾﺮ دﻣﺎ در ﻣﺎه ﻫﺎ و ﯾﺎ روزﻫﺎی ﻣﺨﺘﻠﻒ ﺑﺎﺷﺪ . ﻟﺬا ﺑﺎﯾﺪ دﻗـﺖ ﻧﻤـﻮد ﮐـﻪ ﺑﺮاﺳـﺎس ﮐـﺪام ﯾـﮏ از وﯾﮋﮔـﯽ ﻫـﺎ ﻣﺤﺎﺳﺒﺎت ﺻﻮرت ﻣﯽ ﭘﺬﯾﺮد . — ﮔﺎم دوم : ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻫﺎ داده ﻣﺤﯿﻂExplore Data ﺑﻪ ﻣﻨﻈﻮر ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻫﺎ داده در اﯾﻦ ﻧﺮم اﻓﺰار ﺗﻌﺒﯿﻪ ﺷﺪه اﺳﺖ . اﺑﺰارﻫـﺎی ﻣﺨﺘﻠﻔـﯽ ﺟﻬـﺖ ﺗﻌﯿـﯿﻦ ﺗـﺎﺑﻊ ﺗﻮزﯾﻊ ﻫﺎ داده ، روﻧﺪ، ﻫﻤﺒﺴﺘﮕﯽ ﻫﺎ داده و ﻫﻤﭽﻨﯿﻦ ﺟﺴﺘﺠﻮی ﻧﻘﺎط ﭘﺮت در اﯾـﻦ ﻗﺴـﻤﺖ وﺟـﻮد دارد ﮐـﻪ ﻣـﯽ ﺗﻮاﻧـﺪ در ﺗﺸـﺨﯿﺺ روش درون ﯾﺎﺑﯽ ﻣﻨﺎﺳﺐ ﺑﺮای ﻫﺎ داده ﺑﺴﯿﺎر ﻣﻮﺛﺮ ﺑﺎﺷﻨﺪ . اراﺋﻪ ﻧﺘﺎﯾﺞ در ﻣﺤﯿﻂExplore Data ﺑﻪ ﺻﻮرت اﻧﺘﺨـﺎﺑﯽ و آﻧـﯽ ﻣـﯽ ﺑﺎﺷـﺪ . ﻫـﺎ داده ی اﻧﺘﺨـﺎب ﺷـﺪه در اﯾـﻦ ﻗﺴـﻤﺖ در ﻣﺤـﯿﻂ ArcMap ﺑﻪ ﺻﻮرت ﺧﻮدﮐﺎر اﻧﺘﺨﺎب ﺷﻮد ﻣﯽ ﮐﻪ اﯾﻦ ﻗﺎﺑﻠﯿﺖ ﺗﻮاﻧﺎﯾﯽ ﺑﯽ ﻧﻈﯿﺮی را در ﺗﺠﺰﯾـﻪ و ﺗﺤﻠﯿـﻞ ﻫـﺎ داده در اﺧﺘﯿـﺎر ﮐـﺎرﺑﺮ ﻗـﺮار دﻫﺪ ﻣﯽ . در اداﻣﻪ اﺑﺰار ﻫﺎﯾﯽ ﮐﻪ ﮐﺎرﺑﺮد ﺑﯿﺶ ﺗﺮ ی دارﻧﺪ ﺗﺸﺮﯾﺢ ﺷﺪه اﺳﺖ . — ﮔﺎم ﺳﻮم : ارزﯾﺎﺑﯽ ﺗﻮزﯾﻊ ﻫﺎ داده روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﻣﻌﻤﻮﻻ درﺻﻮرﺗﯽ ﻫﺎ داده ﮐﻪ دارای ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﺑﺎﺷﻨﺪ، ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮی اراﺋﻪ ﻣﯽ ﮐﻨﻨﺪ . ﯾﮑﯽ از اﺑﺰارﻫـﺎی ﻣﻮﺟـﻮد در ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﺑﺮای ﺗﺸﺨﯿﺺ ﺗﻮزﯾﻊ ﻫﺎ داده ﻫﯿﺴﺘﻮﮔﺮام ﻣﯽ ﺑﺎﺷﺪ . ﺑﺮای ﺗﺮﺳﯿﻢ ﻫﯿﺴﺘﻮﮔﺮام ﻫﺎ داده ی ﻣـﻮرد ﻧﻈـﺮ و ﺑﺮرﺳـﯽ ﺗﻮزﯾـﻊ آن ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ ﻋﻤﻞ ﮐﻨﯿﻢ ﻣﯽ : 1 - از ﻃﺮﯾﻖ ﻣﻨﻮیGeostatistical analyse و اﻧﺘﺨﺎبExplore Data ﻣﻨـﻮ ﯾ ﯽ از اﺑﺰارﻫـﺎی آﻣـﺎری ﻇـﺎﻫﺮ ﻣـﯽ ﮔـﺮدد ﮐـﻪ ﻫﯿﺴﺘﻮﮔﺮام اوﻟﯿﻦ آن ﻣﯽ ﺑﺎﺷﺪ . ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ روی آن ﻫﯿﺴﺘﻮﮔﺮام ﻫﺎ داده ﻧﻤﺎﯾﺶ داده ) ﺷﻮد ﻣﯽ ﺷﮑﻞ پ.5 - 1 .( 2 - در ﻗﺴﻤﺖLayer ﺑﺎﯾﺪ ﻧﺎم ﻻﯾﻪ ای ﮐﻪ ﻣﺪ ﻧﻈﺮ ﻣﯽ ﺑﺎﺷﺪ از ﻟﯿﺴﺘﯽ ﮐﻪ در ﮐﻨﺎر ﻧﻮار ﻣﺮﺑﻮﻃﻪ ﻇﺎﻫﺮ ﺧﻮاﻫﺪ ﺷﺪ، اﻧﺘﺨﺎب ﺷﻮد . 3 - در ﻗﺴﻤﺖAttribute ﻧﯿﺰ ﺑﺎﯾﺪ وﯾﮋﮔﯽ ﻣﻮرد ﻧﻈﺮ از ﻻﯾﻪ اﻧﺘﺨﺎﺑﯽ در ﻣﺮﺣﻠﻪ2 و ﺑﺮاﺳـﺎس ﻟﯿﺴـﺖ اراﺋـﻪ ﺷـﺪه در ﮐﻨـﺎر ﻧـﻮار اﻧﺘﺨﺎب ﺷﻮد . 4 - ﺗﻌﺪاد ﺳﺘﻮن ﻫﺎ ی ﻫﯿﺴﺘﻮﮔﺮام را ﺗﻮان ﻣﯽ در ﻗﺴﻤﺖ Bars ﺗﻐﯿﯿﺮ داد . 5 -ﺧﺼﻮﺻﯿﺎت آﻣﺎری وﯾﮋﮔ ﯽ ﻣﻮرد ﻧﻈﺮ ﻧﻈﯿﺮ ﻣﯿﺎﻧﮕﯿﻦ، ﻣﯿﺎﻧﻪ، ﺣﺪاﻗﻞ، ﺣﺪاﮐﺜﺮ و ﻏﯿﺮه ﻧﯿﺰ در اﯾـﻦ ﻗﺴـﻤﺖ اراﺋـﻪ ﻣـﯽ ﮔـﺮدد ﮐـﻪ ﺗﻮان ﻣﯽ ﺑﺮای ﺑﺮرﺳﯽ ﺷﺮاﯾﻂ ﻧﺮﻣﺎل ﺑﻮدن از دو ﭘﺎراﻣﺘﺮ Skewness وKurtosis اﺳﺘﻔﺎده ﻧﻤﻮد . 6 - در ﺻﻮرت ﻏﯿﺮ ﻧﺮﻣﺎل ﺑﻮدن ﺗﻮزﯾﻊ ، ﻫﺎ داده ﻧـﺮم اﻓـﺰار دو ﺗﺒـﺪﯾﻞ log وBox-Cox را در ﻗﺴـﻤﺖTransformation ﺑـﺮای ﺗﺒﺪﯾﻞ ﺗﻮزﯾﻊ ﻫﺎ داده ﺑﻪ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل را در اﺧﺘﯿﺎر ﮐﺎرﺑﺮ ﻗﺮار داده اﺳﺖ . 7 - ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ رویAdd to Layout ﺗﻮان ﻣﯽ از اﯾﻦ ﻫﯿﺴﺘﻮﮔﺮام در ﻧﻘﺸﻪ ﺧﺮوﺟﯽ اﺳﺘﻔﺎده ﻧﻤﻮد و ﯾﺎ از آن ﭘﺮﯾﻨﺖ ﮔﺮﻓﺖ . ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎ ری در ﻧﺮم اﻓﺰار ArcGIS 117 ﺷﮑﻞ . پ5 - 1 - ﻣﺴﯿﺮ ﺗﺮﺳﯿﻢ ﻫﯿﺴﺘﻮﮔﺮام ﮐﻠﯿﻪ ﻣﺮاﺣﻞ ﻓﻮق در ﺷﮑﻞ )پ.5 - 1 (ﻧ ﺸﺎن داده ﺷﺪه اﺳﺖ . ﻻزم ﺑﻪ ذﮐـﺮ اﺳـﺖ ﮐـﻪ در ﺻـﻮرت اﻧﺘﺨـﺎب ﻫـﺮ ﯾـﮏ از ﺳـﺘﻮن ﻫـﺎ ی ﻫﯿﺴﺘﻮﮔﺮام، در ﻣﺤﯿﻂ اﺻﻠﯽArcMap ﮐﻪ در آن ﻫﺎ داده ﺑﻪ ﺻﻮرت ﻣﺠﻤﻮﻋﻪ ای از ﻧﻘﺎط ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮﻧﺪ ، ﻧﻘﺎﻃﯽ ﮐﻪ ﻣﻘـﺎدﯾﺮ آﻧﻬـﺎ در داﻣﻨﻪ اﻋﺪاد ﺳﺘﻮن اﻧﺘﺨﺎب ﺷﺪه ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ ، ﻣﺸﺨﺺ ﺧﻮاﻫﺪ ﺷﺪ . اﯾﻦ ﻗﺎﺑﻠﯿﺖ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮای ﮐﺎرﺑﺮ ﻣﻔﯿﺪ ﺑﺎﺷﺪ . در ﻣﻨﻮیExplore Data اﺑﺰار دﯾﮕﺮی ﻧﯿﺰ ﺑﺎ ﻋﻨﻮان ﻧﻤﻮدارQQ ﻧﺮﻣﺎل1 ﺑـﺮای ﺑﺮرﺳـﯽ ﺗﻮزﯾـﻊ دادﻫـﺎ وﺟـﻮد دارد . ﺑﺮاﺳـﺎس ﻣﺴـﯿﺮ Normal QQPlot > Explore Data > Geostatistical analyse ﻧﻤﻮدارQQ ﻧﺮﻣﺎل ﻫﺎ داده ﺗﺮﺳﯿﻢ ﻣﯽ ﮔﺮدد . از آﻧ ﮐﻪ ﺠﺎﯾﯽ ﻣـﻮارد 2 ، 3 ، 6 و7 از ﻗﺴﻤﺖ ﻫﯿﺴﺘﻮﮔﺮام ﺑﺮای اﯾﻦ ﻧﻤﻮدار ﻧﯿﺰ ﺻﺎدق ﻣﯽ ﺑﺎﺷﺪ ، از ﺗﺸﺮﯾﺢ ﺑﯿﺶ ﺗـﺮ اﯾـﻦ ﮔﺰﯾﻨـﻪ ﺻـﺮﻓﻪ ﻧﻈـﺮ ﺷـﺪ . ﺷـﮑﻞ )پ.5 - 3 ( ﻧﻤﻮدارQQ ﻧﺮﻣﺎل وﯾﮋﮔﯽN1 از ﻻﯾﻪ اﻧﺘﺨﺎﺑﯽ را ﻧﺸﺎن دﻫﺪ ﻣﯽ . — ﮔﺎم ﭼﻬﺎرم : ﺑﺮرﺳﯽ روﻧﺪ روﻧﺪ ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺟﺰء ﻏﯿﺮﺗﺼﺎدﻓﯽ و ﻗﻄﻌﯽ در ﻣﯽ ﻫﺎ داده ﺗﻮاﻧﺪ ﺗﻮﺳﻂ ﺑﺮﺧﯽ از ﻓﺮﻣﻮل ﻫﺎ ی رﯾﺎﺿﯽ در ﻣﺤﺎﺳﺒﺎت ﻣﺮﺑﻮط ﺑﻪ ﺗﺤﻠﯿـﻞ ﻣﮑﺎﻧﯽ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﯾﮏ ﺷﯿﺐ ﻣﻼﯾﻢ را ﺗﻮان ﻣﯽ ﺗﻮﺳﻂ ﯾﮏ ﺻﻔﺤﻪ و ﯾﮏ دره را ﺗﻮان ﻣﯽ ﺑﺎ ﯾـﮏ ﭼﻨـﺪ ﺟﻤﻠـﻪ ای درﺟﻪ دو ﺑﻪ ﺷﮑﻞU ﺟﺎﯾﮕﺰﯾﻦ ﮐﺮد . اﺑﺰار ﺑﺮرﺳﯽ روﻧﺪ2 ﯾﮏ ﻧﻤﻮدار ﺳﻪ ﺑﻌﺪی از ﻫﺎ داده و رﮔﺮﺳﯿﻮﻧﯽ از آﻧ ﻬـﺎ را در ﺻـﻔﺤﺎت XZ وYZ ﺑﺮاﺳﺎس وﯾﮋﮔﯽ ﻣﻮرد ﺑﺮرﺳﯽ ﺗﺮﺳﯿﻢ ﻣﯽ ﻧﻤﺎﯾﺪ ﮐﻪ ﺑﺮ اﯾﻦ اﺳـﺎس ﻣـﯽ ﺗـﻮان روﻧـﺪ را در راﺳـﺘﺎﻫﺎی X وY ﻧﺸـﺎن .ددا در اﯾـﻦ ﻧﻤـﻮدار ﺗﻮان ﻣﯽ ﻫﺮﮔﻮﻧﻪ روﻧﺪ ﺑﺰرگ ﻣﻘﯿﺎس را ﻣﺸﺎﻫﺪه ﻧﻤﻮد ﮐﻪ در ﺻﻮرت ﻟﺰوم ﮐﺎرﺑﺮ ﻣﯽ ﺗﻮاﻧﺪ ﻗﺒﻞ از اداﻣﻪ ﻣﺤﺎﺳﺒﺎت آن را ﺣﺬف ﻧﻤﺎﯾﺪ . 1- Normal QQPlot 2- Trend Analysis 118 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 5 7 3 2 6 4 ﺷﮑﻞ پ.5 - 2 - ﻣﺮاﺣﻞ ﮐﺎر در اﺑﺰار ﻫﯿﺴﺘﻮﮔﺮام ﺷﮑﻞ پ.5 - 3 - ﻧﻤﻮﻧﻪ ای از ﯾﮏ ﻧﻤﻮدار QQ ﻧﺮﻣﺎل 1 - از ﺟﻌﺒﻪ اﺑﺰار ﻣﻨﻮیGeostatistical analyse ، Explore Data را اﻧﺘﺨﺎب و ﺳﭙﺲ از ﭘﻨﺠﺮه ﺑﺎز ﺷﺪه، اﺑﺰار ﺑﺮرﺳﯽ روﻧـﺪ را ﮐﻠﯿﮏ ﻧﻤﻮده ﺗﺎ ﻧﻤﻮدار ﺳﻪ ﺑﻌﺪی ﺷﮑﻞ )پ.5 - 3( ﻇﺎﻫﺮ ﮔﺮدد . 2 - ﻫﻤﺎﻧﻨﺪ ﻣﺮﺣﻠﻪ2 ﻫﯿﺴﺘﻮﮔﺮام ﺑﺎﯾﺪ دﻗﺖ ﮐﺮد ﺗﺎ ﻻﯾﻪ ﻣﻮرد ﻧﻈﺮ در اﯾﻦ ﻗﺴﻤﺖLayer ﻧﺘﺨﺎب ﺷﻮد . 3 -ﻣﺤﺎﺳﺒﺎت در اﯾﻦ ﻧﻤﻮدار ﺑﺮاﺳﺎس وﯾﮋﮔﯽ ﻣﻮرد ﻧﻈﺮ ) (Attribute از ﻻﯾﻪ اﻧﺘﺨﺎﺑﯽ ﺻﻮرت ﻣﯽ ﮔﯿﺮد . 4 - در ﻗﺴﻤﺖGraph Options ﺗﻮان ﻣﯽ ﻧﻤﻮدار را ﺑﻪ دﻟﺨﻮاه ﺗﻐﯿﯿﺮ داد . ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 119 5 - ﺑﺎ ﭼﺮﺧﺎﻧﺪن ﻧﻮارﻫﺎی ﺗﻌﺒﯿﻪ ﺷﺪه در اﯾﻦ ﻗﺴﻤﺖ ﺗﻮان ﻣﯽ ﻧﻤﻮدار را از زواﯾﺎی ﻣﺨﺘﻠﻔﯽ ﻣﺸﺎﻫﺪه ﻧﻤﻮد . 6 - از اﯾﻦ ﮔﺮاف ﻧﯿﺰ ﺗﻮان ﻣﯽ از ﻃﺮﯾﻖ Add to Layoutﺧﺮوﺟﯽ ﺗﻬﯿﻪ ﮐﺮد . در ﮔﺮاف ﺗﺮﺳﯿﻢ ﺷﺪه ﻫﺮ ﻣﯿﻠﻪ ﻋﻤﻮدی ﻧﻤﺎﯾﻨﺪه ﻣﻮﻗﻌﯿﺖ ﻫﺎ داده ی ﻧﻤﻮﻧﻪ ﺑـﺮداری اﺳـﺖ ﮐـﻪ ارﺗﻔـﺎع ﻫـﺮ ﻣﯿﻠـﻪ ﺑﯿـﺎﻧﮕﺮ ﮐﻤﯿـﺖ ﻣﺘﻐﯿـﺮ اﻧﺪازه ﮔﯿﺮی در اﯾﻦ ﻧﻘﺎط ﻣﯽ ﺑﺎﺷﺪ . اﯾﻦ ﻧﻘﺎط ﺑﺮ روی ﺻﻔﺤﺎت ﻋﻤﻮدی ﺷﺮﻗﯽ- ﻏﺮﺑﯽ و ﺷﻤﺎﻟﯽ- ﺟﻨﻮﺑﯽ ﺗﺼـﻮﯾﺮ ﺷـﺪه و ﺳـﭙﺲ ﺑﻬﺘـﺮﯾﻦ ﺧﻂ ) ﭼﻨﺪ ای ﺟﻤﻠﻪ ( ﻗﺎﺑﻞ ﺑﺮازش ﺑﺮ اﯾﻦ ﻧﻘﺎط ﺗﺮﺳﯿﻢ ﺷﻮد ﻣﯽ . درﺻﻮرﺗﯽ ﮐﻪ اﯾﻦ ﺧﻂ ﻣﺴﻄﺢ و ﺛﺎﺑـﺖ ﺑﺎﺷـﺪ ﺑﯿـﺎﻧﮕﺮ ﻋـﺪم وﺟـﻮد روﻧـﺪ در راﺳﺘﺎی ﻣﻮرد ﺑﺮرﺳﯽ ﻣﯽ ﺑﺎﺷﺪ . در ﺷﮑﻞ )پ.5 - 4 (ﺧﻂ روﻧﺪ راﺳﺘﺎی ﺷﺮﻗﯽ- ﻏﺮﺑﯽ و ﺷﻤﺎل – ﺟﻨﻮﺑﯽ ﮐﻪ در ﺻﻔﺤﺎت XZ وYZ ﺗﺮﺳـﯿﻢ ﻣﯽ ﮔﺮدد، ﻧﺸﺎن داده ﺷﺪه اﺳﺖ . — ﮔﺎم ﭘﻨﺠﻢ ﻧﯿﻢ : ﺗﻐﯿﯿﺮﻧﻤﺎ اﺑﺮ ﻧﻘﺎط ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ / ﮐﻮوارﯾﺎﻧﺲ اﻣﮑﺎن ﺑﺮرﺳﯽ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﺑﯿﻦ ﻫﺎ داده ی اﻧﺪازه ﮔﯿﺮی ﺷﺪه را ﻣﯽ دﻫـﺪ . در ﻫﻤﺒﺴـﺘﮕﯽ ﻣﮑـﺎﻧﯽ ﻓﺮض ﺑﺮ اﯾﻦ اﺳﺖ ﮐﻪ ﻧﻘ ﺎﻃﯽ ﮐﻪ ﺑﻪ ﯾﮑﺪﯾﮕﺮ ﻧﺰدﯾﮏ ﺗﺮ ﻫﺴﺘﻨﺪ دارای ﻣﻘﺎدﯾﺮ ﻣﺸﺎﺑﻬﯽ ﻣﯽ ﺑﺎﺷﻨﺪ . ﺑﺮای ﻣﺤﺎﺳﺒﻪ و رﺳﻢ ﺗﻐﯿﯿـﺮ ﻧﻤـﺎ ﻣﺮاﺣـﻞ زﯾﺮ ﺑﺎﯾﺪ اﻧﺠﺎم ﮔﯿﺮد . 1 - اﻧﺘﺨﺎبsemivariogram/Covariance Cloud از ﻣﺴﯿﺮ >Explore Data Geostatistical analyst 2 -اﻧﺘﺨﺎب ﻻﯾﻪ ﻣﻮرد ﻧﻈﺮ از ﻟﯿﺴﺖ اﻧﺘﻬﺎی ﻧﻮار Layer 3 -اﻧﺘﺨﺎب وﯾ ﮋﮔﯽ ﻣﻮرد ﺑﺮرﺳﯽ از ﻻﯾﻪ ﻓﻮق ﺑﺮاﺳﺎس ﻟﯿﺴﺖ اﻧﺘﻬﺎی ﻧﻮار Attribute 4 - Show Search direction را ﮐﻠﯿﮏ ﮐﻨﯿﺪ 5 -روی ﻫﺮ ﯾﮏ از ﻧﺸﺎﻧﻪ ﮔﺮﻫﺎی راﺳﺘﺎ ﮐﻠﯿﮏ ﮐﻨﯿﺪ . ﺑﺎ ﻧﮕﻪ داﺷﺘﻦ ﮐﻠﯿﮏ ﺗﻮاﻧ ﻣﯽ ﯿﺪ زواﯾﺎ را ﺗﻐﯿﯿﺮ دﻫﯿﺪ . ﺑﺎ ﺗﻐﯿﯿﺮ زاوﯾﻪ، اﺑـﺮ ﻧﻘـﺎط ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻧﯿﺰ ﺗﻐﯿﯿﺮ ﺧﻮاﻫﺪ ﮐﺮد . ﻧﺸﺎﻧﮕﺮ ﻫﺮ زاوﯾﻪ را ﮐﻪ ﻧﺸﺎن دﻫﺪ ﻣﺸﺨﺺ ﺧﻮاﻫﺪ ﺷﺪ ﮐﻪ ﭼـﻪ ﺟﻔـﺖ ﻧﻘـﺎﻃﯽ در ﺗﻐﯿﯿﺮﻧﻤـﺎ ﺷﺮﮐﺖ ﻣﯽ ﮐﻨﻨﺪ . ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در راﺳﺘﺎی ﺷﺮﻗﯽ- ﻏﺮﺑﯽ ﺗﻨﻬﺎ ﻧﻘﺎﻃﯽ ﮐﻪ در راﺳﺘﺎی ﺷﺮﻗﯽ و ﯾﺎ ﻏﺮﺑﯽ ﯾﮑﺪﯾﮕﺮ واﻗﻊ اﻧـﺪ ﺷﺪه ﺗﻮاﻧ ﻣﯽ ﻨﺪ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﺟﻔﺖ ﺷﺪه و در اﺑﺮ ﻧﻘﺎط ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺷﺮﮐﺖ ﮐﻨﻨﺪ . اﯾﻦ ﻗﺎﺑﻠﯿﺖ ﺑﻪ ﮐﺎرﺑﺮ اﺟﺎزه ﺧﻮاﻫـﺪ داد ﺟﻔـﺖ ﻧﻘـﺎﻃﯽ ﮐﻪ در ﺷﺮاﯾﻂ ﻣﻄﻠﻮﺑﯽ از ﻧﻈﺮ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻧﯿﺴﺘﻨﺪ، ﺣﺬف ﺷﻮد و ﺗﻨﻬﺎ ﺑﻪ ﺑﺮرﺳﯽ ﻧﻘﺎط ﮐـﻪ ﺗﺤـﺖ ﺗـﺎﺛﯿﺮ راﺳـﺘﺎ ﻫﺴـﺘﻨﺪ، ﭘﺮداﺧﺘﻪ ﺷﻮد . در ﺷﮑﻞ )پ.5 - 5 (ﻣﺮاﺣﻞ ﻓﻮق ﻧﺸﺎن داده ﺷﺪه اﺳﺖ . 6 -روی ﻧﻤﻮدار ﮐﻠﯿﮏ ﮐﺮده و در ﺣﯿﻦ ﻓﺸﺎر دﮐﻤﻪ ﭼﭗ ﻣﻮس آن را روی ﻧﻤﻮدار ﺣﺮﮐﺖ دﻫﯿﺪ . ﺑﺎ اﯾﻦ ﻋﻤﻞ ﺗﻮان ﻣﯽ ﻣﺤـﺪوده ای را روی ﻧﻤﻮدار اﻧﺘﺨﺎب ﮐﺮد ﮐﻪ ﺷﺎﻣﻞ ﯾﮏ و ﯾﺎ ﭼﻨﺪ ﻧﻘﻄﻪ ﺑﺎﺷﺪ . در اﯾﻦ ﺻﻮرت زوج ﻧﻘﻄﻪ ) ای ﻧﻘﺎﻃﯽ ( ﮐﻪ ﻣﻘـﺎدﯾﺮ اﻧﺘﺨـﺎﺑﯽ را در ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺑﻪ وﺟﻮد آورده اﻧﺪ ، در ﻣﺤﯿﻂ اﺻﻠﯽ ArcMap ﻣﺸﺨﺺ ﺧﻮاﻫﺪ ﺷﺪ . زوج ﻧﻘﻄﻪ ﻧﻘﺎط ) ( ﻣﺬﮐﻮر ﺗﻮﺳﻂ ﺧـﻂ ﺑـﻪ ﯾﮑﺪﯾﮕﺮ ﻣ ﺘﺼﻞ ﻣﯽ ﺑﺎﺷﻨﺪ ) ﺷﮑﻞ پ.5 - 6.( درﺻﻮرﺗﯽ ﮐﻪ در ﮐﻠﯿﻪ ﻣﺮاﺣﻞ ﻓﻮق ﺑﺨﻮاﻫﯿﺪ ﻧﻘﺎط را از ﺣﺎﻟﺖ اﻧﺘﺨﺎب1 ﺧـﺎرج ﮐﻨﯿـﺪ در ﻣﻨﻮی اﺻﻠﯽ ﻣﺴﯿﺮselection>clear selection feature را ﻃﯽ ﮐﻨﯿﺪ ﺗﺎ ﻧﻘﺎط و ﻋﻮارض اﻧﺘﺨ ﺎﺑﯽ از اﯾـﻦ ﺣﺎﻟـﺖ ﺧـﺎرج ﺷﻮﻧﺪ ) ﺷﮑﻞ پ .5 - 7.( 1- Selection 120 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﻏﺮﺑﯽ-ﻣﺤﻮر ﺷﺮﻗﯽ ﺟﻨﻮﺑﯽ-ﻣﺤﻮر ﺷﻤﺎﻟﯽ ﻏﺮﺑﯽ-ﺧﻂ روﻧﺪ ﺷﺮﻗﯽ ﺟﻨﻮﺑﯽ-ﻣﻨﺤﻨﯽ روﻧﺪ ﺷﻤﺎﻟﯽ 5 6 3 2 4 ﺷﮑﻞ پ.5 - 4 - اﺑﺰار ﺑﺮرﺳﯽ روﻧﺪ 5 2 4 3 ﺷﮑﻞ پ.5 - 5 - اﺑﺰار ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ / ﮐﻮوارﯾﺎﻧﺲ ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 121 ﺷﮑﻞ پ.5 - 6 - زوج ﻧﻘﺎط در ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ و ﻣﺤﯿﻂ ﻧﻤﺎﯾﺶArcMap ﺷﮑﻞ پ.5 - 7 - ﺣﺬف ﺣﺎﻟﺖ اﻧﺘﺨﺎب - ﺑﺮرﺳﯽ روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﺑﻌﺪ از اﯾﻨﮑﻪ ﮐﺎرﺑﺮ ﻫﺎ داده ی ﻣﻮرد ﻧﻈﺮ را در ﻣﺤﯿﻂ ArcGIS وارد ﻧﻤﻮد و ﺳـﭙﺲ درExplore Data آﻧﻬـﺎ را از ﻟﺤـﺎظ ﺧﺼﻮﺻـﯿﺎت ،آﻣﺎری ﻣﻮرد ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻗﺮار داد ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻗﺴﻤﺖ Wizard ﻣﺤﯿﻄﯽ را ﺟﻬﺖ ﺗﺴﺮﯾﻊ ﻧﻤﻮدن ﻣﺮاﺣﻞ ﺗﺤﻠﯿﻞ ﻣﮑـﺎﻧﯽ 122 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای در اﺧﺘﯿﺎر وی ﻗﺮار ﺧﻮاﻫﺪ داد . اﯾﻦ ﻣﺤ ﯿﻂ ﮔﺴﺘﺮده ﺷﺎﻣﻞ روش ﻫﺎ ی ﻣﺘﻔﺎوت دورن ﯾﺎﺑﯽ ﺟﻬـﺖ اﯾﺠـﺎد ﺳـﻄﻮح و ﻧﻘﺸـﻪ ﻫـﺎ ی ﻣـﻮرد ﻧﻈـﺮ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺗﻮان ﻣﯽ ﺑﻪ دو ﮔﺮوه اﺻﻠﯽ ﻗﻄﻌﯽ1 و زﻣﯿﻦ آﻣﺎری2، ﺗﻘﺴﯿﻢ ﻧﻤﻮد . ﭼﻬﺎر روش ﻣﻌﮑﻮس وزﻧﯽ ﻓﺎﺻﻠﻪ، ﭼﻨـﺪ ﺟﻤﻠـﻪ ای ﻓﺮاﮔﯿـﺮ 3 ، ﭼﻨﺪ ای ﺟﻤﻠﻪ ﻣﻮﺿﻌﯽ4 و ﺗﻮاﺑﻊ ﺷﻌﺎﻋﯽ ﺟﺰء روش ﻫﺎ ی ﻗﻄﻌﯽ ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣ ﺎری ﻣﯽ ﺑﺎﺷﻨﺪ . در ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣـﺎری ﻗﺎﺑﻠﯿـﺖ ﺗﺮﺳـﯿﻢ ﻧﻘﺸﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻧﻮاع ﻣﺨﺘﻠﻒ ﮐﺮﯾﺠﯿﻨﮓ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ وﺟﻮد دارد . در اﯾﻦ ﮔﺮوه از روش ﻫﺎ ی درون ﯾﺎﺑﯽ ﺑﺮ ﺧﻼف روش ﻫـﺎ ی ﻗﻄﻌـﯽ ﺗﻮان ﻣﯽ ﺧﺮوﺟﯽ ﻫﺎ ی ﻣﺘﻔﺎوﺗﯽ را اﺳﺘﺨﺮاج ﻧﻤﻮد . در ﺟﺪول )پ.5 - 1 (اﻟﮕﻮرﯾﺘﻢ ﻫﺎ ی ﻣﺨﺘﻠﻒ اﯾﻦ دو روش و اﻧﻮاع ﺳـﻄﻮح ﺧﺮوﺟـﯽ از ﻫـﺮ ﯾﮏ از آﻧﻬﺎ را ﻧﺸﺎن . دﻫﺪ ﻣﯽ — ﮔﺎم ﺷﺸﻢ : اﻧﺘﺨﺎب ﻫﺎ داده ی ورودی و روش درون ﯾﺎﺑﯽ 1 - در ﺟﻌﺒﻪ اﺑﺰار ﻣﻨﻮیGeostatistical analyse را اﻧﺘﺨﺎب و ﺳﭙﺲWizard Geostatistical را ﮐﻠﯿﮏ ﻧﻤـﻮده ﺗـﺎ ﭘﻨﺠـﺮه Choose Input Data and Method ﺑﺎز ﮔﺮدد ) ﺷﮑﻞ پ.5 - 8 .( ﺟﺪول پ.5 - 1 - اﻧﻮاع روش ﻫﺎ ی ﮐﺮﯾﺠﯿﻨﮓ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ و ﻧﻘﺸﻪ ﻫﺎ ی ﻗﺎﺑﻞ اﺳﺘﺨﺮاج از آﻧﻬﺎ ﮐﺮﯾﺠﯿﻨﮓ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﭘﯿﺶ ﺑﯿﻨﯽ 5 ﺧﻄﺎﻫﺎی ﭘﯿﺶ ﺑﯿﻨﯽ اﺳﺘﺎﻧﺪارد6)ﻋﺪم ﻗﻄﻌﯿﺖ ( ﻧﻘﺸﻪ ﭼﺎرک7 ﻧﻘﺸﻪ اﺣﺘﻤﺎﻻﺗﯽ8 ﺧﻄﺎﻫﺎی اﺳﺘﺎﻧﺪارد ﺷﺎﺧﺺ ﻫﺎ 9 ﻣﻌﻤﻮﻟﯽ X X X X ﻋﻤﻮﻣﯽ X X X X ﺳﺎده10 X X X X ﺷﺎﺧﺺ11 X X اﺣﺘﻤﺎﻻﺗﯽ12 X X Disjunctive X X X X 1- Deterministic 2- Geosatistical 3- Global Polynomial 4- Local Polynomial 5- Predictions 6- Prediction Standard Errors 7- Quantile maps 8- Probability maps 9- Standard Errors of Indicators 10- Simple 11- Indicator 12- Probability ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 123 3 2 1 4 ﺷﮑﻞ پ.5 - 8 - ﻣﺮاﺣﻞ ﮔﺎم ﺷﺸﻢ ﺑﺮای اﻧﺘﺨﺎب داده ورودی 2 - در ﻗﺴﻤﺖInput Data روی اﻧﺘﻬﺎی ﻧﻮار ﮐﻠﯿﮏ ﮐﺮده ﺗﺎ ﻻﯾﻪ ﻣﻮرد ﻧﻈﺮ از ﻟﯿﺴﺖ ﻇﺎﻫﺮ ﺷﺪه اﻧﺘﺨﺎب ﺷﻮد . 3 - در ﻗﺴﻤﺖAttribute ﻧﯿﺰ ﻫﻤﺎﻧﻨﺪ ﻣﺮﺣﻠﻪ ﻗﺒﻞ ﻋﻤﻞ ﺷﻮد ﺗﺎ ﻣﺘﻐﯿﺮ ﻣﻮرد ﺑﺮرﺳﯽ از ﻻﯾﻪ ﻓﻮق دراﯾﻦ ﻧﻮار ﻇﺎﻫﺮ ﮔﺮدد . 4 - در ﻣﻨﻮیMethods روش ﻣﻮرد ﻧﻈﺮ را اﻧﺘﺨﺎب ﻧﻤﻮده و ﺑﺎ ﮐﻠﯿﮏNext وارد ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﻣﯽ ﺷﻮﯾﻢ . ﭘﻨﺠﺮه ای ﮐﻪ در اﯾﻦ زﻣﺎن ﺑﺎز ﺷﻮد ﻣﯽ ﺑﺴﺘﻪ ﺑﻪ روش اﻧﺘﺨﺎﺑﯽ ﻣﺘﻐﯿﺮ ﺧﻮاﻫﺪ ﺑﻮد . درﺻﻮرﺗﯽ ﮐﻪ ﯾﮑـﯽ از روش ﻫـﺎ ی ﻗﻄﻌـﯽ درون ﯾـﺎﺑﯽ اﻧﺘﺨﺎب ﺷﻮد، دو ﻣﺮﺣﻠﻪ ﻣﯿﺎﻧﯽ ﺗﺎ اﺳﺘﺨﺮاج ﻧﻘﺸﻪ ﻧ ﻬﺎﯾﯽ وﺟﻮد دارد . اﻣﺎ در روش ﻫﺎ ی زﻣﯿﻦ آﻣـﺎری اﺳـﺘﺨﺮاج ﻧﻘﺸـﻪ ﺷـﺎﻣﻞ ﭼﻬـﺎر ﻣﺮﺣﻠـﻪ ﺧﻮاﻫﺪ ﺑﻮد . ﻟﺬا اداﻣﻪ ﻣﺮاﺣﻞ ﻓﻮق در ﮔﺎم ﺗﺮﺳﯿﻢ ﻧﻘﺸﻪ در ﺑﺨﺶ ﻫﺎ ی ﺟﺪاﮔﺎﻧﻪ ﺑﺴﺘﻪ ﺑﻪ روش اﻧﺘﺨﺎﺑﯽ در ذﯾﻞ ﺗﺸﺮﯾﺢ ﺷﺪه اﺳـﺖ . ﻻزم ﺑـﻪ ذﮐﺮ اﺳﺖ ﮐﻪ ﻣﺮﺣﻠﻪ آ ﺧﺮ در ﺗﻤﺎم روش ﻫﺎ Cross Validation ﺑﻮده ﮐﻪ ﺑﺮای ﺟﻠﻮﮔﯿﺮی از ﺗﮑـﺮار آن در ﺑﺨـﺶ اﺟـﺮای واﺳـﻨﺠﯽ ذﮐـﺮ ﻣﯽ ﮔﺮدد . در اداﻣﻪ ، از ﻣﯿﺎن روش ﻫﺎ ی ﻗﻄﻌﯽ دو روش IDW وRBF ﮐﻪ ﺑﯿﺶ ﺗﺮ ﯾﻦ ﮐﺎرﺑﺮد را دارﻧﺪ ﮐﻪ ﺗﺸﺮﯾﺢ ﺧﻮاﻫﻨﺪ ﺷﺪ . — ﮔﺎم ﻫﻔﺘﻢ : ﺗﻌﯿﯿﻦ ﭘﺎراﻣﺘﺮﻫﺎی روش ﻫﺎ ی ﻣﺨﺘﻠﻒ درون ﯾﺎﺑﯽ اﻟﻒ- ﻣ ﺮاﺣﻞ ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﺑﺎ روش ﻫﺎ ی ﻗﻄﻌﯽ درون ﯾﺎﺑﯽ در ﺻﻮرت اﻧﺘﺨﺎب روش ﻫﺎی ﻗﻄﻌﯽ ﺑﺎ ﮐﻠﯿﮏ Next ﭘﻨﺠﺮهChoose Input Data and Method ﻣﺮﺣﻠﻪ ﺑﻌﺪی ﺑﺎ ﻋﻨﻮانSet Parameter ﻇﺎﻫﺮ ﺧﻮاﻫﺪ ﺷﺪ . ﭘﺎراﻣﺘﺮﻫﺎی روش IDW ﺷﺎﻣﻞ ﺗﻮان، ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ و ﺷﻌﺎع ﻫﻤﺴﺎﯾﮕﯽ ﻣﯽ ﺑﺎﺷﺪ ) ﺷﮑﻞ پ .5 - 9.( 1 -ﺗﻮ ان ﻣﻮرد ﻧﻈﺮ را ﺗﻮان ﻣﯽ در ﻗﺴﻤﺖ Power وارد ﻧﻤـﻮد . ﻫﻤﭽﻨـﯿﻦ ﺑـﺎ ﮐﻠﯿـﮏ ﺑـﺮ روی Optimize Power Value ﻧﯿـﺰ اﻣﮑﺎن ﻣﺤﺎﺳﺒﻪ ﺗﻮان ﺑﻬﯿﻨﻪ ﺗﻮﺳﻂ ﺧﻮد ﻧﺮم اﻓﺰار وﺟﻮد دارد . 124 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 2 - ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ ﺑﺮای ﻣﺤﺎﺳﺒﻪ ﻣﻘﺎدﯾﺮ ﻣﺠﻬﻮل در ﻗﺴﻤﺖNeighbors to include وارد ﻣﯽ ﮔﺮدد ﮐﻪ در ﻗﺴﻤﺖ ذﯾـﻞ آن در ﺻﻮرت ﻓﻌﺎل ﺑﻮدن Include at Least ، ﺗﻮان ﻣﯽ ﺣﺪاﻗﻞ ﺗﻌﺪاد ﻧﻘﺎط را ﺟﻬﺖ ﺗﺨﻤﯿﻦ وارد ﻧﻤﺎﯾﯿﻢ . 3 - ﺷﮑﻞ ﻣﺤﺪوده ﻫﻤﺴﺎﯾﮕﯽ ﻧﯿﺰ ﺑﻪ ﺻﻮرت داﯾﺮه ﯾﺎ ﺑﯿﻀﯽ ﻣﯽ ﺗﻮاﻧﺪ در Shape ﻣﺸﺨﺺ و ﺷـﻌﺎع آن ﺗﻐﯿﯿـﺮ داده ﻣـﯽ ﺷـﻮد . در ﻗﺴﻤﺖAngle ﺗﻮان ﻣﯽ ﺗﺎﺛﯿﺮ ات راﺳﺘﺎ را در ﻣﺤﺎﺳﺒﺎت وارد ﻧﻤﻮد . ﺷﻌﺎع و زاوﯾﻪ ﻫ ﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﭘﺎراﻣﺘﺮ ﻫﺎﯾﯽ ﻨﻫﺴﺘ ﺪ ﮐـﻪ از ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ در ﻗﺴﻤﺖ Explore Data ﻣﺸﺨﺺ .ﺷﻮد ﻣﯽ 4 - در ﺻﻮرت ﮐﻠﯿﮏ روی ﻫﺮ ﻧﻘﻄﻪ از ﺻﻔﺤﻪ ﻧﻤﺎﯾﺶ ﻧﻘﺎط ﻣﺨﺘﺼﺎت ﻧﻘﻄﻪ ﮐﻠﯿﮏ ﺷﺪه و ﻣﻘﺪار ﺗﺨﻤﯿﻨـﯽ آن در ﻗﺴـﻤﺖTest Location ﻧﺸﺎن داده ﺷﻮد ﻣﯽ . در اﯾﻦ زﻣﺎن ﻣﺮﮐﺰ داﯾﺮه ) ﺑﯿﻀﯽ ( ﻣﺤﺪوده ﻫﻤﺴﺎﯾﮕﯽ ﺑﻪ ﻧ ﻘﻄﻪ ﻓﻮق ﻣﻨﺘﻘﻞ ﺧﻮاﻫﺪ ﺷﺪ . ﺑﺎ ﮐﻠﯿﮏNext ﻣﺮﺣﻠﻪ ﺑﻌﺪی ﯾﻌﻨﯽCross Validation ﻓﻌﺎل ﺧﻮاﻫﺪ ﺷﺪ ﮐﻪ در آن روشIDW ﺑﺎ ﭘﺎراﻣﺘﺮﻫـﺎی ﺗﻌﯿـﯿﻦ ﺷـﺪه ﻣـﻮرد ارزﯾﺎﺑﯽ ﻗﺮار ﻣﯽ ﮔﯿﺮد . اﯾﻦ ﻣﺮﺣﻠﻪ ﺑﻌﺪا ﻣﻔﺼﻞ ﺗﺸﺮﯾﺢ ﺧﻮاﻫﺪ ﺷﺪ . در ﺻﻮرت اﻧﺘﺨﺎب روشRBF ، اﺑﺘﺪا ﯾﮑﯽ از ﺗﻮاﺑﻊ ﻟﯿﺴـﺖ اﻧﺘﻬـﺎی ﻧـﻮارKernel Function ﺑـﺎ ﮐﻠﯿـﮏ ) ﺷـﮑﻞ پ.5 - 10 ( اﻧﺘﺨـﺎب ﺷﻮد ﻣﯽ . ﺳﭙﺲ ﺳﺎﯾﺮ ﻣﺮاﺣﻞ ﻫﻤﺎﻧﻨﺪ ﻣﺮاﺣﻞ روش IDW ﻣﯽ ﺑﺎﺷﺪ . ﻣﻮﻗﻌﯿﺖ ﻧﻘﺎط ﻣﻮرد اﺳﺘﻔﺎده و وزن آﻧﻬﺎ در ﺗﺨﯿﻤﻦ ﻣﺤﺪوده ﻫﻤﺴﺎﯾﮕﯽ ﻣﺸﺎﻫﺪه ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ ﯾﺎ ﺳﻄﺢ 1 2 3 4 ﺷﮑﻞ پ.5 - 9 - روشIDW و ﭘﺎراﻣﺘﺮﻫﺎی آن ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 125 ﺷﮑﻞ پ.5 - 10 - روشRBF ب- ﻣﺮاﺣﻞ ﺗﻬﯿﻪ ﻧﻘﺸﻪ در روش ﻫﺎ ی زﻣﯿﻦ آﻣﺎری اﻣﮑﺎن اﻧﺘﺨﺎب د و روش ﮐﺮﯾﺠﯿﻨﮓ و ﮐﻮﮐﺮﯾﺠﯿﻨﮓ در اﯾﻦ ﻗﺴﻤﺖ وﺟﻮد دارد ﮐﻪ ﻣﺮاﺣﻞ ﻫﺮ دو روش ﻣﺸﺎﺑﻪ ﺑﻮده ﺑﺎ اﯾـﻦ ﺗﻔـﺎوت ﮐـﻪ ﻣﺮاﺣﻞ زﯾﺮ ﺑﺮای روش ﮐﺮﯾﺠﯿﻨﮓ ﺑﺮای ﯾﮏ ﻣﺘﻐﯿﺮ اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد اﻣﺎ در ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﺑﺮای دو ﯾﺎ ﺳﻪ ﻣﺘﻐﯿﺮ ﺻﻮرت ﻣﯽ ﭘﺬﯾﺮد . در ﺻـﻮرت اﻧﺘﺨﺎب روش ﮐﺮﯾﺠﯿﻨﮓ در ﻗﺴﻤﺖChoose Input Data and Method اداﻣﻪ ﻣﺴﯿﺮ ﺑﻪ ﺷﺮح زﯾﺮ ﺧﻮاﻫﺪ ﺑﻮد ) ﺷﮑﻞ پ.5 - 11 :( 1 - ﺑﺎ ﻇﺎﻫﺮ ﺷﺪن ﭘﻨﺠﺮهGeostatistical Method Selection در ﻗﺴﻤﺖGeostatistical Methods اﻣﮑـﺎن اﻧﺘﺨـﺎب ﻫـﺮ ﯾﮏ از اﻧﻮاع روش ﻫﺎ ی ﮐﺮﯾﺠﯿﻨﮓ ﺑﺎ ﺧﺮوﺟﯽ ﻫﺎ ی ﻣﺨﺘﻠﻒ ﻣﻄﺎﺑﻖ ﺟﺪول )پ.5 - 1 (وﺟﻮد دارد . 2 -در اﯾــﻦ ﻣﺮﺣﻠــﻪ در ﺻــﻮرت ﻏﯿــﺮ ﻧﺮ ﻣــﺎل ﺑــﻮدن ﺗﻮزﯾــﻊ ﻣــﯽ ﻫــﺎ داده ﺗــﻮان ﯾﮑــﯽ از دو روش log وBox-Cox ﻣﻮﺟــﻮد در ﻗﺴﻤﺖDataset1_ Transformation را ﺑﺮای ﺗﺒﺪﯾﻞ ﺗﻮزﯾﻊ ﻫﺎ داده ﺑﻪ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﻧﺘﺨﺎب ﻧﻤﻮد . 3 - در ﻗﺴـﻤﺖDataset1_Order of Trend Removal ﭘﻨﺠـﺮهGeostatistical Method Selection ﻣـﯽ ﺑﺎﯾﺴـﺖ در ﺻﻮرت وﺟﻮد روﻧﺪ ﻣﺮﺗﺒﻪ آن وارد ﮔﺮدد ﺗﺎ ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﻣﺤﺎﺳﺒﺎت را ﺑﺎ ﺣﺬف آن اﻧﺠﺎم داده و در ﭘﺎﯾـﺎن درون ﯾـﺎﺑﯽ ﻣﻘﺪار روﻧﺪ را ﻣﺠﺪدا ﺑﻪ ﻧﺘﺎﯾﺞ اﺿﺎﻓﻪ ﻧﻤﺎﯾﺪ . 126 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 1 2 3 4 ﺷﮑﻞ پ.5 - 11 - ﻣﺮاﺣﻞ اﻧﺠﺎم روش ﮐﺮﯾﺠﯿﻨﮓ 4 -در ﺻﻮرت وﺟﻮد روﻧﺪ ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺟﺪاﺳﺎزی روﻧﺪ1 ﻣﯽ ﺑﺎﺷﺪ . در ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری ﻓﺮض ﻣﯽ ﺷـﻮد ﮐـﻪ ﻣﺠﻤﻮﻋـﻪ ﻫـﺎ داده دارای ﯾﮏ روﻧﺪ ﻓﺮاﮔﯿﺮ ﻣﯽ ﺑﺎﺷﻨﺪ . در ﺷﮑﻞ )پ.5 - 12 ( ﻧﺸﺎن دﻫﺪ ﻣﯽ ﮐﻪ راﺳﺘﺎی ﺷﻤﺎﻟﯽ-ﺟﻨﻮﺑﯽ د ا رای ﺗﻐﯿﯿﺮات ﺳﺮﯾﻊ ﺑـﻮده ﮐﻪ روﻧﺪ اﯾﻦ ﺗﻐﯿﯿﺮات در راﺳﺘﺎی ﺷﺮﻗﯽ- ﻏﺮﺑﯽ ﺗﺪرﯾﺠﯽ ﻣﯽ ﺑﺎﺷﺪ . 5 - ﺑﺎ ﮐﻠﯿﮏNext ﭘﻨﺠﺮه ای ﺑﺎ ﻋﻨﻮان Semivariogram/Covariance Modeling ﺟﻬﺖ ﺑﺮازش ﺑﻬﺘﺮﯾﻦ ﻣـﺪل رﯾﺎﺿـﯽ ﺑـﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ ﻇﺎﻫﺮ ﺧﻮاﻫﺪ ﺷﺪ . در اﯾﻦ ﻗﺴﻤﺖ اﻣﮑﺎن ﻣﺸﺎﻫﺪه ﻣﻘﺎدﯾﺮ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﻫﻢ ﺑـﻪ ﺻـﻮرت ﻧﻤـﻮدار ﭘـﺮاﮐﻨﺶ ) Scatterplot ( و ﻫﻢ ﺑﻪ ﺻﻮرت ﺷﺒﮑﻪ رﺳﺘﺮی وﺟﻮد دارد ) ﺷﮑﻞ پ.5 - 13 .(ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣـﺎری ﻣـﺪل ﮐـﺮوی را ﺑـﺮ ای ﺗﻤﺎم راﺳﺘﺎﻫﺎ ﺑﻪ ﻋﻨﻮان ﭘﯿﺶ ﻓﺮض در ﻧﻈﺮ ﮔﺮﻓﺘﻪ و ﭘﺎراﻣﺘﺮﻫﺎی آن را ﻧﯿـﺰ ﺑـﺮای ﯾـﮏLag Size ﻣﺸـﺨﺺ ﻣـﯽ ﻧﻤﺎﯾـﺪ . در ﺻﻮرت ﻋﺪم ﭘﺬﯾﺮش ﭘﯿﺶ ﻓﺮض، اﻣﮑﺎن ﺗﻐﯿﯿﺮ ﻧﻮع ﻣﺪل و ﭘﺎراﻣﺘﺮﻫﺎی آن وﺟﻮد دارد و ﺣﺘﯽ ﻣـﯽ ﺗـﻮان ﺑﺮاﺳـﺎس ﺳـﻪ ﻣـﺪل ﻣﺨﺘﻠﻒ ﻧﯿﺰ ﻣﺤﺎﺳﺒﺎت را اﻧﺠﺎم داد . 6 -ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺪل ﻧﻈﯿﺮ د اﻣﻨﻪ و آﺳﺘﺎﻧﻪ ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ روی آﯾﮑﻮن ﺗﻐﯿﯿﺮ داده ﺷﻮد ﻣﯽ ﺗﺎ ﺑﻪ ﺑﯿﺶ ﺗﺮ ﯾﻦ ﺑﺮازش ﺑﺎ ﻧﻘـﺎط دﺳـﺖ ﯾﺎﻓﺖ . 7 - ﺑﺎ ﻓﻌﺎل ﻧﻤﻮدن آﯾﮑﻮنShow Search Direction راﺳﺘﺎ ﯾ ﯽ ﮐﻪ ﺑﯿﺶ ﺗﺮ ﯾﻦ ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ را داراﺳﺖ ﻣﺸﺨﺺ ﺷﻮد ﻣﯽ . 8 - ﺑﯿﻀﯽ آﺑﯽ رﻧﮓ ﺑﺎ ﻓﻌﺎل ﮐﺮدن آﯾﮑﻮنAnisotropy و وارد ﮐﺮدن راﺳﺘﺎ و داﻣﻨﻪ ﮐﻮﭼﮏ ﺗـﺮ ﺗﻐﯿﯿـﺮ ﺧﻮاﻫـﺪ ﮐـﺮد . در ﺑﯿﻀـﯽ Anisotropy راﺳﺘﺎ و ﻣﺤﺪوده ﻫﻤﺒﺴﺘﮕﯽ ﻣﮑﺎﻧﯽ ﻣﺸﺨﺺ ﺷﻮد ﻣﯽ . 9 - در اﯾﻦ ﻣﺮﺣﻠﻪ ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ ﺗﻌﯿﯿﻦ ) ﺷﻮد ﻣﯽ ﺷﮑﻞ پ.5 - 14 .( 1- Detending ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠ ﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 127 ﺟﻨﻮﺑﯽ-روﻧﺪ ﻓﺮاﮔﯿﺮ در راﺳﺘﺎی ﺷﻤﺎﻟﯽ ﻏﺮﺑﯽ-روﻧﺪ ﻓﺮاﮔﯿﺮ در اﺳﺘﺎی ﺷﺮﻗﯽ 5 ﺷﮑﻞ پ.5 - 12 - ﺑﺮرﺳﯽ راﺳﺘﺎی روﻧﺪ در ﺻﻮرت اﻧﺘﺨﺎب روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ ﻣﺮاﺣﻞ ﻓﻮق ﺑﺎﯾﺪ ﺑﺮاﺳﺎس ﭼﻨﺪﯾﻦ ﻣﺘﻐﯿﺮ ﺗﮑﺮار ﮔﺮدد . در ﺷﮑﻞ )پ.5 - 15 ( ﺑﺨـﺶ ﻫـﺎﯾﯽ ﮐـﻪ از ﻃﺮﯾﻖ آﻧﻬﺎ ﻣﺘﻐﯿﺮﻫﺎ اﻧﺘﺨﺎب ﺷﺪه و ﺳﭙﺲ ﺑﺮرﺳﯽ ﻫﺎ ﺑﺮ روی ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺮﺑﻮﻃﻪ ﺻﻮرت ﻣﯽ ﮔﯿﺮد ، ﻣﺸﺨﺺ ﺷﺪه اﺳﺖ . ﻧﻘﺎط ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ ScatterPlot ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ درﺟﻪ ﺑﻨﺪی رﻧﮓ ﺳﻄﺢ رﺳﺘﺮی ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎی ﺗﺠﺮﺑﯽ ﻣﺪل 6 ﺑﯿﻀﯽ ﻧﺎﻫﻤﺴﺎﻧﮕﺮدی 8 5 ﺷﮑﻞ پ.5 - 13 - ﻧﺤﻮه ﺑﺮازش ﻣﺪل ﺗﺌﻮرﯾﮏ ﺑﻪ ﻧﯿﻢ ﺗﻐﯿﯿﺮﻧﻤﺎ ﺗﺠﺮﺑﯽ 128 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 9 ﺷﮑﻞ پ.5 - 14 - ﻣﺤﻞ اﻧﺘﺨﺎب ﺗﻌﺪاد ﻧﻘﺎط ﻫﻤﺴﺎﯾﮕﯽ - اﻋﺘﺒﺎرﯾﺎﺑﯽ ﻣﺘﻘﺎﻃﻊ آﺧﺮﯾﻦ ﻣﺮﺣﻠﻪ در اﯾﺠﺎد ﻧﻘﺸﻪ ﺧﺮوﺟﯽ ﺷﺎﻣﻞ ارزﯾﺎﺑﯽ روش، ﻣﺪل و ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺮﺑﻮﻃﻪ ﻣﯽ ﺑﺎﺷﺪ ﮐـﻪ در ﺑﺨـﺶ ﺑﻌـﺪی ﻣﻔﺼـﻞ ﺑﯿـﺎن ﺧﻮاﻫﺪ ﺷﺪ . Cross Validation در ﭘﺎﺳﺦ ﺑﻪ اﯾﻦ ﺳﻮال ﮐﻪ ﻣﺪل ﻣﻮرد اﺳﺘﻔﺎده در ﺑ ﺮآورد ﻧﻘﺎط ﻣﺠﻬﻮل ﺗﺎ ﭼﻪ ﻣﯿﺰان ﻣﻮﻓﻖ ﻋﻤـﻞ ﮐـﺮده، ﺗﻨﻬﺎ ﮔﺰﯾﻨﻪ ای اﺳﺖ ﮐﻪ ﺗﻮﺳﻂ ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در اﺧﺘﯿﺎر ﮐﺎرﺑﺮ ﮔﺬاﺷﺘﻪ ﺷﺪه اﺳﺖ . از اﯾﻦ ﻃﺮﯾﻖ ﺗﻮان ﻣﯽ ﻋﻤﻠﮑـﺮد ﭼﻨـﺪﯾﻦ ﻣـﺪل و ﯾﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺨﺘﻠﻒ از ﯾﮏ ﻣﺪل را ارزﯾﺎﺑﯽ ﻧﻤﻮد . ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 129 ﺷﮑﻞ پ.5 - 15 - ﻧﺤﻮه ا ﻧﺠﺎم روش ﮐﻮﮐﺮﯾﺠﯿﻨﮓ در اﯾﻦ ﭘﻨﺠﺮه ﻧﻤﻮدار ﭘﺮاﮐﻨﺶ ﻧﻘﺎﻃﯽ اراﺋﻪ ﻣﯽ ﮔﺮدد ﮐﻪ در آن ﻣﺤﻮر x ﻫﺎ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای و ﻣﺤـﻮر y ﻣﻘـﺎدﯾﺮ ﺗﺨﻤﯿﻨـﯽ ﻣﺘﻨـﺎﻇﺮ را ﻧﺸﺎن ) دﻫﺪ ﻣﯽ ﺷﮑﻞ پ.5 - 16 .( ﻫﺮ ﭼﻪ اﯾﻦ ﻧﻘﺎط ﺑﻪ ﺧﻂ1:1 ﻧﺰدﯾﮏ ﺗﺮ ﺑﺎﺷﻨﺪ دﻗﺖ ﻣﺪل ﻣﻮرد ﺑﺮرﺳﯽ در ﺗﺨﻤﯿﻦ ﺑـﺎﻻﺗﺮ ﻣـﯽ ﺑﺎﺷـﺪ . در ﮐﻨﺎر ﻧﻤﺎ ﯾﺶ اﯾﻦ ﻧﻘﺎط در اﻃﺮاف ﺧﻂ 1:1 ، ﺑﺮﺧﯽ از ﻣﻌﯿﺎرﻫﺎی آﻣﺎری ﻧﯿﺰ ﺑﺮای ﺑﺮرﺳـﯽ ﻋﻤﻠﮑـﺮد ﻣـﺪل در ﻗﺴـﻤﺖPrediction Errors اراﺋﻪ ﺷﻮد ﻣﯽ . Prediction Errors ﯾﺎ ﺧﻄﺎی ﺗﺨﻤﯿﻦ از اﺧﺘﻼف ﺑﯿﻦ ﻣﻘﺎدﯾﺮ ﺗﺨﻤﯿﻨﯽ و ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای دﺳﺖ ﺑﻪ ﻣﯽ آﯾـﺪ . ﺑـﺮای اﯾﻨﮑـﻪ ﯾﮏ ﻣﺪل دﻗﺖ ﺧﻮﺑﯽ را در ﺗﺨﻤﯿﻦ داﺷﺘﻪ ﺑﺎﺷﺪ ﻣﺘﻮﺳﻂ ﺧﻄﺎ1 ﻧﺰدﯾﮏ ﺻﻔﺮ و رﯾﺸﻪ ﻣﺘﻮﺳﻂ ﻣﺠﺬور ﺧﻄﺎ2 ﺑﺎﯾﺪ ﺗﺎ ﺣﺪ اﻣﮑﺎن ﮐﻮﭼﮏ ﺑﺎﺷـﺪ ) اﯾﻦ آﻣﺎره در ﻣﻘﺎﯾﺴﻪ ﻫﺎ ﻣﺪل ی ﻣﺨﺘﻠﻒ ﻣﻔﯿﺪ ﻣﯽ ﺑﺎﺷﺪ (. ﻫﻤﭽﻨﯿﻦ در ﺣﺎﻟﺖ اﯾﺪه آل رﯾﺸﻪ ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻊ ﺧﻄﺎی اﺳﺘﺎﻧﺪارد3 آن ﻧﺰدﯾـﮏ ﺑـﻪ ﯾﮏ ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﻣﯽ . ﭘﻨﺠﺮه Cross Validation ﻋﻼوه ﺑﺮ ﻧﻤﺎﯾﺶ ﻧﻤﻮ دار ﭘﺮاﮐﻨﺶ ﻧﻘﺎط، ﻧﻤﻮدار ﺧﻄﺎ ، ﺧﻄﺎی اﺳﺘﺎﻧﺪارد و QQ را ﺑـﺮای ﻫﺮ ﻧﻘﻄﻪ اراﺋﻪ ) دﻫﺪ ﻣﯽ ﺷﮑﻞ پ.5 - 16 .( 1- Mean 2- Root – Mean- Square 3- Root – Mean- Square- Standardized 130 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای ﺑﻬﺘﺮﯾﻦ ﺧﻂ ﻗﺎﺑﻞ ﺑﺮازش ﺧﻂ1:1 ﺧﻼﺻﻪ آﻣﺎری ﺧﻄﺎ ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ای و ﺗﺨﻤﯿﻨﯽ ﺷﮑﻞ پ.5 - 16 - ﻧﻤﺎﯾﺶ ﻧﺘﺎﯾﺞ اﺟﺮایcross validation — ﮔﺎم ﻫﺸﺘﻢ : اﻧﺪازه ﮔﯿﺮی ﺧﻄﺎ ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ رویSave Cross Validation ﺟﺪول ﻣﻘﺎدﯾﺮ ﺗﺨﻤﯿﻨﯽ و ﻣ ﺸﺎﻫﺪه ای ﺑﺎ ﻓﺮﻣﺖ dbf در ﻣﺴﯿﺮ ﻣﻮرد ﻧﻈﺮ ذﺧﯿﺮه ﺧﻮاﻫﺪ ﺷﺪ . — ﮔﺎم ﻧﻬﻢ : ﺧﺼﻮﺻﯿﺎت روش اﻧﺘﺨﺎﺑﯽ در اﯾﻦ ﻗﺴﻤﺖ ﺑﺎ ﮐﻠﯿﮏ ﮐﺮدن ﺑﺮ روی آﯾﮑﻮنfinish ، ﺧﺼﻮﺻﯿﺎت ﻣﺪل اﻧﺘﺨﺎﺑﯽ، ﺑﻪ ﺻﻮرت ﺧﻼﺻﻪ اراﺋﻪ ﻣﯽ ﮔﺮدد . — ﮔﺎم دﻫﻢ : اﺳﺘﺨﺮاج ﻧﻘﺸﻪ ﺑﺎ ﮐﻠﯿﮏOk ﺑﺮ روی ﺻﻔﺤﻪ ﺧﻼﺻﻪ اﻃﻼﻋﺎت روش اﻧﺘﺨﺎﺑ )ﯽ ﮔﺎم ﻧﻬﻢ ( ، ﻧﻘﺸﻪ ﺗﺨﻤﯿﻨﯽ ﺑﻪ ﻋﻨﻮان ﯾـﮏ ﻻﯾـﻪ در ﻣﺤـﯿﻂ ArcMap ﻇﺎﻫﺮ ﺧﻮاﻫﺪ ﺷﺪ ) ﺷﮑﻞ پ.5 - 17 .( ﭘﯿﻮﺳﺖ5 - ﺗﺤﻠﯿﻞ ﮔﺮ زﻣﯿﻦ آﻣﺎری در ﻧﺮم اﻓﺰار ArcGIS 131 ﺷﮑﻞ پ.5 - 17 - ﻧﻘﺸﻪ ﺗﻮﻟﯿﺪ ﺷﺪه ﺑﺎ اﺳﺘﻔﺎده از روش اﻧﺘﺨﺎﺑﯽ ﻣﻨﺎﺑﻊ و ﻣﺮاﺟﻊ 133 ﻣﻨﺎﺑﻊ و ﻣﺮاﺟﻊ ﻣﻨﺎﺑﻊ و ﻣﺮاﺟﻊ 1 -ﺛﻘﻔﯿﺎن، ﺑﻬﺮام . ﺳﯿﻤﺎ رﺣﯿﻤﯽ ﺑﻨﺪرآﺑﺎدی، ﺣﻤﯿﺪ ﻃﺎﻫﺮی و ﺟﻌﻔﺮ ﻏﯿﻮﻣﯿﺎن . 1384 . اﺛﺮ ﺗﺮاﮐﻢ اﯾﺴـﺘ ﮕﺎه و ﺗﻔﮑﯿـﮏ ﻣﻨﻄﻘـﻪ ای در ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﺑﺎرﻧﺪﮔﯽ روزاﻧﻪ ) ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﺑﺮ روی ﺑﺎرﻧﺪﮔﯽ ﺟﻨﻮب ﻏﺮب اﯾﺮان (. ﻧﺸﺮﯾﻪ اﺳـﺘﻘﻼل، ﺷـﻤﺎره 1 ، ﺟﻠـﺪ ،اول75 - 59 . 2 -ﺣﺴﻨﯽ ﭘﺎک، ﻋﻠﯽ اﺻﻐﺮ . 1377 زﻣﯿﻦ آﻣﺎر . اﻧﺘﺸﺎرات داﻧﺸﮕﺎه ﺗﻬﺮان . 3 - ،ﺧﻠﯿﻠﯽ ﻋﻠﯽ . 1375 .ﺗﻐﯿﯿﺮات ﺳﻪ ﺑﻌﺪی ﻣﯿﺎﻧﮕﯿﻦ ﻫﺎی ﺳﺎﻻﻧ ﻪ درازﻣﺪت دﻣﺎی ﻫﻮا در ﮔﺴﺘﺮه اﯾﺮان . ﻧﯿﻮار، ﺷﻤﺎره 32 . 4 -رﺣﯿﻤﯽ ﺑﻨﺪرآﺑﺎدی، ﺳﯿﻤﺎ . 1379 .ﺑﺮرﺳﯽ ﮐﺎرﺑﺮد روش ﻫﺎی ژﺋﻮاﺳﺘﺎﺗﯿﺴﺘﯿﮏ در ﺑﺮآورد ﺑﺎرﻧﺪﮔﯽ ﻣﻨﺎﻃﻖ ﺧﺸﮏ و ﻧﯿﻤﻪ ﺧﺸـﮏ ﺟﻨﻮب ﺷﺮق اﯾﺮان . ﭘﺎﯾﺎن ﻧﺎﻣﻪ ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ . داﻧﺸﮕﺎه ﺗﻬﺮان . ص 150 . 5 -رﺣﯿﻤﯽ ﺑﻨﺪرآﺑﺎدی، ﺳﯿﻤﺎ و ﻣﺤﻤﺪ ﺣﺴﯿﻦ ﻣﻬ ﺪﯾﺎن . 1383 .ﺑﺮرﺳﯽ روش ﻫـﺎی ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﺑﺎرﻧـﺪﮔﯽ روزاﻧـﻪ و ﻣﺎﻫﺎﻧـﻪ در ﺣﻮﺿﻪ درﯾﺎی ﺧﺰر . ﻧﺸﺮﯾﻪ ﭘﮋوﻫﺶ و ﺳﺎزﻧﺪﮔﯽ، ﺟﻬﺎد ﮐﺸﺎورزی، ﺷﻤﺎره 68 . 6 -ﻋﻠﯿﺠﺎﻧﯽ، ﺑﻬﻠﻮل . 1366 . راﺑﻄﻪ ﭘﺮاﮐﻨﺪﮔﯽ ﻣﮑﺎﻧﯽ ﻣﺴﯿﺮﻫﺎی ﺳﯿﮑﻠﻮﻧﯽ ﺧﺎورﻣﯿﺎﻧﻪ ﺑﺎ ﺳﯿﺴﺘﻤﻬﺎی ﻫﻮاﯾﯽ ﺳـﻄﺢ ﺑـﺎﻻ . ﻓﺼـﻠﻨﺎﻣﻪ ﺗﺤﻘﯿﻘﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ، ﺷﻤﺎ ره 4 ، 144 - 125 . 7 -ﻋﻠﯿﺠﺎﻧﯽ، ﺑﻬﻠﻮل . 1375 .آب و ﻫﻮای اﯾﺮان . اﻧﺘﺸﺎرات داﻧﺸﮕﺎه ﭘﯿﺎم ﻧﻮر ﭼﺎپ دوم . 8 -ﻋﻠﯿﺰاده، اﻣﯿﻦ . 1373 ﮔﺮم ﺷﺪن ﺟﻬﺎﻧﯽ و ﭘﯿﺎﻣﺪﻫﺎی ﻫﯿﺪروﻟﻮژﯾﮏ . ﻧﯿﻮار، ﺷﻤﺎره 22 ،، ﺗﺎﺑﺴﺘﺎن18 - 9. 9 -ﻏﯿﻮر، ح و ﻣﺴﻌﻮدﯾﺎن، اﻟﻒ . 1375 .ﺑﺮرﺳﯽ ﻧﻈﺎم ﺗﻐﯿﯿﺮات ﻣﺠﻤﻮع ﺑﺎرش ﺳﺎﻻﻧﻪ در اﯾﺮان . زﻣﯿﻦ ﻧﮕﺎر، ﺷﻤﺎره 29 . 10 -ﻣﻮﺣﺪ داﻧﺶ، ﻋﻠﯽ اﺻﻐﺮ . 1373 . ﻫﯿﺪروﻟﻮژی آب ﻫﺎی ﺳﻄﺢ اﯾﺮان، ﺳﺎزﻣﺎن ﻣﻄﺎﻟﻌﻪ و ﺗﺪوﯾﻦ ﮐﺘﺐ ﻋﻠﻮم اﻧﺴﺎﻧﯽ داﻧﺸﮕﺎه .ﻫﺎ 11 -ﻧﯿﺮوﻣﻨﺪ، ح . 1378، ﺗﺤﻠﯿﻞ آﻣﺎری ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﮐﺎرﺑﺮدی، داﻧﺸﮕﺎه ﻓﺮدوﺳﯽ ﻣﺸﻬﺪ . 12- Abtew, W., J. Obeysekera and G. Shih. 1993. Spatial Analysis for Monthly Rainfall in South Florida. Water Resources Bulletin. 29(2): 179-188. 13- Ball, J.E. and K.C. Luk. 1998. Modeling Spatial Variability of Rainfall over a Catchments. ASCE. Journal of Hydrologic Engineering. 3 (2): 122-130. 14- Dirks. K. N., J.E. Hay, C. D. Stow and D. Harris. 1998. High-Resolution Studies of Rainfall on Norflok Island. Part II: Interpolation of Rainfall Data. Journal of Hydrology, 208(3-4): 187-193. 15- Everitt,B.,1993.Cluster Analysis,third ed.Halsted Press,New York. 16- Garen, D.C., Johnson, G.L and C.L. Hansen. 1994. Mean Areal Precipitation For Daily Hydrologic ModeLing in Mountainous Regions, Water Resources Bulletin. 30 (3): 481-490. 17- Goovaerts, P. 2000. Geostatistical Approach for Incorporating Elevation into Spatial Interpolation of Rainfall. Journal of Hydrology. 228(1-2):113-129. 18- Hengl, T. 2006. Finding the right pixel size. Computers & Geosciences, 32(9): 1283-1298. 19- Hevesi, J.A., J.D. Istok and A.L. Flint. 1992. Precipitation Estimation in Mountainous Terrain Using Multivariate Geostatistics. Part I: Structural Analysis. Journal of Applied Meteorology. 31 : 661-676. 20- Hohn, M.E. 1999. Geostatistics and Petroleum Geology. Kluwer Academic Publishers. 21- Hutchinson, M.F. 1990. SplinA and LAPPNT. Center for Resource and Environmental Studies, Australian National University, Coanberra, Australia. 22- Isaaks, E.H. and R.M. Srivastava. 1989. Applied Geostatistics. Oxford University Press. P 561. 134 راﻫﻨﻤﺎی روش ﻫﺎی ﺗﻮزﯾﻊ ﻣﮑﺎﻧﯽ ﻋﻮاﻣﻞ اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﻧﻘﻄﻪ ای 23- Jeffrey. S.J., J.O. Carter, K.B. Moodie and A.R. Beswick. 2001. Using Spatial Interpolation to Construct a Comprehensive Archive of Australian Climate Data. Environmental Modelling and Software, 16(4): 309-330. 24- Kaufman,L.,Rousseeuw,P.,1990.Finding Groups in Data:An Introduction to Cluster Analysis.Wiley,New York.Klemes,V.,2000.Tall tales about tails of hydrological distribution- I.Journal of Hydrologic Engineering ASCE 5 (3),227-231. 25- Kestevn. J. and M.F. Hutchinson. 2001. Spatial Modeling of Climate Variable on a Continental Scale. Center for Resource and Environmental Studies Institute of Advanced Studies. Australian National University. 26- Label, T., G. Bastin, C. Obled and J.D. Creutin. 1987. on the Accuracy of Areal Rainfall Estimation: A Case Study. Water Resources Research. 23(11) : 2123-2134. 27- Lynch. S.D. 2001. Converting Point Estimates of Daily Rainfall onto a Rectangular Grid. Department of Agricultural Engineering. University of Natal. South Africa. .ac.za. 28- Martinez, A.and R.H. Cuenca. 1992. Influence of Elevation on Regionnal Evapotraspiration Using Multivariate Geostatistics For Various Climatic Regimes In Oregon. Journal of Hydrology. 136(1/4): 353-380. 29- Nalder, J.A. and R.W. Wein. 1998. Spatial Interpolation of Climate Normal: Test of a New Method. Canadian Boreal Forest. Agri-Forest. 94(4): 211-225. 30- Phillips, D.L., J. Dolph and D. Marks. 1992. A Comparison of Geostatistical Procedure for Spatial Analysis of Precipitation in Mountainous Terrain. Agriculture and Forest Meteorology. 58 : 119-141. 31- Price, D.T., D.W. Mckenny, I.A. Nedler, M.F. Hutchinson and J.L. Kesteven. 2000. A Comparison of Two Statistical Methods for Interpolation. Canadian of Monthly Mean Climate Data. Agriculture and Forest. 101(2-3): 81-94. 32- Pruhhomme, C. and D.W. Reed. 1999. Mapping Extreme Rainfall in Mountainous Region Using Geostatistical Techniques. International Journal of Climatology. 19(2): 1337-1356. 33- Punyawordena, B.V. R., and D. Kulasiri. 1998. Spatial Interpolation of Rainfall in The Dry Zone of Sri Lanka. Journal of The National Science Council of Sri Lanka. 26(3): 247-262. 34- Saghafian, B., M. Tajrishy, N. Jalali and H. Taheri Shahraini. Modeling of Spatial Variability of Daily Rainfall in Southwest of Iran. Iranica Scientia. 10(2): 164-174. 35- Tabios, G.Q. and J.D. Salas. 1985 A Comparative Analysis of Techniques for Spatial Analysis Precipitation. Water Resources Bulletin. (21)3: 365-380. ﺧﻮاﻧﻨﺪه ﮔﺮاﻣﯽ اﻣﻮر ﻧﻈﺎم ﻓﻨﯽ ﻣﻌﺎوﻧﺖ ﺑ ﺮﻧﺎﻣﻪ رﯾﺰی و ﻧﻈﺎرت راﻫﺒﺮدی رﯾﯿﺲ ﺟﻤﻬﻮر، ﺑﺎ ﮔﺬﺷـﺖ ﺑـﯿﺶ از ﺳـﯽ ﺳـﺎل ﻓﻌﺎﻟﯿـﺖ ﺗﺤﻘﯿﻘـﺎﺗﯽ و ﻣﻄﺎﻟﻌﺎﺗﯽ ﺧﻮد، اﻓﺰون ﺑﺮ ﭘﺎﻧ ﺼﺪ ﻋﻨﻮان ﻧﺸﺮﯾﻪ ﺗﺨﺼﺼﯽ- ،ﻓﻨﯽ در ﻗﺎﻟﺐ آﯾﯿﻦ ﻧﺎﻣﻪ، ﺿﺎﺑﻄﻪ، ﻣﻌﯿﺎر، دﺳﺘﻮراﻟﻌﻤﻞ، ﻣﺸﺨﺼﺎت ﻓﻨـﯽ ﻋﻤﻮﻣﯽ و ﻣﻘﺎﻟﻪ، ﺑﻪ ﺻﻮرت ﺗﺎﻟﯿﻒ و ﺗﺮﺟﻤﻪ، ﺗﻬﯿﻪ و اﺑﻼغ ﮐﺮده اﺳﺖ . ﻧﺸﺮﯾﻪ ﺎﺿﺮﺣ در راﺳﺘﺎی ﻣﻮارد ﯾﺎد ﺷﺪه ﺗﻬﯿﻪ ﺷـﺪه، ﺗـﺎ در راه ﻧﯿﻞ ﺑﻪ ﺗﻮﺳﻌﻪ و ﮔﺴﺘﺮش ﻋﻠﻮم در ﮐﺸﻮر و ﺑﻬﺒﻮد ﻓﻌﺎﻟﯿﺖ ﻫﺎی ﻋﻤﺮاﻧﯽ ﺑﻪ ﮐﺎر ﺑﺮده ﺷﻮد . ﻓﻬﺮﺳﺖ ﻧﺸﺮﯾﺎت ﻣﻨﺘﺸـﺮ ﺷـﺪه در ﻫﺎی ﺳﺎل اﺧﯿﺮ در ﺳﺎﯾﺖ ﻗﺎﺑﻞ دﺳﺘﯿﺎﺑﯽ ﻣﯽ ﺑﺎﺷﺪ . Islamic Republic of Iran Vice Presidency For Strategic Planning and Supervision Guideline of Spatial Distribution of Climatological Factors Using Point Data No. 585 Office of Deputy for Strategic Supervision Ministry of Energy Department of Technical Affairs Bureau of Engineering and Technical Criteria for Water and Wastewater 2012 اﯾﻦ ﻧﺸﺮﯾﻪ ﺑﺮآورد ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ ﻋﻮاﻣـﻞ ﻫﻮاﺷﻨﺎﺳـﯽ در ﺑﺴــﯿﺎری از ﻣﻄﺎﻟﻌــﺎت ﻫﻮاﺷ ﻨﺎﺳــﯽ و ﻣﻨــﺎﺑﻊ آب اﺟﺘﻨﺎب ﻧﺎﭘﺬﯾﺮ اﺳـﺖ . وﻟـﯽ ﺑـﻪ دﻟﯿـﻞ ﻋـﺪم اﻣﮑـﺎن ﭘﻮﺷﺶ ﻣﻨﻄﻘﻪ ﺗﻮﺳﻂ اﯾﺴﺘﮕﺎه ﻫﺎی اﻧـﺪازه ﮔﯿـﺮی، ﺑــﺮآورد ﻋﺎﻣــﻞ ﻣــﻮرد ﻧﻈــﺮ ﺑــﺮای ﻣﻨــﺎﻃﻖ ﺑــﯿﻦ اﯾﺴﺘﮕﺎه ﻫﺎ ﺑﺎﯾﺪ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﯿـﺮد . روش ﻫـﺎی ﻣﺨﺘﻠﻔﯽ ﺑﺮای ﺑـﺮآورد ﺗﻮزﯾـﻊ ﻣﮑـﺎﻧﯽ ﺑﺎرﻧـﺪﮔﯽ و ﺳﺎﯾﺮ ﻋﻮاﻣﻞ ﻫﻮاﺷﻨﺎﺳـﯽ وﺟـﻮد دارد ﮐـﻪ در اﯾـﻦ راﻫﻨﻤﺎ ﺑﻪ آن ﭘﺮداﺧﺘﻪ ﺷﺪه اﺳﺖ و اﯾﻦ راﻫﻨﻤـﺎ ﺑـﺎ ﻫﺪف اراﺋﻪ ﻧﺤﻮه ﺑﺮآورد ﺗﻮزﯾﻊ ﻣﮑـﺎﻧﯽ ﻣﺘﻐﯿﺮﻫـﺎی اﻗﻠﯿﻤﯽ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎی ﻣﺨﺘﻠﻒ و اﻧﺘﺨـﺎب ﻣﻨﺎﺳﺐ ﺗﺮﯾﻦ آﻧﻬﺎ ﺗﻬﯿﻪ ﺷﺪه اﺳﺖ .