بیش از سه دهه است که هیدرولوژیست­ها، استفاده از مدل­های چندمتغیره را جهت توصیف و مدل­سازی پدیده­های پیچیده هیدرولوژی، توصیه می­کنند. در مدل­های چند متغیره با دخالت دادن عوامل مؤثر، می­توان نتایج توصیف، مدل­سازی و پیش­بینی متغیرهای مختلف را بهبود بخشید. هم­چنین از آنجا که مدل­های غیر­خطی واریانس ناهمسان شرطی، بخش باقی­مانده مدل­های خطی را به‌طور رضایت­بخشی مدل می­کنند، انتظار می­رود، با ترکیب مدل­های خطی و غیر­خطی، دقت مدل­سازی و پیش­بینی­ها افزایش ­یابد. در این مطالعه، دو مدل چند متغیره تناوبی آرما و چند متغیره تلفیقی با واریانس ناهمسان شرطی جهت مدل­سازی دبی ماهانه رودخانه نازلوچای واقع استان آذربایجان غربی در دوره آماری 1390-1341 با لحاظ مؤلفه‌های دما و بارش ایستگاه سینوپتیک ارومیه مورد مقایسه قرار گرفتند. نتایج بررسی و صحت­سنجی داده­های مدل­شده نشان داد که هر دو مدل مورد بررسی دارای دقت خوبی در مدل­سازی دبی جریان هستند. هم­چنین نتایج نشان داد که مدل چند متغیره تلفیقی با واریانس ناهمسان شرطی با دخالت دادن پارامترهای مؤثر بر دبی جریان از دقت بیشتری نسبت به مدل چند متغیره تناوبی آرما برخوردار است. هر دو مدل نقاط بیشینه و کمینه دبی­ها را با دقت مناسبی تخمین زده­اند. نتایج نشان داد که با تلفیق دو مدل چند متغیره تناوبی آرما و غیرخطی خودهمبسته با واریانس ناهمسان شرطی ، میزان خطای مدل حدود 16 درصد در مقایسه با مدل چند متغیره تناوبی آرما کاهش می­یابد.

بسیاری از فرآیندهای مربوط به سیستم‌های طبیعی نسبت به زمان غیر‌خطی بوده اگرچه جنبه‌های خاصی از این سیستم‌ها ممکن است نسبت به جنبه‌های دیگر به فرآیند خطی نزدیکتر باشند. به هر حال ماهیت غیر خطی بودن برای ما کاملا‌ آشکار نیست. به همین دلیل به نظر می‌رسد با ترکیب مدل‌های خطی و غیرخطی بتوان نتایج مدل‌سازی‌های هیدرولوژیکی را افزایش داد. استفاده از مدل‌های سری زمانی یکی از راه‌های کاربردی در شبیه سازی و پیش بینی داده‌های هیدرولوژیک است. یکی از مشکلات عمده در استفاده از مدل‌های سری زمانی جهت پیش‌بینی داده‌های هیدرولوژیک، نحوه تولید داده‌های تصادفی است. در این فرآیند داده‌های تولیدی با تغییر سری تصادفی، تغییر خواهند کرد. در این تحقیق ابتدا داده‌های سری زمانی دبی جریان رودخانه زرینه‌رود مورد برسی اولیه از قبیل بررسی روند، استقلال و ایستایی و همگنی قرار گرفت. نتایج نشان داد که داده-های مورد بررسی در مقیاس سالانه و در سطح اطمینان 5 درصد بدون روند می‌باشند و همگنی و استقلال داد‌ه‌ها نیز تایید گردید. در نهایت داده‌های بررسی شده با استفاده از مدل‌های تک متغیره AR و GAR مورد ارزیابی قرار گرفت و مدل‌های AR(1) و GAR(1) با توجه به معیار آکائیکه به عنوان مدل‌های برتر انتخاب گردید. بعد از بررسی و مقایسه دو مدل فوق، سری زمانی باقی‌مانده این مدل‌ها استخراج و با استفاده از مدل‌های غیر خطی خودهمبسته با واریانس شرطی (ARCH) برازش یافتند. با تلفیق د.و مدل خودهمبسته و گامای خودهمبسته با مدل‌های غیر خطی خانواده ARCH سرانجام دو مدل تلفیقی AR-ARCH و GAR-ARCH تولید گردید. نتایج حاصل از مدل‌سازی دبی سالانه رودخانه زرینه رود نشان داد که مدل‌های تلفیقی GAR-ARCH و AR-ARCH به ترتیب دقت مدل‌سازی را به اندازه 12 و 11درصد در واحد متر مکعب بر ثانیه افزایش و خطای مدل‌سازی را در حدود 40 و 50 درصد در واحد مترمکعب بر ثانیه نسبت به مدل‌های خطی تک متغیره نظیر خود کاهش می‌دهند. نتایج حاصل از بررسی و مقایسه دقت و میزان خطای دو مدل AR و GAR نیز نشان داد که مدل GAR نتایج بهتری را در مدل‌سازی دبی جریان رودخانه زرینه رود ارائه می‌کند. مدل GAR نسبت به مدل AR مقدار خطای کمتر و دقت بیشتری را ارائه کرد. هم‌چنین نتایج نشان داد که مدل‌های تلفیقی، نقاط اوج دبی‌ها را در مورد مدل‌سازی دبی سالانه رودخانه زرینه رود، نسبت به مدل‌های رایج بهتر مدل می‌کنند. استفاده از مدل‌های غیرخطی و تلفیق آن‌ها با مدل‌های خطی تا حد زیادی قطعیت و دقت مدل‌سازی و پیش‌بینی‌ها را افزایش می‌دهد.

بررسی پدیده بارندگی به عنوان یکی از مهمترین عوامل هواشناسی که به صورت مستقیم منابع آب را تحت تاثیر قرار می­دهد، از اهمیت ویژه­ای برخوردار است. بنابراین، در این تحقیق، توسط شاخص پراکندگی بارش (PCI) در مقیاس سالانه به بررسی تغییرات الگوی بارندگی در سطح ایران پرداخته شد. بدین منظور آمار بارندگی ماهانه 25 ایستگاه سینوپتیک کشور ایران در یک دوره 50 ساله (2010-1961) در دو بازه 25 ساله ارزیابی شد و سپس معنی­دار بودن شاخص مورد نظر در دو زیر بازه 25 ساله با استفاده از آزمون t مورد بررسی قرار گرفت. نتایج پهنه بندی شاخص مورد نظر نشان داد که پراکندگی و پراکنش بارندگی در هر دو زیر بازه از الگوی یکسان پیروی می­کند. هم­چنین نتایج پهنه­بندی نشان از بالا بودن این شاخص در مرکز ایران و در استان­های کم بارشی مثل کرمان، هرمزگان، یزد، زاهدان، شهرکرد، بیرجند، بوشهر، اهواز و اصفهان می­باشد که این ایستگاه­ها بر اساس طبقه­بندی الیور (1980)، دارای بی نظمی زیاد و پراکنده در ریزش بارش هستند. هم­چنین نتایج نشان داد که اکثر نواحی شمال غرب ایران دارای الگوی نامنظم بارندگی است. دو ایستگاه رشت و گرگان دارای تمرکز متوسط بارندگی و دو ایستگاه زنجان و تبریز دارای تمرکز تقریبأ متوسط بارندگی هستند. در هیچ یک از ایستگاه­های مورد مطالعه در کشور ایران، تمرکز یکنواخت (PCI<10) یافت نشد. در نهایت روند تغییرات شاخص مذکور در دو مقیاس ایستگاهی و منطقه­ای مورد بررسی قرار گرفت. نتایج نشان دهنده روند افزایشی غیرمعنی­دار در سطح اطمینان 5 درصد در دو خوشه دو و پنج و در سایر خوشه­ها روند کاهشی غیرمعنی­دار بود.

The application of statistical theory and probability analysis of hydrologic time series is assumed that the variables are normally distributed. Since many time series are not normal, it is required prior to any analysis and modeling, they looked normal. This conversion is done by Const. In this study, using 12 common function to convert the normalized data, the average monthly rainfall in different regions of Iran into the data were normally distributed and the skewness coefficient, superior functions in each climate zone was Iran. The results showed that the data used in hot and dry regions with a square, as well as normal and the rest of the climate zones are likely to become a tropical area, Johnson and temperate regions selected for the inverse transform