مقاله آنالیز عدم قطعیت و حساسیت همراه با کالیبراسیون اتوماتیک برای مدل توزیعی حوضه فایل ورد (word) دارای 77 صفحه می باشد و دارای تنظیمات و فهرست کامل در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله آنالیز عدم قطعیت و حساسیت همراه با کالیبراسیون اتوماتیک برای مدل توزیعی حوضه فایل ورد (word)   کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است

توجه : توضیحات زیر بخشی از متن اصلی می باشد که بدون قالب و فرمت بندی کپی شده است

بخشی از فهرست مطالب پروژه مقاله آنالیز عدم قطعیت و حساسیت همراه با کالیبراسیون اتوماتیک برای مدل توزیعی حوضه فایل ورد (word)

مقدمه  
مدل شبیه‌سازی حوضه آبریز :  
3- نمایش حوضه و داده‌ها  
4- شناسایی پارامتر  
1-4- نمایش دادن  
2-4- پارامترسازی  
3-4- آنالیز پارامتر (SA )  
1-3-4- دامنه و تقسیمات ورودی، داده‌ها و نمونه‌گیری  
2-3-4- تعیین بخش حساسیت  
3-3-4- نتایج کاربردی و بحث  
5- برآورد پارامتر  
6-اثبات و صحت مدل  
شیوه GLUE  
فرمول‌بندی پایه  
فرضیه‌هایی بر پارامترها قبل از توزیع احتمال  
توابع درست‌نمایی less formal  
واریانس نمونه:  
واریانس نمونه باقی‌مانده:  
پارامترهای رفتاری  
مشتق توزیع احتمالی پشتی پارامتر از طریق مدل مونت کارلو  
مشتق‌گیری توزیع احتمال پیش‌بینانه  
آموزش گسسته و ناهماهنگ GLUE  
ویژگی‌های مورد نیاز روش استنباطی Bayesian  
انجام و هماهنگی در آموزش  
تعادل و برابری بین پردازش دسته و آموزش متوالی  
آزمایش شبیه سازی شده  
مدل هیدرولیکی a.bc  
آزمایش نمونه  
نتایج آزمایش  
مقایسه ساده  
شبیه سازیها و مقدار و ارزش آزمایشات  
کاهش یا اتلاف کل اشتباه میانگین مربع  
نتیجه گیری و توصیه ها  
1-7- نتایج و بحث کاربرد  
8- خلاصه و نتایج  

مقدمه

مدلهای هیدرولوژیک ابزارهای معینی هستند ما را قادر می‌سازند تا خیلی از موضوعات عملی و مهم را در طی برنامه‌ریزی، طراحی عملیات و مدیریت سیستمهای ذخایر آب بررسی نماییم. با این وجود ، مدلها، ساده شدن واقعیت هستند و اینکه چقدر پیچیده هستند مهم نیست، مدلها تحت تاثیر بعضی از حالات مفهوم ‌سازی یا تجربه‌گرایی هستند و نتایج آنها صرفاً همانند فرضیات و الگوریتمهای مدل، جزییات و کمیت ورودی‌ها و براوردهای پارامتر، واقع‌گرایانه می‌باشند. در اکثر مدلها، این مسلئه ضرروی است را مکانیزم را صحت برآوردهای مدل را براساس اطلاعات مشاهده شده موجود تایید می‌کند. قبل از استفاده از مدلها برای اهداف مورد نظر خود، اجرا شوند. شیوه معمول برای انجام این وظیفه مفید، تشخیص مقادیر پارامترهای مدل است بطوریکه شبیه‌سازی‌های مدل بطور فشرده رفتار مشاهده شده منطقه مورد نظر را هماهنگ می‌کند، شیوه عموماً بعنوان کالیبراسین نشان داده می‌شود. مشخصه و برآورد پارامتر دو مرحله خیلی مهم کالیبراسیون هستند. انتخاب پارامتر به مرحله‌ای اشاره دارد که در آن پارامترها نیاز دارند تا تنظیم گردید و انتخاب شوند در صورتیکه برآورد پارامتر شیوه بعدی تعیین مقادیر مناسب یا نزدیک بهینه پارامترهای ویژه‌ای باشد. روشها و مشکلات انجام این دو مرحله درجه‌بندی میان دیگر عوامل به نمونه و پیچیدگی مدل شبیه‌سازی آبخیز  درجه‌بندی شده بستگی دارد. اکثر مطالعات قبلی کالیبرگیری با مدلهای تجربی Lumped و مدلهای مفهومی Lumped سروکار دارد. اما متغیرهای آبخیز ورودی‌هارا برواکنشهای هیدرولوژیک تاثیر می‌گذارند. ممکن است از نظر فضایی و زمانی اختلاف داشته باشد. بنابراین محاسبه ناهمگونی متغیرهای محیطی نظیر نوع خاک، مصارف زمین، خصوصیات نقشه‌برداری زمینی و پارامترهای آب و هوا برای شبیه‌سازی درست تاثیر خصوصیات مخنلف از نظر فضایی ضروری می‌باشد. مدلهای شبیه‌سازی طولانی مدت مداوم مانند ساختمان US کشاورزی (USDA ابزار ارزیابی آب و خاک را قادر به توضیح این متغیر جامانده تعداد پارامترها و متغیرها در مدل توزیع شده بیشتر از مدل Lumped برای آبخیز مشابه است که  درجه‌بندی چنین مدلهایی بویژه مرحله تشخیص پارامتر خیلی پیچیده را ایجاد می‌نماید . هنوز با کارهای محدودی با توجه به کالیبرگیری مدلهای توزیعی انجام شده است. آرنولد، رفزگارد و نادلن و ; افرادی هستند که تمرکز و توجه آنها به این منطقه از بررسی مبذول شده بود

شاید مهمترین کار ضروری برای انجام مشخصات پارامتر کاهش تعداد پارامترهایی باشد که باید در مرحله برآورد پارامتر تحقق یابند. این مقاله ، استفاده از سه شیوه سلسه مراتبی را توضیح داد یعنی، نمایش پارامتر، معیاربندی فضایی و بررسی حساسیت کلی پارامتر تا پارامترهای قابل از اندازه‌گیری SWAT را بررسی نماید

بررسی‌ حساسیت پارامتر با استفاده از بررسی برگشت انجام شد که در محدوده‌های اطلاعات جفت ورودی و خروجی جمع‌شده براساس تکنیک مونت کارلو با نمونه لاتین هایپرکوب صورت گرفت

برآورد پارامتر از این تعمیم پیروی می‌کند را کدام پارامتر‌های مدل شبیه‌سازی باید درجه‌بندی می‌شوند. دو نمونه شیوه کالیبرگیری اتوماتیک، کالیبرگیری دستی و اتوماتیک است. درجه‌بندی دستی برای مدلهای پیچیده بطور گسترده‌ای استفاده می‌شود که شامل نمونه‌ مدلهای توزیعی می‌باشد. اما این کالیبرگیری دستی وقت‌گیر و خیلی ذهنی است و موفقیت آن به تجربه فرد ارائه دهنده مدل و اطلاعات وی درباره آبخیز در طی فرضیات مدل و الگورنیم آن بستگی دارد. کالیبرگیری اتوماتیک سریع است، کمتر ذهنی می‌باشد و هنگامیکه جستجوی وسیع احتمالات موجود پارامتر راآغاز می‌کند نتایج بدست آمده از آن بهتر نتایج بدست‌آمده از کالیبرگیری دستی است. آرنولد و اکهاردوسزاث کالیبرگیری اتوماتیک را برای مدلهای توزیعی بکار بردند هر دو شیوه آمداز آلگوریتم جستجوی ارزیابی پیچیده متغیر استفاده نمودند. در این بررسی، مدول کالیبرگیری اتوماتیک با استفاده از آلگوریتمهای ژنتیک توسعه یافت. مدول حاصل برای درجه‌بندی جریان رود و برآوردهای تجمع رسوب SWAT بکار گرفته شد که از داده‌های مربی آمده از آبخیز illinoisجنوبی استفاده نمود. متاسفانه، درجه‌ ‌بندی مدل، اعتبار پیش‌بینی‌های مدل را ضمانت نمی‌‌کند. مقادیر پارامتر بدست آمده طی کالیبرگیری و پیش‌بینی‌های بعدی ایجاد شده از مدل درجه‌بندی شده تنها همانند اعتبار فرضیات مدل برای آبخیر مورد بررسی و کمیت و کیفیت داده‌ های واقعی آبخیز مورد استفاده برای شبیه‌سازی و درجه‌بندی،‌واقعی می‌باشند. بنابراین حتی بعد از کالیبرگیری، بطور بالقوه تعداد زیادی احتمال در نتایج وجود دارد زیرا این خیلی بعید است که داده‌های فرعی فاقد اشتباه یافت شود و بخاطر اینکه هیچ مدل شبیه‌سازی کاملاً انعکاس واقعی و درست از روش فیزیکی نمونه نمی‌باشد. این بررسی از ارزیابی عدم قطعیت درست نمایی کلی استفاده نمود تا احتمالات درگیر با جریان رود فرض شده و تجمع رسوب برای آبخیز را بررسی نماید

مدل شبیه‌سازی حوضه آبریز

SWAT یک شبیه‌ساز زمانی مداوم و توزیع شده از نظر فضایی می‌باشد که برای کمک به مدیران ذخیره آب در تاثیرات فرض شده روشهای مدیریتی زمینی روی آب، رسوب و بار شیمیایی کشاورزی توسعه یافته است

SWAT استفاده از اطلاعات آبخیز نظیر آب و هوا، خاک،‌ وضعیت زمین، سبزیجات و روشهای مدیریت زمین را ایجاد می‌کند تا روشهای آبخیز نظیر جریان سطحی یا زیر سطحی، فرسایش و رسوب، روشهای رسوب کانال و زمینی رشد محصول برای روشهای مدیریتی مصرفی کشاورزی و کیفیت آب بعلاوه انواع گوناگون نیتروژن و فسفر را شبیه‌سازی می‌نماید. مدل براساس مقیاس زمانی روزانه با Subderly کار می‌کنند. از نظر فضایی، مدل آبخیز را در آبگیر‌های فرعی، تقسیم می‌کنند. و بالقوه آبگیری‌های فرعی را در واحدهای واکنش هیدرولوژیک(HRUs) براساس مشخصه‌های فیزیکی آبخیز منعکس می‌کند

SWAT اجزاء سازنده هیدرولوژیک و واکنشهای متقابل آنها را به آسانی و تا حد امکان واقعی شبیه‌سازی می‌کند. علاوه بر رشد گیاه و محصول آن و اجزاء سازنده کمی آب، جریان عادی هیدرولوژیک در سطح شبیه‌سازی SWAT و روشهای انتخاب نهایی زیر سطح، برای زمانهای بارش برف و باران، ذوب شدن برف، روشهای منطقه Vadose ، تراوش، تبخیر، جذب گیاه، گلهای جانبی و جریانات آب‌زمینی به حساب می‌آیند، مقدار و ارزش انتخاب نهایی با استفاده از تکنیک اعداد منحنی تخمین زده می‌شود و اوج انتخاب نهایی با استفاده از فرمول اصلاحی گویا محاسبه می‌شود. بار و مقدار رسوب از آبگیر فرعی با استفاده از معادله اتلاف خاک اصلاح شه جهانی تولید می‌گردد. (Musle) مدل فاکتور  Cمعادله Musle را براساس مقیاس روزانه با استفاده از اطلاعات حاصله از مدول رشد گیاه به روز می‌کند بنابراین برای تغییر پوشش گیاه در طی چرخه رشد آن و تاثیر آن بر فرسایش حسبا می‌آید

3- نمایش حوضه و داده‌ها

از آبخیز بزرگ Creek در این برسی برای نمایش روش‌شناسی و مدلهای پیشرفته در این مطالعه استفاده می‌شود. این آبخیز در ایلنوس جنوبی واقع است این آبگیر 133 کیلومربعی نه تنها بر مقادیر زیاد آب جاری در رودخانه لاورکاش تاثیر می‌گذارد بکله مقدار رسوب بیشتری نسبت به دیگری رودهای فرعی واقع در این منطقه وارد می‌کند. کاربرد SWAT در آبگیری نظیر Creek بزرگ نیازمند زمین‌شناسی، خاک، مصارف زمین و داده‌های جوی بعلاوه جریان رود و داده‌های رسوب برای کالیبرگیری اثبات و بررسی احتمال می‌باشد

داده‌های بدست آمده، مدل ارزیابی ارتفاع رقومی محلول 10m (DEM) را از سرویس حفاظت از منابع طبیعی (NRCS) را شامل می‌شود که نقشه‌های استفاده از زمین با مقیاس 30m پیکسل در سالهای 19992000 از سرویس آمار کشاورزی ملی بدست آمد و همچنین نقشه خاک محلول m30 از منطقه ایلنوس جنوبی NRCS بدست آمد

داده‌های روزانه تاریخی مربوط به مقدار بارندگی حداکثر و حداقل دما ، سرعت باد، رطوبت، اشعه خورشیدی از مرکز جوی برای وضعیتهای جوی نزدیک بدست آمد

داده‌های مربوط به فواصل 15 دقیقه‌ای مقدار بارندگی بین ماه ژانویه 1990 تا اگوست 2001 ازMCC برای موقعیت واقع در Murphysboro بدست آمده برای مشتق گرفتن حداکثر یک ساعته و نیم‌ساعته ماهانه بارندگی برای کلیه ماه‌های سال استفاده شد

در نهایت داده‌های جریان رود و غلظت رسوب روزانه از اداره تأمین ایلنوس(SWS) برایPerk Road Station (PRS) بدست آمد. ایستگاه اندازه‌گیری که تقریباً 65 آبخیز زهکشی می‌کند و برای ‍Church Road Station  حدود 18 آبخیز را زهکشی می‌کند این داده‌ها بدست آورند

داده‌های جریان رود از تجمع رسوب روزانه از 25 ژوئن تا آگوست 2001 برای PRS و از 20 آوریل 2000 ، 26 آگوست 2001 CRS اندازه‌گیری شدند

ثبت تجمع رسوب متناوب بود و در طی اندازه‌گیریها کل شبهای روزانه 682،443 برای CRS,PRS به ترتیب موجود بودند نقشه اصلی خاک بدست آمده برای این بررسی از قبل تعیین شد تا طبقه‌ها را با سیستم SWAT هماهنگ نماید

4- شناسایی پارامتر

همانند مدل توزیعی، SWAT تقسیم مجدد آبخیز به آبخیزهای فرعی کوچکتر را اجازه می‌دهد. کوچکترین مقیاس فضایی در این بررسی مورد نظر است. براساس حساسیت مشروح فضایی و بررسی احتمال مدل ، آبخیز به 78 آبگیر فرعی تقسیم ‌می‌شود. هر کدام از این آبگیرهای فرعی توسط تعداد پارامترهایی که از کالیبرگیری بدست می‌آیند نشان داده می‌شوند. مقادیر معین پارامتر را واقعی و مناسب برای تعداد بزرگ پارامترهاست. عملی نیست و برای کاهش لازم تعداد پارامترهای قابل اندازه‌گیری فراخوانده می‌شوند

در این بررسی، سه شیوه شاخه‌ای برای انجام این کاهش بکار گرفته شده است

1-4- نمایش دادن

نمایش دادن به تعیین و شناخت پارامترهای مدل اشاره دارد که می‌تواند با درستی بسمت منطقی براساس محدوده  داده‌ها تخمین داده شوند. بررسی جزی‌تر بروشور مربوط SWAT به تعیین 35 پارامتر موجود در جدول 1 که به مدل جریان رود پیش‌بینی با رسوب مرتبط است کمک می‌کند، که تخمین آن از داده‌های موجود حاضر به تنهایی احتمال مهم را نشان می‌دهد و برای آن‌، اطلاعات غیرکافی وجود دارد که از طریق آن پارامترها مستقیماً برآورد می‌شوند. 16 پارامتر اول از 35 پارامتر، مقادیر یکدست آبخیز را تعیین می‌کند در صورتیکه مقادیر برای 19 پارامتر باقیمانده بین 78 آبگیر فرعی بسته به نوع خاک، مصرف زمین و ویژگیهای نقشه برداری زمین، اختلاف دارند. بنابراین اگر نمایش دادن تنها مکانیزم کاهش پارامتر مورد استفاده باشد. آلگوریتم برآورد پارامتر برای تشخیص مناسب‌ترین مقادیر بر یک صد پارامتر باقی می‌ماند که این یک کار دلهره آور است

در تلاش برای کاهش بیشتر تعداد پارامترهای قابل اندازه‌گیری، بعضی از ورودی‌های متغیر فضایی تحت فشار قرار می‌گیرند تا مقادیر یکدست روی آبخیز را تعیین نماید و بعضی دیگر بطور وسیعی دسته‌بندی می‌شوند

برای پارامترهای متعدد دیگر شامل اعداد منفی، ضریب سختیManing برای جریان زمینی و حداکثر گنجایش حفظ آب چه ، این مفهوم به در این بررسی به پارامتربندی بکار گرفته شده اشاره دارد

2-4- پارامترسازی

پارامتر بندی یک تکنیک برای انتقال  پارامترهای مدل واحد فضایی داده شده به دیگر واحدهای فضایی در آبخیز می‌باشد. در این بررسی، آبگیر فرعی نمایش انتخاب می‌شود را در آن مدل تجانسی از پارامترها و متغیرها فرض می‌شود

ارتباط میان پارامترهای مورد نیاز این واحد نمونه نمایشی، تخصیص مربوطه واحدهای تجانس دیگر با استفاده از اطلاعات موجود درباره پارامترها توسعه می‌یابد. بدین طریقع تعیین متغیرها در آبگیر فرعی نمایشی، تشخیص پارامتر مرتبط های در آبگیر فرعی دیگر را قادر می‌سازد. مثلاً برای پارامتربندی عدد منحنی CN ، آبگیر فرعی فرضی با پوشش و روکشهای علوله پوشیده می‌شود. بیشترین پوشش در این آبخیز است که تحت شرایط مراقبتی برای روکشهای علوفه در آبخیز و گروه A خاک مورد نظر رشد می‌کند

پس، ارتباط میان CN آبگیر فرعی نمایشی واقعی و دیگر آبگیرهای فرعی را دارای استفاده زمینی مشابه و شرایط مراقبتی بعنوان‌آبگیر فرعی نمایشی می‌باشند اما به گروه‌های مختلف خاک تعلق دارند، براساس مقادیر CN ارائه شده در این بروشور بدست می‌‌آید. علیرغم آن، ارتباط میان CN آبگیر فرعی دارای گروه خاک و استفاده زمینی و تعداد CN آبگیر فرعی را با پوشش علوفه پوشیده شده است توسعه می‌یابد . روشهای مشابه برای ارزیابی ضریب سختی maning برای جریان زمینی و حداکثر گنجایش حفظ آب چشمه  بکار گرفته می شود ترکیب نمایش و پارامتربندی، تعداد پارامترهای مورد نیاز برای کالیبرگیری تا 35 را کاهش می‌دهد.  اما این شاید ضروری وعاقلانه  نباشد که از الگوریتم جستجو برای کلیه 453 پارامتر باقیمانده استفاده کنیم . مخصوصا در آبخیزهای شاخابه بزرگ که داده های ثبت شده مربوط به چند سال را از دست داده اند ,کاهش تعداد پارامترهای قابل اندازه گیری تا حد ممکن ضروری می باشد

خوشبختانه ، خروجیها و بازده مدل به طور مساوی کلیه پارامترهای مدل حساس نمی باشند .اگر یک خروجی برای پارامترهای واقعی حساس نباشد ,تعیین برآوردهای انتخابی برای آن پارامترها منطقی می باشد وتنها پارامترهایی را که مدل به آن در طول کالیبرگیری حساس است در نظر داشته باشید

3-4- آنالیز پارامتر (SA )

(SA) برای تشخیص پارامترها ی مدل SWAT که بر متغیر بودن جریان رود  و  بار رسوب تاثیر می‌گذارد استفاده می شود بنابراین ، آنها اندازه گیری می شود

وقتی تعداد تکنیکهای موجود برای SA هدایت کننده وجود دارد. همه پارامترها بعنوان روشهای محلی  و جهانی طبقه بندی می شود . در تکنیکهای داخلی یا محلی ، واکنشهای خروجی توسط هر کدام از عوامل ورودی متغیر تعیین می شوند با ثابت کردن  عوامل دیگر به مقادیر ثابت انتخابی مشخص می شوند

هر چه آشفتگی ونگرانی از مقدار انتخابی بیشتر شود، نتایج  بررسی کمتر قابل اطمینان می‌با شد . همچنین، هر چه ارتباط میان  متغیرهای ورودی وخروجی بیشتر غیر خطی باشد که در مدلهای هیدرولوژیک بررسی  نمونه  می‌باشد، بکارگیری تکنیکهای داخلی متغیرهای بیشتر مشکل وغیر قابل اطمینان می باشد .  علاوه  بر این ،  وقتی نمونه برای  ورودی در زمان با ثابت کردن ورودیهای دیگر در مقادیر ثابت ترجیح داده می‌شود، روشهای داخلی برای واکنش متقابل میان ورودیها محاسبه نشود اگر وجود داشته باشد

برخلاف تکنیکهای داخلی، روشهای SAجهانی، محدوده داخلی با کل فاکتورهای ورودی را توضیح می‌دهد، و کلیه عوامل ورودی می‌توانند، بطور همزمان نوسان یابند و بررسی تغییر خروجی را بعنوان نتیجه کلیه ورودیها و واکنشهای متقابل احتمالی را اجازه می‌دهد

بررسی مونت کارلو. بعنوان شیوه پایه نمونه شناخته شد، روش واکنش سطح و شیوه فوریر ، تکنیکهای SA جهانی محمول هستند

روش SA جهانی مورد استفاده در این بررسی به خانواده روش‌های مونت کارلو متعلق می‌باشند. تقاضای زیاد محاسبه‌ای به طور نمونه شامل این SA ها وحاصل تولید اتفاقی و غیر منظم ورودی‌های از توزیعات وتقسیمات ویژه می‌باشند. با این وجود استفاده، از روش‌های استراژی و کارآمد  و مؤثر‌تر نمونه نظیر اهمیت‌‌ نمونه ونمونه  هایپرگوب لانین، می‌تواند به طور چشمگیری تقاضای محاسبه‌ای را کاهش دهد. بنابر‌این‌ این تحقیق، نمونه قرار را درSA بیشتر تولید وجمع می‌کنند. در بررسی مونت کارلو، وقتی تعداد کافی جفت‌های  ورودی- خروجی با استفاده از تکنیک نمونه ترجیحی بعنوان نمونه قرار می‌گیرند، بررسی بیشتر برای انجام و توضیح نقشه‌برداری ورودی- خروجی مورد نیاز است و ارائه مقیاس کمی وکیفی احتمال خروجی ایجاد شده توسط هر ورودی نیز مورد نیاز است

بررسی آسان نمودار پراکندگی و بررسی مرحله‌ای برگشت(رگرسیون)، شیوه‌های معمولی برای انجام این وظیفه هستند

براساس بروشور، هیچ بررسی قبلی در نمونه آبخیز دارای برگشت مرحله‌ای برای بررسی حساسیت بکار گرفته می‌شود. در حقیقت نمونه قبلی براساس تلاشهای SA در ذخایز آب مربوط به بررسیها از بررسی نمودار پراکندگی استفاده می‌کند که تنها زمانی رضایت‌بخش است که پارامترهای کمی بکار گرفته شوند

1-3-4- دامنه و تقسیمات ورودی، داده‌ها و نمونه‌گیری

تعیین دامنه ورودی و تشخیص نابعهای مربوطه تقسیم احتمال (PDFs) مشکلترین و عینی‌ترین مرحله در کاربرد بررسی مونت کارلو در بررسیهای هیدرولوژیک است. دلیل ایسنت که خیلی از پارامترهای مدل مستقیماً قابل اندازه‌گیری نیستند و حتی اگر چنین باشد، هزینه کمرشکن برای جمع‌آوری نمونه‌های زیاد و اتفاقی ورودی‌ها برای تعیین PDA واقعی آن و دامنه‌ها وجود دارد

هر کدام از اطلاعات موجود درباره آبخیز و پارامترهای آن شامل اطلاعاتی از ثبت مدل، بررسیهای قبلی است و بروشور دیگر باید برای ایجاد فرض آموزشی در این مرحله توضیح داده شود. هان و هلتون نشان دادند که تعیین دست دامنه ورودی روی نتایج SA موثرتر از آگاهی از PDFs واقعی باشد. علاوه بر این، در هر دو بررسی بیان شد که تقسیمات ساده باید برای توضیح بررسی‌های SA کافی باشد. بنابراین در این بررسی فرض می‌شود کلیه 35 پارامتر قابل اندازه‌گیری باقیمانده از یک تقسیم یکدست و متحد دنباله‌روی می‌کنند

به این نکته باید اشاره شود که انتخاب تقسیم یکپارچه بصورت سه جانبه کاملاً در نتیجه سادگی آن است. محققان حدس زدند که تقسیم مثلثی ممکن است بهتر بعضی از پارامترها را نشان دهد

دامنه‌ها برای هر ورودی تعیین شده دامنه‌ها براساس ترکیب بررسی بروشور بطورمشروح ، ثبت کاربر SWAT با بررسیهای قبلی انجام شده با SWAT و اطلاعات آبخیز شاخانه بزرگ قرار گرفتند

در بکارگیری نمونه‌گیری هایپرگوب لاتین در داده‌های نمونه از تقسیمات ویژه و دامنه‌ها، تعداد نمونه‌ها در ابتدا جمع و تولید شوند. در هر نمونه، مدل هیدرولوژیک شبیه‌سازی شده با استفاده از نقشه‌برداری، خاک، کاربرد زمین و داده‌های خوبی بدست آمده از آبخیز به اجرا درآمد

مجموعه‌های زمانی جریان رود و برآورد تجمع رسوب روزانه در سایت کالیبرگیری برای روزهایی انتخاب شد که داده‌های مشاهده شده روی آن موجود بود

مقادیر مشاهده شده و شبیه‌سازی شده خروجیهای متناظر با هم مقایسه شدند و حاصل‌جمع میدان ;. و معیار مورد استفاده بعنوان یک خروجی موجود در SA ارزیابی شدند

سیصد سند در مونت کارلو برای جریان رود و بار رسوب بوجود آمد. این جفتهای ورودی-خروجی داده‌ها بیشتر بررسی شدند تا عدم قطعیت خروجی هر کدام از عوامل ورودی و پارامترهای موثر برای هر کدام از دو خروجی را تعیین نماید

2-3-4- تعیین بخش حساسیت

بررسی مرحله‌ای برگشت استفاده می‌شود تا مقیاس حساسیت را که قادر به توضیح تاثیر عوامل منفرد ورودی‌ روی خروجیها بود را تعیین نماید

همانطور که از نام آن می‌شود فهمید، رگرسیون مرحله‌ای شامل ساخت مرحله به مرحله رگوسیونهای چندگانه است که با مدل برگشت ساده و ایجاد روی آن آغاز می‌شود. در هر مرحله، ورودی دیگر که قویاً بر عدم قطعیت خرونجی شرح داده نشده توسط مدل رگرسیون مرتبط است. مورد توجه باشد، تا وقتی که مرحله زمانی نمایان میشود که در آن مشمول عامل ورودی دیگر ، انجام مدل برگشت را تقویت و بهبود نمی‌بخشد. در خلاصه، بررسی مرحله‌ای رگوسیون شامل کارای ذیل است

1-           بررسی ارتباط میان هر کدام ار عاملهای ورودی و متغیر خروجی را انجام دهید و عامل ورودی خیلی وابسته به خروجی را انتخاب نمایید

2-           مدل ساده برگشت را میان متغیر خروجی و عامل ورودی که قویاً با متیغر خروجی مرتبط است را ایجاد نماید

3-           احتمال خروجی که هنوز وسط مدل رایج برگشت تعیین نشده را مشخص کنید ، بررسی همبستگی میان احتمال خروجی شرح داده نشده توسط مدل برگشت و کلیه عوامل ورودی را انجام دهید، عواملی را که در مراحل قبلی انتخاب شده‌اند خارج کنید و عامل ورودی مرتبط را مخشص نمایید

4-                          مدل چندگانه رگوسیون میان متغیر خروجی و عامل ورودی منتخب در این نقطه را ایجاد نمایید

5-           اجرای مدل برگشت معیار توقف را آزمایش کنید. مقیاس حساسیت برای هر کدام از عوامل ورودی متحول مشمول تعیین نمایید و اهمیت عوامل منفرد ورودی را آزمایش کنید

اگر هر کدام از این پارامترهای ورودی زیاد مهم باشند که اگر عوامل ورودی طبعیتاً وابسته باشند رخ می‌دهند، فاکتور مسافتت مدل برگشت دیگر استفاده کننده از عوامل ورودی باقیمانده را در می‌کند

متناوباً، عملکرد، معیار توقف، مقیاس حساسیت برای عوامل و اهمیت هر کدام از عوامل در مدل جدید را ارزیابی می‌کند

5- اگر معیار توقف راضی کننده نباشد، به مرحله 3 رجوع کنید.

مدل SA مورد استفاده در این بررسی بطور شدید سافت در مدلهای برگشت و بررسی همبستگی را شامل می‌شود. بایدتوضیح در شیوه آماری را ترجیح داد. وقتی بررسیهای رگوسیون و همبستگی براساس ارتباط توسعه یافته طولی میان متغیرهای خروجی و ورودی باشد. آنها وقتی ارتباط غیر خطی است ، ضعیف عمل می‌کنند

برای رفع این مشکل ، اغلب بیشتر از ردیف داده‌های منفرد استفاده می‌کنند تا داده‌های واقعی ، مفهوم بعنوان تغییر شکل ردیف شناخته می‌شود

استفاده از داده‌های متغیر ردیف حاصل از این بررسی بیشتر براساس پایداری روابط یکنواخت بود تا پایداری روابط خطی

ضریب تعیین چندگانه(R2) و مقدار P0 ، با مقدار، آمارهایی هستند که بعنوان معیار توقف استفاده می‌شوند

R2  شاخص و نماد گستردگی با دامنه است که با آن مدل رگرسیون ، عدم قطعیت خروجی را توضحی می‌دهد. مقادیر R2 بین صفر و یک قرار دارد. مقدار نزدیک «یک» نشانگر اینست که مدل رگوسیون برای اکثر عدم قطعیت در خروجی مشاهده شده محاسبه می‌شود

مقدار P0 احتمالی است که ضریب رگرسیون ، bi ، همراه با مقدار واقعی به بزرگی یا بزرگتر از ضریب ایجاد شده در بررسی ، بدست می‌آید اگر در واقعیت، هیچ ارتباطی میان متغیر ورودی و خروجی وجود نداشته باشد، در نتیجه، ارتباط ظاهر یکه با ضریب ساخته شده رگرسوین منتهی می‌وشد کاملاً شانسی ایجاد شده بود

مقدار P- کوچک نشان می‌دهد که احتمال رخ دادن ضریب برگشت، کمتر بطور شانسی می‌باشد و بیان می‌کند که پذیرش فرضیه که ضریب برگشت آن غیر صفر است قابل قبول است

مقدار R² برای هر مدل برگشت توسعه یافته ارزیابی می‌شود و اختلاف در R²میان دو مدل متوالی رگرسیون بعنوان یکی از معیارهای توقف استفاده می‌شود. اگر اختلاف کمتر از آستانه تعیین شده کاربر باشد. روش مرحله‌ای رگرسیون به اتمام می‌رسد. و نشان می‌دهد که توجهات اضافی آخرین عامل ورودی بطور چشمگیری اجرای مدل را بهبود نمی‌بخشد

آمار  F بکار گرفته شد تا فرضیه‌هایی را آزمایش کنند که کلیه ضرایب مدل رگرسیون 1-1000-L می‌باشد، جائیکهL ، تعداد عوامل ورودی مشمول در مدل برگشت آزمایش می‌باشد، زیاد از صفر اختلاف ندارد و بنابراین مقدار P را تعیین می‌کنند

احتمال پیشرفت مقدار آماری F از f محاسبه شده با مقادیر  آزادی، توسط معادله ذیل تخمین زده می‌شود

 برتابع ناقص بنا دلالت دارد و M ، عدد یا تعداد کل نمونه‌هاست. احتمال مشابه مقدار P مقدار موجود د راین فرض بیشتر از آستانه تعیین کاربر باشد، فرضیه  قابل قبول است و رگوسیون مرحله‌ای تمام می‌شود و بر این امر دلالت دارد که اضافه کردن اخرین عامل ورودی بطور مهمی اجرای مدل را بهبود نمی‌بخشد

بنابراین ، مدل رگرسیون مرحله‌ای نارسانا خواهد بود اگر ملاک موجود مقدار P مرتبط به   فراتر از مقدار آستانه باشد یا اختلاف در   مدلهای رگوسیون متوالی کمتر از آستانه باشد

آزمایش برای ضرایب منفرد رگرسیون موجود در مدل رگرسیون انجام می‌شود تا خاطرنشان سازد که فرضیه رد می‌شود. در غیر اینصورت عامل ورودی حذف می‌شود و مدل برگشت دیگر با عوامل ورودی  ایجاد می‌شود. که این با استفاده از آمار  صورت می‌گیرد. احتمال بدست آوردن مقدار  از تقسیم  برای یا  با معادله زیر ارائه می‌شود

و  بر تابع ناقص دلالت دارد. احتمال مشابه مقدار P مرتبط با  است. اگر مقدار P عامل ورودی منفرد فراتر از احتمال تعیین شده کاربر باشد، در اینجا  است. عامل ورودی از مدل رگرسیون حذف می‌گردد

حالات بررسی مرحله‌ای رگرسیون ذیل بعنوان شاخص‌های کمی و کیفی اهمیت هر متغیر ورودی و مقیاس حساسیت استفاده می‌شود. دستوری که در آن متغیرها انتخاب می‌شوند و ورود به مدل رگرسیون یک شاخص کمی اهمیت آنها است که مهمترین متغیر در ابتدا انتخاب می‌گردد

اختلاف در مقادیر  مدلهای بعدی رگرسیون، مقیاس اهمیت برای آخرین متغیر را با نشان دادن مقدار خروجی محاسبه شده با اضافه کردن عامل ورودی به مدل رگرسیون را ارائه می‌دهد

یعنی عوامل بیرونی غیروابسته هستند، اختلاف در مقادیر  بر مدلهای رگرسیون ساخته شده در مراحل بعدی، کسر تغییر کل در متغیر خروجی را که برای منفرد ورودی اضافه شده در هر مرحله محاسبه می‌شود را مساوی می‌کند

مقادیر واقعی ضرایب استاندارد رگرسیون (SRC) در مدلهای رگرسیون، شاخصهای کمی اهمیت عامل ورودی می‌باشد. SRC،  مقیاس اهمیت براساس تاثیر حرکت هر متغیر از مقدار مورد نظر آن با کسر ثابت انحراف استاندارد آن را ارائه می‌دهد و قتی کلیه متغیرهای دیگر در مقادیر مورد نظر خود باقی می‌مانند

علامت و نماد ضریب برگشت استاندارد شده (SRC) نشان می‌دهد که متغیر خروجی یا ورودی تمایل به افزایش دارد یا کاهش یا همراه با هم (علامت مثبت) و یا اینکه هر دو بطور معکوس با هم عمل کنند. (علامت منفی)

3-3-4- نتایج کاربردی و بحث