آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,469 |
| تعداد مقالات | 17,958 |
| تعداد مشاهده مقاله | 58,288,312 |
| تعداد دریافت فایل اصل مقاله | 19,747,938 |
ارزیابی کارایی مدل سری زمانی SARIMA در شبیهسازی دبی متوسط ماهانه ی رودخانههای افرینه کشکان و کاکارضا (استان لرستان) | ||
| هیدروژئومورفولوژی | ||
| مقاله 9، دوره 5، شماره 15، شهریور 1397، صفحه 153-169 اصل مقاله (889.55 K) | ||
| نوع مقاله: پژوهشی | ||
| نویسندگان | ||
| حافظ میرزاپور1؛ علی حقی زاده* 2؛ رضوان علیجانی3؛ زاهده حیدری زادی4 | ||
| 1دانشآموخته کارشناسی ارشد مهندسی آبخیزداری، دانشگاه لرستان، لرستان، ایران. | ||
| 2دانشیار و عضو هیئت علمی گروه مرتع و آبخیزداری، دانشگاه لرستان، لرستان، ایران (نویسنده مسئول). | ||
| 3دانشجوی دکترا مهندسی آبخیزداری، دانشگاه لرستان، لرستان، ایران. | ||
| 4دانشجوی دکترا مهندسی بیابانزدایی، دانشگاه گرگان، لرستان، ایران. | ||
| چکیده | ||
| چکیده بررسی و شناخت تغییرات زمانی دبی پایه در مطالعات حوضههای آبخیز بخصوص در فصول با جریان کم، اهمیت زیادی دارد. هدف از این پژوهش بررسی و مقایسه کارایی سری زمانی30 و 56 ساله به ترتیب مربوط به دبی متوسط ماهانه رودخانهی کاکارضا در شهرستان سلسله و رودخانهی افرینه کشکان در شهرستان پلدختر در استان لرستان میباشند. بدین منظور ابتدا اقلیم دو منطقه تعیین و در گام بعد، توابع خود همبستگی و خودهمبستگی جزئی دادههای واقعی در نرمافزار XLSTAT ترسیم و دادهها با استفاده از روشهای باکس کاکس و لگاریتمی نرمال شدهاند. سپس روند دادهها که نشاندهندهی ناایستایی دادهها بود، تعیین گردید. بنابراین با استفاده از روش عملگر تفاضل در نرمافزار MINITAB روند دادهها حذف، و مدل مناسب با کمترین آکائیکه انتخاب شد. سپس دو دورهی 12 و24 ماهه برای دو منطقه شبیهسازی گردید. نتایج حاکی از آن بود که مدلهای انتخابی در دورهی 12 و 24 ماهه به ترتیب دارای ضریب همبستگی 92/0، 6/0 برای رودخانهی کاکارضا و 94/0 ،88/0 برای رودخانهی افرینه کشکان میباشد. در دورهی کوتاهمدت 12 ماهه، توانست شبیهسازی مناسبتری را برای هر دو رودخانه نشان دهد. | ||
تازه های تحقیق | ||
- | ||
| کلیدواژهها | ||
| کلمات کلیدی: سری زمانی؛ SARIMA؛ شبیهسازی؛ کاکارضا؛ افرینه | ||
| اصل مقاله | ||
|
- | ||
| مراجع | ||
|
منابع - آذر، عادل و منصور مؤمنی (1395)، آمار و کاربرد آن در مدیریت (جلد اول)، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاهها (سمت)، ص 350. - دودانگه، اسماعیل و سعید سلطانی کوپائی (1390)، بررسیکاراییمدلهایسریزمانی وینترزوآریمادرپیشبینیجریانرودخانه(ایستگاهپلدختر)، مجموعه مقالات هفتمین همایش ملی علوم و مهندسی آبخیزداری، دانشکدهی منابع طبیعی دانشگاه اصفهان. - دودانگه، اسماعیل؛. عابدی کوپائی، جهانگیر و سیدعلیرضا گوهری (1391)، کاربرد مدلهای سری زمانی بهمنظور تعیین روند پارامترهای اقلیمی در آینده در راستای مدیریت منابع آب، مجلهی علوم و فنون کشاورزی و منابع طبیعی، علوم آبوخاک، سال شانزدهم، شمارهی 59، بهار 1۳۹1. - عراقینژاد، شهاب و محمد کارآموز (1393)، هیدرولوژی پیشرفته، نشر: دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران) تعداد صفحه 468. - لشنی زند، مهران؛ پروانه، بهروز و فتانه بیرانوند (1390)، پهنهبندی اقلیمی استان لرستان با استفاده از روشهای آماری و تعیین مناسبترین روش تجربی، جغرافیای طبیعی: بهار 1390، دورهی 4، شمارهی 11، صص 89-106. - نیرومند، حسینعلی و ابولقاسم بزرگنیا (1389)، مقدمهایبرتحلیلسریهایزمانی، (ترجمه) انتشارات دانشگاه فردوسی مشهد، ١٣٨٩، ویرایش اول، چاپ سوم، ص 304. -Abudu, S., Cui, C.L., King, J.P. & Abudukadeer, K. (2010), Comparison of performance of statistical models in forecasting monthly streamflow of Kizil River, China, Water Science and Engineering, 3(3), PP. 269-281.
-Bowerman, B.L., O'Connell, R.T. (2003), Forecasting and time series: An applied approach.3rd
-Box, G. (2013), Box and Jenkins: time series analysis, forecasting and control, A Very British Affair, ser. Palgrave Advanced Texts in Econometrics, Palgrave Macmillan UK, PP. 161-215.
-Frausto-Solis, J., Pita, E. & Lagunas, J. (2008), Short-term streamflow forecasting: ARIMA vs Neural Networks, In American Conference on Applied Mathematics (MATH'08), Harvard, Massachusetts, USA, PP. 402-407.
-Han, P., Wang, P., Tian, M., Zhang, S., Liu, J. & Zhu, D. (2012), Application of the ARIMA models in drought forecasting using the standardized precipitation index, In International Conference on Computer and Computing Technologies in Agriculture, Springer, Berlin, Heidelberg, PP. 352-358.
-Han, P., Wang, P.X., Zhang, S.Y. & Zhu, D.H. (2010), Drought forecasting based on the remote sensing data using ARIMA models, Mathematical and computer modelling, 51(11), PP.1398-1403.
-Mirzavand, M., Sadatinejad, S.J., Ghasemieh, H., Imani, R. & Motlagh, M.S. (2014), Prediction of ground water level in arid environment using a non-deterministic model, Journal of Water Resource and Protection, 6(07), P.669.
-Modarres, R. (2007), Streamflow drought time series forecasting. Stochastic Environmental Research and Risk Assessment, 21(3), PP. 223-233.
-Noakes, D.J., Mcleod A.I. & Hipel, W. (1985), Forecasting monthly river flow time series, Internattional Journal of Forecasting, 1: PP.179-190.
-Wang, W.C., Chau, K.W., Xu, D.M., & Chen, X.Y. (2015), Improving forecasting accuracy of annual runoff time series using ARIMA based on EEMD decomposition, Water Resources Management, 29(8), PP. 2655-2675. -Yevjevich, V.M. (1967), An objective approach to definitions and investigations of continental hydrologic droughts, Hydrology papers (Colorado State University), No. 23. | ||
|
آمار تعداد مشاهده مقاله: 992 تعداد دریافت فایل اصل مقاله: 643 |
||