تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,632 |
تعداد دریافت فایل اصل مقاله | 15,217,168 |
ارزیابی کارایی مدلهای سری زمانی و فازی در مدلسازی دبی ماهانه (مطالعه ی موردی: حوضهی آبخیز کوه سوخته) | ||
هیدروژئومورفولوژی | ||
مقاله 4، دوره 6، شماره 21، اسفند 1398، صفحه 65-86 اصل مقاله (776.18 K) | ||
نوع مقاله: پژوهشی | ||
نویسندگان | ||
سودابه بهیان مطلق1؛ افشین هنربخش* 2؛ خدایار عبدالهی3؛ مهدی پژوهش4 | ||
1دانشجوی دکتری، آبخیزداری، دانشکده ی منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران | ||
2گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین،دانشگاه شهرکرد | ||
3استادیار، گروه مرتع و آبخیزداری، دانشکده ی منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران | ||
4ستادیار، گروه مرتع و آبخیزداری، دانشکده ی منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران | ||
چکیده | ||
تحلیل پدیدههای هیدرولوژیکی با استفاده از سری زمانی ازجمله موضوعات مهم در هیدرولوژی است. در تحقیق حاضر از مدل رگرسیون کمترین مربعات فازی و مدل ARIMA برای شبیهسازی دبی ماهانه در حوضه ی آبخیز کوه سوخته استفاده گردید. طول دوره ی آماری 25 سال در نظر گرفته شد. در مدل خود همبسته تجمعی میانگین متحرک، ابتدا شناسایی مدل و مرتبه ی آن و در مرحله ی بعد تخمین پارامترها و کفایت مدل مورد بررسی قرار گرفت. در مدل رگرسیون کمترین مربعات فازی با در نظر گرفتن عدم قطعیت حاکم بر سیستمهای طبیعی، از تابع عضویت مثلثی متقارن استفاده شد. جهت مقایسه ی کارایی دو مدل در پیشبینی دبی ماهانه، آمار هواشناسی و هیدرومتری مورداستفاده قرار گرفت. دبی ماهانه مدلسازی شده توسط مدلهای ARIMA و رگرسیون کمترین مربعات فازی با استفاده از شاخصهای مختلف ازجمله شاخص نش- ساتکلیف با هم مقایسه شدند که مقدار آن به ترتیب 84/0 و 88/0 برای کارایی مدلها به دست آمد که نشاندهنده ی کارایی بهتر رویکرد رگرسیون کمترین مربعات فازی در برآورد دبی با مقادیر زیاد، نسبت به مدل سری زمانی است. ولی مدل ARIMA در برآورد دبی با مقادیر کم، دقت بیشتری دارد. | ||
تازه های تحقیق | ||
- | ||
کلیدواژهها | ||
رگرسیون کمترین مربعات فازی؛ مدل خود همبسته؛ مدل میانگین متحرک؛ مدلهای استوکستیک. | ||
اصل مقاله | ||
- | ||
مراجع | ||
Banihabib, M.B., Bandari, R., Mosavi Nadoshani, S. (2012). Analysis Ability of the Autoregressive Integrated Moving Average Model for Forecasting of Reservoir Daily Inflow of Dez Reservoir with Two-year lead Time.Juornal of Irrigation and Water Engineering, 2(3), 46-57. Barry, RG., Carleton, A.M. (2001). Synoptic and dynamic climatology. Psychology Press. Bazrafshan, O., Salajegheh,A., Fatehi, A., Mahdavi, M., Bazrafshan, J., Hejabi,S. (2014) . Comparison of stochastic models and conceptual models in hydrological drought forecast (case study: Karkheh River Basin). Journal of Rangeland and Watershed Management, 66(4),493-508. Box, GE., Pierce, D.A. (1970). Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. Journal of the American statistical Association, 65(332), 1509-1526. Celmiņš, A. (1987). Least squares model fitting to fuzzy vector data. Fuzzy sets and systems, 22 (3), 245-269. Diamond. P. (1987). Least squares fitting of several fuzzy variables, In Preprints of Second IFSA World Congress.Tokyo, Japan, 329-331. Dodangeh, S., Abedi Koupai, J., Gohari, S.A. (2012). Application of Time Series Modeling to Investigate Future Climatic Parameters Trend for Water Resources Management Purposes. Journal of Water and Soil Science, 16(59), 59-74. Farahi, G., khodashenas, S.R., Alizadeh, A. (2011). Sediment estimation of watersheds in northern Khorasan province using fuzzy regression model. Iran-Watershed Management Science & Engineering, 5(15), 11-25. Fashae, O.A., Olusola, A.O., Ndubuisi, I., Udomboso, C.G. (2019). Comparing ANN and ARIMA model in predicting the discharge of River Opeki from 2010 to 2020. River research and applications, 35(2), 169-177. Ghahreman, N., Gharekhani, A. (2011). Evaluation of Random Time Series Patterns in Estimation of Pan Evaporation(Case Study: Shiraz Station). Journal of Water Research in Agriculture, 22(81), 1-32. Goodarzi, L., Roozbahani, A. (2017). An Evaluation of ARIMA and Holt Winters Time Series Models for Forecasting Monthly Precipitation and Monthly Temperature (Case Study: Latian Station). Journal of Irrigation Science and Engineering, 40(30), 137-149. Hipel. K.W & A.I. McLeod., (1994). Time series modelling of water resources and environmental systems. Elsevier,Apr 7. Javidi Sabaghian, R., Sharifi, M.B. (2009). Using Stochastic Models in River Flow Simulation and Forecasting Average Annual River Flow by Time Series Analysis. First International Water Resources Conference, Shahroud University, Shahrood. Kholghi, M., Ashrafzadeh, A., Maalmir, M. (2009). Monthly Low-Flow Forecasting Using a Stochastic Model and Adaptive Network Based Fuzzy Inference System. Journal of Iran-Water Resourses Research, 5(2), 16-26. Matin Zadeh, M.M., Fatahi, R., shayannejad, M., Abdolahi, Kh. (2011). Estimation and Reconstruction of 24-Hour Maximum Rainfall Data in Chaharmahal va Bakhtiari Province Using Fuzzy Regression. Iranian Water Researches Journal, 5(8),179-186. Mirzapour, H., Heidari Zadi, Z. (2016). Comparison of the Efficiency of Seasonal ARIMA Series Modeling on Simulation of Monthly Average Discharge of Afrin Kashkan and Kaka Reza Rivers, Environmental Management, 1(5), 25-34. Mirzapour.H., Tahmasebipou. N.,(2018). Predicting the monthly discharge of KAKAREZA River using time-series models ARIMA seasonal, Journal of Wetland Ecobiology (JWEB) , 34, ,75-86. Mishra, S., Saravanan, C. V., Dwivedi, K. (2015). Study of Time Series Data Mining for the Real Time Hydrological Forecasting: A Review. International Journal of Computer Applications, 117)23(. Mobaraki,O., Davodian, A.R., Pajouhesh, M., Veisi, A.(2012). Sediment Load Modeling of Two Zayandehrood Upper Watersheds Using Fuzzy Least Squares Regression. Quantitative geomorphological Research, 1(4),73-84. Moeeni, H., Bonakdari, H., Fatemi, S.E., Ebtehaj.(2016). Modeling the Monthly Inflow to Jamishan Dam Reservoir Using Autoregressive Integrated Moving Average and Adaptive Neuro- Fuzzy Inference System Models. Journal of Water and Soil Science, 26(1), 273-285. Momeni, M. (2008). Modern Issues in Operations Research, Second Edition, Faculty of Management, University of Tehran. Nadiri, A ., Vahedi, F., Asghari Moghaddam, A.(2017). Groundwater Level Prediction Using Supervised Committee Fuzzy Logic (Case Study: Meshginshahr Plain). Journal of Hydrogeomorphology, 2(6),115-134.Noury, M., Khatami, H.R. , Moeti, M.T., Barani, G. (2008). Rainfall-Runoff Modeling Using Fuzzy Methodology. Journal of Applied Sciences, 8(16), 2851-2858. Ozelkan, E.C., Duckstein, L. (2001). Fuzzy conceptual rainfall–runoff models. Journal of hydrology, 253 (1-4), 41-68. Parviz, L., Kholghi, M., Fakherifard, A .(2009). Forecasting Annual Streamflow Using Autoregressive Integrated Moving Average Model and Fuzzy Regression. Journal of Water and Soil Science, 19(1), 65-83. Salas. J.D. (1980). Applied modeling of hydrologic time series, Water Resources Publication. Şen. Z. (1998). Small sample estimation of the variance of time averages in climatic time series. International journal of climatology,18(15), 1725-1732. Shayannejad, M. (2007). Comparison of Artificial Neural Network Methods and Fuzzy Regression in Hydraulic Analysis of Flow Through Rock Dam .Iranian Water Researches Journal, 1(1), 11-16. Soltani gerdfaramarzi, S., Saberi, A., Gheisouri, M. (2017). Determination of the best time series model for forecasting annual rainfall of selected stations of Western Azerbaijan province. Journal of Applied Researches in Geografical Sciences, 17(44), 87-105. Sriram, A.V., Rashmi, C.N. (2014). A Model for Evapotranspiration by Fuzzy Least Squares Method. IOSR Journal of Mechanical and Civil Engineering (IOSR-JMCE). 2278-1684. Tanaka, H. (1982). Linear regression analysis with fuzzy model. IEEE Transaction Systems Man and Cybermatics, 12(6), 903-907. Thomas, H.A ., Fiering, M.B. (1962). Mathematical synthesis of streamflow sequences for the analysis of river basins by simulation. Design of water resource systems, 459-493. Valipour, M., Banihabib, M.E., Behbahani, S.M. (2012). Parameters estimate of autoregressive moving average and autoregressive integrated moving average models and compare their ability for inflow forecasting. Journal of Math Stat, 8(3), 330-8. Wang, W., Van Gelder, P.H., Vrijling, J.K. (2005). Long-memory in streamflow processes of the Yellow river, InIWA international conference on water economics, statistics, and finance, 8-10. Zadeh, L.A. (1996). Fuzzy sets, In Fuzzy Sets, Fuzzy Logic, and Fuzzy Systems: Selected Papers by Lotfi A Zadeh,World Scientific Publishing, 394-432. | ||
آمار تعداد مشاهده مقاله: 500 تعداد دریافت فایل اصل مقاله: 426 |