تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,486,780 |
تعداد دریافت فایل اصل مقاله | 15,213,825 |
پیشبینی جریان ورودی با استفاده از تحلیل مدلهای سری زمانی (مطالعه موردی: سد جامیشان) | ||
هیدروژئولوژی | ||
مقاله 12، دوره 6، شماره 1، شهریور 1400، صفحه 153-164 اصل مقاله (1.46 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/hydro.2021.10647 | ||
نویسندگان | ||
مهدی سرائی تبریزی* 1؛ محمد نبی جلالی2؛ حسین یوسفی سهزابی3 | ||
1استادیار گروه علوم و مهندسی آب، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
2دانشآموخته کارشناسی ارشد منابع آب، گروه علوم و مهندسی آب، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
3دانشیار گروه انرژیهای نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران | ||
چکیده | ||
بهعنوان تغذیهکننده آبخوانها و پارامتر تأثیرگذار در معادلات و گزارش بیلان آب، پیشبینی آبدهی سد و رودخانهها نقشی چشمگیر در برنامهریزی، مدیریت و بهرهبرداری بهینه و پایدار از منابع آب زیرزمینی دارا میباشد. در این پژوهش بهمنظور ساماندهی حوضه آبریز جامیشان آبدهی ماهانه این حوضه با استفاده از روشهای تحلیل سری زمانی مورد پیشبینی قرار گرفته شد. بدین منظور، از دادههای ماهانه دبی ورودی به سد جامیشان در شهرستان سنقز استان کرمانشاه در بازه زمانی (1394-1365) استفاده گردید. آنالیز اولیه دادهها شامل بررسی ترمهای قطعی سری (تناوب، روند و پرش) با استفاده از آزمون من-کندال در قالب نرم افزار MINITAB انجام و پس از اطمینان از حذف این ترمها، دادهها نرمال و ایستایی دادهها مشخص شد. سپس با توجه به توابع خودهمبستگی و خودهمبستگی جزئی سعی گردید تا مدلهای سری زمانی مناسب برای دوره واسنجی به دادههای موردنظر برازش داده شود و با آزمون عدم همبستگی پورتمانتو و نرمال بودن باقیماندهها، تعدادی از مدلهایی که فاقد این شرایط بودند حذف گردد. نتایج حاکی از آن است که در بین مدلهای باقیمانده با آزمون آکائیک (AIC)، مدل سری زمانیARIMA(1,1,1) با مقدار آکاییک ۷۶/۱۱- و واریانس خطای ۹۲/۰ بهعنوان بهترین مدل مشخص گردید، در مرحله صحتسنجی نیز با بهرهگیری از بهترین مدل در دوره واسنجی پیشبینی صورت گرفت و نتایج مربوط به عدم وجود خودهمبستگی بین باقیماندهها حاصل از برازش مدل منتخب مقادیر خطاهای دوره صحتسنجی با آزمون بارلتتست مورد ارزیابی قرار گرفت. نتایج آماره پرتمانتو حاکی از آن است در تمامیتأخیرها p-value بیشتر از 05/0 میباشد که این نتایج بیانگر مستقل بودن باقیماندهها را تأیید میکند. همچنین نتایج بارلتتست نشان از دقت بالای مدل دارد. پس از موفقیت مدل در آزمونهای صحتسنجی، حال مدل این قابلیت را دارد که وارد مرحله پیشبینی شود، نتایج نشان داد مدل نحوه تغییرات دبی نسبت به زمان را به خوبی شناسایی کرده است و در حالت کلی اگر ترمهای قطعی از سری زمانی حذف شود، برازش مدل نتیجه بهتری میدهد و مدلی که آکائیک و واریانس باقیمانده کمتری دارد مدل بهتری است. | ||
کلیدواژهها | ||
سد جامیشان؛ سری زمانی؛ ARIMA؛ MINITAB | ||
مراجع | ||
بشری، م. و وفاخواه، م.، 1389. مقایسه روشهای مختلف تحلیل سری زمانی در پیشبینی دبی ماهانه حوزه آبخیز کرخه. مهندسی آبیاری و آب، سال 1، شماره 2، ص86-75.
جمعدار، م.، سرائی تبریزی، م.، یوسفی، ح.، 1399. پتانسیلیابی میزان کارستیشدن چشمهها از منظر هیدروژئوشیمیایی در محدوده مطالعاتی هشتگرد. هیدروژئولوژی، سال 5، شماره 2، ص 113-126.
باباعلی، ح. دهقانی، ر.، 1395. مقایسه مدلهای شبکه عصبی موجک و شبکه عصبی مصنوعی در پیشبینی سطح آب زیرزمینی. هیدروژئولوژی، سال 2، شماره 2، ص 108-96.
سعیدی، ب.، عرب، ع.، 1397. پیشبینی سطح آب زیرزمینی با استفاده از مدلهای منطق فازی، شبکه عصبی و سری زمانی.ذهیدروژئولوژی، سال پنجم، شماره 2، ص 69-81.
صمدی، م. فتحآبادی، ا.، 1397. استفاده از مدلهای سری زمانی، شبکه عصبی و ماشینبردار پشتیبان جهت پبشبینی دبی ورودی به سد گرگان، محیط زیست و مهندسی آب، سال 2، شماره 2، ص 309-299.
فتح آبادی، ا.، سلاجقه، ع. و مهدوی، م.، 1387. پیشبینی دبی رودخانه با استفاده از روشهای نوروفازی و مدلهای سری زمانی. علوم و مهندسی آبخیزداری ایران، سال دوم، شماره 5، ص30-21.
کارآموز، م. و عراقی نژاد، ش.، 1389. هیدرولوژی پیشرفته، انتشارات دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)، 464 ص.
معینی، ح.، بنکداری، ح.، فاطمی، ا. و ابتهاج، ع.، 1395. مدلسازی دبی ماهانه ورودی به مخزن سد جامیشان با مدلهای خودهمبسته با میانگین متحرک تجمعی و سامانه استنتاج فازی-عصبی انطباقی، آب و خاک، شماره 2، ص 285-273.
Box, G.E.P and G.M. Jenkinks., Reinsel, G.C.., 1994. Time series analysis: Forcasting and control. Third Edition, Holden-Day. Cryer, J.D., 1992. Time series Analysis. Translated by Niroomand, H.A., Mashhad University Publication, 404 pp. Damle, C., A. Yalcin. 2007. Flood prediction using time series data mining. Journal of Hydrology. 333(2-4): 305-316. Kendall, D.R., J.A. Dracup. 1991. A comparisx and AR (1) generated hydrologic sequences, J. Hydrology, 122, 335-352. Mohammadi, K., Eslami, H.R., Dardashti, S.D., 2005. Comparison of regression, ARIMA and ANN models for reservoir inflow forecasting using snowmelt equivalent (a case study of Karaj). J. Agric. Sci. Technol, 7, 17-30. Valipour, M., Banihabib, M.E., Behbahani, S.M.R., 2013. Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly inflow of Dez dam reservoir. Journal of hydrology, 476, 433-441. | ||
آمار تعداد مشاهده مقاله: 473 تعداد دریافت فایل اصل مقاله: 243 |