تعداد نشریات | 44 |
تعداد شمارهها | 1,304 |
تعداد مقالات | 15,959 |
تعداد مشاهده مقاله | 52,296,155 |
تعداد دریافت فایل اصل مقاله | 15,056,660 |
ارزیابی عملکرد مدلهای ARMA و CARMA در مدلسازی بارش سالانه ایستگاه سینوپتیک ارومیه | ||
دانش آب و خاک | ||
مقاله 2، دوره 26، شماره 2- بخش1، شهریور 1395، صفحه 13-28 اصل مقاله (363.76 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
کیوان خلیلی1؛ محمد محمد ناظری تهرودی* 2 | ||
1استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه | ||
2دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه | ||
چکیده | ||
با توجه به پیچیدگی فرآیندهای هیدرولوژیکی به نظر میرسد روشهای چندمتغیره با در نظر گرفتن عوامل موٌثر بیشتر، بتواند دقت مدلهای سری زمانی و نتایج حاصل از آنها را ارتقا دهد. در واقع، نتایج مدلهای چندمتغیره با دخالت دادن عوامل مؤثر دیگر، میتواند نتایج توصیف، مدلسازی و پیش بینی پارامترهای مختلف را بهبود دهد. در این مطالعه، مدلهای تک متغیره آرما و چندمتغیره خودهمبسته با میانگین متحرک همزمان آرما (کارما) جهت مدلسازی مجموع بارش سالانه ایستگاه سینوپتیک ارومیه مورد ارزیابی قرار گرفتند. جهت استفاده از مدلهای آرما، از سری زمانی مجموع بارش سالانه در دوره آماری (2010-1961) و جهت مدلسازی با استفاده از مدلهای کارما، از سه سری زمانی مجموع بارش سالانه (میلیمتر)، متوسط دمای سالانه (درجه سلسیوس) و متوسط سرعت باد (نات) در دوره آماری مذکور استفاده شد. نتایج نشان داد که با دخالت دادن پارامترهای ذکرشده در مدل، دقت مدلسازی افزایش مییابد. بهطوریکه در مدل کارما نسبت به مدل آرما، به دلیل ضریب همبستگی بالاتر معادل 960/0 و معیار جذر میانگین مربعات خطای کمتر، معادل 611/21 بین دادههای مدل و مقادیر مشاهداتی، نتایج بهتری به دست آمد. همچنین بر اساس نتایج حاصل، استفاده از مدلهای چندمتغیره خانواده آرما سبب کاهش میزان خطای مدل بهمیزان 31 درصد شده است. | ||
کلیدواژهها | ||
بارش؛ دما؛ سرعت باد؛ سری زمانی؛ مدلهای چندمتغیره | ||
مراجع | ||
منابع مورداستفاده ترابی س، 1380. بررسی و پیشبینی تغییرات دما و بارش در ایران. دانشگاه تبریز، رساله دکتری جغرافیای طبیعی، 201 صفحه. فیروزی ف، نگارش ح و خسروی م، 1391. مدلسازی، پیشبینی و بررسی روند بارش در ایستگاههای منتخب استان فارس. فصلنامه علمی – پژوهشی برنامهریزی منطقهای، جلد 2، شماره 7، صفحههای 77 تا 91. گلابی م، آخوندعلی عم، رادمنش ف و کاشفیپور م، 1393. مقایسه دقت پیشبینی مدلهای باکس – جنکینز در مدلسازی بارندگی فصلی (مطالعه موردی: ایستگاههای منتخب استان خوزستان). فصلنامه تحقیقات جغرافیایی، جلد 29، شماره 3، صفحههای 61 تا 72. گودرزی ل و روزبهانی ع، 1393. مقایسه مدلهای سری زمانی خودهمبسته با میانگین متحرک و هالت وینترز در پیش بینی بارش. دومین همایش ملی بحران آب (تغییر اقلیم، آب و محیط زیست)، دانشگاه شهرکرد، 18 و 19 شهریور. ناظری تهرودی م، احمدی ف، خلیلی ک و ناظری تهرودی ز، 1392. کاربرد نرمافزار SAMS2007 در مدلسازی اقلیم آینده استان کردستان جهت پیش بینی دما و بارندگی (مطالعه موردی: ایستگاه سینوپتیک). اولین کنفرانس هیدرولوژی مناطق خشک و نیمه خشک. 4 و 5 اردیبهشت. سنندج. ویسیپور ح، معصومپور سماکوش ج، صحنه ب و یوسفی ی، 1389. تحلیل پیشبینی روند بارش و دما با استفاده از مدلهای سری زمانی آریما (نمونه موردی: شهرستان کرمانشاه)، فصلنامه علمی پژوهشی جغرافیا، سال 3، شماره 12، صفحههای 65 تا 80. Box GE and Jenkins GM, 1976. Time series analysis. Forecasting and Control, San Francisco. Holden-Day. Camacho F, 1984. Contemporaneous ARMA modeling with applications. Ph.D. Dissertation, Department of Statistical and Actuarial Sciences. The University of Western Ontario, London, Ontario, Canada. Camacho F, McLeod AI and Hipel KW, 1985. Contemporaneous autoregressive - moving average (CARMA) modeling hydrology. Water Resources Bulletin 21:709-720 De Domenico M, Ghorbani MA, Makarynskyy O, Makarynska D and Asadi H, 2013. Chaos and reproduction in sea level. Applied Mathematical Modeling 37: 3687-3697. Fiering MB, 1964. Multivariate techniques for synthetic hydrology. Journal of the Hydraulics Division 90(5): 43-60. Kendall MG, 1938. A new measure of rank correlation. Biometrika 36: 81-93. Khalili K, Nazeri Tahrudi M, Abbaszadeh Afshar M and Nazeri Tahrudi Z, 2014. Modeling monthly mean air temperature using SAMS2007 (Case Study: Urmia synoptic station). Journal of Middle East Applied Science and Technology 15: 578-583. Khatibi R, Ghorbani MA, Naghipour L, Jothiprakash V, Fathima TA and Fazelifard MH, 2014. Inter-comparison of time series models of lake levels predicted by several modeling strategies. Journal of Hydrology 511:1-16. Mann HB, 1945. Nonparametric test against trend. Econometrica 13: 245-259. Matalas NC and Wallis JR, 1971. Statistical properties of multivariate fractional noise processes. Water Resource Research 7: 1460-1468. Matalas NC, 1967. Mathematical assessment of synthetic hydrology. Water Resources Research 3(4): 937-945. McLeod Al and Hipel KW, 1978. Simulation procedures for Box - Jenkins models. Water Resources Research 14(5): 969-975. Mejia JM, 1971. On the generation of multivariate sequences exhibiting the Hurst phenomenon and some flood frequency analyses (Doctoral dissertation, Colorado State University). Mendenhall W and Reinmuth J, 1982. Statistics for Management and Economics. Fourth Edition, Duxbury Press. O'Connel PE, 1974. Stochastic modeling of long-term persistence in stream flow sequences. Ph.D, Thesis. Imperial College, University of London. Pegram GGS and James W, 1972. Multilag multivariate autoregressive model for the generation of operational hydrology. Water Resources Research 8(4): 1074-1076. Salas JD, Delleur JW, Yevjevich V and Lane WL, 1980. Applied Modeling of Hydrologic Time Series. Water resource Publications, P. O. Box 2841. Littleton, Colorado .80161, U.S.A. 484 P. Swinscow TDV and Campbell MJ, 2002. Statistics at Square One. London: BMJ Publication. 106 P. Thomas HA and Fiering MB, 1962. Mathematical Synthesis of Stream flow Sequences for the Analysis of River basin by Simulation. Harward University Press, Cambrige, 751P. Valencia D and Schaake JC, 1973. Disaggregation processes in stochastic hydrology. Water Resource Research 9(3): 580-585. Wilcoxon F, 1945. Individual comparison by ranking methods. Biometrics 1(6): 80–83. Yevjevich VM, 1963. Fluctuations of wet and dry years. Part 1. Research data assembly and mathematical models. Textit hydrology Paper 1, Colorado State University, Fort Collins, Colorado. Young GD and Pisano WC, 1968. Operational hydrology using residuals. Journal of the Hydraulics Division 94(4): 909-924. Zou P, Jingsong Y, Jianrong F, Guangming L and Dongshun L, 2010. Artificial neural network and time series models for predicting soil salt and water content. Agricultural Water Management 97: 2009-2019. | ||
آمار تعداد مشاهده مقاله: 2,128 تعداد دریافت فایل اصل مقاله: 1,216 |