تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,954,057 |
تعداد دریافت فایل اصل مقاله | 15,624,718 |
ارزیابی عملکرد مدلهای سری زمانی چند متغیره تلفیقی، MPAR و MPAR-ARCH در مدلسازی دبی جریان رودخانه با درنظر گرفتن عوامل مؤثر هواشناسی (مطالعه موردی: رودخانه نازلوچای) | ||
دانش آب و خاک | ||
مقاله 10، دوره 27، شماره 3، مهر 1396، صفحه 121-133 اصل مقاله (1.51 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
کیوان خلیلی1؛ محمد ناظری تهرودی* 2؛ مرضیه عباس زاده افشار3 | ||
1استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه | ||
2دانشجوی دکتری، گروه علوم و مهندسی آب دانشکده کشاورزی، دانشگاه بیرجند، بیرجند | ||
3دانشجوی دوره کارشناسی ارشد، گروه مهندسی آب دانشکده کشاورزی، دانشگاه ارومیه، ارومیه | ||
چکیده | ||
بیش از سه دهه است که هیدرولوژیستها، استفاده از مدلهای چندمتغیره را جهت توصیف و مدلسازی پدیدههای پیچیده هیدرولوژی، توصیه میکنند. در مدلهای چند متغیره با دخالت دادن عوامل مؤثر، میتوان نتایج توصیف، مدلسازی و پیشبینی متغیرهای مختلف را بهبود بخشید. همچنین از آنجا که مدلهای غیرخطی واریانس ناهمسان شرطی، بخش باقیمانده مدلهای خطی را بهطور رضایتبخشی مدل میکنند، انتظار میرود، با ترکیب مدلهای خطی و غیرخطی، دقت مدلسازی و پیشبینیها افزایش یابد. در این مطالعه، دو مدل چند متغیره تناوبی آرما و چند متغیره تلفیقی با واریانس ناهمسان شرطی جهت مدلسازی دبی ماهانه رودخانه نازلوچای واقع استان آذربایجان غربی در دوره آماری 1390-1341 با لحاظ مؤلفههای دما و بارش ایستگاه سینوپتیک ارومیه مورد مقایسه قرار گرفتند. نتایج بررسی و صحتسنجی دادههای مدلشده نشان داد که هر دو مدل مورد بررسی دارای دقت خوبی در مدلسازی دبی جریان هستند. همچنین نتایج نشان داد که مدل چند متغیره تلفیقی با واریانس ناهمسان شرطی با دخالت دادن پارامترهای مؤثر بر دبی جریان از دقت بیشتری نسبت به مدل چند متغیره تناوبی آرما برخوردار است. هر دو مدل نقاط بیشینه و کمینه دبیها را با دقت مناسبی تخمین زدهاند. نتایج نشان داد که با تلفیق دو مدل چند متغیره تناوبی آرما و غیرخطی خودهمبسته با واریانس ناهمسان شرطی ، میزان خطای مدل حدود 16 درصد در مقایسه با مدل چند متغیره تناوبی آرما کاهش مییابد. | ||
کلیدواژهها | ||
بارش؛ دبی جریان؛ دما؛ مدل چند متغیره؛ مدل واریانس شرطی خودهمبسته؛ مدلهای فصلی | ||
مراجع | ||
Engle RF, 1982. Autoregressive conditional heteoscedasticity with estimates of the variance of United Kingdom inflations. Journal of Econometrica (50): 987-1007.
Fiering MB, 1964. Multivariate techniques for synthetic hydrology. Journal of the Hydraulics 90: 43-60.
Franses PH and Paap R, 2000. Periodic Time Series Models. New York: Oxford University Press.409 p.
Jones RH and Brelsford W, 1996. Time series with periodic structure. Biometrika (54): 403–408.
Khalili K, Fakheri Fard A, Dinpaghoh Y, Ahmadi F and Behmanesh J, 2013. Introducing and Application of Combined BL-ARCH Model for daily river flow forecasting (Case study: Shahar-Chai River). Journal of Water and Soil 27(2): 342-350.
L¨utkepohl H, 2005. New Introduction to Multiple Time Series Analysis. Berlin: Springer. 642 p.
Matalas NC and Wallis JR, 1971. Statistical properties of multivariate fractional noise processes. Water Resources Research 3(4): 1460-1468.
Matalas NC, 1967. Mathematical assessment of synthetic hydrology. Water Resources Research 3(4):937-945.
Mejia JM, 1971. On the Generation of Multivariate Sequences Exhibiting the Hurst Phenomenon and Some State University, Fort Colins, Colorado.
Mendenhall W and Reinmuth J, 1982. Statistics for Management and Economics. Fourth Edition, North Scituate (Mass.) : Duxbury Press.
Nazeri Tahroudi M and Khalili K, 2013. Introduction of advanced moments method (SAM) to estimate the return period of river drought volume (Case Study: Basins of Urmia Lake). The first national conference on the impact of Urmia Sea boar on the soil and water resources. Oct. 30, Agricultural and Natural Resources Research Center of East Azerbaijan.
Nazeri Tahrudi M, Khalili K, Abbaszade Afshar M and Nazeri Tahrudi Z, 2014. Compared to the normal mechanism becomes the normal monthly rainfall data from different regions of Iran. Journal of Water and Soil 28(2): 365-372.
Nazeri Tahrudi M, Khalili K, Ahmadi F and Nazeri Tahrudi Z, 2012. Temperature modeling using ARMA periodic time series (Case study: Kerman synoptic station). The First National Conference on Sustainable Development Strategies in Agricultural, Natural Resources and Environment. 21st March, Iran Natural Disaster Research Institute, Tehran.
O'Connel PE, 1974. Stochastic modeling of long-term persistence in stream flow sequences. Ph.D, Thesis. Imperial College, University of London.
Pagano M, 1978. On periodic and multiple autoregressions. The Annals of Statistics 6: 1310–1317.
Salas JD, Delleur JW, Yevjevich V and Lane WL, 1980. Applied Modeling of Hydrologic Ttime Series. Water Resource Publications, P. O. Box 2841. Littleton, Colorado 80161 U.S.A 484 P.
Tesfaye YG, Meerschaert MM and Anderson PL, 2006. Identification of periodic autoregressive moving average models and their application to the modeling of river flows. Water Resources Research 42(1): 216-233.
Troutman BM, 1979. Some results in periodic autoregression. Biometrika 66: 219–228.
Ula AT, 1990. Periodic covariance stationarity of multivariate periodic autoregressive moving average processes. Water Resources Research 26: 855-861.
Ula AT, 1993. Forecasting of multivariate periodic autoregressive moving-average processes. Journal of Time Series Analysis 14: 645-657.
Ursu E and Duchesne P, 2009. On modeling and diagnostic checking of vector periodic autoregressive time series models. Journal of Time Series Analysis 30(1): 70–96.
Valencia D and Schaake JC, 1973. Disaggregation processes in stochastic hydrology. Water Resources Research 9(3): 580-585.
Wilcoxon F, 1945. Individual comparison by ranking methods. Biometrics 1(6): 80–83.
Young GD and Pisano WC, 1968. Operational hydrology using residuals. Journal of the Hydraulics 94: 909-924. | ||
آمار تعداد مشاهده مقاله: 841 تعداد دریافت فایل اصل مقاله: 804 |