تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,486,865 |
تعداد دریافت فایل اصل مقاله | 15,213,907 |
ارزیابی کارایی روشهای مختلف ایستاسازی دادهها با استفاده از مدلهای خانواده ARIMA | ||
دانش آب و خاک | ||
مقاله 5، دوره 29، شماره 2، تیر 1398، صفحه 57-72 اصل مقاله (897.28 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
رضا قضاوی* 1؛ رسول ایمانی2؛ اباذر اسمعلی عوری3 | ||
1دانشیار گروه مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان | ||
2دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان | ||
3دانشیار گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی | ||
چکیده | ||
پیشبینی عمق بارندگی در مدیریت منابع آب هر منطقه از اهمیت بالایی برخوردار است. مدلهای سریهای زمانی خانواده ARIMA کاربرد گستردهای در این زمینه دارند. هدف اصلی این مطالعه پیشبینی بارندگی ماهانه با استفاده از بهترین روش ایستاسازی سری زمانی و مناسبترین مدل خانواده ARIMA است. در این مطالعه، از دادههای ایستگاه همدید اردبیل استفاده شد. در گام اول، بخشهای روند و تغییرات فصلی دادههای بارندگی ماهانه از سال 1990 تا 2016 با استفاده از روشهای مختلف حذف شد و در گام دوم، کارایی مدلهای مختلف خانواده ARIMA در پیشبینی بارندگی ماهانه مورد بررسی قرار گرفت. نتایج نشان داد که روش ایستاسازی با استفاده از میانگین متحرک مرکزی مرتبه 12 و میانگین فصلی بهترتیب، برای حذف روند و تغییرات فصلی (بهدلیل ایجاد بالاترین مقدار ضریب همبستگی (8/0=r)) بهترین روش ایستاسازی بوده و مدل 12(0،0،1)(1،0،1)SARIMA با بیشترین ضریب همبستگی (8/0=r) و کمترین معیار آکائیک (74/191=AIC) مناسبترین مدل پیشبینی بارندگی ماهانه در ایستگاه مورد مطالعه است. در نهایت، بارندگی ماهانه 3 سال آینده (2017 تا 2019) با استفاده از روش ایستاسازی و مدل منتخب پیشبینی گردید. نتایج نشان داد که روند بارندگی ایستگاه همدید اردبیل در سه سال آینده بهصورت کاهشی خواهد بود. | ||
کلیدواژهها | ||
اردبیل؛ پیشبینی بارندگی؛ سریهای زمانی؛ معیار آکائیک | ||
مراجع | ||
Abbot J and Marohasy J, 2014. Input selection and optimization for monthly rainfall forecasting in Queensland, Australia, using artificial neural networks. Atmospheric Research 138: 166-178. Abbot J and Marohasy J, 2012. Application of artificial neural networks to rainfall forecasting in Queensland, Australia. Advances in Atmospheric Sciences 29(4): 717-730. Abdollah Nejhad K, 2015. Stochastic time series models in monthly precipitation prediction. Geographical Planning of Space 5(17): 15- 25. (In Persian) Bagirov AM, Mahmood A and Barton A, 2017. Prediction of monthly rainfall in Victoria, Australia: Clusterwise linear regression approach. Atmospheric Research 188: 20-29. Bowerman BL and Connel RT, 1979. Time Series and Forecasting. PWS Publisher, Boston. Box GPE, Jenkins GM and Reinsel GC, 1994. Time Series Analysis: Forecasting and Control. John Wiley & Sons, New Jersey. Bozorg Niya SA and Niroomand H, 2011. Time Series, Payamnoor University press, Tehran. (In Persian) Dastorani M, Mirzavand M, Dastorani MT and Sadatinejad SJ, 2016. Comparative study among different time series models applied to monthly rainfall forecasting in semi-arid climate condition. Natural Hazards 81(3): 1811-1827. Hosseinalizadeh M, Hassanalizadeh N, Babanezhad M and Rezanezhad M, 2014. Monthly precipitation forecast by time series packages in R environment (Case study: Arazkooseh station of Golestan province). Conservation and Utilization of Natural Resources 2(2): 1-12. (In Persian) Jafarzadeh J, Rostamzadeh H and Asadi E, 2017. Modeling temporal of groundwater level using basic techniques of time series analysis (Case Study: Ardabil Plain). Water and Soil Science- University of Tabriz 27(4): 185-196. (In Persian) Karamooz M and Araghi Nejad Sh, 2014. Advanced Hydrology. Amirkabir University of Technology Press, Tehran. (In Persian) Khalili K, Fakheri-Fard A, Dinpajooh Y and Ghorbani MA, 2011. Nonlinearity testing of stream-flow processes by BDS test (case study: Shaharchi River in Urmia). Water and Soil Science- University of Tabriz 21(2): 25-37. (In Persian) Khalili K, Nazeri Tahrudi M and Abbaszadeh Afshar M, 2017. Performance evaluation of combined multivariate time series, MPAR and MPAR-ARCH models for modeling river flow eeries considering the effectivemeteorological components (Case study: Nazloochai river). Water and Soil Science- University of Tabriz 27(3): 121-133. (In Persian) Khalili K and Nazeri Tahrudi M, 2016. Performance evaluation of ARMA and CARMA models in modeling annual precipitation of Urmia synoptic station. Water and Soil Science- University of Tabriz 26(2-1): 13-28. (In Persian) Khalili K and Nazeri Tahrudi M, 2014. Modeling of annual water level changes of Urmia Lake with linear time series models. Water Management in Arid Lands 1(1): 25-35. (In Persian) Mahdavi M, 2007. Applied Hydrology, Tehran University Press. Tehran. (In Persian) Meher J and Jha R, 2013. Time-series analysis of monthly rainfall data for the Mahanadi river basin, India. Sciences in Cold and Arid Regions 5(1): 73-84. Mirzavand M and Ghazavi R, 2015. A stochastic modelling technique for groundwater level forecasting in an arid environment using time series methods. Water Resource Management 29:1315-1328. Narasimha Murthy KV, Saravanal R and Vijaya Kumar K, 2018. Modeling and forecasting rainfall patterns of southwest monsoons in North–East India as a SARIMA process. Meteorology and Atmospheric Physics 130(1): 99-106. 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. (In Persian) Papalaskaris T, Panagiotidis T and Pantrakis A, 2016. Stochastic monthly rainfall time series analysis, modeling and forecasting in Kavala sity, Greece, north-eastern mediterranean basin. Procedia Engineering 162: 254-263. Rahman AM, Yunsheng Y and Sultana N, 2017. Analysis and prediction of rainfall trends over Bangladesh using Mann–Kendall, Spearman’s rho tests and ARIMA model. Meteorology and Atmospheric Physics 129(4): 409-424. Somvanshi VK, Pandey OP, Agrawal PK, Kalanker NV, Prakash MR and Chand R, 2006. Modelling and prediction of rainfall using artificial neural network and ARIMA techniques. Journal of Indian Geophysical Union 10(2): 141-151. Toranjian A and Marofi S, 2017. Evaluation of deterministic and geostatistical methods for regionalization of seasonal precipitation in Hamadan province. Water and Soil Science- University of Tabriz 27(3): 211-224. (In Persian) Veysipoor H, Masumpoor Samakoosh J, Sahneh B and Yousefi Y, 2010. Analysis of prediction of rainfall and temperature trends using time series models (ARIMA) (Case study: Kermanshah township). Geography 4(12): 63 – 77. (In Persian) Wang HR, Wang C, Lin X and Kang J, 2014. An improved ARIMA model for precipitation simulations. Nonlinear Processes in Geophysics 21: 1159-1168. | ||
آمار تعداد مشاهده مقاله: 439 تعداد دریافت فایل اصل مقاله: 468 |