ارزیابی کارایی روش های مختلف ایستاسازی داده ها با استفاده از مدل های خانواده ARIMA
Publish place: The Journal of Water and Soil، Vol: 29، Issue: 2
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 103
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-29-2_005
تاریخ نمایه سازی: 25 دی 1401
Abstract:
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 ۱۹۹۰ تا ۲۰۱۶ 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 ۱۲ و میانگین فصلی بهترتیب، برای حذف روند و تغییرات فصلی (بهدلیل ایجاد بالاترین مقدار ضریب همبستگی (۸/۰=r)) بهترین روش ایستاسازی بوده و مدل ۱۲(۰،۰،۱)(۱،۰،۱)SARIMA با بیشترین ضریب همبستگی (۸/۰=r) و کمترین معیار آکائیک (۷۴/۱۹۱=AIC) مناسبترین مدل پیشبینی بارندگی ماهانه در ایستگاه مورد مطالعه است. در نهایت، بارندگی ماهانه ۳ سال آینده (۲۰۱۷ تا ۲۰۱۹) 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.
Keywords:
Authors
رضا قضاوی
دانشیار گروه مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان
رسول ایمانی
دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان
اباذر اسمعلی عوری
دانشیار گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :