پیش بینی تبخیر ماهانه به کمک مدل های خطی و غیرخطی سری زمانی (مطالعه موردی: ایستگاه تبخیرسنجی سد اکباتان)
Publish place: Journal of Agricultural Meteorology، Vol: 11، Issue: 1
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 76
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_AGRIMET-11-1_004
تاریخ نمایه سازی: 3 مهر 1402
Abstract:
پیش بینی تبخیر بهعنوان یک جزء اصلی چرخه هیدرولوژیکی، اهمیت زیادی در مطالعات هواشناسی و منابع آب دارد. در این پژوهش، کارایی مدل های ARIMA، SARIMA، برنامه ریزی بیان ژن، رگرسیون خطی چندگانه، مونت کارلو و توماس فیرینگ در پیش بینی مقادیر ماهانه تبخیراز تشت بررسی گردید. بدین منظور، داده های تبخیر ماهانه ایستگاه تبخیرسنجی سد اکباتان در یک دوره ۴۷ ساله (۱۳۹۶-۱۳۵۰) مورد استفاده قرار گرفتند. از آمار دوره ۴۰ ساله ۱۳۸۹-۱۳۵۰ برای واسنجی و از داده های سالهای ۱۳۹۶-۱۳۹۰ جهت اعتبارسنجی مدلها نتایج استفاده گردید. معیارهای ارزیابی ضریب تبیین، ریشه میانگین مربعات خطا، خطای استاندارد، معیار اطلاعاتی آکائیک و ضریب نش- ساتکلیف برای ارزیابی و مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد که مدل SARIMA عملکرد دقیق تری در پیشبینی تبخیر ماهانه داشته و مدل های برنامه ریزی بیان ژن، ARIMA و رگرسیون خطی چندگانه به ترتیب در رتبه های دوم تا چهارم قرار دارند. با توجه به این که مدل برنامه ریزی بیان ژن از سهولت کاربست بیشتر و تعداد پارامتر کمتری نسبت به مدل SARIMA برخوردار است ، پیش بینی را آسان تر و در زمان کمتری انجام می دهد و در میان روشهای مورد استفاده قابل توصیه است.
Keywords:
Authors
حامد نوذری
دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
سعید آزادی
دانش آموخته دکتری مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
نادیا صدق نژاد
دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
سجاد پویان فر
دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
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 :