کاربرد مدلهای استوکستیک سری زمانی در شبیه سازی و پیشبینی سطح ترازآب خزر جنوبی

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 649

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

BSCONF02_116

تاریخ نمایه سازی: 30 بهمن 1394

Abstract:

پیشبینی نوسانات تراز آب دریا نکته کلیدی در برنامهریزی و مدیریت بهینه دریا و از جمله حفاظت مناطق ساحلی است. بر این پایه دستیابی به روشهای مطمئن پیشبینی تراز به عنوان ابزاری بسیار کارآمد در مدیریت جامع دریا از اهمیت روزافزونی برخوردار است از سوی دیگر استفاده از روشهای استوکستیک جهت تحلیل سریهای زمانی در پیشبینی بسیار مناسب ارزیابی گردیده است. در این پژوهش داده های اندازه گیری شده ماهانه تراز آب دریای خزر در دو ایستگاه ترازسنجی بندر انزلی و بندر نوشهر به ترتیب به مدت 40 سال و 14 سال در حوزه خزر جنوبی مورد استفاده قرار گرفت و سپس با استفاده از آزمون ناپارامتری من-کندال جهت ارزیابی وجود یا عدم وجود روند در دادهها، روشهای مختلف پیشبینی و مدل- سازی در سریهای زمانی شامل مدلهای مختلف خود همبسته با میانگین متحرک تفاضلی ARIMA آریمای مکثر SARIMA توصیه شده در روش باکس و جنکینز بر داده ها برازش داده شد. در ادامه عملکرد مدلهای بکار رفته و دقت هر روش در پیش بینی مقادیر آتی تراز دریا توسط معیار اطلاعاتی آکاییکه AIC جهت تعیین بهترین مدل سری زمانی بکار گرفته شد. نتایج این پژوهش در ایستگاه های ترازسنجی نشان داد که در زمینه مدلسازی و پیشبینی مقادیر آینده سری زمانی تراز ایستگاه نوشهر، الگوی آریمای مکثر با مرتبه های بالاتر دقت بهتری دارند در حالیکه در سری زمانی داده های ایستگاه انزلی، مراتب پایین تر این الگو موفق تر هستند

Authors

مسعود دهباشی

دانشجوکارشناسی ارشد فیزیک دریا، دانشکده علوم دریایی، دانشگاه تربیت مدرس، نور

سید علی آزرم سا

دانشیارگروه فیزیک دریا، دانشکده علوم دریایی، دانشگاه تربیت مدرس، نور

مهدی وفا خواه

دانشیارگروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، نور

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 :
  • آزموده اردلان، علیرضا و جعفری، عباس، بررسی روند سیزده ساله ...
  • قانقرمه، عبدالعظیم و رامشت، محمدحسین، نوسانات دریای خزر را می ...
  • چتفیلد، سی؛ مقدمه‌ای بر تحلیل سری‌های زمانی، ترجمه: نیرومند، حسینعلی ...
  • کارآموز، محمد و عراقی نژاد، شهاب؛ هیدرولوژی پیشرفته، انتشارات دانشگاه ...
  • کریر، جاناتان؛ آنالیز سری های زمانی، ترجمه: نیرومند، حسینعلی، انتشارات ...
  • عزیزی، قاسم و روشن، علیرضا، بررسی خشکسالی‌ها- ترسالی‌ها و امکان ...
  • مشایخ، ابراهیم و ترابی‌آزاد، مسعود و لاری، کامران و فرهادی‌امیری، ...
  • عزیزپور مهمانداری، جعفر و بنازاده ماهانی، محمدرضا و محمدزاده درودی، ...
  • قنبرپور، محمدرضا و امیری، مریم و غلامی، شعبانعلی، ارزیابی مدل‌های ...
  • Vaziri, Manouchehr., Predicting Caspian Sea surface water level by ANN ...
  • Fernandes, M.Jona., Barbosa, Susana., Lazaro, Clara., Impact of altimeter data ...
  • Petaccia, Silvio., Serravall, Roberta., Pellicano, Francesco., Improved method of sea ...
  • De Domenico, Manlio., Ghorbani, Mohammad. Ali., Makarynskyy, Oleg., Makarynska, Dina., ...
  • Niedzielski, Tomasz, Kosek, Wieslaw., An application oflow-order ARMA and GARCH ...
  • Cazenave, A., Dominh, K., Ponchaut, F., Soudarin, L., Cretaux, J. ...
  • Marcos, Marta., Woppelmann, Guy., Bosch, W., Savcenko, Roman., Decadal sea ...
  • Okoye, CC nwobi., Igboanugo, AC., PREDICTING WATER LEVELS AT KAINJI ...
  • Imani, Moslem., You, Rey-jer., Kuo, Chung-yen., Analysis and prediction of ...
  • Xu, Zongxue., Liu, Zhaofei., Fu, Guobin., Yaning, Chen., Trends of ...
  • McBean, E., Motiee, H., Assessment of impacts of climate change ...
  • Yevjevich, Vujica., Stochastic processes in hydrology, Water Resource Pubns, Colorado, ...
  • نمایش کامل مراجع