پیش بینی فراوانی شدت خشکسابی با استفاده از سری های زمانی خطی(منطقه مورد مطالعه:حوضه آبریز دریاچه ارومیه)

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 625

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

DCEAEM03_062

تاریخ نمایه سازی: 22 آبان 1395

Abstract:

پیش بینی مقادیر فراوانی شدت خشکسالی یکی از موارد اساسی در برنامه ریزی منابع آب به شمار می آید.در این مطالعه داده های سری زمانی بازندگی 35 ساله در ایستگاه های سینوپتیک ارومیه و ایستگاه هیدرومتری چهریق واقع در حوضه آبریز دریاچه ارومیه جهت مدلسازی و پیش بینی فراوانی شدت خشکسالی توسط مدل های خطی سری زمانی مورد بررسی قرار گرفت.در این راستا آزمون های مرتبط با روند ,نرمال بودن,همگنی و تصادفی بودن سری زمانی انجام گردید و از مدل ARMA جهت شبیه سازی سری داده های نرمال شده استفاده گردید.با توجه به معیار آکاییکه کمتر,مدل ARMA (0,1) به عنوان مدل برتر انتخاب شد و از شاخص RMSE جهت ارزیابی تنایج شبیه سازی شده و مشاهداتی استفاده گردید.با توجه به انتخاب مدل برتر جهت شبیه سازی سری زمانی,مقادیر بارش سالانه در 1000 نمونه به تعداد سال های آماری پیش بینی شد و سپس شاخص های خشکسالی PNPIو SPI محاسبه و فراوانی ان ها برای دوره های 75,50,25,10,1, 99 ساله تعیین گردید.با این روش برای هر یک از سال های دوره 35 ساله آینده ,پیش بینی مقادیر شدت خشکسالی و فراوانی آن ها تعیین گردید.

Keywords:

Authors

مهدی خوشبخت تیزخراب

دانشجوی دکترای مهندسی منابع آب,گروه مهندسی آب,دانشگاه اومیه

حسین رضایی

دانشیار گروه مهندسی آب,دانشگاه ارومیه

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 :
  • ]نرومند، ح. _ تجزیه و تحلیل سری زمانی، چاپ اول، ...
  • علیجانی، ب. رمضانی، ن، پیش بینی خشکسالی ها و تر ...
  • گلابی، م. آخوند علی، ع رادمنش، ف. کاشفی پور، م.ه ...
  • Govindaraju, R.S., 2000, Artificial neural network in hydrology, Journal of ...
  • Salas, J. D., 1993, Analysis and modeling of hydrological time ...
  • Padilla, A., Puldo-Bosch, A., Cavache, M., and Vallejos, A., 1996, ...
  • Noaks, D., and Mcleod, A., 1985, Forecasting monthly river flow ...
  • Borland, P., and Montana, A., 1996, Forecasting of storm rain ...
  • Zou, P., Jingsong, Y., Jianrong, F., Guangming, L., and Dongshun, ...
  • Wang, W., Van Gelder P.H.A.J.M. and Vrijling, J.K., (2005), Trend ...
  • Safavi. H., 2009, Engineering Hydrology. Arkan e Danesh Pres, 706 ...
  • Salas, J. D., Delleur, JW., Yevjevich, V., and lane, WL. ...
  • Akaike, H., 1974, A New look at the statistical model ...
  • Richard, R. ET AL., 2002, A Revieow of twentienth centery ...
  • Willeke, G., Hosking, J.R.M., Wallis, J.R., and Guttman, N.B., 1994, ...
  • Wilhite, D., 2000, Drought, A global assessmen1 rout ledge hazards ...
  • McKee, T.B., Doesken, N.J. and Kleist, J., 1993, The Relationship ...
  • نمایش کامل مراجع