پیش بینی فراوانی شدت خشکسابی با استفاده از سری های زمانی خطی(منطقه مورد مطالعه:حوضه آبریز دریاچه ارومیه)
Publish place: 3National Conference on Development of Civil Engineering, Architecture, Electricity and Mechanical in Iran
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 717
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
DCEAEM03_062
Index date: 12 November 2016
پیش بینی فراوانی شدت خشکسابی با استفاده از سری های زمانی خطی(منطقه مورد مطالعه:حوضه آبریز دریاچه ارومیه) 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.
پیش بینی فراوانی شدت خشکسابی با استفاده از سری های زمانی خطی(منطقه مورد مطالعه:حوضه آبریز دریاچه ارومیه) Keywords:
پیش بینی فراوانی شدت خشکسابی با استفاده از سری های زمانی خطی(منطقه مورد مطالعه:حوضه آبریز دریاچه ارومیه) 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 :