مدل سازی دبی جریان رودخانه با استفاده از مدل های چندمتغیره تلفیقی سری زمانی

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 445

This Paper With 17 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:

JR_WATER-8-4_004

تاریخ نمایه سازی: 15 تیر 1398

Abstract:

چکیده بیش از سه دهه است که هیدرولوژیست­ها، استفاده از مدل­های چند متغیره را جهت توصیف و مدل­سازی داده­های پیچیده هیدرولوژی، توصیه می­کنند. درحالی که به تازگی اهمیت مدل­های چند متغیره در هیدرولوژی مطرح شده است. در واقع در مدل­های چند متغیره با دخالت دادن عوامل موثر هواشناسی، می­توان نتایج توصیف، مدل­سازی و  پیش­بینی پارامترهای مختلف را بهبود بخشید. هم­چنین از آنجا که مدل­های غیرخطی واریانس شرطی، بخش باقی­مانده مدل­های خطی را به شکل مناسبی مدل می­کنند، انتظار می­رود با ترکیب مدل­های خطی و غیرخطی، دقت مدل­سازی و پیش­بینی­ها افزایش یابد. در این مطالعه دو مدل چند متغیره دوره­ای آرما و چند متغیره تلفیقی با واریانس شرطی جهت مدل­سازی دبی ماهانه رودخانه­های نازلوچای، بابلرود و هامون به ترتیب واقع در استان­های آذربایجان غربی، مازندران و سیستان و بلوچستان در دوره آماری 1390-1341 (50 ساله) تحت تاثیر پارامترهای دما و بارش ایستگاه سینوپتیک حوضه­ها مورد مقایسه قرار گرفتند. نتایج بررسی و صحت سنجی داده­های مدل­شده نشان داد که هر دو مدل مورد بررسی از دقت بالایی برخوردار هستند. در این مطالعه در تمام موارد مدل چند متغیره تلفیقی با واریانس شرطی از دقت بیشتری نسبت به مدل چند متغیره دوره­ای آرما برخوردار بودند. هم­چنین نتایج نشان داد که با ترکیب دو مدل ذکر شده، میزان خطای مدل (جذر میانگین مربعات خطا) به ترتیب در ایستگاه­های نازلوچای، بابلرود و هامون حدود 30، 17 و 1 درصد بهبود می­یابد. به طور کلی نتایج نشان داد که کاربرد هر دو مدل مورد استفاده در مناطق معتدل ایران دقت بالاتری دارد.

Keywords:

اژه های کلیدی: بارش , دما , مدل واریانس شرطی , مدل های فصلی

Authors

یوسف رمضانی

گروه علوم و مهندسی آب دانشگاه بیرجند

مهدی امیرآبادی زاده

گروه علوم و مهندسی آب دانشگاه بیرجند

مصطفی یعقوب زاده

گروه علوم و مهندسی آب دانشگاه بیرجند

محمد ناظری تهرودی

دانشگاه بیرجند

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 :
  • خلیلی، ک.، ا، فاخری فرد.، ی، دین­پژوه.، ف، احمدی.، ج، ...
  • صفوی، ح ر. 1388. هیدرولوژی مهندسی. چاپ دوم، انتشارات ارکان ...
  • مدلسازی دما با استفاده از سریهای زمانی پریودیک آرما مطالعه موردی ایستگاه سینوپتیک شهر کرمان [مقاله کنفرانسی]
  • ارزیابی مدل های تلفیقی AR-ARCH و GAR-ARCH در مدل سازی دبی جریان (مطالعه موردی: رودخانه زرینه رود استان آذربایجان غربی) [مقاله ژورنالی]
  • ناظری تهرودی، م.، ک، خلیلی.، م، عباس­زاده افشار.، ز، ناظری ...
  • Ampaw, E. M., Akuffo, B., Larbi, S. O., & Lartey, ...
  • Caiado J. 2007. Forecasting water consumption in Spain using univariate ...
  • Camacho F. 1984. Contemporaneous ARMA modeling with applications. Ph.D. Dissertation, ...
  • Camacho F, McLeod AI, Hipel KW. 1985. Contemporaneous autoregressive - ...
  • Engle, R. F. 1982. Autoregressive conditional heteroscedasticity with estimates of ...
  • Fiering, M B (1964) Multivariate technique for synthetic hydrology. Journal of ...
  • Franses PH,  Paap R. 2004. Periodic time series models. OUP ...
  • Govindaraju, R. S. 2000. Artificial neural networks in hydrology. II: ...
  • Hipel KW, McLeod AI. 1994. Time series modelling of water resources ...
  • Jones RH, Brelsford WM. 1967. Time series with periodic structure. Biometrika, 54(3-4): ...
  • Karamouz M, Szidarovszky F, Zahraie B. 2003. Water resources systems analysis. ...
  • Kendall M G. 1938. A new measure of rank correlation. Biometrika, 30(1/2): ...
  • Laux P, Vogl S, Qiu W, Knoche H. R, Kunstmann ...
  • Lütkepohl H. 2005. New introduction to multiple time series analysis. Econometric ...
  • Machiwal D, Jha MK. 2012. Hydrologic time series analysis: theory and ...
  • Mann HB. 1945. Nonparametric tests against trend. Econometrica: Journal of the ...
  • Matalas NC. 1967. Mathematical assessment of synthetic hydrology. Water Resources Research, 3(4): ...
  • Matalas NC, Wallis JR. 1971. Statistical properties of multivariate fractional ...
  • Mejia J M. 1971. On the generation of multivariate sequences exhibiting ...
  • Momani, P. E. N. M., & Naill, M. 2009. Time ...
  • O Connell PE. 1974. Stochastic modeling of long-term persistence in streamflow ...
  • Pagano M. 1978. On periodic and multiple autoregressions. The Annals of ...
  • Salas JD. 1993. Analysis and modeling of hydrologic time series. Handbook ...
  • Tesfaye YG, Meerschaert MM, Anderson PL. 2006. Identification of periodic ...
  • Troutman BM. 1979. Some results in periodic autoregression. Biometrika, 219-228. ...
  • Ula TA. 1990. Periodic covariance stationary of multivariate periodic autoregressive ...
  • Ursu E, Duchesne P. 2009. On modeling and diagnostic checking ...
  • Valencia D, Schaake JC. 1973. Disaggregation processes in stochastic hydrology. ...
  • Valipour, M. 2015. Long‐term runoff study using SARIMA and ARIMA ...
  • Wang W, Van Gelder PHAJM, Vrijling JK, Ma J. 2005. ...
  • Yu YS, Zou S, Whittemore D. 1993. Non-parametric trend analysis ...
  • نمایش کامل مراجع