تعداد نشریات | 27 |
تعداد شمارهها | 364 |
تعداد مقالات | 3,223 |
تعداد مشاهده مقاله | 4,741,090 |
تعداد دریافت فایل اصل مقاله | 3,238,518 |
تحلیل آماری و پیشبینی دمای ماهانه ایستگاه سینوپتیک سنندج با کاربرد مدل SARIMA | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 1، دوره 3، شماره 1، 1402، صفحه 1-13 اصل مقاله (1.23 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2022.11080.1099 | ||
نویسندگان | ||
محمود احمدی1؛ محمد کمانگر* 2 | ||
1دانشیار/گروه آب و هواشناسی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران | ||
2دانشآموخته دکتری/ گروه آب و هواشناسی، دانشکده علوم انسانی، دانشگاه زنجان، زنجان، ایران | ||
چکیده | ||
تحلیل و مدلسازی سریهای زمانی دما یکی از چالشهای مهم در پیشبینی رفتار اقلیم و بهتبع آن تأثیر بر شرایط آیندة محیطی و اقتصادی-اجتماعی است. یکی از مدلهای آماری پیشبینی کننده بر اساس الگوهای فصلی-ضربی باکس جنکینز است. در اینگونه مدلها، دمای هر ماه بر اساس متوسط ماهانة دما در ماههای گذشته و مؤلفههای تصادفی همان ماه و ماههای قبل از آن بیان میشود. هدف از این پژوهش واکاوی و استخراج مدل پیشبینی دما با استفاده از دادههای دورۀ 60 ساله بین سالهای 1960 تا 2020 در ایستگاه سینوپتیک سنندج است. ابتدا آزمونهای کنترل کیفی آماری روی سری زمانی انجام شده، سپس با توجه به نمودارهای خودهمبستگی، خودهمبستگی جزئی و معیارهای ارزیابی مدل نهایی استخراج شد. نتایج آزمونهای آماری نشان داد که سری زمانی دما دارای دادههای پرت نیست، میانگین این سریها همگن بوده، اما بررسی واریانس سری همگنی را نشان نمیدهد. با برازش چندین مدل و بررسی باقیمانده خطاها، الگوی SARIMA (0, 0, 2) (0, 1, 1)12 بهعنوان الگوی نهایی تعیین شد. بر اساس این مدل، دمای ماهانة سنندج تابعی از متوسط درجة دما یک و دو ماه قبل و ماه متناظر سال قبل و نیز تابعی از پدیدههای تصادفی است. عدم وجود مقدار ثابت در مدل برازش یافته نشاندهنده عدم وجود قطعیت روند در میانگین ماهانة دمای سنندج است. در نهایت با مدل برازش یافته میانگین دمای سنندج طی ده سال آینده پیشبینی شد که میتوان از نتایج آن در برنامهریزیهای محیطی استفاده نمود. | ||
کلیدواژهها | ||
آزمون همگنی؛ خودهمبستگی نگار؛ داده پرت؛ روند؛ مدلسازی آماری | ||
مراجع | ||
بلیانی، ی.، فاضلنیا، غ.، و بیات، ع. (1391). تحلیل و مدلسازی دمای سالانه شهر شیراز با استفاده از مدل ARIMA. فضای جغرافیایی، 12(38)، 127-144. جهانبخش اصل، س.، و ترابی، س. (1383). بررسی و پیشبینی تغییرات دما و بارش در ایران. تحقیقات جغرافیایی، 19(3)، 104-125. داروند، س.، اسکندری دامنه، ه.، اسکندری دامنه، ح.، و خسروی، ح. (1400). پیشبینی روند تغییرات دما و بارش در دورة آتی و تأثیر آن بر بیابانزایی. مدلسازی و مدیریت آب و خاک، 1(1)، 53-66. رحیمیانی ایرانشاهی، ح.، مرادی، ح.ر.، و جلیلی، خ. (1401). روند تغییرات بارش و دما در مقیاسهای زمانی مختلف در حوزة آبخیز کرخه .مدلسازی و مدیریت آب و خاک. 2(2)، 1-12. شعبانی، ب.، موسوی بایگی، م.، جباری نوقابی، م.، و قهرمان، ب. (1392). مدل سازی و پیشبینی دمای ماهانه دشت مشهد با استفاده از مدل های سری زمانی. آب و خاک، 27(5)، 896-906. عساکره، ح. (1383). تحلیلی آماری بر تغییرات میانگین سالانه دمای شهر زنجان طی دهه های اخیر. نیوار، 52، 9-30. عساکره، ح. (1388). الگوسازی ARIMA برای میانگین سالانه دمای شهرتبریز. تحقیقات جغرافیایی. 24(2)، 3-24. عساکره، ح.، و خردمندنیا، م. (1381). مدل سازی SARIMA برای متوسط درجه حرارات ماهانه مطالعه موردی الگوسازی متوسط درجه حرارت ماهانه جاسک. نیوار، 46، 41-54. قاجارنیا، ن.، لیاقت، ع.، و دانشکار آراسته، پ. (1393). صحتسنجی دادههای بارندگی ایستگاههای غیرثبات سازمان هواشناسی و تماب در حوضه آبریز دریاچه ارومیه. حفاظت منابع آب و خاک، 4(1)، 91-109. مسعودیان، ا. (1383). بررسی روند دمای ایران در نیم سده گذشته. جغرافیا و توسعه، 2(3)، 89-106. معصومپور سماکوش، ج.، جلیلیان، ع.، و یاری، ا. (1396). تحلیل سریهای زمانی بارشهای فصلی در ایران. پژوهشهای جغرافیای طبیعی، 49(3)، 457-475. Aguilar, E., Auer, I., Brunet, M., Peterson. T.C., & Wieringa, J. (2003). Guidelines on climate metadata and homogenization. World Meteorological Organization Geneva, 52. Alexandersson, H., Moberg, A. (1997). Homogenization of Swedish Temperature Data Part I: Homogeneity Test for Linear Trends. International Journal of Climatology, 17, 25–34. Asakereh, H. (2004). Statistical analysis on the average annual temperature change in Zanjan city during recent decades. Nivar, 52, 9-30 (in Persian). Asakereh, H. (2009). ARIMA Modeling for tabriz city annual temperature. Geographical Research, 24(2), 3-24 (in Persian). Asakereh, H., & Kheradmand Nia, M. (2002). SARIMA modeling for average monthly temperatures, a case study of average monthly temperature modeling in Jask. Nivar, 46, 41-54 (in Persian). Belyani, Y., Fazelnia, Gh., & Bayat, A. (2012) . A study and prediction of annuel temperature in Shiraz using ARIMA model. Geographical Space, 12(38), 127-144 (in Persian). Chawsheen, T.A., Broom, M. (2017). Seasonal time-series modeling and forecasting of monthly mean temperature for decision making in the Kurdistan Region of Iraq. Statical and Theoryetical Practice, 11, 604–633. Darvand, S., Eskandari Dameneh, H., Eskandari Damaneh, H., & Khosravi, H. (2021). Prediction of the change trend of temperature and rainfall in the future period and its impact on desertification. Water and Soil Management and Modeling, 1(1), 53-66 (in Persian). Ghajarnia, N., Liaghat, A., & Daneshkar Arasteh, P. (2014). Verifying precipitation data of tamab and meteorology institute in urmia basin. Water and Soil Resources Conservation, 4(1), 91-109 (in Persian). Grubbs, F.E. (1950). Sample criteria for testing outlying observations. Annals of Mathematical Statistics, 21(1), 27-58. Hair, J.F., R.E. Andersen, R.L. Tatham W.C., & Black, W. (1998), Multivariate data analysis, Rentice Hall, Upper Saddle River. New Jersey Press, 520. Jahanbakhsh Asl, S., & Torabi, S. (2004). Review and prediction of temperature and precipitation in Iran. Geographical Research, 19(3), 104-125 (in Persian). Kang, H., & Yusof. F. (2012). Homogeneity tests on daily rainfall series in Peninsula Malaysia. International Journal of Contemporary Mathematical Sciences, 7(1), 9-22. Li, M., Shouwen Ji, S., & Liu, G. (2018). Forecasting of Chinese E-commerce sales: An empirical comparison of ARIMA, nonlinear autoregressive neural network, and a combined ARIMA-NARNN Model. Mathematical Problems in Engineering, 6924960, 1024-1038. Masoudian, S. (2004). Temperature trends in iran during the last half century. Geography and Development, 2(3), 89-106 (in Persian). Masoumpour Samakosh, J., Jalilian, A., & Yari, E. (2017). The analysis of seasonal precipitation time series in Iran. Physical Geography Research Quarterly, 49(3), 457-475 (in Persian). Nobre, F., Monteiro, A., Telles, P., & Williamson, G. (2001). Dynamic linear model and SARIMA: a comparison of their forecasting performance in epidemiology. Statistics in Medicine, 20(20), 3051–69. Panagoulia, D., & Vlahogianni, E.I. (2014). Nonlinear dynamics and recurrence analysis of extreme precipitation for observed and general circulation model generated climates. Hydrological Processes, 28(4), 2281-2292. Peterson, T. (1998). Homogeneity adjustments of in situ atmospheric Climate data: A review. International Journal of Climatology, 18, 1493–1517. Rahimiani Iranshahi, H., Moradi, H.R., & Jalili, Kh. (2022). Trend of precipitation and temperature changes at different time scales in the Karkheh Watershed. Water and Soil Management and Modeling, 2(2), 1-12 (in Persian). Raziei, T., Saghafian, B., Paulo A.A., Pereira S.L., & Bordi, I. (2009). Spatial pattern and temporal variability of drought in western Iran. Water Resources Management, 23(3), 439-455. Sen, Z. (1998). Small sample estimation of the variance of time averages in climate time series. International Journal of Climatology, 18, 1725-1732. Shabani, B., Mousavi Baygi, M., Jabari Noghabi, M., & Ghareman, B. (2013). Modeling and prediction of monthly max & min temperatures of mashhad plain using time series models. Water and Soil, 27(5), 896-906 (in Persian). Villarini, G., Smith, J.A., Napolitano, F. (2010). Nonstationary modeling of a long record of rainfall and temperature over Rome. Water Resources, 33(10), 1256–1267. Wijngaard, J.B., Klein Tank, A.M.G., & Konnen, G.P. (2003). Homogeneity of 20th century European daily temperature and precipitation series. International Journal of Climatology, 23(6), 679-692. Yoon, D., Cha, D.H., Lee, M.I., Min, H., Jun, S.Y., & Choi, Y. (2021). Comparison of regional climate model performances for different types of heat waves over South Korea. International Journal of Climatology, 34, 2157–2174. Yu, X., Shi, S., & Xu, L.(2021). A spatial–temporal graph attention network approach for air temperature forecasting. Applied Soft Computing, 113, 10788. | ||
آمار تعداد مشاهده مقاله: 765 تعداد دریافت فایل اصل مقاله: 726 |