ارزیابی کارایی روش های مختلف ایستاسازی داده ها با استفاده از مدل های خانواده ARIMA

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 158

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WASO-29-2_005

تاریخ نمایه سازی: 25 دی 1401

چکیده مقاله:

پیش­بینی عمق بارندگی در مدیریت منابع آب هر منطقه از اهمیت بالایی برخوردار است. مدل­های سری­های زمانی خانواده ARIMA کاربرد گسترده­ای در این زمینه دارند. هدف اصلی این مطالعه پیش­بینی بارندگی ماهانه با استفاده از بهترین روش ایستاسازی سری زمانی و مناسب­ترین مدل خانواده ARIMA است. در این مطالعه، از داده­های ایستگاه همدید اردبیل استفاده شد. در گام اول، بخش­های روند و تغییرات فصلی داده­های بارندگی ماهانه از سال ۱۹۹۰ تا ۲۰۱۶ با استفاده از روش­های مختلف حذف شد و در گام دوم، کارایی مدل­های مختلف خانواده ARIMA در پیش­بینی بارندگی ماهانه مورد بررسی قرار گرفت. نتایج نشان داد که روش ایستا­سازی با استفاده از میانگین متحرک مرکزی مرتبه ۱۲ و میانگین فصلی به­ترتیب، برای حذف روند و تغییرات فصلی (به­دلیل ایجاد بالاترین مقدار ضریب همبستگی (۸/۰=r)) بهترین روش ایستاسازی بوده و مدل ۱۲(۰،۰،۱)(۱،۰،۱)SARIMA با بیشترین ضریب همبستگی (۸/۰=r) و کمترین معیار آکائیک (۷۴/۱۹۱=AIC) مناسب­ترین مدل پیش­بینی بارندگی ماهانه در ایستگاه مورد مطالعه است. در نهایت، بارندگی ماهانه ۳ سال آینده (۲۰۱۷ تا ۲۰۱۹) با استفاده از روش ایستاسازی و مدل منتخب پیش­بینی گردید. نتایج نشان داد که روند بارندگی ایستگاه همدید اردبیل در سه سال آینده به­صورت کاهشی خواهد بود.

نویسندگان

رضا قضاوی

دانشیار گروه مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان

رسول ایمانی

دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان

اباذر اسمعلی عوری

دانشیار گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Abbot J and Marohasy J, ۲۰۱۴. Input selection and optimization ...
  • Abbot J and Marohasy J, ۲۰۱۲. Application of artificial neural ...
  • Abdollah Nejhad K, ۲۰۱۵. Stochastic time series models in monthly ...
  • Bowerman BL and Connel RT, ۱۹۷۹. Time Series and Forecasting. ...
  • Box GPE, Jenkins GM and Reinsel GC, ۱۹۹۴. Time Series ...
  • Bozorg Niya SA and Niroomand H, ۲۰۱۱. Time Series, Payamnoor ...
  • Hosseinalizadeh M, Hassanalizadeh N, Babanezhad M and Rezanezhad M, ۲۰۱۴. ...
  • Mirzavand M and Ghazavi R, ۲۰۱۵. A stochastic modelling technique ...
  • Narasimha Murthy KV, Saravanal R and Vijaya Kumar K, ۲۰۱۸. ...
  • Nazeri Tahrudi M, Khalili K, Abbaszade Afshar M and Nazeri ...
  • Rahman AM, Yunsheng Y and Sultana N, ۲۰۱۷. Analysis and ...
  • Somvanshi VK, Pandey OP, Agrawal PK, Kalanker NV, Prakash MR ...
  • Toranjian A and Marofi S, ۲۰۱۷. Evaluation of deterministic and ...
  • نمایش کامل مراجع