پیش بینی تبخیر ماهانه به کمک مدل های خطی و غیرخطی سری زمانی (مطالعه موردی: ایستگاه تبخیرسنجی سد اکباتان)
محل انتشار: دو فصلنامه هواشناسی کشاورزی، دوره: 11، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 89
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_AGRIMET-11-1_004
تاریخ نمایه سازی: 3 مهر 1402
چکیده مقاله:
پیش بینی تبخیر بهعنوان یک جزء اصلی چرخه هیدرولوژیکی، اهمیت زیادی در مطالعات هواشناسی و منابع آب دارد. در این پژوهش، کارایی مدل های ARIMA، SARIMA، برنامه ریزی بیان ژن، رگرسیون خطی چندگانه، مونت کارلو و توماس فیرینگ در پیش بینی مقادیر ماهانه تبخیراز تشت بررسی گردید. بدین منظور، داده های تبخیر ماهانه ایستگاه تبخیرسنجی سد اکباتان در یک دوره ۴۷ ساله (۱۳۹۶-۱۳۵۰) مورد استفاده قرار گرفتند. از آمار دوره ۴۰ ساله ۱۳۸۹-۱۳۵۰ برای واسنجی و از داده های سالهای ۱۳۹۶-۱۳۹۰ جهت اعتبارسنجی مدلها نتایج استفاده گردید. معیارهای ارزیابی ضریب تبیین، ریشه میانگین مربعات خطا، خطای استاندارد، معیار اطلاعاتی آکائیک و ضریب نش- ساتکلیف برای ارزیابی و مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد که مدل SARIMA عملکرد دقیق تری در پیشبینی تبخیر ماهانه داشته و مدل های برنامه ریزی بیان ژن، ARIMA و رگرسیون خطی چندگانه به ترتیب در رتبه های دوم تا چهارم قرار دارند. با توجه به این که مدل برنامه ریزی بیان ژن از سهولت کاربست بیشتر و تعداد پارامتر کمتری نسبت به مدل SARIMA برخوردار است ، پیش بینی را آسان تر و در زمان کمتری انجام می دهد و در میان روشهای مورد استفاده قابل توصیه است.
کلیدواژه ها:
نویسندگان
حامد نوذری
دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
سعید آزادی
دانش آموخته دکتری مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
نادیا صدق نژاد
دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
سجاد پویان فر
دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
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 :