کاربرد مدلهای استوکستیک سری زمانی در شبیه سازی و پیشبینی سطح ترازآب خزر جنوبی
محل انتشار: دومین کنگره ملی زیست شناسی و علوم طبیعی ایران
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 639
فایل این مقاله در 10 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:
BSCONF02_116
تاریخ نمایه سازی: 30 بهمن 1394
چکیده مقاله:
پیشبینی نوسانات تراز آب دریا نکته کلیدی در برنامهریزی و مدیریت بهینه دریا و از جمله حفاظت مناطق ساحلی است. بر این پایه دستیابی به روشهای مطمئن پیشبینی تراز به عنوان ابزاری بسیار کارآمد در مدیریت جامع دریا از اهمیت روزافزونی برخوردار است از سوی دیگر استفاده از روشهای استوکستیک جهت تحلیل سریهای زمانی در پیشبینی بسیار مناسب ارزیابی گردیده است. در این پژوهش داده های اندازه گیری شده ماهانه تراز آب دریای خزر در دو ایستگاه ترازسنجی بندر انزلی و بندر نوشهر به ترتیب به مدت 40 سال و 14 سال در حوزه خزر جنوبی مورد استفاده قرار گرفت و سپس با استفاده از آزمون ناپارامتری من-کندال جهت ارزیابی وجود یا عدم وجود روند در دادهها، روشهای مختلف پیشبینی و مدل- سازی در سریهای زمانی شامل مدلهای مختلف خود همبسته با میانگین متحرک تفاضلی ARIMA آریمای مکثر SARIMA توصیه شده در روش باکس و جنکینز بر داده ها برازش داده شد. در ادامه عملکرد مدلهای بکار رفته و دقت هر روش در پیش بینی مقادیر آتی تراز دریا توسط معیار اطلاعاتی آکاییکه AIC جهت تعیین بهترین مدل سری زمانی بکار گرفته شد. نتایج این پژوهش در ایستگاه های ترازسنجی نشان داد که در زمینه مدلسازی و پیشبینی مقادیر آینده سری زمانی تراز ایستگاه نوشهر، الگوی آریمای مکثر با مرتبه های بالاتر دقت بهتری دارند در حالیکه در سری زمانی داده های ایستگاه انزلی، مراتب پایین تر این الگو موفق تر هستند
کلیدواژه ها:
نویسندگان
مسعود دهباشی
دانشجوکارشناسی ارشد فیزیک دریا، دانشکده علوم دریایی، دانشگاه تربیت مدرس، نور
سید علی آزرم سا
دانشیارگروه فیزیک دریا، دانشکده علوم دریایی، دانشگاه تربیت مدرس، نور
مهدی وفا خواه
دانشیارگروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، نور
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 :