ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

تاثیر تفاضل گیری در ایستایی و دقت مدل های سری زمانی در پیش بینی تراز سطح دریاچه

سال انتشار: 1396
کد COI مقاله: JR_JWSC-24-3_004
زبان مقاله: فارسیمشاهد این مقاله: 150
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 18 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تاثیر تفاضل گیری در ایستایی و دقت مدل های سری زمانی در پیش بینی تراز سطح دریاچه

مهسا خادمی - دانشجو/دانشگاه رازی
حمید معینی - دانشجو/دانشگاه رازی
حسین بنکداری - استاد/دانشگاه رازی
عیسی ابتهاج - دانشجو/دانشگاه رازی

چکیده مقاله:

سابقه و هدف: یکی از فرض های بسیار مهم در مدل سازی سری های زمانی ایستا بودن آن است. میزان ایستای می تواند متفاوت باشد به طوری که در تعاریف منابع مختلف ایستایی مرتبه ی اول، مرتبه ی دوم، قوی و اکید تعریف شده است. لذا در این پژوهش به بررسی تاثیر تفاضل گیری های فصلی، غیرفصلی و توام بر میزان ایستایی سری زمانی پرداخته شد. همچنین تاثیر میزان ایستایی بر عملکرد مدل-های ARMA، ARIMA و SARIMA در مدل سازی و پیش بینی سری زمانی تراز ماهانه ی سطح دریاچه از جنبه های مختلف بررسی گردید. مواد و روش ها: بدین منظور از 96 داده ی ماهانه ی اندازه گیری شده از دریاچه ی میشیگان-هارن واقع در مرز کشورهای آمریکا و کانادا استفاده شد. 76 سال ابتدایی این داده ها برای دوره ی واسنجی و 20 سال انتهایی برای دوره ی اعتبارسنجی در نظر گرفته شد. ابتدا به کمک آزمون های من-کندال فصلی و فیشر وجود اجزاء روند و دوره در سری بررسی شد. این دو جز اصلی ترین عوامل ناایستا کننده سری زمانی هستند. سپس از تفاضل گیری های فصلی، غیرفصلی و هردو استفاده شد و نتایج با داده های بدون تفاضل گیری مقایسه شد. به منظور بررسی میزان ایستایی سری های به دست آمده نیز از نمودار ACF و آزمون دیکی-فولر تعمییم یافته استفاده شد. نوع و تعداد پارامترهای مورد نیاز در مدل ها نیز با استفاده از نمودار ACF برای هرکدام از این حالات تعیین گردید. سپس هرکدام از سری ها با استفاده از مدل مناسب خود، مدلسازی و پیش بینی شدند. یافته ها: بررسی ها نشان داد که هیچگونه روند و تناوبی در داده ها وجود ندارد و سری زمانی ایستا است. با این حال استفاده از تفاضل گیری های فصلی و توام میزان ایستایی را بیشتر می کنند. اما تفاضل گیری غیرفصلی سری را ناایستا می کند. استفاده ی همزمان از تفاضل گیری فصلی و غیرفصلی دارای بیشترین تاثیر در میزان ایستا شدن تراز سطح دریاچه است. مطابق با نمودار ACF، استفاده از تفاضل گیری توام باعث می شود که به استفاده از پارامترهای فصلی در مدل احتیاج پیدا شود. در صورتی که در دیگر حالت ها اینگونه نیست. بنابراین سری بدون تفاضل گیری با مدل ARMA، سری تفاضل گیری فصلی شده با مدل ARIMA و سری تفاضل-گیری توام شده با مدل SARIMA مدل سازی گردید. نتایج نشان داد که هنگام استفاده از تفاضل گیری توام، تعداد مدل های موردنیاز برای دستیابی به دقیق ترین پیش بینی به اندازه ی بسیار زیادی کاهش می یابد. به طوری که بدون تفاضل گیری به 1444 مدل ARMA نیاز بود که این میزان هنگام استفاده از تفاضل گیری های فصلی و غیرفصلی به 64 مدل SARIMA کاهش یافت. از طرف دیگر با استفاده از تعداد پارامترهای بسیار کمتر (2 پارامتر) در مدل SARIMA نتیجه ای مشابه و حتی بهتر از مدل ARMA با تعداد 21 پارامتر به دست آمد. نتیجه گیری: نتایج نشان داد که ایستاسازی هرچه بیشتر تراز ماهانه ی دریاچه که به خودی خود ایستاست، تعداد مدل ها و تعداد پارامترهای موردنیاز مدل ها را برای دست یابی به بهترین نتیجه به اندازه ی زیادی کاهش می دهد. بدین منظور تفاضل گیری توام بیشتر از سایر روش ها سری موردنظر را ایستا نمود.

کلیدواژه ها:

پیش بینی, سری زمانی, سطح دریاچه, آریما, ساریما

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/953806/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خادمی، مهسا و معینی، حمید و بنکداری، حسین و ابتهاج، عیسی،1396،تاثیر تفاضل گیری در ایستایی و دقت مدل های سری زمانی در پیش بینی تراز سطح دریاچه،،،،،https://civilica.com/doc/953806

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396، خادمی، مهسا؛ حمید معینی و حسین بنکداری و عیسی ابتهاج)
برای بار دوم به بعد: (1396، خادمی؛ معینی و بنکداری و ابتهاج)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • Azad Talatapeh, N., Behmanesh, J., and Montasari, M. 2013. Predicting ...
  • Evapotranspiration Using Time Series Models (Case study: Urmia). J. Water ...
  • : 1. 213-223. (In Persian) ...
  • Bolyani, Y., Fazelnia, G., and Bayat, A. 2012. Analysis and ...
  • Shiraz using ARIMA model. Geographic Space. 12: 38. 127-144. (In ...
  • Brockwell, P.J., and Davis, R.A. 1991. Time series: theory and ...
  • Springer Science & Business Media, NY, 577p. ...
  • Chebaane, M., Salas, J.D., and Boes, D.C. 1995. Product periodic ...
  • modeling intermittent monthly stream flows. J. Water Resour. Res. 31: ...
  • Çimen, M., and Kisi, O. 2009. Comparison of two different ...
  • modeling lake level fluctuations in Turkey. J. Hydrol. 378: 3-4. ...
  • Cryer, J.D., and Chan, K.S. 2008. Time Series Analysis With ...
  • Springer, NY, 491p. ...
  • Giri, A., and Singh, N.B. 2014. Comparison of Artificial Neural ...
  • Quality Prediction of River Ganga. Environ. Res. J. 8: 2. ...
  • Hirsch, R.M., and Slack, J.R. 1984. A nonparametric trend test ...
  • dependence. J. Water Resour. Res. 20: 6. 727-732. ...
  • Kashyap, R.L., and Ramachandra Rao, A. 1976. Dynamic stochastic models ...
  • data. Academic press, NY, 352p. ...
  • Khatibi, R., Ghorbani, M., Naghipour, L., Jothiprakash, V., Fathima, T., ...
  • 4. Inter-comparison of time series models of lake levels predicted ...
  • strategies. J. Hydrol. 511: 530-545. ...
  • Khazaee, M., and Mirzaee, M. 2014. Forecasting the climatic variables ...
  • analysis of Zohre catchment. Sci. J. Manage. Syst. 14: 34. ...
  • Kisi, Ö. 2004. River flow modeling using artificial neural networks. ...
  • Kisi, O., and Cigizoglu, H.K. 2007. Comparison of different ANN ...
  • prediction. J. Civil Engin. Environ. Syst. 24: 3. 211-231. ...
  • Kisi, O., Shiri, J., Karimi, S., Shamshirband, Sh., Motamedi, Sh., ...
  • R. 2015. A survey of water level fluctuation predicting in ...
  • machine with firefly algorithm. J. Appl. Math. Comp. 270: 731-743. ...
  • Makarynska, D., and Makarynskyy, O. 2008. Predicting sea-level variations at ...
  • Keeling) Islands with artificial neural networks. J. Comp. Geosci. 34: ...
  • Marco, J.B., Harboe, R., and Salas, J.D. 1993. Stochastic hydrology ...
  • resources systems simulation and optimization. Springer Science & Business Media, ...
  • Peniscola, Spain, 483p. ...
  • Maroofi, S., Khotar, B., Sadeghifar, M., Parsafar, N., and Ildormi, ...
  • drought using SARIMA time series and SPI index in the ...
  • province. 28: 1. 213-235. (In Persian) ...
  • Omidi, R., Radmanesh, F., and Zarei, H. 2013. River flow ...
  • models. The First National Conference on Challenges on Water Resources ...
  • th February, Khorasgan Branch of Islamic Azad university, Iran, 8p. ...
  • Peña, D., Tiao, G.C., and Tsay, R.S. 2011. A course ...
  • Sons, INC, NY, 460p. ...
  • Poormohammadi, S., Malekinezhad, H., and Poorshareyati, R. 2013. Comparison of ...
  • and time series appropriately in prediction of ground water table ...
  • basin). J. Water Soil Cons. 20: 4. 251-262. (In Persian) ...
  • Said, S.E., and Dickey, D.A. 1984. Testing for unit roots ...
  • models of unknown order. Biometrika. 71: 3. 599-607. ...
  • Salas, J.D., Delleur, J.W., Yevjevich, V., and Lane, W.L. 1980. ...
  • hydrologic time series. Water Resources Publication, Colorado, 484p. ...
  • Shafaei, M., and Kisi, O. 2015. Lake Level Forecasting Using ...
  • Shamim, M.A., Hassan, M., Ahmad, S., and Zeeshan, M. 2015. ...
  • Neural Networks (ANN) and Local Linear Regression (LLR) techniques for ...
  • monthly reservoir levels. KSCE J. Civil Engin. 8p. DOI: 10.1007/s12205-015-0298-z. ...
  • Sharma, N., Zakaullah, M., Tiwari, H., and Kumar, D. 2015. ...
  • modeling using ANN and support vector machines: a case study ...
  • Modeling Earth Systems Environment 1 (23), 8p. DOI: 10.1007/s40808-015-0027-0. ...
  • St-Hilaire, A., Ouarda, T.B., Bargaoui, Z., Daigle, A., and Bilodeau, ...
  • water temperature forecast model with a k-nearest neighbour approach. J. ...
  • Tao, P.C., and Delleur, J.W. 1976. Seasonal and nonseasonal ARMA ...
  • J. Hydrol. Div. 102: 10. 1541-1559. ...
  • Veisipoor, H., Samakoosh, J.M., Sahneh, B., and Yousofi, Y. 2010. ...
  • precipitation and temperature using time series models (ARIMA). Geography. 4: ...
  • Wald, A.B., and Wolfowitz, J.A. 1943. An exact test for ...
  • case based on serial correlation. The Annals of Mathematical Statistics. ...
  • Wang, W.C., Chau, K.W., Xu, D.M., and Chen, X.Y. 2015. ...
  • of Annual Runoff Time Series Using ARIMA Based on EEMD ...
  • Resour. Manage. 29: 8. 2655-2675. ...
  • Wilcox, D.A., Thompson, T.A., Booth, R.K., and Nicholas, J.A. 2007. ...
  • variability and water availability. J. Great Lakes. Geological Survey Circular. ...
  • Jabbari Gharabagh, S., Rezaei, H., and Mohammadnezhad, B. 2015. Comparison ...
  • reconstructed phase space and chaotic behavior of Nazloochay river flow ...
  • temporal scales. J. Water Soil Cons. 22: 5. 135-151. (In ...
  • Rajaei, T., and Ebrahimi, H. 2015. Application of wavelet-neural network ...
  • forecasting of groundwater level time series with non-stationary and nonlinear ...
  • characteristics. J. Water Soil Cons. 22: 5. 99-115. (In Persian) ...
  • Ahmadi, F., Dinpazhooh, Y., Fakherifard, A., Khalili, K., and Darbandi, ...
  • Nonlinear Time Series Models and Genetic Programming for Daily River ...
  • Case study: Barandouz-Chai River). J. Water Soil Cons. 22: 1. ...
  • Rajaei, T., and Broomand, A. 2016. Prediction of Monthly Dissolved ...
  • and Artificial Neural Network Combined Model. J. Water Soil Cons. ...
  • Altunkaynak, A. 2014. Predicting water level fluctuations in Lake Michigan-Huron ...
  • wavelet-expert system methods. Water resources management. 28: 8. 2293-2314. ...
  • Coulibaly, P. 2010. Reservoir computing approach to Great Lakes water ...
  • J. Hydrol. 381: 1. 76-88. ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 9,040
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی