5 نتیجه برای سری زمانی
اسماعیل دودانگه، جهانگیر عابدی کوپائی، سید علیرضا گوهری،
جلد 16، شماره 59 - ( 1-1391 )
چکیده
در نتیجه نقش مهم پارامترهای اقلیمی از جمله تابش، دما، بارش و در نهایت تبخیر در مدیریت منابع آب، در این مطالعه به منظور پیش-بینی پارامترهای اقلیمی مدل‌های سری زمانی ARIMA به کار گرفته شد. بدین منظور پس از بررسی داده‌های اقلیمی از نظر نرمال بودن آزمون ناپارامتریک من- کندال برای بررسی روند داده‌ها در سطح اطمینان 95 درصد به کار گرفته شد و پارامترهای درصد رطوبت نسبی و تبخیر با دارا بودن روند معنیدار (348/0- و 42/0- سانتی‌متر در سال) و نیز دمای هوا، سرعت باد و تعداد ساعات آفتابی به منظور انجام مدل‌سازی انتخاب گردید. ابتدا با توجه توابع خودهمبستگی (ACF) و خودهمبستگی جزئی(PACF) و نیز وجود یا عدم وجود روند در داده‌ها سعی گردید تا مدل‌های سری زمانی مناسب به داده‌های مورد نظر برازش داده شود. پس از انتخاب مدل‌ها معنی‌داری پارامترها با برآورد خطای معیار و مقادیر بررسی گردید و نیز شرایط ایستایی و معکوس‌پذیری پارامترهای اتورگرسیو و میانگین متحرک مورد آزمون قرار گرفت. سپس آزمون‌های نکوئی برازش از جمله آزمون کلوموگروف- اسمیرنوف، اندرسون دارلینگ و رایان-جوینر برای صحت‌سنجی مدل‌ها به کار گرفته شد و در نهایت مدل ، ، ، و به ترتیب برای داده‌های درصد رطوبت نسبی، تبخیر، دمای هوا، سرعت باد و ساعات آفتابی برازش داده شد و پیش‌بینی‌ها براساس مدل‌های مذکور صورت گرفت. سپس روند داده‌های پیشبینی شده به منظور بررسی تغییرات اقلیمی تعیین گردید. نتایج این مطالعه بیانگر سودمندی مدل‌های سری زمانی در مطالعات منابع آب از طریق پیشبینی پارامترهای اقلیمی و تعیین روند پارامترهای اقلیمی در آینده است.
مریم صادقیان، حجت کرمی، سیدفرهاد موسوی،
جلد 21، شماره 4 - ( 11-1396 )
چکیده
امروزه، شناخت بیشتر خشکسالی و ایجاد سیستم‌های پایش آن، بخصوص در دوره‌های کوتاه مدت، و افزودن قابلیت پیشبینی به این سیستم‌ها، می‌تواند منجر به ارائه راهکارهای مناسبتری در بخش‌های مدیریت تخصیص منابع آب گردد. در این پژوهش، با استفاده از روش‌های پیشبینی سری‌های زمانی، سیستم‌های استنتاج فازی- عصبی تطبیقی و شبکه‌های عصبی مصنوعی سعی شده مدل‌های مناسب جهت پیشبینی خشکسالی شهرستان سمنان ارائه گردد. در این مدل‌سازی‌ها از داده‌های میانگین ماهانه پارامترهای هواشناسی مانند بارندگی، دما، حداکثر دما، حداقل دما، رطوبت نسبی، حداکثر رطوبت نسبی، حداقل رطوبت نسبی و شاخص خشکسالی SPI طی دوره آماری 1966 تا 2013 استفاده شده است. نتایج نشان داد که از بین انبوه مدل‌های ساخته شده، مدل ANFIS با ورودی‌های میانگین بارش، میانگین حداکثر دما، SPI و داده‌های یک ماه قبل آنها، با 10 قانون و تابع عضویت گوسی، با مقادیر RMSE برابر 777/0، MAE برابر 593/0 و ضریب همبستگی 4/0 در مرحله آموزش و RMSE برابر 837/0، MAE برابر 644/0 و ضریب همبستگی 362/0 در مرحله آزمون، به‌عنوان مدل برتر انتخاب شد. سپس، پارامترهای ورودی این مدل با استفاده از مدل ARIMA برای 12 ماه آینده پیشبینی گردید و به‌عنوان ورودی به مدل مذکور معرفی شدند و SPI برای 12 ماه آینده پیشبینی شد. روش‌های شبکه عصبی مصنوعی و سری زمانی با اختلاف کم در مقادیر خطا، در رتبه‌های بعد قرار گرفتند. پارامترهای ورودی SPI و دما عملکرد مناسبتر و پارامتر بارش عملکرد ضعیف‌تری را داشتند.
همایون فقیه، جواد بهمنش، کیوان خلیلی،
جلد 22، شماره 1 - ( 3-1397 )
چکیده
بارش، از مؤلفه های اصلی بیلان آب در هر منطقه بوده و توسعه روش های کارآمد برای برآورد توزیع مکانی و زمانی آن از اهمیت قابل توجهی برخوردار است. هدف از این پژوهش بررسی کارایی مدل چند مکانی خودهمبسته (Multiple-site auto regressive model) مرتبه اول برای برآورد مکانی- زمانی بارش سالانه در استان کردستان بود. بدین منظور هشت ایستگاه همدیدی (Synoptic) که دارای آمار بلندمدت، بودند انتخاب شد. برای تعیین پارامترهای مدل، داده های دوره آماری 21 ساله (1391- 1371) به کار برده شد. این پارامترها با محاسبه همبستگی های با تأخیر صفر (Lag0) و یک (Lag1) در سری های زمانی بارش سالانه ایستگاه ها به دست آمدند. در این روش بارش منطقه در سال t براساس بارش سال قبل آن (t-1) برآورد شد. برای ارزیابی مدل، بارش سالانه منطقه در سال های 1392 و 1393 به وسیله مدل برآورد و با داده های مشاهده ای مقایسه شد. نتایج حاکی از دقت مناسب این مدل در پیشبینی مقدار بارش سالانه این منطقه بود. درصد خطای مدل در برآورد بارش سالانه منطقه برای سال های 1392 و 1393 به ترتیب 9/7 و 3/17 درصد به دست آمد. همچنین ضریب همبستگی داده های برآورد شده و مشاهده شده در سطح معنی داری کمتر از یک درصد معنیدار شد (978/0 R=). علاوه‌بر این عملکرد مدل از نظر تولید داده مناسب بود. به طوری که مشخصات آماری داده های تولیدی و داده های تاریخی ثبت شده، مشابه بودند و اختلاف معنی‌داری نداشتند. بنابراین با توجه به کارایی مناسب این مدل در پیشبینی و تولید بارش سالانه، کاربرد آن برای کمک به مدیریت بهتر منابع آب این منطقه قابل توصیه است.
علی شاهبایی کوتنایی، مجید فرومدی، امید احمدی،
جلد 22، شماره 3 - ( 8-1397 )
چکیده
یکی از مسائل مهم جهان در عصر حاضر، پدیده تغییر اقلیم است. این پدیده بر نحوه رفتار و ویژگی‌های فراسنج‌های اقلیمی تأثیرگذار است و موجب بروز تغییرات آشکار و نهان در آنها می‌شود. یکی از روش‌های کارامد برای تشخیص رفتارهای بسامدی آشکار و پنهان در سری داده‌های اقلیمی، روش تحلیل طیفی است که با تحلیل واریانس هر کدام از طول موج‌های سری این رفتارها را مشخص می‌سازد. بر این اساس در پژوهش حاضر تلاش شد تا با استفاده از روش تحلیل طیفی، چرخه‌های موجود در داده‌های دمای کمینه، دمای بیشینه و بارش ایستگاه‌های رامسر (واقع در مناطق غربی استان مازندران) و بابلسر (واقع در بخش‌های مرکزی این استان) در دوره 1961 تا 2014 تحلیل شود. بدین منظور داده‌های دما و بارش ایستگاه‌های مذکور به محیط به نرم‌افزار MATLAB وارد و در محیط این نرم‌افزار، دوره‌نگار هر کدام از فراسنج‌ها در ایستگاه‌های مورد مطالعه، ترسیم شد. نتایج بررسی دوره‌نگارها مشخص کرد که دمای کمینه در هر دو ایستگاه دارای چرخه‌های معناداری با دوره بازگشت دو تا پنج ساله است که متناسب با چرخه‌های شاخص‌های پیوند از دور مانند NAO، AO و ENSO است. انجام تحلیل روی دوره‌نگار بارش، چرخه‌های 8 و 5/13 ساله در رامسر و پنج ساله در بابلسر را نشان داد. علت تفاوت در طول چرخه‌های بارشی دو ایستگاه را می‌توان با تفاوت در موقعیت جغرافیایی آنها، جهت نفوذ و اثرگذاری سامانه‌های باران‌زا و تفاوت در سرعت تأثیرپذیری جو دو منطقه از شاخص‌های پیوند از دور توجیه کرد.
فرشاد حیاتی، احمد رجبی، محمد علی ایزدبخش، سعید شعبانلو،
جلد 25، شماره 1 - ( 3-1400 )
چکیده
تخمین و شبیه‌سازی روند بارندگی در نواحی مختلف جهان به‌دلیل خشکسالی و تغییر اقلیم از اهمیت فراوانی برخوردار است. در این مطالعه، یک مدل هوش مصنوعی ترکیبی برنامه‌ریزی بیان ژن- موجک (WGEP) برای مدل‌سازی بارندگی درازمدت 67 ساله شهر انزلی برای اولین بار توسعه داده شد. این مدل از ترکیب تبدیل موجک (Wavelet) و برنامه‌ریزی بیان ژن (GEP) به‌دست آمد. در ابتدا، بهینه‌ترین عضو خانواده تبدیل موجک معرفی شد. سپس با تجزیه و تحلیل نتایج مدل‌سازی، دقیق‌ترین تابع اتصال و برازش برای مدل برنامه‌ریزی بیان ژن به‌دست آمد. در ادامه، با استفاده از تابع خودهمبستگی و خودهمبستگی نسبی و تأخیرهای مختلف، 15 مدل WGEP توسعه داده شد. مدل‌های WGEP برای بازه‌های زمانی 37، 20 و 10 ساله به‌ترتیب آموزش، آزمون و صحت‌سنجی شدند. همچنین، با انجام تحلیل حساسیت، مدل برتر و مؤثرترین تأخیرها برای شبیه‌سازی بارش درازمدت شناسایی شدند. مدل برتر مقادیر تابع هدف را با دقت بالایی تخمین زد. به‌عنوان مثال، مقادیر ضریب همبستگی و شاخص پراکندگی برای این مدل در شرایط صحت‌سنجی به‌ترتیب برابر با 0/946 و 0/310 محاسبه شدند. علاوه بر این، تأخیرهای شماره 1، 2، 4 و 12 به‌عنوان مؤثرترین تأخیرها در مدل‌سازی بارش توسط مدل ترکیبی معرفی شدند. همچنین، نتایج مدل برتر ترکیبی با مدل برنامه‌نویسی بیان ژن مقایسه شد که مدل ترکیبی دقت بیشتری داشت.
