پیش بینی و بررسی متوسط دمای ماهانه با استفاده ازمدل‌های سری زمانی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، گروه مرتع و آبخیزداری، دانشگاه فسا، شهر فسا

2 استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فسا، شهر فسا

چکیده

دما یکی از مهم‌ترین پارامترهای هواشناسی است که در بسیاری از مطالعات مورد استفاده قرار می‌گیرد. این پارامتر در بررسی‌های تغییر اقلیم و کشاورزی از اهمیت ویژه‌ای برخوردار است، بطوری که افزایش درجه حرارت یکی از مسائل مهم زیست‌محیطی بشر به حساب می‌آید. بنابراین بررسی و پیش‌بینی تغییرات آن در دوره دراز مدت می‌تواند بر مدیریت صحیح منابع آب و خاک و تامین نیاز آبی گیاهان موثر باشد. در این مطالعه با استفاده  از داده‌های 47 ساله (7196-2014) ایستگاه فسا و همچنین مدل ARAR اقدام به پیش‌بینی متوسط دمای ماهانه برای 6 سال آینده ( تا سال 2020) در نرم‌افزار ITSM گردید. بر اساس نتایج بدست آمده بهترین مدل فیت شده بر داده‌ها مدل AR (26,1)  بر گرفته از روش Burg با شاخص آکاییکی برابر با 91/2609 بود. بر اساس این مدل ضرایب Z(t-1) در تاخیر‌های 21، 22 و 23 معنی‌دار نیستند که در مدل صفر در نظر گرفته شدند. با توجه به  P-value آزمون Turning points در تاخیر‌های مختلف که بزرگ‌تر از 05/0 بود می‌توان قابل اطمینان بودن پیش‌بینی انجام شده را استنباط نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction and evaluation of average monthly temperature using time series models

نویسندگان [English]

  • , Abdol Rassoul Zarei 1
  • Mohammad Mehdi Moghimi 2
1 Assistant professor in Department of Rang and Watershed Management. Faculty of Agricultural Science. Fasa University, Iran.
2 Department of water engineering, College of Agriculture, Fasa University, Fasa, Iran
چکیده [English]

Temperature is one of the most important climate parameters that used in many studies. This parameter is very important in assessment of climate changes and agricultural science, so that the temperature rise is one of the important environmental challenges for humans. Therefore its evaluation and prediction in long term can be effective in correct management of water and soil resources and preparation of plant water requirement. In this research were used Time series models, ARAR model and ITSM software to Prediction and evaluation of monthly temperature in Fasa Station (47 years from 1967 to 2014). In this research average monthly temperature in Fasa Station predicted for 6 next years (from 2015 to 2020). Result showed that based on the autocorrelation and partial autocorrelation diagrams, the AR Burg (26, 1) model with AICC index equivalent 2609.91 was the best fitted to the considered data set. According to results coefficient of model (Z(t-1)) is insignificant at 21, 22 and 23 lags therefore this coefficient set zero. The P-value of the turning points test statistic for different lags is greater than the significance level of 5%, which indicates that the residuals are uncorrelated, therefore can be said predicted data are thrust.

کلیدواژه‌ها [English]

  • Key words: Time series
  • Temperature prediction
  • Temperature changes
  • Fasa Station

جمشیدی، و. 1386. آنالیز دما و بارندگی شهر تهران با استفاده از سری زمانی، پایانامه کارشناسی ارشد، دانشگاه تربیت مدرس.

جهاندیده، م. و ا، شیروانی. 1390. پیش‌بینی خشکسالی بر پایه نمایه بارش استاندارد شده با استفاده از مدل‌های سری های زمانی در استان فارس، مجله پژوهش آب ایران ،1390 ، شماره : 9 ، ص  19 -28.

خردمندنیا، م. و ح، عساکره. 1380.  الگوسازی ARIMA برای متوسط درجه حرارت سالانه هوا در جاسک ،  سمینار احتمال و فرآیندهای تصادفی، شماره3 ، اصفهان، ص 121-132. 

خورشیددوست، ع،  م.  ر، صنیعی. ی، قویدل رحیمی. 1388. پیش بینی دماهای کرانگین اصفهان با استفاده از روش سری های زمانی ، نشریه فضای جغرافیایی، دوره 9، شماره 26، ص 31-48.

 

مالکی، م . 1368. بررسی و مدل سازی دما در شرق کشور. پایان نامه کارشناسی ارشد، دانشگاه شهید بهشتی، ص184.

میرموسوی، ح. م، جلالی. ه، آبختی گروسی. ن، خائفی. 1393. تحلیل الگوهای سری زمانی بارش در ایستگاه هواشناسی خوی، نشریه  فضای جغرافیایی،  دوره 14 ، شماره 47، ص 1 - 17.

ویسی پور، ح.  ج، معصوم پور سماکوش. ب، صحنه. ی، یوسفی. 1389. تحلیل پیش بینی روند بارش و دما با استفاده از مدل های سری زمانی (ARIMA) نمونه موردی: شهرستان کرمانشاه، نشریه جغرافیا، دوره 4، شماره 12، ص 63-77.

Bloomfield, P and D, Nychka. 1992. Climate spectra and detecting climate change, Climatic Change, Vol. 21(3): 275-287. (In Persian)

Bowerman, B, L and R, T, Connel. 1979. Time Series and Forecasting, PWS publisher.

Folland, C, K. 1990. Observed climatic variation and change, Climate change, Cambridge University Press: 195-238.

Hansen, J and S, Lebedeff. 1988. Global surface air temperatures: Update through 1987. Geophysical Research Letters, Vol. 15(4): 323-326.

Kamali, A., Mahmoudian Shushtari, M and I, N, Kamali. 2006. The forecast monthly input Abbaspour reservoir using time series Box-Jenkins. 7th International Seminar on River Engineering, January, Ahvaz, Iran.

Jones, D., Raper, B., Bradley, S., Diaz, F., Kellyo, P and T, Wigley. 1986. Northern hemisphere surface air temperature variations, Journal of Climate and Applied Meteorology, Vol. 25(2): 161-179.

Noakes, D.J., Mcleod, A.I., and W, Hipel. 1985. Forecasting Monthly River flow time series. International Journal of Forecasting, Vol. 1(2): 179–190.

Rasuli, A, A. 2002. Modeling of climate parameters in north-west country, Forecasting monthly temperature of Tabriz city (Iran) by ARIMA model, Journal of Sociology Science, (8): 211-221.

Salas .1996. Applied Time Series in Hydrology, Mc Grew Hill.