ارزیابی مدل‌های سری زمانی به‌منظور برآورد متوسط دمای ماهانه در ایستگاه‌های سینوپتیک قدیمی ایران طی دوره آماری 2005-1977

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه مهندسی آب ، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان

2 دانشجویان کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان

چکیده

با توجه به تأثیر دما در شرایط اقلیمی هر منطقه و اهمیت پیش­بینی آن در برنامه­ریزی­های محیطی، استفاده از روش­های آماری به­منظور مطالعه تغییرات و پیش­بینی دما، کاربرد وسیعی پیدا کرده است. روش­های آماری ابزارهایی کارآ و مفید برای درک و ارزیابی رفتار اقلیم به­شمارمی­روند. از الگوهای آماری پرکاربرد در این زمینه، می­توان به الگوهای خانواده آریما اشاره نمود. در این الگوی آماری مقادیر براساس رفتارهای گذشته­ مدل­سازی شده و سپس پیش­بینی می­شوند. در پژوهش حاضر، با استفاده از مدل­های خانواده آریما، ابتدا با بررسی وجود یا عدم وجود روند و ارزیابی توابع خودهمبستگی(ACF)و خودهمبستگی جزئی(PACF)در دوره آماری (2005-1977)، مدل­های سری زمانی مختلف به داده­های میانگین دمای ماهانه در ایستگاه­های سینوپتیک ایران برازش داده شد. سپس با استفاده از معیار آکائیک و بیزی شوارز بهترین مدل از میان مدل­های به­کار گرفته شده برای هر ایستگاه انتخاب گردید .نتایج این مطالعه بیانگر قابلیت مدل­های غیر فصلی آریما برای تعیین روند پارامتر دما در گستره ایران می­باشد. به کمک الگوهای آماری بدست آمده برای هر ایستگاه می­توان پارامتر دما را در مقیاس ماهانه در دوره­های آتی پیش­بینی نمود.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluating Time Series Models to Estimate Monthly Temperature of Iran’s Old Synoptic Stations During 1977-2005

نویسندگان [English]

  • Safar Marofi 1
  • Saba Saghaei 2
  • Farnaz Ershadfath 2
  • Behnaz Khatar 2
چکیده [English]

Noting the temperature effect on climate of any region and its importance in environmental planning, using statistical methods to study and predict the changes of temperature has a wide application. Statistical methods are considered as useful and efficient tools to evaluate and understand the climate’s behaviors. The ARIMA family models can be mentioned as a group of the widely used statistical models, which are capable of modeling and forecasting the climatic data, based on their past behaviors. In the present study, initially different time series’ models were fitted to the monthly temperature data of Iran considering the existence and lack of trend and evaluating the autocorrelation and partial autocorrelation functions for the period 1977-2005. Then the optimum model was selected using the AIC and SBC criteria for each station. The results showed that annual time series’ models can be used for simulating and predicting the monthly temperature parameter.

کلیدواژه‌ها [English]

  • ARIMA
  • Iran
  • Temperature
  • Time Series

مراجع

بختیاری ب، 1384. نگرش تحلیلی بر تغییر اقلیم بارندگی در دمای شهر کرمان. سومین کنفرانس تغییر اقلیم، 21 و 22 اردیبهشت.  دانشگاه اصفهان.
جلالی ع و خنجر س، 1388. بررسی نوسانات دمایی با استفاده از سری­های زمانی و توزیع احتمالاتی. مجله پژوهشی فضای جغرافیایی، سال 9، شماره 27. صفحه­های 115 تا 132.
جلالی م کارگر ح، 1390. تحلیل مدلسازی آماری دمای ایستگاه بوشهر 2005-1951. فصلنامه علمی پژوهشی فضای جغرافیایی، سال 11، شماره 33. صفحه­های 149 تا 173.
جهانبخش س و باباپور باصر ع، 1380. بررسی و پیش بینی متوسط دمای ماهانه تبریز با استفاده از مدل آریما. فصلنامه تحقیقات جغرافیایی، شماره 578. صفحه­های 36 تا 46.
خرمی م و بزرگ نیا ا، 1386. تجزیه و تحلیل سری‌های زمانی با نرم افزار MINITAB14 انتشارات سخن گستر. 151 صفحه.
دودانگه ا، عابدی کوپائی ج و گوهری ع ر، 1391. کاربرد مدل­های سری زمانی به منظور تعیین روند پارامترهای اقلیمی در آینده در راستای مدیریت منابع آب. مجله علوم وفنون کشاورزی و منابع طبیعی، علوم آب و خاک. سال شانزدهم. شماره 59. صفحه­های 59 تا 74.
عساکره ح، 1388. الگوسازی ARIMA برای میانگین سالانه دمای شهرتبریز. فصلنامه تحقیقات جغرافیایی، شماره 92. صفحه­های 3 تا 24.
کارآموز م. عراقی نژاد ش، 1384. هیدرولوژی پیشرفته. انتشارات دانشگاه امیر کبیر. 132 صفحه.
مسعودیان س ا و کاویانی م ر، 1387. اقلیم­شناسی ایران. انتشارات دانشگاه اصفهان. 265 صفحه.
Aflatooni M and Mardaneh M, 2011. Time series analysis of ground water table fluctuations due to temperature and rainfall change in Shiraz plain International Journal of Water Resources and Environmental Engineering. 3(9):176-188.
Akaike H, 1974. A looks at the statistical model identification. IEEE Trans Automatic Control AC. 19:716-732.
Anonymous, 2001. The Third Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, USA 881pp.
Box G and Cox D. R, 1964. An analysis of transformations, Journal Roy. Stat. 26: 211- 252.
Box G, Jenkinks G, 1976. Time Series Analysis: Forcasting and Control, Holden-Day, Sun Francisco. 575 pp.
Box G, Jenkinks G and Reinsel G, 1994. Time Series Analysis: Forcasting and Control, Third Edition, Holden-Day, Sun Francisco.
Brockwell P, and Davis R, 2002. Introduction to Time Series and Forecasting. Springer, New York.
Brunetti M, Buffoni L, Maugeri M and Nanni T, 2000. Trends in minimum and maximum daily temperatures in Italy from 1865 to 1996. Theoretical and Applied Climatology 66: 49-60.
De Gaetano A, 1996. Recent trends in the maximum and minimum temperature due to greenhouse gases. Journal of Geophysical Research 95: 16617-16632.
Del Rio S, Fraile R, Herrero L and Penas A, 2007. Analysis of recent trends in mean maximum and minimum temperatures in a region of the NW of Spain (Castilla y Leon). Theoretical and Applied Climatology 90: 1-12.
Dhorde A and Gadgil AS, 2009. Long-term temperature trends at four largest cities of India during the twentieth century. Journal of Indian Geophysical Union 13 (2): 85-97.
Esteban-Parra MJ and Rodrigo FS, 1995. Temperature trends and change points in the northern Spanish Plateau during the last 100 years. International Journal of Climatology 15: 1031-1042.
Gadgil A. and Dhorde A, 2005. Temperature trends in twentieth century at Pune, India. Atmospheric Environment 35:6550-6556.
Karl TR, Diaz, HF and Kukla G, 1988. its detection and effect in the United States climate record. Journal of Climate.1: 1099-1123.
Marengo JA and Camargo CC, 2008. Surface air temperature trends in Southern Brazil for 1960-2002. International Journal of Climatology 28: 893- 904.
Mishra AK and Desai VR, 2005. Drought forecasting using stochastic models. Stochastic Environmental Research and Risk Assessment. 19: 326-339.
Mondal M and Wasimi S, 2006. Generating and forecasting monthly flows of the Ganges River with PAR model. Journal of Hydrology 323(1-4): 41-56.
Salas J.D, 1993. Analysis and Modeling of hydrological Time Series, New York 72 PP.
Serra C, Burgueno A and Lana X, 2001. Analysis of maximum and minimum daily temperatures recorded at Fabra observatory (Barcelona, NE Spain) in the period 1917–1998. International Journal of Climatology 21: 617-636.
Su BD, Jiang T and Jin WB, 2006. Recent trends in observed temperature and precipitation extremes in the Yangtze River basin, China. Theoretical and Applied Climatology 83: 139-151.
Wibig J and Glowicki B, 2002. Trends of minimum and maximum temperature in Poland. Climate Research 20: 123-133.
Zekai S, 1998. Small sample Estimation of the variance of time average in climate time Series. International journal of Climatology 16: 463-477.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار