
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,649,981 |
تعداد دریافت فایل اصل مقاله | 8,255,946 |
تأثیر تفاضل گیری در ایستایی و دقت مدل های سری زمانی در پیش بینی تراز سطح دریاچه | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 4، دوره 24، شماره 3، مرداد 1396، صفحه 59-76 اصل مقاله (1.82 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2017.11332.2574 | ||
نویسندگان | ||
مهسا خادمی* 1؛ حمید معینی1؛ حسین بنکداری2؛ عیسی ابتهاج1 | ||
1دانشجو/دانشگاه رازی | ||
2استاد/دانشگاه رازی | ||
چکیده | ||
سابقه و هدف: یکی از فرضهای بسیار مهم در مدلسازی سریهای زمانی ایستا بودن آن است. میزان ایستای می تواند متفاوت باشد به طوری که در تعاریف منابع مختلف ایستایی مرتبهی اول، مرتبهی دوم، قوی و اکید تعریف شده است. لذا در این پژوهش به بررسی تأثیر تفاضلگیریهای فصلی، غیرفصلی و توأم بر میزان ایستایی سری زمانی پرداخته شد. همچنین تأثیر میزان ایستایی بر عملکرد مدل-های ARMA، ARIMA و SARIMA در مدلسازی و پیشبینی سریزمانی تراز ماهانهی سطح دریاچه از جنبههای مختلف بررسی گردید. مواد و روشها: بدین منظور از 96 دادهی ماهانهی اندازه گیری شده از دریاچهی میشیگان-هارُن واقع در مرز کشورهای آمریکا و کانادا استفاده شد. 76 سال ابتدایی این دادهها برای دورهی واسنجی و 20 سال انتهایی برای دورهی اعتبارسنجی در نظر گرفته شد. ابتدا به کمک آزمونهای من-کندال فصلی و فیشر وجود اجزاء روند و دوره در سری بررسی شد. این دو جز اصلیترین عوامل ناایستا کننده سری زمانی هستند. سپس از تفاضل گیریهای فصلی، غیرفصلی و هردو استفاده شد و نتایج با دادههای بدون تفاضلگیری مقایسه شد. به منظور بررسی میزان ایستایی سریهای به دست آمده نیز از نمودار ACF و آزمون دیکی-فولر تعمییم یافته استفاده شد. نوع و تعداد پارامترهای مورد نیاز در مدلها 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. یافتهها: بررسیها 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 توأم میزان ایستایی را بیشتر می کنند. اما تفاضل گیری غیرفصلی سری را ناایستا می کند. استفادهی همزمان از تفاضلگیری فصلی و غیرفصلی دارای بیشترین تأثیر در میزان ایستا شدن تراز سطح دریاچه است. مطابق با نمودار ACF، استفاده از تفاضل گیری توأم 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 تفاضلگیری با مدل ARMA، سری تفاضلگیری فصلی شده با مدل ARIMA و سری تفاضل-گیری توأم شده با مدل SARIMA مدلسازی گردید. نتایج نشان داد که هنگام استفاده از تفاضلگیری توأم، تعداد مدلهای موردنیاز برای دستیابی به دقیقترین پیشبینی به اندازهی بسیار زیادی کاهش می یابد. به طوری که بدون تفاضلگیری به 1444 مدل ARMA نیاز بود که این میزان هنگام استفاده از تفاضلگیریهای فصلی و غیرفصلی به 64 مدل SARIMA کاهش یافت. از طرف دیگر با استفاده از تعداد پارامترهای بسیار کمتر (2 پارامتر) در مدل SARIMA نتیجهای مشابه و حتی بهتر از مدل ARMA با تعداد 21 پارامتر به دست آمد. نتیجهگیری: نتایج نشان داد که ایستاسازی هرچه بیشتر تراز ماهانهی دریاچه که به خودی خود ایستاست، تعداد مدلها و تعداد پارامترهای موردنیاز مدلها را برای دستیابی به بهترین نتیجه به اندازهی زیادی کاهش میدهد. بدین منظور تفاضلگیری توأم بیشتر از سایر روشها سری موردنظر را ایستا نمود. | ||
کلیدواژهها | ||
پیش بینی؛ سری زمانی؛ سطح دریاچه؛ آریما؛ ساریما | ||
مراجع | ||
1.Azad Talatapeh, N., Behmanesh, J., and Montasari, M. 2013. Predicting Potential Evapotranspiration Using Time Series Models (Case study: Urmia). J. Water Soil. 27: 1. 213-223. (In Persian) 2.Bolyani, Y., Fazelnia, G., and Bayat, A. 2012. Analysis and modeling annual temperature of Shiraz using ARIMA model. Geographic Space. 12: 38. 127-144. (In Persian) 3.Brockwell, P.J., and Davis, R.A. 1991. Time series: theory and methods. Second edition, Springer Science & Business Media, NY, 577p. 4.Chebaane, M., Salas, J.D., and Boes, D.C. 1995. Product periodic autoregressive processes for modeling intermittent monthly stream flows. J. Water Resour. Res. 31: 6. 1513-1518. 5.Çimen, M., and Kisi, O. 2009. Comparison of two different data-driven techniques in modeling lake level fluctuations in Turkey. J. Hydrol. 378: 3-4. 253-262. 6.Cryer, J.D., and Chan, K.S. 2008. Time Series Analysis With Applications in R. Second Ed., Springer, NY, 491p. 7.Giri, A., and Singh, N.B. 2014. Comparison of Artificial Neural Network Algorithm for Water Quality Prediction of River Ganga. Environ. Res. J. 8: 2. 55-63. 8.Hirsch, R.M., and Slack, J.R. 1984. A nonparametric trend test for seasonal data with serial dependence. J. Water Resour. Res. 20: 6. 727-732. 9.Kashyap, R.L., and Ramachandra Rao, A. 1976. Dynamic stochastic models from empirical data. Academic press, NY, 352p. 10.Khatibi, R., Ghorbani, M., Naghipour, L., Jothiprakash, V., Fathima, T., and Fazelifard, M. 2014. Inter-comparison of time series models of lake levels predicted by several modeling strategies. J. Hydrol. 511: 530-545. 11.Khazaee, M., and Mirzaee, M. 2014. Forecasting the climatic variables using time series analysis of Zohre catchment. Sci. J. Manage. Syst. 14: 34. 233-250. (In Persian) 12.Kisi, Ö. 2004. River flow modeling using artificial neural networks. J. Hydrol. Engin. 9: 1. 60-63. 13.Kisi, O., and Cigizoglu, H.K. 2007. Comparison of different ANN techniques in river flow prediction. J. Civil Engin. Environ. Syst. 24: 3. 211-231. 14.Kisi, O., Shiri, J., Karimi, S., Shamshirband, Sh., Motamedi, Sh., Petkovic, D., and Hashim, R. 2015. A survey of water level fluctuation predicting in Urmia Lake using support vector machine with firefly algorithm. J. Appl. Math. Comp. 270: 731-743. 15.Makarynska, D., and Makarynskyy, O. 2008. Predicting sea-level variations at the Cocos (Keeling) Islands with artificial neural networks. J. Comp. Geosci. 34: 12. 1910-1917. 16.Marco, J.B., Harboe, R., and Salas, J.D. 1993. Stochastic hydrology and its use in water resources systems simulation and optimization. Springer Science & Business Media, Peniscola, Spain, 483p. 17.Maroofi, S., Khotar, B., Sadeghifar, M., Parsafar, N., and Ildormi, A. 2014. Forecasting the drought using SARIMA time series and SPI index in the central region of the Hamedan province. 28: 1. 213-235. (In Persian) 18.Omidi, R., Radmanesh, F., and Zarei, H. 2013. River flow prediction using stochastic models. The First National Conference on Challenges on Water Resources and Agricultural, 13th February, Khorasgan Branch of Islamic Azad university, Iran, 8p. (In Persian) 19.Peña, D., Tiao, G.C., and Tsay, R.S. 2011. A course in time series analysis. John Wiley & Sons, INC, NY, 460p. 20.Poormohammadi, S., Malekinezhad, H., and Poorshareyati, R. 2013. Comparison of ANN and time series appropriately in prediction of ground water table (Case study: Bakhtegan basin). J. Water Soil Cons. 20: 4. 251-262. (In Persian) 21.Said, S.E., and Dickey, D.A. 1984. Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika. 71: 3. 599-607. 22.Salas, J.D., Delleur, J.W., Yevjevich, V., and Lane, W.L. 1980. Applied modeling of hydrologic time series. Water Resources Publication, Colorado, 484p. 23.Shafaei, M., and Kisi, O. 2015. Lake Level Forecasting Using Wavelet-SVR, WaveletANFIS and Wavelet-ARMA Conjunction Models. J. Water Resour. Manage. 30: 1. 79-97. 24.Shamim, M.A., Hassan, M., Ahmad, S., and Zeeshan, M. 2015. A comparison of Artificial Neural Networks (ANN) and Local Linear Regression (LLR) techniques for predicting monthly reservoir levels. KSCE J. Civil Engin. 8p. DOI: 10.1007/s12205-015-0298-z. 25.Sharma, N., Zakaullah, M., Tiwari, H., and Kumar, D. 2015. Runoff and sediment yield modeling using ANN and support vector machines: a case study from Nepal watershed. Modeling Earth Systems Environment 1 (23), 8p. DOI: 10.1007/s40808-015-0027-0. 26.St-Hilaire, A., Ouarda, T.B., Bargaoui, Z., Daigle, A., and Bilodeau, L. 2012. Daily river water temperature forecast model with a k-nearest neighbour approach. J. Hydrol. Proc. 26: 9. 1302-1310. 27.Tao, P.C., and Delleur, J.W. 1976. Seasonal and nonseasonal ARMA models in hydrology. J. Hydrol. Div. 102: 10. 1541-1559. 28.Veisipoor, H., Samakoosh, J.M., Sahneh, B., and Yousofi, Y. 2010. Analysis prediction the precipitation and temperature using time series models (ARIMA). Geography. 4: 12. 63-70. (In Persian) 29.Wald, A.B., and Wolfowitz, J.A. 1943. An exact test for randomness Ian the non-parametric case based on serial correlation. The Annals of Mathematical Statistics. 14: 4. 378-88. 30.Wang, W.C., Chau, K.W., Xu, D.M., and Chen, X.Y. 2015. Improving Forecasting Accuracy of Annual Runoff Time Series Using ARIMA Based on EEMD Decomposition. J. Water Resour. Manage. 29: 8. 2655-2675. 31.Wilcox, D.A., Thompson, T.A., Booth, R.K., and Nicholas, J.A. 2007. Water-level variability and water availability. J. Great Lakes. Geological Survey Circular. 1311, U.S., 25p. 32.Jabbari Gharabagh, S., Rezaei, H., and Mohammadnezhad, B. 2015. Comparison of reconstructed phase space and chaotic behavior of Nazloochay river flow at different temporal scales. J. Water Soil Cons. 22: 5. 135-151. (In Persian) 33.Rajaei, T., and Ebrahimi, H. 2015. Application of wavelet-neural network model for forecasting of groundwater level time series with non-stationary and nonlinear characteristics. J. Water Soil Cons. 22: 5. 99-115. (In Persian) 34.Ahmadi, F., Dinpazhooh, Y., Fakherifard, A., Khalili, K., and Darbandi, S. 2015. Comparing Nonlinear Time Series Models and Genetic Programming for Daily River Flow Forecasting (Case study: Barandouz-Chai River). J. Water Soil Cons. 22: 1. 151-169. (In Persian) 35.Rajaei, T., and Broomand, A. 2016. Prediction of Monthly Dissolved Oxygen Using Wavelet and Artificial Neural Network Combined Model. J. Water Soil Cons. 22: 6. 153-169. (In Persian) 36.Altunkaynak, A. 2014. Predicting water level fluctuations in Lake Michigan-Huron using wavelet-expert system methods. Water resources management. 28: 8. 2293-2314. 37.Coulibaly, P. 2010. Reservoir computing approach to Great Lakes water level forecasting. J. Hydrol. 381: 1. 76-88. | ||
آمار تعداد مشاهده مقاله: 1,589 تعداد دریافت فایل اصل مقاله: 1,308 |