دوره 24، شماره 75 - ( 10-1403 )
جلد 24 شماره 75 صفحات 115دوره98فصل__Se |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
jahanbakhshasl S, mohammadkhorshiddoust A, abbsighasrik F, abbasighasrik Z. Precipitation, Time Series Models, Man-Kendall, Health Winters model, West Azerbaijan Province. jgs 2024; 24 (75) :98-115
URL: http://jgs.khu.ac.ir/article-1-3973-fa.html
URL: http://jgs.khu.ac.ir/article-1-3973-fa.html
جهانبخش اصل سعید، محمد خورشیددوست علی، عباسی قصریک فاطمه، عباسی قصریک زهرا. کاربرد تطبیقی مدل های سری زمانی در پیش بینی بارش استان آذربایجان غربی. نشریه تحقیقات کاربردی علوم جغرافیایی. 1403; 24 (75) :98-115
1- استاد گروه آب‌وهواشناسی دانشگاه تبریز، تبریز، ایران
2- استاد گروه آب‌وهواشناسی دانشگاه تبریز، تبریز، ایران ،khorshid@tabrizu.ac.ir
3- کارشناسی ارشد آب‌وهواشناسی دانشگاه تبریز، تبریز، ایران
2- استاد گروه آب‌وهواشناسی دانشگاه تبریز، تبریز، ایران ،
3- کارشناسی ارشد آب‌وهواشناسی دانشگاه تبریز، تبریز، ایران
چکیده: (3597 مشاهده)
ارزیابی و پیش بینی تغییرات اقلیمی در آینده به دلیل اثرات سوء آن بر منابع آبی و محیط طبیعی و همچنین دارا بودن اثرات زیست محیطی، اقتصادی و اجتماعی از اهمیت ویژهای برخوردار است. در این میان، بارش نیز از عناصر مهم اقلیمی محسوب می شود که در شرایط مازاد، خسارات فراوانی را به بار می آورد. استان آذربایجان غربی نیز از این خسارات مستثنی نیست. هدف پژوهش حاضر مدلسازی و پیش بینی بارش 30 ساله در استان آذربایجان غربی است. دوره آماری مورد مطالعه 32 سال (2019-1987) می باشد. ایستگاه های منتخب در سطح استان شامل ایستگاه های ارومیه، پیرانشهر، تکاب، خوی، سردشت، مهاباد و ماکو می باشند. از مدل های سری زمانی میانگین لغزان، ساریما (آریمای فصلی)، هلت وینترز برای تجزیه و تحلیل و پیش بینی استفاده شد و همچنین برای تعیین روند داده ها از رگرسیون خطی و آزمون من-کندال بهره گرفته شد. نتایج نشان دهنده روند افزایشی بارش در ایستگاه های ارومیه، پیرانشهر، خوی، سردشت و ماکو و روند کاهشی در دو ایستگاه تکاب و مهاباد می باشند. با توجه به نتایج حاصل از مقایسه مدل های مورد استفاده، مدل هلت وینترز با دارای بودن حداقل خطا در میانگین مطلق انحرافات، میانگین مجذور انحرافات و درصد میانگین مطلق خطاها بهترین مدل پیش بینی بارش برای استان آذربایجان غربی معرفی شد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اب و هواشناسی
فهرست منابع
1. احمدی، فرشاد، (1399). ارزیابی عملکرد روش¬های ماشین¬بردار پشتیبان و سیستم استنتاج عصبی فازی تطبیقی در پیش¬بینی جریانی ماهانه رودخانه¬ها (مطالعه مورد رودخانه¬های نازلو و سزار)، مجله تحقیقات آب‌وخاک ایران، (3)، ص 673-686.
2. جهانبخش اصل، سعید، قویدل رحیمی، یوسف، (1382). مدلسازی روند بارش و پیش‌بینی خشک‌سالی‌های حوضه آبریز دریاچه ارومیه، نشریه دانشکده علوم انسانی و اجتماعی دانشگاه تبریز، 34-49.
3. حلبیان، امیرحسین، دارند، محمد، (1391). پیش¬بینی بارش¬های اصفهان با استفاده از شبکه عصبی مصنوعی، نشریه علوم تحقیقات کاربردی علوم جغرافیایی، 12 (26)، 63-47.
4. حیدری، حسن، (1395). تحلیل روند تغییرات برف و باران در ایستگاه¬های منتخب استان آذربایجان¬غربی، دانشگاه ارومیه، فصلنامه مطالعات جغرافیایی در مناطق خشک، 7 (26)، 100-119.
5. رستم اصل، فرشاد، بیگی، حامد، راهدان، عباس، (1397). ارزیابی وضعیت اقلیمی با استفاده از شاخص میانگین متحرک و شاخص بارش استاندارد SPI. مجموع مقالات کنفرانسی، هفتمین کنفرانس ملی مرتع و مرتع‌داری ایران.
6. رضایی بنفشه، مجید، اسماعیل¬پور، مرضیه ، ارسالی، هاجر، (1396). تحلیل آماری تاریخ آخرین یخبندان بهاره در ایستگاه سینوپتیک مراغه، مجموع مقالات کنفرانسی، اولین همایش اندیشه¬ها و فناوری¬های نوین در علوم جغرافیایی.
7. سلگی، اباذری، زارعی، حیدر، شهنی دارابی، مهرنوش؛ علیدادی ده کهنه، صابر، (1397). کاربرد مدل¬های برنامه¬ریزی بیان ژن و ماشین بردار رگرسیونی جهت مدل¬سازی و پیش¬بینی بارش ماهانه، نشریه تحقیقات کاربردی علوم جغرافیایی، 18 (50)، 103-91.
8. سمندری، رباب، (1397). تحلیل آماری و پیش¬بینی احتمال وقوع بارش¬های سنگین شمال غرب کشور، پایان‌نامه کارشناسی ارشد، به راهنمایی بتول زینالی و برومند صلاحی، دانشکده ادبیات و علوم انسانی، گروه جغرافیا، دانشگاه محقق اردبیلی.
9. صالحی، مریم، (1393). پیش‌بینی سیلاب با استفاده از شبکه عصبی مصنوعی و سری زمانی، پایان‌نامه کارشناسی ارشد، به راهنمای عباس رضایی استخروئیه، دانشگاه شهید باهنر کرمان، دانشکده کشاورزی و منابع طبیعی.
10. عبدالله¬زاده، اصغر، (1385). پیش‌بینی و تولید داده¬های بارش با استفاده از مدل¬های آماری سری¬های زمانی (محدوده غرب دریاچه ارومیه). پایان‌نامه کارشناسی ارشد، به راهنمای روح الله و حسن خالقی، دانشکده کشاورزی دانشگاه شهرکرد.
11. محمدخورشیددوست، علی، صراف، بهروز ، قرمز چشمه، باقر ، جعفرزاده، فاطمه، (1397). پیش‌بینی بارش¬های سنگین سواحل جنوبی دریای خزر تحت شرایط تغییر اقلیم در دوره 1408-1389. 12 (42)، 121-129.
12. محمدخورشیدوست، علی، صراف، بهروز، قرمز چشمه، باقر، جعفرزاده، فاطمه، (1396). برآورد و تحلیل مقادیر آتی بارش¬های نواحی خزری با به‌کارگیری مدل¬های گردش عمومی جو. نشریه تحقیقات کاربردی علوم جغرافیایی سال هفدهم، (47)، 213-226.
13. میرموسوی، سید حسین، جلالی، مسعود ، آبختی گروسی، هوشنگ، خائفی، ندا، (1393). تحلیل الگوهای سری زمانی بارش در ایستگاه هواشناسی خوی. فصلنامه فضای جغرافیایی، سال چهاردهم، (47)، 1-17.
14. نبوی¬زاده، معصومه، (1392). پیش‌بینی بارش روزانه با شبکه عصبی مصنوعی در استان کرمان، پایان¬نامه کارشناسی ارشد، کمال امیدوار، گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد.
15. Astine, ON. )2001. ( Forecasting seasonal rainfall for agricultural decisionmaking in northern Nigeria. Agricultural and Forest Meteorology, Vol 3, PP: 193-205. [DOI:10.1016/S0168-1923(00)00239-2]
16. Borland, P.; and Montana, A. (1996(. Forecasting of storm rain full by combined use of rider, rain gages and linear models, Atmospheric research. 42: 199-216. [DOI:10.1016/0169-8095(95)00063-1]
17. Carlos, H.; Fajardo, T. Silvana, J. Galvez, F. (2013(. A hybrid artificial intelligence model for river flow forecasting. Applied Soft Computing, In Press, Uncorrected Proof.
18. Chang, X. G, M. Wang, Y. and Hou, X. (2001). Seasonal Autoregressive Integratedmoving average model for Precipitation time series. Journal of Mathematics and Statistics, Vol.8, No.4: 500-505. [DOI:10.3844/jmssp.2012.500.505]
19. Choi, L. (1999). An application hy droinformatic tools for rainfall forecasting Phd thesis, University of New South Wales (Australia)
20. Dahamsheh, Ahmad. Hafzullah, Aksoy. (2009). Artificial neural network models for forecasting intermittent monthly precipitation in arid regions, Royal Meteorology Society, No. 16, pp.325-337. [DOI:10.1002/met.127]
21. Damle C, Yalcin A. (2007). Flood prediction using time series data mining. Journal of Hydrology. 333, (2-4): 305-316. [DOI:10.1016/j.jhydrol.2006.09.001]
22. Durdo F. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligencce. 23: 586-594. [DOI:10.1016/j.engappai.2009.09.015]
23. Halid H.; and Ridd P. (2002). Modeling Inter-Annual Variation of a Local Rainfall Data Using a Fuzzy Logic Technique, Proceeding of International Forum on Climate Prediction, James Cook University, Australia. First Proof Pages, pp: 166-170.
24. Hasanah Y., Herlina M. (2013). Flood Prediction using Transfer Function Model of Rainfall and Water Discharge Approach in Katulampa Dam. Procedia Environmental Sciences 17: 317-326. [DOI:10.1016/j.proenv.2013.02.044]
25. Hastenrath S., Greischar L, & van Heerden, J. (1995). Prediction of the summer rainfall over South Africa. Journal of Climate, 8(6), 1511-1518.
https://doi.org/10.1175/1520-0442(1995)008<1511:POTSRO>2.0.CO;2 [DOI:10.1175/1520-0442(1995)0082.0.CO;2]
26. Kaushik I., and Singh S.M. (2008). Seasonal ARIMA model for forecasting of monthly rainfall and temperature, Journal of Environmental Research and Development. Vol.3, No.2: 506 -514.rnal of Climate, 8, 1511-1518.
27. Lohani A, K, Kumar R., singh R, D. (2012). Hydrological time series modeling: A comparision between adaptive neuro-fuzzy, neural network and autoregressive techniques original Research Article. Jurnal of Hydrology. Volumes 442-443, pages 23-35. [DOI:10.1016/j.jhydrol.2012.03.031]
28. Maria C.; Haroldo F., Ferreira N. (2005). Artificial Neural Network Technique for Rainfall Forecasting Applied to the Sao Paula Region, Journal of hydrology, Vol 301, PP:1-4. [DOI:10.1016/j.jhydrol.2004.06.028]
29. Mishra A.K.; and Desai V.R. (2005). Drought forecasting using stochastic models, Stochastic Environmental Research and Risk Assessment, Vol.19, No.5: 326-339. [DOI:10.1007/s00477-005-0238-4]
30. Murthy K. N.; Saravana R., & Kumar K. V. (2018). Modeling and forecasting rainfall patterns of southwest monsoons in North-East India as a SARIMA process. Meteorology and Atmospheric Physics, 130(1), 99-106. [DOI:10.1007/s00703-017-0504-2]
31. Nastos P.T.; Moustris K.P., Larissi I.K. & Paliatsos, A.G. (2013). Rain intensity forecast using Artificial Neural Networks in Athens, Greece. Atmospheric Research 119, 153 - 160. [DOI:10.1016/j.atmosres.2011.07.020]
32. Partal T.; kahya E. (2006). Trend analysis in precipitation data Hydrological processes.wiley interscience, (20):2011-2026. [DOI:10.1002/hyp.5993]
33. Piotrowski A, Napi'orkowski J., Rowi'nski P.M. (2006). Flash-flood forecasting by means of neural networks and nearest neighbour approach a comparative study. Nonlin, Processes Geophys, (13): 443-448. [DOI:10.5194/npg-13-443-2006]
34. Rezaei M, Ali Akbari Motlaq A , Rezvani Mahmouei A , Mousavi S, River Flow Forecasting using artificial neural network (Shoor Ghaen), Ciência e Natura, Santa Maria, v. 37 Part 1 (2015), p. 207−215.in persian [DOI:10.5902/2179460X20849]
35. Tokar A.S, Santon P.A. (1999). Rainfall-Run off modeling using artificial neural networks, journal of Hydrologic Engineering, No.3, pp.232-239. [DOI:10.1061/(ASCE)1084-0699(1999)4:3(232)]
36. Www.Climatology.ir
37. Yaya O. S, & Fashae O. A, (2015). Seasonal fractional integrated time series models for rainfall data in Nigeria. Theoretical and Applied Climatology, 120(1-2), 99-108. [DOI:10.1007/s00704-014-1153-8]
38.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
CC BY
نشریه «تحقیقات کاربردی علوم جغرافیایی» به‌طور کامل الزامات انتشار دسترسی آزاد را طبق«CreativeCommons Attribution 4.0 International License (CC BY 4.0)» رعایت می‌کند.
