پیش بینی متوسط دمای سالانه شهر تبریز با استفاده از مدل های سری زمانی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: هدف اصلی این پژوهش، مدل سازی داده های دمای ایستگاه سینوپتیک تبریز به کمک مدل آماری میانگین متحرک خودهمبسته یکپارچه با پوشش زمانی 2020-1951 بود.روش و داده: ابتدا پیش پردازش بر روی داده های مورد مطالعه صورت گرفت، در گام بعدی به منظور تجزیه و تحلیل یک سری زمانی و ساختن یک الگوی مناسب از سه روش باکس - کاکس، روش تفاضل گیری مرتبه یک و روش حداقل مربعات برای ایستاسازی استفاده شد تا بر اساس نمودارهای ACF و PACF، کمینه معیار اطلاع آکائیک (AIC) و معیار اطلاع بیزی (BIC) در مورد بهترین الگو تصمیم گیری شود. در ادامه به منظور اطمینان از مناسب بودن بهترین مدل انتخاب شده، از نمودارهای احتمال نرمال، نمودار باقی مانده ها در برابر زمان، ACF و PACF و آزمون کلموگروف - اسمیرنف و معیارهای ارزیابی (MAE)، (MSE)، (RMSE) و (NRMSE) نیز استفاده گردید.یافته ها: ضمن این که مدل های سری زمانی روش مناسبی در مدل سازی پارامترهای اقلیمی هستند، با بررسی کارایی روش های ایستاسازی باکس کاکس، تفاضلی مرتبه یک و حداقل مربعات برای داده های دما به صورت موردی برای ایستگاه سینوپتیک تبریز مشخص شد که روش تفاضلی مرتبه یک به دلیل دارا بودن کمترین شیب خط برازش و حذف کامل خودهمبستگی میان مقادیر دما بهترین روش ایستاسازی برای داده های دمای سالانه ایستگاه سینوپتیک تبریز است.نتیجه گیری: نتایج این پژوهش نشان داد که مدل ARIMA(0,1,1)Con مناسب ترین مدل برای پیش بینی دما برای سال های آتی است. لذا دمای متوسط سالیانه ایستگاه سینوپتیک تبریز در 18 سال آینده روند افزایشی خواهد داشت.نوآوری، کاربرد نتایج: با توجه به پیشینه مطالعات صورت گرفته و ضرورت آگاهی از وضعیت دما در تحقیقات مختلف روش های منفرد متفاوتی از جمله روش های تفاضل گیری، حداقل مربعات، تبدیل باکس - کاکس که هر یک به روش خاصی عوامل ناایستایی را حذف می کنند برای حذف روند استفاده شده بود. اما در تحقیق پیش رو، کارایی روش های مختلف ایستاسازی به منظور حذف روند، به طور هم زمان به صورت موردی برای ایستگاه همدید تبریز مورد ارزیابی قرار گرفت، تا با ارزیابی عملکرد روش های مختلف ایستاسازی داده ها و مدل های مختلف خانواده ARIMA الگوی مناسب جهت پیش بینی دما تعیین گردد و تصویر واضح تری از شرایط دما در آینده حاصل گردد و نتایج آن بتواند در برنامه ریزی های مرتبط مورد استفاده قرار گیرد.Forecast, Tabriz, annual temperature, time series, model
Aim: The main purpose of this research was to model the temperature data of Tabriz synoptic station with the help of an integrated auto-correlated moving statistical model in time coverage of 1951-2020.Material & Method: First, pre-processing was done on the studied data; in the next step, in order to analyze a time series and build a suitable model were exerted three Box-Cox methods, the first-order difference method and the least square method for stationery to decide on the best model based on the autocorrelation and partial autocorrelation diagrams, the minimum Akaic information criterion (AIC) and the Bayesian information criterion (BIC). Next, in order to ensure the appropriateness of the best-selected model were also applied normal probability diagrams, residuZ2`2als against time, autocorrelation and partial autocorrelation, Kolmogorov-Smirnov test and evaluation criteria (MAE), (MSE), (RMSE) and (NRMSE).Finding: While time series models are a suitable method for modeling climatic parameters, by examining the efficiency of the Box-Cox, first-order differential, and least squares stationery methods for the temperature data of Tabriz, it was determined that the first-order differential method is the best stationery method for the annual temperature data of Tabriz synoptic station due to having the lowest slope of the fitting line and the complete elimination of autocorrelation between temperature values. Conclusion: The results of this research showed that the ARIMA (0, 1, 1) Con model is the most suitable model for temperature forecasting of the coming years. Therefore, the average annual temperature of Tabriz synoptic station will increase in the next 18 years.Innovation: In this research, the effectiveness of different stabilization methods was simultaneously evaluated for Tabriz Synoptic station in order to remove the trend, so that by evaluating the performance of different data stabilization methods and different models of the ARIMA family, the appropriate model for temperature forecasting can be determined and a clearer picture of the temperature conditions in the future can be obtained and its results can be exrted in related planning.