استفاده از مدل های غیر قطعی در پیش بینی دبی متوسط ماهیانه با استفاده از مدل های سری زمانی(مطالعه موردی: چشمه سلیمانیه کاشان)
Authors
abstract
استفاده از انواع مختلف روش های تحلیل سری های زمانی، از شیوه های متداول در پیش بینی عوامل هیدرولوژیکی است. در این پژوهش، وضعیت دبی چشمه سلیمانیه کاشان با استفاده از داده های 11 ساله (داده های ماهیانه) ایستگاه چشمه سلیمانیه با استفاده از مدل های مختلف سری زمانی مورد بررسی قرار گرفت. سپس با استفاده از بهترین مدل، اقدام به پیش بینی دبی چشمه برای 9 سال آینده گردید. در این پژوهش، داده ها با استفاده از 12 مدل سری زمانی که شامل مدل های اتورگرسیو، میانگین متحرک، اتورگرسیوـ میانگین متحرک مرکب و مدل های فصلی و غیرفصلی باکس و جنکینز بودند، بررسی شدند. در نهایت با توجه به اینکه در مدلsarima (1,1,0) (1,1,1) [12]، مقدار aic کمترین و پارامترهای مدل از عدد یک تجاوز نکردند، این مدل به منظور پیش بینی داده های دبی انتخاب شد. در ادامه به منظور بررسی وضعیت نرمال بودن داده های پیش بینی شده از آزمون کلموگروف ـ اسمیرنف استفاده شد. نتایج به دست آمده از آزمون نرمالیته، حاکی از نرمال بودن داده های پیش بینی شده بود؛ بنابراین با توجه به نتایج به دست آمده، می توان نتیجه گرفت که نوع مدل های انتخابی به عنوان تابع پیش بینی کننده بسیار مهم بوده و بر روی دقت جواب های خروجی کاملاً مؤثر است. همچنین با توجه به ماهیت غیرقطعی مسائل هیدرولوژیکی، سری های زمانی به عنوان یکی از روش های مناسب در پیش بینی پدیده های هیدرولوژیکی هستند.
similar resources
استفاده از مدلهای غیر قطعی در پیشبینی دبی متوسط ماهیانه با استفاده از مدل های سری زمانی(مطالعه موردی: چشمه سلیمانیه کاشان)
Different types of time series analysis models are commonly used for predicting hydrological factors. In this study, the situation of Soleimanieh spring discharge in Kashan was investigated using various time series models and mean monthly flow during 11 year period. Then, spring discharge predicted using the best modals for future 9 years. In this research, the data were analyzed using 12 time...
full textپیش بینی سیلاب از طریق داده های سری زمانی دبی رودخانه سومبار با استفاده از مدل باکس _جنکینز
امروزه یکی از مهمترین مسائل جهت مدیریت سیلاب، پیش بینی جریان رودخانه ها می باشد. جلوگیری از صدمات اقتصادی و جانی ناشی از سیلاب یکی از مهمترین دستاوردهای پیش بینی صحیح جریان می باشد. فاکتورها و عوامل مختلفی بر روی دبی رودخانه تاثیر گذار است که تحلیل این پدیده را مشکل می سازند. مدلهای فیزیکی-مفهومی، رگرسیونی و سری های زمانی از معمولترین روشهای تحلیل جریان رودخانه می باشند در این تحقیق با استفاده ...
full textاستفاده از مدل های سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش بینی دبی ورودی به سد گرگان
پیشبینی مقادیر جریان ورودی به سیستم منابع آب بهمنظور آگاهی از شرایط آینده و برنامهریزی برای تخصیص بهینه منابع آب به بخشهای مختلف از قبیل شرب، کشاورزی و صنعتی امری ضروری در مدیریت منابع آب میباشد. هدف از پژوهش حاضر پیشبینی مقادیر دبی ماهانه ورودی به سد گرگان برای آینده بود. بدین منظور از دادههای هیدرومتری ایستگاه قزاقلی با دوره آماری 47 سال و سه مدل سریزمانی، شبکه عصبی و ماشین بردار پشت...
full textپیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایهای شعاعی ((RBF، سری زمانی AR...
full textپیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی
امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...
full textMy Resources
Save resource for easier access later
Journal title:
مهندسی اکوسیستم بیابانجلد ۱، شماره ۱، صفحات ۵۱-۵۸
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023