پیش بینی سری های زمانی کیفیت آب رودخانه سفیدرود با استفاده از مدل های خطی تصادفی
Authors
abstract
پیشبینی کیفیت آب رودخانهها به منظور مدیریت مناسب حوضه آنها ضروری است، تا بتوان برای کنترل مقدار آلایندهها و رساندن آنها به حد مجاز گامهایی برداشت. در مقاله حاضر، قابلیت پیشبینی سریهای زمانی پارامترهای هدایت الکتریکی و کلر ایستگاه آستانه از رودخانه سفیدرود با استفاده از مدلهای خطی تصادفی بررسی شده است. به منظور پیشبینی فصلی سریهای زمانی پارامترهای مذکور، از مدل خودهمبسته میانگین متحرک فصلی انباشته (sarima) استفاده شد. برای برازش این مدل از سریهای زمانی بین سالهای 1370 تا 1381، و به منظور صحت سنجی مدل از دادههای سالهای 1382 تا 1384 استفاده شد. ابتدا روند و ایستایی سریهای زمانی هدایت الکتریکی و کلر به ترتیب با آزمونهای من-کندال بررسی و پس از آن الگوهای فصلی 12 ماهه پس از تفاضلگیری مرتبه اول حذف شد. مدل سازی یک سری زمانی به طور کلی شامل سه مرحله است: شناسایی مدل، برآورد پارامترهای مدل، و کنترل تشخیصی. در مرحلهِ شناسایی، با استفاده از توابع خودهمبسته و خودهمبستهِ جزئی مدلهای مختلف sarima شناسایی و مدلی که کمترین مقدار ضریب آکائیک را داشت به عنوان بهترین مدل برازش داده شده انتخاب شد. پارامترهای مدل با استفاده از روش تخمین حداقل مربعات باقیماندهها برآورد شد. در مرحله کنترل تشخیصی، مشاهده شد که باقیماندهء مدلها مستقل، همسان واریانس و دارای توزیع نرمال است. سریهای زمانی هدایت الکتریکی و کلر برای سالهای 1382 تا 1384 توسط مدلهای انتخاب شده پیشبینی شد. به منظور صحتسنجی مدل، میانگین و واریانس دادههای مشاهدهای و پیشبینی شده مقایسه شدند و اختلاف معنیداری بین آنها مشاهده نشد. ریشه خطای مربعات متوسط برای پارامترهای هدایت الکتریکی و کلر به ترتیب برابر 9/278 و 22/2 برآورد شد. به این ترتیب با اطمینان بالا میتوان روشمدلسازی sarima را برای پیشبینی مقادیر هدایت الکتریکی و غلظت کلر در ایستگاه آستانه از رودخانه سفیدرود پیشنهاد کرد.
similar resources
پیشبینی سریهای زمانی کیفیت آب رودخانه سفیدرود با استفاده از مدلهای خطی تصادفی
پیشبینی کیفیت آب رودخانهها به‌منظور مدیریت مناسب حوضه آنها ضروری است، تا بتوان برای کنترل مقدار آلایندهها و رساندن آنها به حد مجاز گامهایی برداشت. در مقاله حاضر، قابلیت پیشبینی سریهای زمانی پارامترهای هدایت الکتریکی و کلر ایستگاه آستانه از رودخانه سفیدرود با استفاده از مدلهای خطی تصادفی بررسی شده است. به‌منظور پیشبینی فصلی سریهای زمانی پارامترهای مذکور، از مدل خودهمبسته میانگین متحرک...
full textپیش بینی جریان ماهانه رودخانه با استفاده از ترکیب مدل های خطی سری زمانی و شبکه های بیزین (مطالعه موردی: رودخانه بختیاری)
یکی از مسائل مهم در مدیریت منابع آب، تهیه و توسعه مدلهای مناسب به منظور پیشبینی دقیق‌تر فرآیند جریان رودخانهها می-باشد. بدین منظور در مطالعه حاضر برای پیشبینی جریان ماهانه رودخانه بختیاری، در دوره آماری 1395-1334، از مدلهای سری-زمانی خطی (ARMA)، مدل هوشمند شبکه بیزین (BN) و مدل تلفیقی BN-ARMA استفاده شد. عملکرد مدلهای توسعه یافته براساس شاخص‌های آماری جذر میانگین مربعات خطا (RMSE)، ضریب ...
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 textپیش بینی رسوب معلق با استفاده از مدل سری زمانی تابع انتقال در ایستگاه های منتخب رودخانه گرگانرود، استان گلستان
full text
تحلیل و پیش بینی نوسانات تراز آب دریای خزر با استفاده از مدل های استوکستیک سری زمانی
Forecasting of sea level fluctuations is a suitable tool for comprehensive management of the sea and the protection of coastal areas. On the other hand, application of time series analysis for forecasting purposes has been evaluated to be very appropriate. Therefore, two time series consisting monthly measured sea level data were used in the present research. The data have been recorded at two ...
full textMy Resources
Save resource for easier access later
Journal title:
تحقیقات مهندسی سازه های آبیاری و زهکشی (تحقیقات مهندسی کشاورزی سابق)جلد ۱۲، شماره ۳، صفحات ۳۱-۴۴
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023