پیش بینی دمای لایه های خاک با استفاده از مدل های سری زمانی
Authors
abstract
رژیمدماییخاکتأثیرمستقیمیبررشدگیاهان،گوناگونیآنهاوفعالیتهای زیستی درخاکدارد. به علت کمبود دادههای اندازهگیری شده دمای خاک، تخمین یابازسازی آنهاازاهمیتبالاییدربررسیهایزیستاقلیمیوکشاورزی برخوردار است. دمایخاکدرعمقهایمختلف،دارایرفتارزمانیومکانی متفاوتیمیباشد. در این تحقیق سعی شد با استفاده از سریهای زمانی دمای خاک در عمق 5 تا30 سانتیمتر در ایستگاه فرودگاه همدان بین سالهای آماری 1996 تا 2008 به صورت ماهانه پیشبینی شود. نتایج نشان داد که دمای خاک از مدل فصلی sarima پیروی میکند. در مدل بهینه، مقدار r2و rmseبه ترتیب برای عمق 5 سانتیمتر برابرsarima(2,0,0)(2,0,0) ،96/0و 63/1 سانتی گراد، عمق 20سانتیمتر برابر sarima(1,0,0)(1,0,0) 98/0 و 49/1 سانتی گراد و عمق 30 سانتیمتر برابر sarima(1,1,0)(1,1,1) ، 97/0 و 56/1 سانتی گراد به دست آمد. با توجه به تخمین مناسب مدل، دمای خاک برای سالهای 2009-2013 پیشبینی گردید که نشانگر تغییرات جزئی در روند دمای خاک در این دوره میباشد.
similar resources
پیش 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 textپیشبینی دمای لایههای خاک با استفاده از مدلهای سری زمانی
رژیمدماییخاکتأثیرمستقیمیبررشدگیاهان،گوناگونیآنهاوفعالیتهای زیستی درخاکدارد. به علت کمبود دادههای اندازهگیری شده دمای خاک، تخمین یابازسازی آنهاازاهمیتبالاییدربررسیهایزیستاقلیمیوکشاورزی برخوردار است. دمایخاکدرعمقهایمختلف،دارایرفتارزمانیومکانی متفاوتیمیباشد. در این تحقیق سعی شد با استفاده از سریهای زمانی دمای خاک در عمق 5 تا30 سانتیمتر در ایستگاه فرودگاه همدان بین سالهای آماری 1996 تا 200...
full textکاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
full textبررسی و پیش بینی وضع آلاینده های هوای شهر کرمان با مدل سری های زمانی
Anderson, H.R., 2009. Air pollution and mortality: A history. Atmospheric Environment, 43, pp. 142-152 . Box, GEP. and Jenkins, G.M., 1976. Time series analysis: forecasting and control, San Francisco, Holden Day Pulications . Duenas, C., Fernandez, M.C., Canete, S., Carretero,Liger E, 2005. Stocastic model to forecast ground level ozone concentration at urban and rural areas . Chemospher...
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 و بررسی متوسط دمای ماهانه با استفاده ازمدلهای سری زمانی
دما یکی از مهمترین پارامترهای هواشناسی است که در بسیاری از مطالعات مورد استفاده قرار میگیرد. این پارامتر در بررسیهای تغییر اقلیم و کشاورزی از اهمیت ویژهای برخوردار است، بطوری که افزایش درجه حرارت یکی از مسائل مهم زیستمحیطی بشر به حساب میآید. بنابراین بررسی و پیشبینی تغییرات آن در دوره دراز مدت میتواند بر مدیریت صحیح منابع آب و خاک و تامین نیاز آبی گیاهان موثر باشد. در این مطالعه با استف...
full textMy Resources
Save resource for easier access later
Journal title:
پژوهش های خاک (علوم خاک و آب)Publisher: موسسه تحقیقات خاک و آب
ISSN 2228-7124
volume 29
issue 2 2015
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023