روش های پالایش آزمون g- فیشر جهت شناسایی دوره تناوب در تحلیل سری های زمانی

تحلیل طیفی سری های زمانی بارش سالانه ایران

بارش از مهم‌ترین و متغیرترین عناصر اقلیمی است که شناخت رفتار آن همواره مورد توجه اقلیم‌شناسان بوده است. از این رو پیـچیدگی عناصر اقلیمی در مقیاس­های زمانـی و مکانی لزوم به­کارگیری روش­های کارامد مانند تحلیل طیفی به عنوان ابزاری مفید برای مطالعه الگوهای اقلیمی را نشان می­دهد. هدف از این مطالعه بررسی و تحلیل نوسان­های بارش ایران با استفاده از  تحلیل طیفی (تحلیل همسازه­ها) می­باشد بدین منظور داده­...

کاربردهای 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...

واکاوی زمانی بارش سالانه شهر شیراز با استفاده از تحلیل سری های زمانی

بارندگی یکی از عوامل مهم هواشناسی است که مقدار آن به نحو چشمگیری در نقاط مختلف کره زمین تغییر می‌یابد. یکی از روش‌هایی که به کمک آن می توان سیر تحولات بارندگی را درگذشته و حال بررسی نمود، آنالیز روند سری‌های زمانی در مقیاس‌های مختلف زمانی است. در این تحقیق از متوسط بارش سالانه شهر شیراز برای مدل‌سازی و پیش‌بینی با استفاده از تکنیک تحلیل سری‌های زمانی استفاده‌شده است. برای این منظور از ایستگاه س...

بازسازی سری های زمانی داده های ماهواره ای دمای سطح زمین با استفاده از الگوریتم تجزیه و تحلیل هارمونیک سری های زمانی (HANTS)

دمای سطح زمین (LST) یکی از پارامترهای اساسی در مبادله انرژی بین زمین و اتمسفر است. در بسیاری از علوم مختلف از جمله اقلیم‌شناسی، هیدرولوژی، کشاورزی، اکولوژی، بهداشت عمومی و علوم زیست‌محیطی استفاده از سری­های زمانی LST کاربرد فراوان دارد. اما سری­های زمانی داده­های ماهواره­ای معمولاً دارای داده­های ناقص، از دست رفته و یا غیر قابل قبول هستند که این به دلیل حضور ابرها در تصاویر، وجود ذرات گرد و غبار...

پیش بینی متغیر های اقلیمی به کمک تحلیل سری های زمانی حوضه آبخیز زهره

آزمون های هم انباشتگی در سری های زمانی نامانا

تجزیه و تحلیل داده های سری های زمانی نامانا بدون بر طرف کردن مشکل نامانایی اکثرا به تفاسیر نادرست می انجامد. از طرفی، استفاده از روش تفاضل گیری برای مانا نمودن، منجر به از دست دادن اطلاعات و افزایش خطا در سری های زمانی کوتاه مدت می شود. جهت بر طرف کردن این مشکل، روش هم انباشتگی توسط انگل – گرنجر در سال 1987 معرفی گردید. هم انباشتگی، عبارت است از مطالعه ثبات روابط بلندمدت بین متغیرهای سری زمانی ...