مدل‌سازی و پیش‌بینی تغییرات بیشینه دمای شیراز برای دوره اقلیمی منتهی به سال 1400 خورشیدی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار آب و هواشناسی دانشگاه سیستان و بلوچستان

2 دانشجوی کارشناسی ارشد اقلیم شناسی دانشگاه سیستان و بلوچستان

چکیده

هدف اصلی از مدل‌سازی سری‌های زمانی دادن نظم خاص به مشاهدات وابسته به زمان است تا بر اساس آن‌ها بتوان پیش‌بینی‌هایی را برای آینده انجام داد. مهم‌ترین هدف از تجزیه و تحلیل سری‌های زمانی یافتن روند تغییرات و پیش‌بینی آینده آن است. هدف پژوهش حاضر مطالعه و پیش‌بینی تغییرات بیشینه دمای شیراز برای دوره اقلیمی (2020-2011) با استفاده از مدل‌های باکس و جنکیز است. در ابتدای پژوهش برای جلوگیری از بایاس بودن مدل و همچنین صحت سنجی نهایی آن ده سال پایانی سری برای پیش‌بینی و بررسی صحت مدل کنار گذاشته شد. داده‌های سری مورد آزمون‌های ایستایی میانگین و واریانس قرار گرفت تا با ایجاد مرتبه در سری، نا ایستایی سری از بین رود. رفتار سالانه سری با استفاده از فیلتر بالا گذر (تفاضل‌گیری) حذف گردید و نمودارهای ACF و PACF سری تفاضل‌گیری شده مبنای تشخیص مدل قرار گرفت و روش ARIMA=(3,2,1)  انتخاب شد. روش پژوهش انتخاب شده مورد برازش قرار گرفت و سپس مناسبت آن از طریق تجزیه و تحلیل باقیمانده‌ها مورد آزمون قرار گرفت و صحت آن تایید گردید. سرانجام پس از طی مراحل متعدد و برازش جامع‌تر و با توجه به حداقل میانگین مربعات خطا روش انتخاب شده مورد آزمون پیش‌بینی قرار گرفت و نمونه اولیه که از سری جهت تست کنار گذاشته شده بود را پیش‌بینی نمود. همبستگی بین مقادیر واقعی و پیش‌بینی شده در سطح کامل بود. بنابراین رفتار آینده سری مورد پیش‌بینی قرار گرفت. بر این اساس، مقادیر بیشینه دمای شیراز برای سال 2020 بین 1/25 تا 6/29 و به طور میانگین 4/27 درجه سلسیوس پیش‌بینی شده است که نسبت به سال 2011 حدود 3/0 در جه افزایش خواهد داشت.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling and prediction of maximum temperature changes in Shiraz for the period future climate, 2020

نویسندگان [English]

  • naghi tavoosi 1
  • akbar zahraee 2
چکیده [English]

The main purpose of modeling time series of observations of a particular order is dependent on time according to their predictions to be made for the future. The main purpose of the analysis of time series and forecasting by the model changes. Study to predict future climate change, maximum temperature of Shiraz for the period (2011-2020) is using the box and Jenkize model. At the beginning of the study to avoid bias the polls and the final of the series a decade to predict and verify the model was abandoned. Mean and variance of the series of static tests was to restore order in the series, the series are not static. Conduct an annual series of highpass filter (the difference) was removed and graphics ACF and identify the model was based on the difference PACF series ARIMA model = (3, 2, 1) were chosen. The adjusted model was chosen and finally go through the analysis of residues was examined and its validity was confirmed. Finally, after several steps and a more complete model are mounted to the minimum mean squared error, the model predictions were tested and the prototype that has been set aside to test the predictions. Correlation between actual and predicted values was complete. This change was predicted in the series

کلیدواژه‌ها [English]

  • Modeling
  • Forecasting
  • Temperature
  • Shiraz
  • ARIMA

- مشکاتی، محمدرضا (مترجم) (1371)، تحلیل سری زمانی، پیش‌بینی و کنترل، نوشته:، چاپ اول، انتشارات باکس، جی. ای. پی و جی‌ام جنکینز، دانشگاه شهید بهشتی تهران.

2- بزرگ‌نیا، ا، 1381، سری‌های زمانی، انتشارات دانشگاه پیام نور.

3- بزرگ‌نیا، ا،1366، تجزیه و تحلیل سری‌های زمانی و پیش‌بینی، انتشارات آستان قدس رضوی.

4- ترابی، س، 1380، بررسی و پیش‌بینی تغییرات دما و بارش در ایران، پایان‌نامه دکتری جغرافیای طبیعی، دانشکده علوم انسانی و اجتماعی، دانشگاه تبریز.

5- جلالی، م و کارگر، ح، 1390، تحلیل و مدل‌سازی آماری دمای ایستگاه بوشهر (2005-1951)، فصلنامه فضای جغرافیایی، شماره 33، صص 173-149.

6- جهانبخش اصل، س و باباپور باصری، ع ا، 1382، بررسی و پیش‌بینی متوسط دمای ماهانه تبریز با استفاده از مدل آریما، فصلنامه تحقیقات جغرافیایی، شماره 18، صص 46-34.

7- خرمی، م و بزرگ‌نیا، ا، 1386، تجزیه و تحلیل سری‌های زمانی با Minitab14، انتشارات سخن گستر مشهد.

8- شهابفر، ع،1380، ارزیابی و روش‌های نیکوئی برازش توابع توزیع‌های آماری و استفاده از سری‌های زمانی جهت پیش‌بینی بارندگی سالانه مشهد، مجموعه مقالات اولین کنفرانس ملی بررسی راهکارهای مقابله با بحران آب، دانشگاه زابل.

9- طاهری، م، 1377، مدل‌بندی میزان دما و بارش در 11 ایستگاه هواشناسی ایران و پیش‌بینی تا پایان سال 2000، معاونت آموزشی و پژوهشی سازمان هواشناسی کشور، تهران.

10- عساکره، ح، 1386، تغییر اقلیم، انتشارات دانشگاه زنجان، چاپ اول.

11- عساکره، ح،1388، الگوسازی ARIMA برای میانگین سالانه دمای شهر تبریز، فصلنامه تحقیقات جغرافیایی، شماره 24، صص 24-3.

12- فرج زاده، م، 1386، تکنیک‌های اقلیم شناسی، انتشارات سمت.

13- نظری پور، ح، دانشمند، ح، 1389، الگوسازی و پیش‌بینی تبخیر ماهانه ایستگاه زهک با استفاده از مدل‌های باکس- جنکینز، اولین کنفرانس بین‌المللی مدل‌سازی گیاه، خاک و آب، کرمان.

 

14- Leite, S. M. 1996. “The autoregressive model of climatological time series: International Journal of Climatology 16(10): 1165-1173.

15-Leite, S. Mand, J, P, Peixoto (1996): The autoregressive Model of Climatological Time Series An Application to the Longest Time Series IH Portugal, International Journal of Climatology, Vol166 PP.1165-1173.

16- Mishra. A. K, Desai. V. R, (2005), "Drought forecasting using stochastic models", Stoch. Environ. Res. Risk Assess. 19, 326 339.

17- Momani. M Naill. P. E (2009), Time Series Analysis Model for Rainfall Data in Jordan: Case Study for Using Time Series Analysis, American Journal of Environmental Sciences, 5, 599-604.

18- Prasad, K. D. and Singh, S. V. 1998. “Forecasting the spatial variability of the Indian monsoon.

19- S. Soltani, R. Modarees, S. S. Eslamian (2007) the use of time series modeling for the Determination of rainfall climate of Iran. Int.J.Climatol.27: 819-829.

20-longest time series in portugal” , International Journal of Climatology 16, 1165-1173.

21-Zekai, Sen (1998): Small Sample Estimation of the Variance of Time Average in Climate Time Series, International Journal of Climatology, Vol18, PP1725-1732.

22-Turkes, M.M.S.U.tku (1996), Observed Change Temperature In Turky. International Journal of Climatology, Vol.16. PP463-477.