نوع مقاله : مقاله پژوهشی
نویسنده
استادیار، دانشکده کشاورزی، دانشگاه یاسوج
چکیده
در این مطالعه، میانگین درجه حرارت ماهانه در ایستگاه هیدرومتری شاه‌مختار در استان کهگیلویه و بویراحمد برای یک دوره 39ساله بین سال‌های 1349 تا 1388 مورد بررسی قرار گرفت.جهت مدل‌سازی درجه حرارت در این ایستگاه از تکنیک تحلیل کاوشگرانه داده‌ها (EDA) استفاده شد. روش‌های گرافیکی متعددی، مانند استفاده از نمودارهای تناوب‌نگار، خود هم‌بستگی و خود هم‌بستگی جزئی برای بررسی داده‌ها از جمله وجود چرخه (S) و مناسب بودن استفاده از تحلیل سری‌های زمانی جهت مدل‌سازی باقی‌مانده‌ها (R) تعیین شد. مدل‌سازی چرخه موجود در داده‌ها با استفاده از مدل سینوسی و با تعیین دقیق پارامترهای آن با استفاده از تکنیک‌های EDA انجام شد. باقی‌مانده‌ها نیز با استفاده از Modelexpert در نرم‌افزار SPSS 19 جهت تحلیل سری‌های زمانی مورد بررسی قرار گرفت. بهترین برازش با توجه به کمترین مقدار برای معیار NBIC، مدل ARIMA(0,1,2) تعیین شد. جهت تایید مدل، بررسی تصادفی بودن مقادیر خطاهای مدل (E) و نرمال بودن توزیع آن‌ها در سطح پنج درصد به‌ترتیب با استفاده از آزمون Ljung-Box (با مقدار آماره برابر 24.3) و Kolmogorov-Smirnov (با مقدار آماره برابر 0.4088) بررسی و مورد تایید قرار گرفت.
کلیدواژه‌ها
عنوان مقاله [English]
Modeling the average monthly temperature, case study: Shah-Mokhtar hydrometric station
نویسنده [English]
- Mohammad Reza Mirzaei
Assistant Professor, Faculty of Agriculture, Yasouj University, Iran
چکیده [English]
In this study, the mean monthly air temperature data from Shah-Mokhtar hydrometric station in Kohgiloyeh and Boyer Ahmad province for a period of 39 years between 1970 and 2009 was investigated. Using different graphical EDA techniques such as spectral, autocorrelation and partial autocorrelation plots, i) existence of seasonal part and ii) suitability of using time series analysis to model the residuals were determined. The lag plot and autocorrelation plot of the original data showed that a sinusoidal model was appropriate to model the seasonal effect. So using sinusoidal model and determining its parameters precisely, the seasonal effect was modeled properly. Time series analysis was also used to model the residuals using ARIMA models. Among different models, ARIMA(0,1,2) model was selected as the best model using Normalized Bayesian Information Criterion (NBIC). Finally, null hypotheses for Kolmogorov-Smirnov and Ljung-Box tests were not to be rejected at 5% level for the obtained model which confirms the adequacy of the model.
کلیدواژه‌ها [English]
- ARIMA
- Autocorrelation
- EDA
- temperature
- time series
)