روش پیش ‏بینى بارندگى با استفاده از مدل سری هاى زمانى باکس - جنکینز (مطالعه موردى ایستگاه قائم شهر)

نویسنده

کارشناس ارشد دانشگاه تربیت معلم تهران

چکیده

مدل هاى پیش ‏بینى باکس- جنکینز یکى از معروف‏ ترین مدل هاى سری هاى زمانى است که در پیش‏ بینى پدیده‏ هاى مختلف جغرافیایى اهمیت بسزایى دارد. در روش‏شناسى باکس - جنکینز مدل هاى سرى زمانى در واقع مدل هاى تلفیقى اتورگرسیو و میانگین متحرک مى‏ باشند که در آمار به مدل هاى ARIMA(1) معروف هستند. از مدل هاى  ARIMA مى‏ توان مدل هاى متعددى چون مدل رگرسیون ساده و چند متغیره، اتورگرسیو، میانگین متحرک، مدل هاى فصلى و حتى مدل هاى ناشناخته دیگر را استخراج کرد. در این تحقیق ضمن بیان روش پیش‏ بینى بارش از طریق مدل سرى زمانى باکس- جنکینز، به طور عملى و با برازش دادن این مدل بر روى داده‏ هاى بارش ماهانه ایستگاه سینوپتیک قائمشهر که از آمار 50 ساله برخوردار است، بهترین مدل براى پیش ‏بینى بارش در این ایستگاه که از نوع مدل SARIMA(1.0.1)(0.1.1) بود، انتخاب شد.

کلیدواژه‌ها


عنوان مقاله [English]

Precipitation Forecasting Method Using Box-Jenkins Time Series Model (Case Study: Ghaemshahr Station)

نویسنده [English]

  • Nabyyallah Ramezani
Master of Arts, Tarbiyat Moallem University of Tehran
چکیده [English]

Box-Jenkins prediction model is one of the most famous time series models and is important in predicting different geographic phenomena. In Box-Jenkins methodology, time series models are in fact autoregressive integrated moving average models that are known as ARIMA models in statistics. Various models such as simple and multivariate regression, autoregressive, moving average, seasonal models and even unknown models can be derived from ARIMA models. In this research, while expressing the precipitation forecasting method using the Box-Jenkins time series model practically and by fitting this model on the monthly precipitation data of Ghaemshahr synoptic station, which contains statistics of 50 years, the best model for forecasting precipitation in this station was selected, which was from the type of  SARIMA (1.0.1) (0.1. 1) model.

کلیدواژه‌ها [English]

  • Time Series
  • Box-Jenkins model
  • self-correlation
  • minor self-correlation
  • ARIMA
  • Ghaemshahr Station
1 - آذر، عادل و منصور، مؤمنى (1377)، آمار و کاربرد آن در مدیریت، جلددوم، انتشارات سمت.

2 - باکس،جى، اى.بى وجى .ام،جنکینز(1371)، تحلیل سریهاى زمانى پیش‏بینى وکنترل، مشکانى، محمدرضا(مترجم)، جلداول، انتشارات دانشگاه شهیدبهشتى.

3-بزرگنیا،ابوالقاسم‏ونیرومند،حسینعلى(1374)،سریهاى‏زمانى،انتشارات‏پیام‏نور.

4 - جمشیدى، وحید(1368)،تجزیه وتحلیل درجه حرارت و بارندگى شهر تهران به وسیله سریهاى زمانى، پایان نامه کارشناسى ارشد، گروه آمار دانشگاه تربیت مدرس.

5 - شرکت آمار پردازان(1377)، راهنماى کاربرانspss6.0 تحت ویندوز، انتشارات مرکزفرهنگى حامى.

6 - مالکى،عبدالکریم(1375)، مدل سازى خشکسالى غرب کشور، پایان نامه کارشناسى ارشد،گروه آماردانشگاه شهیدبهشتى.

7- F.Valero etal(1996)"A method for the reconstruction and temporal extension of climatological timeseries",Int.J.Climatol,Vol.16, p.213-224.

8- Katz,R.W.and Richard H.S(1981)"On the use of autoregressive moving average processes to model meteorological time series ,"Monthly Weather Review,Vol.109,p.479-489.