ارزیابی پیش بینی خشکسالی در آینده توسط تولید داده های مصنوعی به روش ARMA (مطالعه موردی: ایستگاه ارومیه و قاسملو در استان آذربایجان غربی)
محل انتشار: کنفرانس بین المللی مهندسی عمران
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 850
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CCIVIL01_311
تاریخ نمایه سازی: 21 شهریور 1395
چکیده مقاله:
عموما خشکسالی در هر منطقه ای تحت تأثیر عوامل متعددی است که یکی از مهمترین نمادهای وقوع خشکسالی کاهش میزان بارندگی است. پیش بینی وضعیت خشکسالی برای مهندسی منابع آب اهمیت فوق الاده زیادی دارد چراکه در آینده کمک بسیار زیادی در مدیریت بحران خشکسالی و برنامه ریزی برای جلوگیری و یا کاهش خسارت های ناشی از آن را به همراه خواهد داشت. در این تحقیق با توجه به وضعیت خشکسالی در حوضه آبریز دریاچه ارومیه و خطر خشک شدن کامل این دریاچه زیبا، در دو ایستگاه منتخب در غرب حوضه آبریز دریاچه ارومیه در استان آذربایجان غربی، اقدام به پیش بینی شدت خشکسالی و فراوانی آن برای آینده با استفاده از تولید داده های مصنوعی بارندگی توسط مدل های تصادفی سری زمانی خطی ARMA گردید. در این راستا آزمون های مرتبط با روند، نرمال بودن، همگنی وتصادفی بودن سری زمانی انجام گردید و از مدل ARMA جهت شبیه سازی سری داده های نرمال شده استفاده گردید. با توجه به معیار آکاییکه کمتر، مدل ARMA (0,1) به عنوان مدل برتر انتخاب شد. با توجه به انتخاب مدل برتر جهت شبیه سازی سری زمانی، مقادیر بارش سالانه در 1000 نمونه به تعداد سال های آماری پیش بینی شد و سپس شاخص های خشکسالی SPI و PNPI محاسبه و فراوانی آن ها برای دوره های 1، 10،20، 25، 50ساله تعیین گردید. با این روش برای هر یک از سال های دوره 35 ساله آینده، پیش بینی مقادیر شدت خشکسالی و فراوانی آن ها تعیین گردید.
کلیدواژه ها:
نویسندگان
مهدی خوشبخت تیزخراب
دانشجوی دکترای مهندسی منابع آب، کروه مهندسی آب، دانشگاه ارومیه
حسین رضایی
دانشیار گروه مهندسی آب، دانشگاه ارومیه
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :