ارزيابي مدل هاي سري زماني به منظور برآورد متوسط دماي ماهانه در ايستگاه هاي سينوپتيك قديمي ايران طي دوره آماري 2005-1977

Evaluating Time Series Models to Estimate Monthly Temperature of Iran’s Old Synoptic Stations During 1977-2005

با توجه به تاثير دما در شرايط اقليمي هر منطقه و اهميت پيش بيني آن در برنامه ريزي هاي محيطي، استفاده از روش هاي آماري به منظور مطالعه تغييرات و پيش بيني دما، كاربرد وسيعي پيدا كرده است. روش هاي آماري ابزارهايي كارآ و مفيد براي درك و ارزيابي رفتار اقليم به شمارمي روند. از الگوهاي آماري پركاربرد در اين زمينه، مي توان به الگوهاي خانواده آريما اشاره نمود. در اين الگوي آماري مقادير براساس رفتارهاي گذشته مدل سازي شده و سپس پيش بيني مي شوند. در پژوهش حاضر، با استفاده از مدل هاي خانواده آريما، ابتدا با بررسي وجود يا عدم وجود روند و ارزيابي توابع خودهمبستگي (ACF) و خودهمبستگي جزيي (PACF) در دوره آماري (2005-1977)، مدل هاي سري زماني مختلف به داده هاي ميانگين دماي ماهانه در ايستگاه هاي سينوپتيك ايران برازش داده شد. سپس با استفاده از معيار آكاييك و بيزي شوارز بهترين مدل از ميان مدل هاي به كار گرفته شده براي هر ايستگاه انتخاب گرديد .نتايج اين مطالعه بيانگر قابليت مدل هاي غير فصلي آريما براي تعيين روند پارامتر دما در گستره ايران مي باشد. به كمك الگوهاي آماري بدست آمده براي هر ايستگاه مي توان پارامتر دما را در مقياس ماهانه در دوره هاي آتي پيش بيني نمود.

Noting the temperature effect on climate of any region and its importance in environmental planning, using statistical methods to study and predict the changes of temperature has a wide application. Statistical methods are considered as useful and efficient tools to evaluate and understand the climate’s behaviors. The ARIMA family models can be mentioned as a group of the widely used statistical models, which are capable of modeling and forecasting the climatic data, based on their past behaviors. In the present study, initially different time series’ models were fitted to the monthly temperature data of Iran considering the existence and lack of trend and evaluating the autocorrelation and partial autocorrelation functions for the period 1977-2005. Then the optimum model was selected using the AIC and SBC criteria for each station. The results showed that annual time series’ models can be used for simulating and predicting the monthly temperature parameter.