مدل‌سازي و پيش‌بيني تغييرات بيشينه دماي شيراز براي دوره اقليمي منتهي به سال 1400 خورشيدي

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

هدف اصلي از مدل سازي سري‌هاي زماني دادن نظم خاص به مشاهدات وابسته به زمان است تا بر اساس آن‌ها بتوان پيش‌بيني‌هايي را براي آينده انجام داد. مهم‌ترين هدف از تجزيه و تحليل سري‌هاي زماني يافتن روند تغييرات و پيش‌بيني آينده آن است. هدف پژوهش حاضر مطالعه و پيش‌بيني تغييرات بيشينه دماي شيراز براي دوره اقليمي (2020-2011) با استفاده از مدل‌هاي باكس و جنكيز است. در ابتداي پژوهش براي جلوگيري از باياس بودن مدل و همچنين صحت سنجي نهايي آن ده سال پاياني سري براي پيش‌بيني و بررسي صحت مدل كنار گذاشته شد. داده‌هاي سري مورد آزمون‌هاي ايستايي ميانگين و واريانس قرار گرفت تا با ايجاد مرتبه در سري، نا ايستايي سري از بين رود. رفتار سالانه سري با استفاده از فيلتر بالا گذر (تفاضل‌گيري) حذف گرديد و نمودارهاي ACF و PACF سري تفاضل‌گيري شده مبناي تشخيص مدل قرار گرفت و روش ARIMA=(3,2,1)  انتخاب شد. روش پژوهش انتخاب شده مورد برازش قرار گرفت و سپس مناسبت آن از طريق تجزيه و تحليل باقيمانده‌ها مورد آزمون قرار گرفت و صحت آن تاييد گرديد. سرانجام پس از طي مراحل متعدد و برازش جامع‌تر و با توجه به حداقل ميانگين مربعات خطا روش انتخاب شده مورد آزمون پيش‌بيني قرار گرفت و نمونه اوليه كه از سري جهت تست كنار گذاشته شده بود را پيش‌بيني نمود. همبستگي بين مقادير واقعي و پيش‌بيني شده در سطح كامل بود. بنابراين رفتار آينده سري مورد پيش‌بيني قرار گرفت. بر اين اساس، مقادير بيشينه دماي شيراز براي سال 2020 بين 1/25 تا 6/29 و به طور ميانگين 4/27 درجه سلسيوس پيش‌بيني شده است كه نسبت به سال 2011 حدود 3/0 در جه افزايش خواهد داشت.

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 (20112020) 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