پيش بيني و بررسي متوسط دماي ماهانه با استفاده ازمدل هاي سري زماني

Prediction and evaluation of average monthly temperature using time series models

دما يكي از مهم ترين پارامترهاي هواشناسي است كه در بسياري از مطالعات مورد استفاده قرار مي گيرد. اين پارامتر در بررسي هاي تغيير اقليم و كشاورزي از اهميت ويژه اي برخوردار است، بطوري كه افزايش درجه حرارت يكي از مسائل مهم زيست محيطي بشر به حساب مي آيد. بنابراين بررسي و پيش بيني تغييرات آن در دوره دراز مدت مي تواند بر مديريت صحيح منابع آب و خاك و تامين نياز آبي گياهان موثر باشد. در اين مطالعه با استفاده از داده هاي 47 ساله (7196-2014) ايستگاه فسا و همچنين مدل ARAR اقدام به پيش بيني متوسط دماي ماهانه براي 6 سال آينده ( تا سال 2020) در نرم افزار ITSM گرديد. بر اساس نتايج بدست آمده بهترين مدل فيت شده بر داده ها مدل AR (26،1) بر گرفته از روش Burg با شاخص آكاييكي برابر با 2609/91 بود. بر اساس اين مدل ضرايب Z(t-1) در تاخير هاي 21، 22 و 23 معني دار نيستند كه در مدل صفر در نظر گرفته شدند. با توجه به P-value آزمون Turning points در تاخير هاي مختلف كه بزرگ تر از 0/05 بود مي توان قابل اطمينان بودن پيش بيني انجام شده را استنباط نمود.

Temperature is one of the most important climate parameters that used in many studies. This parameter is very important in assessment of climate changes and agricultural science، so that the temperature rise is one of the important environmental challenges for humans. Therefore its evaluation and prediction in long term can be effective in correct management of water and soil resources and preparation of plant water requirement. In this research were used Time series models، ARAR model and ITSM software to Prediction and evaluation of monthly temperature in Fasa Station (47 years from 1967 to 2014). In this research average monthly temperature in Fasa Station predicted for 6 next years (from 2015 to 2020). Result showed that based on the autocorrelation and partial autocorrelation diagrams، the AR Burg (26، 1) model with AICC index equivalent 2609.91 was the best fitted to the considered data set. According to results coefficient of model (Z(t-1)) is insignificant at 21، 22 and 23 lags therefore this coefficient set zero. The P-value of the turning points test statistic for different lags is greater than the significance level of 5%، which indicates that the residuals are uncorrelated، therefore can be said predicted data are thrust.