| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,196 |
| تعداد مقالات | 35,423 |
| تعداد مشاهده مقاله | 52,245,456 |
| تعداد دریافت فایل اصل مقاله | 91,778,294 |
پیش بینی سری های زمانی کیفیت آب رودخانه سفیدرود با استفاده از مدل های خطی تصادفی | ||
| تحقیقات مهندسی صنایع غذایی | ||
| مقاله 3، دوره 12، شماره 3، آذر 1390، صفحه 31-44 اصل مقاله (1.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/jaer.2011.100317 | ||
| نویسندگان | ||
| بهزاد جمالی1؛ کیومرث ابراهیمی* 2 | ||
| 1دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه تهران | ||
| 2استادیار گروه مهندسی آبیاری و آبادانی دانشگاه تهران | ||
| چکیده | ||
| پیشبینی کیفیت آب رودخانهها بهمنظور مدیریت مناسب حوضه آنها ضروری است، تا بتوان برای کنترل مقدار آلایندهها و رساندن آنها به حد مجاز گامهایی برداشت. در مقاله حاضر، قابلیت پیشبینی سریهای زمانی پارامترهای هدایت الکتریکی و کلر ایستگاه آستانه از رودخانه سفیدرود با استفاده از مدلهای خطی تصادفی بررسی شده است. بهمنظور پیشبینی فصلی سریهای زمانی پارامترهای مذکور، از مدل خودهمبسته میانگین متحرک فصلی انباشته (SARIMA) استفاده شد. برای برازش این مدل از سریهای زمانی بین سالهای 1370 تا 1381، و بهمنظور صحت سنجی مدل از دادههای سالهای 1382 تا 1384 استفاده شد. ابتدا روند و ایستایی سریهای زمانی هدایت الکتریکی و کلر بهترتیب با آزمونهای من-کندال بررسی و پس از آن الگوهای فصلی 12 ماهه پس از تفاضلگیری مرتبه اول حذف شد. مدلسازی یک سری زمانی بهطور کلی شامل سه مرحله است: شناسایی مدل، برآورد پارامترهای مدل، و کنترل تشخیصی. در مرحلةِ شناسایی، با استفاده از توابع خودهمبسته و خودهمبستةِ جزئی مدلهای مختلف SARIMA شناسایی و مدلی که کمترین مقدار ضریب آکائیک را داشت بهعنوان بهترین مدل برازش داده شده انتخاب شد. پارامترهای مدل با استفاده از روش تخمین حداقل مربعات باقیماندهها برآورد شد. در مرحلة کنترل تشخیصی، مشاهده شد که باقیماندهء مدلها مستقل، همسان واریانس و دارای توزیع نرمال است. سریهای زمانی هدایت الکتریکی و کلر برای سالهای 1382 تا 1384 توسط مدلهای انتخاب شده پیشبینی شد. بهمنظور صحتسنجی مدل، میانگین و واریانس دادههای مشاهدهای و پیشبینی شده مقایسه شدند و اختلاف معنیداری بین آنها مشاهده نشد. ریشه خطای مربعات متوسط برای پارامترهای هدایت الکتریکی و کلر بهترتیب برابر 9/278 و 22/2 برآورد شد. به این ترتیب با اطمینان بالا میتوان روشمدلسازی SARIMA را برای پیشبینی مقادیر هدایت الکتریکی و غلظت کلر در ایستگاه آستانه از رودخانه سفیدرود پیشنهاد کرد. | ||
| عنوان مقاله [English] | ||
| Time Series Forecasting of Sefidrood River Water Quality Using Linear Stochastic Models | ||
| چکیده [English] | ||
| In the management of river basins, prediction of river water quality is essential to maintain water quality within standard limits. This study performed a time-series analysis of the prediction of chlorine concentration and electrical conductivity time series data for the period of 1991-2005 from Sefidrood River in northern Iran. The seasonal prediction of chlorine and electrical conductivity time series data was done using the linear stochastic model known as the multiplicative seasonal autoregressive integrated moving average (SARIMA). Initially, Mann-Kendall and Box-Pierce tests were used to identify the trend and stationary state of the time series, respectively. The results showed that there was no significant trend in these time series, but that 12-month seasonal patterns were observed. As a result, seasonal patterns were removed from both time series data using first-order differencing. SARIMA modeling was performed in three steps: model identification, parameter estimation and diagnostic checking. Different models of SARIMA were identified according to the ACF and PACF time series results and the model with the minimum AIC criterion was selected. For parameter estimation, model parameters were estimated using a least squares optimization algorithm that minimized the residual sum of squares. The results of diagnostic checking then indicated that the residuals were independent, normally distributed and homoscadastic. The selected SARIMA model was then used to predict chlorine concentration and electrical conductivity time series data for 2003-2005. There was a good unanimity between the predicted and observed data. For model verification, the mean and variance of the predicted and observed data were compared. The RMSE for Cl and EC were 2.2 and 278.9, respectively. The results showed that there was no significant difference between the predicted and observed time series data. This study showed that the SARIMA model can be used reliably to predict chlorine concentration and electrical conductivity time series data in Sefidrood River. | ||
| کلیدواژهها [English] | ||
| Electrical conductivity, Mann-Kendall, SARIMA, time series | ||
| مراجع | ||
|
Ahmad, S., Khan, I.H. and Parida, B.P. 2001. Performance of stochastic approaches for forecasting river water quality. Water Res. 35, 4261–4266.
Akaike, H. 1974. A new look at statistical model identification. IEEE Transactions on Automated Circuits. 19, 716–723.
Benyahya, L., Hilaire, A.S., Quarda, B.M.J.T., Bobee, B. and Nedushan, B.A. 2007. Modeling of water temperatures based on stochastic approaches: Case study of the Deschutes river. J. Environ. Eng. Sci. 6, 437–448.
Box, G.E.P. and Jenkins, G.M. 1976. Time Series Analysis: Forecasting and Control. San Francisco. CA: Holden Day, 575 p.
Box, G.E.P., Jenkins, G.M. and Reinsel, G.C. 1994. Time Series Analysis: Forecasting and Control. 3rd Ed. Prentice Hall, Englewood Cliffs Inc., New Jersey. 598 p.
Durdu, O. 2009. Stochastic approaches for time series forecasting of boron: A case study of Western Turkey. Environ. Monit. Assess. 687–701.
Hassanzadeh, S., Hosseinibalam, F. and Alizadeh, R. 2008. Statistical models and time series forecasting of sulfur dioxide: A case study Tehran. Environ. Monit. Assess. 155, 149–155.
Karamouz, M. and Araghinejad, Sh. 2005. Advanced Hydrology. Amirkabir University of Technology. Ch. 5, 256–257. (in Farsi)
Karbasi, A. and Shahbazi, A. 2008. Analysing water quality of rivers in Gilan province. Advanced Environ Res. J. 5, 2–3. (in Farsi)
Kurunç, A., Yürekli, K. and Çevik, O. 2005. Performance of two stochastic approaches for forecasting water quality and streamflow data from Yesilirmak river, Turkey. Environ Modell Softw. 20, 1195–1200.
Ljung, G.M. and Box, G.E.P. 1978. On a measure of a lack of fit in time series models. Biometrika. 65 (2): 297–303.
Makridakis, S., Wheelwright, S.C. and Hyndman, R. 2003. Forecasting Methods and Applications. Singapore: Wiley (ASIA).
Malmir, M. 2006. Prediction of low flow time series in rivers. M. Sc. Thesis. Faculty of Agriculture. Theran University. Karaj. Iran. (in Farsi)
Mishra, A.K. and Desai, V.R. 2005. Drought forecasting using stochastic models. Stoch. Environ. Res. Risk Assess. 19, 326–339.
Mishra, A.K. and Desai, V.R. 2006. Drought forecasting using feed-forward recursive neural network. Ecol. Model. 198, 127–138.
Modarres, R. 2007. Streamflow drought time series forecasting. Stoch. Environ. Res. Risk Assess. 21, 223–233.
Pokorny, M. 1987. An Introduction to Econometrics. Oxford: Basil Blackwell Ltd., New York.
Ragavan, A.J. and Fernandez, G.C. 2006. Modeling water quality trend in long term time series. Proceedings of SAS Users Group Meeting (SUGI 31). March 2006, San Francisco, USA. paper 205–31. | ||
|
آمار تعداد مشاهده مقاله: 1,950 تعداد دریافت فایل اصل مقاله: 1,107 |
||