پیش بینی دمای سطح آب خلیج فارس با استفاده از فرایندهای اتورگرسیو برداری

فصلنامه علمی مهندسی منابع آب

مقاله 6، دوره 4، شماره 8، فروردین و اردیبهشت 1390، صفحه 53-62   

نویسندگان

مرضیه جهاندیده^{* 1}؛ امین شیروانی²

¹عضو هیئت علمی دانشگاه آزاد اسلامی، واحد مرودشت، گروه ریاضی

²بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شیراز

تاریخ دریافت: 20 دی 1394،  تاریخ پذیرش: 20 دی 1394 

چکیده

در این مطالعه مدل های سری های زمانی چند متغیره به عنوان مدل های تصادفی خطی برای پیش بینی میانگین ماهانه دمای سطح آب خلیج فارس استفاده شد. سری های زمانی داده های این دما برای شش گره دریایی برای دوره 2007-1854 به عنوان پرونده ورودی مدل های چند متغیره سری های زمانی در نظر گرفته شدند. فرایندهای اتورگرسیو برداری برای انجام سری های زمانی چند متغیره به کار برده شدند. نمودارهای خود همبستگی باقی مانده ها برای مدل های انتخاب شده بر اساس ملاک اطلاعات آکاییک نشان می دهند که باقی مانده ها ناهمبسته اند. مقادیرمیانگین ماهانه دمای سطح آب خلیج فارس از ژانویه 2008 تا دسامبر 2009 به عنوان داده های آزمون با استفاده از مدل برازش داده شده پیش بینی شدند. نتایج نشان داد که ضریب همبستگی بین مقادیر مشاهده و پیش بینی شده برای هر گره در حدود 99/. می باشد. جذر میانگین توان دوم خطای پیش بینی برای هر گره کمتر از 7/. درجه سانتی گراد می باشد
 

کلیدواژه‌ها

دمای سطح آب؛ سری های زمانی چند متغیره؛ فرایندهای اتورگرسیو برداری؛ پیش بینی؛ خلیج فارس

مراجع

1 - نــاظم الــسادات، س. م. ج. و ا. شــیروانی. 1384.پیش بینی دمای سطح آب خلیج فارس بـا اسـتفاده ازرگرسیون چند گانه و تحلیل مولفه های اصـلی. مجلـه

علوم کشاورزی و منابع طبیعی، 11-1 : (3)9.

2- ناظم السادات، س. م. ج. و ا. شیروانی. 1385.پیش بینی بارش بارش مناطق جنوبی ایران با استفاده

از دمای سطح آب خلیج فارس: مدل سازی تحلیل همبستگی متعارف. مجله علمی کشاورزی. 9 )29) .77 -:65

3- Annamalai, H., K. Hamilton, and K.R. Sperber. 2007. South Asian summermonsoon and its relationship with

ENSO in the IPCC AR4 simulations. JClimate. 20: 1071–1092.

4- Barnston, A. G., and C. F.Ropelewiski. 1992. Prediction of ENSO

episodes using canonical correlationanalysis. J. Climate. 5: 1316-1345.

5- Chu, P., and R. W. Kats. 1986.Measures of predictability with

applications to the Southern oscillation.Month. Weather Review. 115(8): 1542–1549.

6- Chu, P., and Y. He. 1994. LongRange

prediction of Hawaiian winterrainfall using canonical correlationanalysis. Internat. J. Climatol. 14: 659-669.

7- Landman, W. A., and S. J. Mason.2001. Forecasts of near-global seasurface temperature using canonical

correlation analysis. Am. Meteorol.Soc. 15: 3819-3833.

8- Landman,W. A. and S. J. Mason.1999. Operational long-lead predictionof South African rainfall, usingcanonical correlation analysis. Internat.J. Climatol. 19: 1073-1090.

9- Lutkepohl, H. 2006. NewIntroduction to Multiple Time Series

Analysis. Springer, New York.

10- Lough, J. M. 1997. Regional indicesof climate variation: temperature andrainfall in Queensland Australia.Internat. J. Climatol. 17: 55-66.

11- Martinez, S. A., and W. W. Hsieh.2009. Forecasts of tropical Pacific seasurface temperatures by neural networksand support vector regression. Internat.J. Ocean. 2009: 1-13.

12- Nazemosadat, M. J. 1998. ThePersian Gulf sea surface temperature asa drought diagnostic for southern parts

of Iran. Drought News Network. 10: 12-14.

13- Penland, C., and P. Magorain. 1993.Prediction of Nino~ 3 sea surfacetemperature using linear inversemodeling. Am. Meteorol. Soc. 6: 1067-1076.

14- Pfaff, B. 2008. Analysis ofIntegrated Series with RandCointegrated Time. Second Edition.Springer, New York.

15- Smith, T. M., R. W. Reynolds, C. T.C. Peterson, and J. Lawrimore. 2008.Improvements to NOAA's HistoricalMerged Land-Ocean SurfaceTemperature Analysis (1880-2006). J.Climate. 21: 2283-2296.

16- Tripathi, K. C., I. M. L. Das, and A.Sahai. 2006. Predictability of seasurface temperature anomalies in the

Indian Ocean using artificial neuralnetworks. Indian J. Marine Sci. 35(3):210-220.