مدل‌سازي درجه حرارت ماهيانه، مطالعه موردي: ايستگاه هيدرومتري شاه‌مختار

Modeling the average monthly temperature, case study: Shah-Mokhtar hydrometric station

در اين مطالعه، ميانگين درجه حرارت ماهانه در ايستگاه هيدرومتري شاه‌مختار در استان كهگيلويه و بويراحمد براي يك دوره 39 ساله بين سال‌هاي 1349 تا 1388 مورد بررسي قرار گرفت. جهت مدل‌سازي درجه حرارت در اين ايستگاه از تكنيك تحليل كاوشگرانه داده‌ها (EDA) استفاده شد. روش‌هاي گرافيكي متعددي، مانند استفاده از نمودارهاي تناوب‌نگار، خود هم‌بستگي و خود هم‌بستگي جزيي براي بررسي داده‌ها از جمله وجود چرخه (S) و مناسب بودن استفاده از تحليل سري‌هاي زماني جهت مدل‌سازي باقي‌مانده‌ها (R) تعيين شد. مدل‌سازي چرخه موجود در داده‌ها با استفاده از مدل سينوسي و با تعيين دقيق پارامترهاي آن با استفاده از تكنيك‌هاي EDA انجام شد. باقي‌مانده‌ها نيز با استفاده از Modelexpert در نرم‌افزار SPSS 19 جهت تحليل سري‌هاي زماني مورد بررسي قرار گرفت. بهترين برازش با توجه به كمترين مقدار براي معيار NBIC، مدل (ARIMA(0,1,2 تعيين شد. جهت تاييد مدل، بررسي تصادفي بودن مقادير خطاهاي مدل (E) و نرمال بودن توزيع آن‌ها در سطح پنج درصد به‌ترتيب با استفاده از آزمون Ljung-Box (با مقدار آماره برابر 24.3) و Kolmogorov-Smirnov (با مقدار آماره برابر 0.4088) بررسي و مورد تاييد قرار گرفت.

In this study, the mean monthly air temperature data from Shah-Mokhtar hydrometric station in Kohgiloyeh and Boyer Ahmad province for a period of 39 years between 1970 and 2009 was investigated. Using different graphical EDA techniques such as spectral, autocorrelation and partial autocorrelation plots, i) existence of seasonal part and ii) suitability of using time series analysis to model the residuals were determined. The lag plot and autocorrelation plot of the original data showed that a sinusoidal model was appropriate to model the seasonal effect. So using sinusoidal model and determining its parameters precisely, the seasonal effect was modeled properly. Time series analysis was also used to model the residuals using ARIMA models. Among different models, ARIMA(0,1,2) model was selected as the best model using Normalized Bayesian Information Criterion (NBIC). Finally, null hypotheses for Kolmogorov-Smirnov and Ljung-Box tests were not to be rejected at 5% level for the obtained model which confirms the adequacy of the model.