مدل‌سازی و پیش‌بینی متوسط درجه‌ حرارت ماهانه‌ی دمای اصفهان با استفاده از مدل sarima

افزایش دمای کره زمین باعث بروز ناهنجاری‌هایی در اقلیم کره زمین شده که بر تمام زوایای زندگی بشر تاثیرگذار است. در این پژوهش تعیین تغییرات زمانی و مناسب‌ترین مدل برآورد تغییرات دما با استفاده از مدل سری زمانی  sarimaجهت پیش‌بینی در شهر اصفهان انجام شد. بدین منظور در محیط نرم‌افزار minitab از آمار درازمدت میانگین دمای ماهانه اصفهان طی سال‌های 20171951 استفاده شد. در ادامه، با استفاده ازسری‌های زمانی، یک الگوی اولیه به‌صورت sarima (0, 0, 4) (0, 1, 1)12  و sarima(0, 0, 4) (5, 1, 0)12 استخراج شد. سپس با سعی و خطا و روش زیاد برازش دادن این دو الگو، الگوی نهایی به‌صورت sarima (0, 0, 4) (0, 1, 1)12  حاصل شد. در مرحله بعدی صحت و دقت این مدل بر اساس آماره aic و تحلیل نمودارها خودهمبستگی، بافت نگار باقی مانده‌های الگو و سایر پارامترها تایید شد. در نهایت بر اساس مدل‌های برازش یافته، پیش‌بینی برای 10 سال آینده انجام شد. نتایج این پژوهش نشان داد که این مدل از دقت تقریباً خوبی برای پیش‌بینی تغییرات دما طی سال‌های آتی برخوردار است. همچنین فرض استقلال باقی مانده‌ها با توجه به همبستگی نگار مربوط به باقی مانده‌های مدل به دلیل قرار گرفتن همه خود همبستگی‌ها در محدوده قابل قبولی قرار دارد، سپس بافت نگار باقی مانده‌های الگوی m1 نرمال بودن داده‌ها را نشان داد.

Modeling and Predicting the Monthly Average Temperature of Isfahan using SARIMA Model

Increasing the earth temperature causes anomalies in the planet climate, which affects all aspects of human life. In this study, the determination of temperature changes and the most appropriate model for estimating temperature changes was carried out using the SARIMA time series model in Isfahan. For this purpose, the longterm monthly average temperature of Isfahan during the years 19512017 were used in MINITAB software medium. Then, using the time series, an initial guessing pattern was extracted as follows: SARIMA (0, 0, 4) (0, 1, 1) 12 and SARIMA (4, 0, 0) (5, 1, 0) 12 trail and error. The method of the goodness of fit these two patterns resulted in a final pattern SARIMA (1, 0, 1) (0, 1, 1). In the next stage, accuracy and preciseness of this model were confirmed by AIC statistics and analysis of selfcorrelation charts, the histogram of residual patterns, and other parameters. Finally, based on fitted models, the forecast was made for the next 10 years. The results of this study indicate that these models had almost good accuracy for predicting temperature changes over the coming years. In addition, the assumption of the independency of the residuals was confirmed by the correlation between the model and the remainder of the model due to the inclusion of all selfcorrelations in their standard limits, and then the histogram of the residual parts of the M1 pattern showed normalilty of the data.