مدل‌سازی و پیش‌بینی تغییرات بیشینه دمای شیراز برای دوره اقلیمی منتهی به سال 1400 خورشیدی

هدف اصلی از مدل سازی سری‌های زمانی دادن نظم خاص به مشاهدات وابسته به زمان است تا بر اساس آن‌ها بتوان پیش‌بینی‌هایی را برای آینده انجام داد. مهم‌ترین هدف از تجزیه و تحلیل سری‌های زمانی یافتن روند تغییرات و پیش‌بینی آینده آن است. هدف پژوهش حاضر مطالعه و پیش‌بینی تغییرات بیشینه دمای شیراز برای دوره اقلیمی (2020-2011) با استفاده از مدل‌های باکس و جنکیز است. در ابتدای پژوهش برای جلوگیری از بایاس بودن مدل و همچنین صحت سنجی نهایی آن ده سال پایانی سری برای پیش‌بینی و بررسی صحت مدل کنار گذاشته شد. داده‌های سری مورد آزمون‌های ایستایی میانگین و واریانس قرار گرفت تا با ایجاد مرتبه در سری، نا ایستایی سری از بین رود. رفتار سالانه سری با استفاده از فیلتر بالا گذر (تفاضل‌گیری) حذف گردید و نمودارهای acf و pacf سری تفاضل‌گیری شده مبنای تشخیص مدل قرار گرفت و روش arima=(3,2,1)  انتخاب شد. روش پژوهش انتخاب شده مورد برازش قرار گرفت و سپس مناسبت آن از طریق تجزیه و تحلیل باقیمانده‌ها مورد آزمون قرار گرفت و صحت آن تایید گردید. سرانجام پس از طی مراحل متعدد و برازش جامع‌تر و با توجه به حداقل میانگین مربعات خطا روش انتخاب شده مورد آزمون پیش‌بینی قرار گرفت و نمونه اولیه که از سری جهت تست کنار گذاشته شده بود را پیش‌بینی نمود. همبستگی بین مقادیر واقعی و پیش‌بینی شده در سطح کامل بود. بنابراین رفتار آینده سری مورد پیش‌بینی قرار گرفت. بر این اساس، مقادیر بیشینه دمای شیراز برای سال 2020 بین 1/25 تا 6/29 و به طور میانگین 4/27 درجه سلسیوس پیش‌بینی شده است که نسبت به سال 2011 حدود 3/0 در جه افزایش خواهد داشت.

Modeling and prediction of maximum temperature changes in Shiraz for the period future climate, 2020

The main purpose of modeling time series of observations of a particular order is dependent on time according to their predictions to be made for the future. The main purpose of the analysis of time series and forecasting by the model changes. Study to predict future climate change, maximum temperature of Shiraz for the period (20112020) is using the box and Jenkize model. At the beginning of the study to avoid bias the polls and the final of the series a decade to predict and verify the model was abandoned. Mean and variance of the series of static tests was to restore order in the series, the series are not static. Conduct an annual series of highpass filter (the difference) was removed and graphics ACF and identify the model was based on the difference PACF series ARIMA model = (3, 2, 1) were chosen. The adjusted model was chosen and finally go through the analysis of residues was examined and its validity was confirmed. Finally, after several steps and a more complete model are mounted to the minimum mean squared error, the model predictions were tested and the prototype that has been set aside to test the predictions. Correlation between actual and predicted values was complete. This change was predicted in the series