مدل‌سازی و پیش‌بینی تغییرات میانگین سالانه دمای تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشگاه پیام نور

2 کارشناس ارشد تغییرات آب و هوایی، دانشگاه پیام نور

چکیده

مدل‌‌سازی و پیش‌‌بینی تغییرات میانگین سالانه دمای تهران
 
 
 
امیرحسین حلبیان*1، آیدا هل‌‌فروش سلماسی2
 
1 دانشیار، گروه جغرافیا، دانشگاه پیام نور، تهران، ایران
2 کارشناس ارشد آب و هواشناسی، دانشگاه پیام نور، ایران
 
(تاریخ دریافت: 18/10/1395؛ تاریخ تصویب: 09/07/1397)
 
چکیده
توجه به تاثیر دما در شرایط اقلیمی هر منطقه و اهمیت پیش‌‌بینی آن در برنامه‌‌ریزی‌‌های محیطی، استفاده از روش‌‌های آماری برای بررسی تغییرات و پیش‌‌بینی دما را اجتناب‌‌ناپذیر کرده است. روش‌‌های آماری ابزاری مفید برای شناخت و تحلیل رفتار متغیرهای اقلیمی هستند. امروزه، مدل‌‌سازی و پیش‌‌بینی فراسنج‌‌های اقلیمی به سبب تغییرات آب و هوایی، گرمایش جهانی و خشکسالی‌‌های اخیر اجتناب‌‌ناپذیر شده است. دما از جمله فراسنج‌‌های اقلیمی است که در برنامه‌‌ریزی‌‌های محیطی، مدیریت منابع آبی و کشاورزی دارای اهمیت است. در این نوشتار، با بهره‌‌گیری از آزمون آماری- گرافیکی من- کندال که یکی از شیوه‌‌های پیشنهادی سازمان هواشناسی جهانی برای تحلیل سری‌‌های زمانی است؛ روش شیب خط سن و مدل آریمای باکس- جنکیز، روند تغییرات میانگین دمای سالانه در تهران بررسی شد. برای بررسی این روند و دستیابی به یک الگوی مناسب در این زمینه، داده‌‌های میانگین دمای سالانه ایستگاه سینوپتیک تهران در بازه زمانی 2014-1951 از سازمان هواشناسی کشور اخذ شد. نتایج تحلیل روند نشان داد که روند صعودی معناداری در رفتار سری زمانی میانگین دمای سالانه وجود دارد. شیب روند محاسبه شده توسط آزمون سن نیز برابر با 037/0 در هر سال است. در ادامه، براساس روش‌‌های معمول الگوسازی در خانواده الگوهای ARIMA مدل con (1، 1، 0) ARIMA پس از مقایسه معیار آکاییک (AIC) به عنوان الگوی نهایی تعیین شد. در این مدل وجود درجه تفاضلی 1 نشانگر روند حول یک خط است. این روند از وجود جمله ثابت در مدل (Con) قابل درک است. میزان این روند براساس مدل con (1، 1، 0) ARIMA حدود 033/0 درجه سلسیوس در سال است. بر اساس مدل برازش یافته، انتظار می‌‌رود دمای 10 سال آینده به بالاترین مقدار خود یعنی 88/18 درجه سلسیوس برسد.
 
 
 
 
کلیدواژه‌ها: مدل‌‌سازی، دمای سالانه، من کندال، تخمین‌‌گر شیب سن، آریما، روند، خودهمبستگی، خودهمبستگی جزیی، تهران
 
 
 
 
* نویسنده مسئول                                                                                                                 Email: halabian_a@yahoo.com

کلیدواژه‌ها


عنوان مقاله [English]

The modeling and prediction of annual mean temperature changes in Tehran

چکیده [English]

The Modeling and Prediction of Annual Mean
Temperature Changes in Tehran
 
 
 
 
 
1*Halabian, A.H., 2Helforosh Salmasi, A.
 
1 Assoc. Profe. Geography Department, Payame-Noor University, Tehran, Iran
2 M.A in Climatology, Payame-Noor University, Tehran, Iran
 
 
(Received: 2017/01/07; Accepted: 2018/10/02)
 
 
Abstract
The influence of temperature in climate conditions of each region and importance of its prediction in environmental planning made it necessary to use statistical methods to study prediction and changes of the temperature. Statistical method are useful tools to perceive and analysis climate behavior. Nowadays, modeling and prediction of climatic parameters due to climate change, global warming and the recent droughts is inevitable. Temperature is including climatic parameters that is important in environmental planning, water resources management and agriculture. In this research, using Mann- Kendall graphical- statistical test, which is one of the proposed method of world meteorological organization(WMO) for time series analysis, Sen's slope estimator method and Box- Jenkins ARIMA model, the change trend of long- term mean of annual temperature in Tehran will be studied. To analysis this trend and access a suitable pattern in this situation, temperature annual mean from Tehran synoptic station during 1951- 2014 has been collected from the meteorological organization of Iran. The results of trend analysis showed that there are significant ascending trends in temperature annual mean. Trend gradient calculated by Sen's slope estimator is equal to 0.037 per year. The ARIMA (0,1,1)con was identified as final pattern base on common modeling. The first order of difference degree shows a linear trend what is approved by a constant term in co model. According to the ARIMA (0,1,1) con, the amount of this trend is 0.033 C per year. According to the adjusted model, can be expected that the temperature will increase to 18.88 C in 2024.
 
 
 
 
 
 
 
 
Keywords: Modeling, Annual temperature, Mann- Kendall, Sen's slope estimator, ARIMA, Trend, Autocorrelation, Partial autocorrelation, Tehran
 
 
 
 
 
 

*Corresponding author:                                                                           Email: halabian_a@yahoo.com

کلیدواژه‌ها [English]

  • Modeling
  • annual temperature
  • Mann- Kendall
  • Sen's slope estimator
  • ARIMA
  • Trend
  • Autocorrelation
  • partial autocorrelation
  • Tehran

Alizadeh, A.; Kamali, Gh. A.; Mousavi, F. & Mousavi- Bygi, M. 2009. Weather and climate, 13th edition, Ferdowsi University Press, 382pp. (In persian)

Alizadeh-Choobari, O. & Najafi, M. S. 2017. Trends and changes in air temperature and precipitation over different regions of Iran, Earth and Space Physics, 43(3): 569-584. (In persian)

Asakereh, H. & Kheradmandnia, M. 2002. Modelling of monthly mean temperature ( case study: Jask), NIVAR, 46-47: 41-54. (In persian)

Asakereh, H. 2009. ARIMA modeling for Tabriz city annual temperature, Geographical Research, 24(2): 3-24. (In persian)

Azizi, Q.; Shamsipour, A. & Yarahmadi, D. 2008. Detection climate change using multivariable statistical analysis in west of Iran, Physical Geography Research, 66: 19-35. (In persian)

Box, G. E. P. & Jenkins, G. M. 1976. Time series analysis, forecasting and control. revised ed., Holden-Day, San Francisco.

Daryabari, S. J. 2003. Study of temperature changes trend in Khazar sea coastal, Regional Conference on Climate Change. (In persian)

Ekhtesasi, M. R.; Jahanbakhshi, F. & Kousari, M.R. 2015. Evaluating the trend of precipitation in 32 synoptic stations in Iran with nonparametric method and moving summation of data for the period of 1970 to 2005 with ranks of 1 to 48 months, Iran-Water Resources Research, 11(2): 151-156.(In persian)

Eslahi, M. 2011. A survey of statistics methods for precipitation and temperature long term prediction (seasonal and annual) in east Azarbayejan, East Azarbayejan Meteorological Organization, Third report. (In persian)

Farajzadeh, M.; Feizi, V. & Molashahi, M. 2010. Study of climate change in westnorth Iran using Mann- Kendall method, Conference on Application of Physical Geography in Environmental Planning, Khoram Abad. (In persian)

Germer, M. 2008. Seasonal precipitation changes in the wet season and their influence on flood/drought hazards in the Yangtze River Basin, China, Quaternary International, 186(1): 12-21.

Gil-Alana, L. A. 2011. Long memory, seasonality and time trends in the average monthly temperatures in Alaska. Theor Appl Climatol, Dol 10.1007/s00704-011-0539-0.

Goossens C. & Berger A. 1986. Annual and seasonal climatic variations over the Northern Hemisphere and Europe during the century. Annales Geophysicae 4: 385-399.

Jahanbakhsh, S. & Babapour Baser, A. A. 2003. The analysis and prediction of monthly average temperature changes in Tabriz using ARIMA model, Geographical Research, 18(3): 34-46. (In persian)

Kendall, M. G.1975. Rank correlation measures, Charles Griffin, London.

Khalili, A. & Bazrafshan, J. 2004. A trend analysis of annual, seasonal and monthly precipitation over Iran during the last 116 years, Biaban, 9(1):25-34. (In persian)

Kürbis, K.; Mudelsee, M.; Tetzlaff, G. & Brázdil, R. 2009. Trends in extremes of temperature, dew point, and precipitation from long instrumental series from central Europe, Theor Appl Climatol,98:187-195.

Lawal Kane, F.Y.I. 2012. Volatility modeling of rainfall time series. Theor Appl Climatol, Dol 10.1007/s00704-012-0778-8.

Leite, S. M. & Peixoto, J. P.1996. The autoregressive model of climatological time series an application to the longest time series in Portugal, International Journal of Climatology, 16:1165-1173.

Lettenmaier, D. P.; Wood, E. F. & Wallis, J. R. 1994. Hydro-climatological trends in the continental United States, 1948-88. J. Climate, 7: 586-607.

Mann, H. B. 1945. Nonparametric Tests against trend. econometrica, 13: 245-259.

Marofi, S.; Saghae, S.; Ershadfath, F. & Khatar, B. 2014. Evaluating time series models to estimate monthly temperature of Iran’s old synoptic stations during 1977-2005, Water and Soil Science, 24(4): 215-226. (In persian)

Pao, Shan Yu; Tao, Chang Yang & Chin, Kang Wu. 2002. Impact of Climate Change on Resources in Southern Taiwan, Journal of Hydrology, 260: 161- 175.

Rahimzadeh, F. 1998. Application of graphical Mann-Kendall test in climate change research, 4th Iranian Statistics Conference, Tehran. (In persian)

Salahi, B. & Maleki Meresht, R. 2015. Forecasting and analysis of monthly rainfalls in Ardebil province by ARIMA and autoregrresive and Winters models, Journal of Water and Soil, 29(5): 1391-1405. (In persian)

Sen zekai. 1998. Small sample estimation of the variance of time averages in climate time series, International Journal of Climatology, 18: 1725-1732.

Serrano, A.; Mateos, V. L. & Garcia, J. A. 1999. Trend analysis of monthly precipitation over the Iberian Peninsula for the Period 1921-1995. phys. Chem. EARTH (B), 24(1-2):85-90.

Setoudeh, F. 2014. Statistical analysis and modelling of annual mean temperature in Gorgan station (1956-2005), NIVAR, 38(86-87): 73-83. (In persian)

Shirmohamadi, S. 2013. Investigating and modeling of time series of Zanjan temperature (1956–2005), Geographical Research, 27(4): 33-58. (In persian)

Soltani, M.; Laux, P.; Kunstmann, H.; Stan, K.; Sohrabi, M. M.; Molanejad, M.; Sabziparvar. A. A.; Ranjbar SaadatAbadi, A. A.; Ranjbar, F.; Rousta, I.; Zawar-Reza, P.; Khoshakhlagh, F.; Soltanzadeh, I.; Babu, C. A.; Azizi, G. H. & Martin, M. V. 2016. Assessment of climate variations in temperature and precipitation extreme events over Iran, Theoretical and Applied Climatology, 126: 775–795.

Stofford, J. M.; Wendler, G. & Curtis, J. 2000. Temperature and precipitation of Alaska: 50 years trend analysis, theor, appl, climatol, 67(1-2): 33-44.

Taei Semiromi, S.; Moradi, H. R.; Davoudi Moghaddam, D. & Khodagholi, M. 2014. Future climate conditions and trend analysis of precipitation and temperature in Bar Watershed, Iran. Journal of Scientific Research and Reports, 3(15): 2037-2054.

Turgay, P. & Ercan, K. 2005. Trend analysis in Turkish precipitation data. Hydrological Processes, 20: 2011–2026.

Türkeş, M. 1996. Observed changes in maximum and minimum temperatures in Turkey. International Journal of Climatology, 16: 463-477.

Vivekanandan, N. 2007. Analysis of trend in rainfall using non parametric statistical methods, international symposium on rainfall rate and radio wave propagation, American institute of physics. pp: 101-113.

Yue, S. & Hoshinio, M. 2003. Temperature trends in Japan 1900-1996, Theor, Appl, Climatol, 75: 15- 27.

YuRen, Y.; YuRen, G.; BaoSun, X.; BhaktaShrestha, A.; LongYou, Q.; JianZhan, Y.; Rajbhandari, R.; Pan-Feng, Z. & Kang-Min, W. 2017. Observed changes in surface air temperature and precipitation in the Hindu Kush Himalayan region over the last 100-plus years, Advances in Climate Change Research, 8:148-156.