مقایسة عملکرد رگرسیون های چندخطی، رگرسیون ناپارامتری و مدل‌های سری زمانی در برآورد و پیش بینی مقادیر تبخیر

نوع مقاله: یادداشت فنی (5 صفحه)

نویسندگان

1 کارشناس ارشد /دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، باشگاه پژوهشگران جوان و نخبگان، تهران، ایران.

2 استادیار /گروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران.

3 استادیار /گروه آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.

4 استاد /گروه آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.

چکیده

برای شبیه‌سازی سری‌های زمانی، روش‌هیا مختلفی ارائه شده‌اند که از آن جمله می‌توان مدل‌های سری زمانی AR، ARMA و ARMAX و روش‌های رگرسیون چندخطی (MLR) و رگرسیون ناپارامتری (K-NN) را برشمرد. در این تحقیق، عملکرد این روش‌ها در برآورد داده‌های مفقود و پیش‌بینی مقادیر آتی سری زمانی تبخیر از سطح آزاد آب مورد بررسی قرار گرفت. مدل ARMAX با استفاده از ورودی‌های استاندارد شدة دمای کمینه و بیشینه، متوسط دما، سرعت باد، رطوبت‌نسبی و ساعات آفتابی، نسبت به سایر روش‌ها به بهترین نتایج منجر شد و روش‌های K-NN و MLR در رتبه‌های بعدی قرار گرفتند. مشاهده گردید که پس از تحلیل اجزاء اصلی، مدل ARMAX دارای خطای قابل ملاحظه‌‌ای در برآورد مقادیر مفقود می‌باشد و روش‌های MLR و K-NN در مرحلة واسنجی و روش MLR در مرحلة اعتبارسنجی به بهترین نتایج منجر می‌شوند. برای پیش‌بینی‌های کوتاه مدت، مدل ARMAX دارای بهترین نتایج بود؛ ولی در پیش‌بینی‌های بلند مدت، روش MLR به بهترین نتایج منجر شد و مدل‌های سری زمانی قادر به پیش‌بینی‌های بلندمدت نبودند.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Multi Linear Regression, Nonparametric Regression, and Times Series Models for Estimation and Prediction of Evaporation Values

نویسندگان [English]

  • B Ababaei 1
  • H Ramezani Etedali 2
  • S Araghinejad 3
  • A Liaghat 4
1 Young Researchers and Elites Club, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Assistant Professor, Department of Water Engineering, Imam Khomeini International University, Qazvin, Iran.
3 Assistant Professor (Respectively), Department of Irrigation and Reclamation, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran
4 Professor (Respectively), Department of Irrigation and Reclamation, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran.
چکیده [English]

In order to simulate time series, various methods are presented such as times series models (AR, ARMA and ARMAX), multi-linear regression (MLR), and nonparametric regression (K-NN). In this research, performance of these models for estimation of missing values and prediction of future values of evaporation series (from open water) were assessed. ARMAX model with standardized input time series of Tmin, Tmax, Tav, Wind, RH, and sunshine hours, outperformed the other models and the K-NN and MLR were in the next ranks, respectively. Also after the principal component analysis, ARMAX model showed noticeable deviation for estimating missing values and MLR and K-NN in calibration and MLR in validation stage performed the best. For short-term predictions, ARMAX model has the best performance, but MLR performed better in long-term predictions, Time series models were not robust for long term predictions.

کلیدواژه‌ها [English]

  • prediction
  • evaporation
  • Multi-linear regression
  • Nonparametric regression
  • Time series models

Araghinejad, S., Burn, D. H. and Karamouz, M. (2006). “Long-lead probabilistic forecasting of streamflow using ocean-atmospheric and hydrological predictors”, Water Resour. Res., 42, W03431, doi:10.1029/2004WR003853.

Beersma, J. J. and Buishand, T. A. (2003). “Multi-site simulation of daily precipitation and temperature conditional on the atmospheric circulation”, Clim Res., 25, pp. 121-133.

Chi, M. and Bruzzone, L. (2005). “An ensemble-driven K-NN approach to ill-posed classification problems”, Pattern Recognition Letters, 27, pp. 301-307.

Davis, G.A. and Nihan, N.L. (1991). ”Nonparametric regression and short-term free way traffic forecasting”, Journal of Transportation Engineering, ASCE, 117(2), pp. 178-188.

Harrold, T. I., Sharma, A. and Sheather, S. J. (2003). “A nonparametric model for stochastic generation of daily rainfall occurrence”, Water Resour Res., 39, pp. 1-11.

Lall, U. and Sharma, A. (1996). “A nearest neighbor bootstrap for time series resampling”, Water Resour Res., 32, pp. 679-693.

Nemes, A., Rawls, W.J. and Pachepsky, Y.A. (2006). “Use of the nonparametric nearest neighbor approach to estimate soil hydraulic properties”, Soil Science Society of America Journal, 70, pp. 327-336.

Rajagopalan, B. and Lall, U. (1999). “A k-nearest-neighbor simulator for daily precipitation and other variables”, Water Resources Research, 35(10), pp. 3089-3101.

Sharma, A. and Lall, U. (1999). “A nonparametric approach for daily rainfall simulation”, Math Comput Simulat, 48, pp. 361-371.

Todini, E. (2000). “Real-time flood forecasting: operational experience and recent advances”, In: Marsalek, J., et al. (Eds.), Flood Issues in Contemporary Water Management, Kluwer Academic Publisher, The Netherlands,.

Wilson, D. R. and Martinez, T. R. (2000). “Reduction techniques for exemplar-based learning algorithms”, Machine Learning, 38(3), pp. 257-286.

Wojcik, R. and Buishand, T. A. (2003). “Simulation of 6-hourly rainfall and temperature by two resampling schemes”, Journal of Hydrology, 273, pp. 69-80.

Wu, W., Xing, E.P., Myers, C., Mian, I.S. and Bissell, M.J. (2005). “Evaluation of normalization methods for CDNA microarray data by K-NN classification”, Bioinformatics, 6, pp. 191-200.

Young, K. C. (1994). “A multivariate chain model for simulating climatic parameters with daily data”, J. Appl. Meteorol., 33(6), pp. 661–671.