Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân tích xu hướng và dự báo SARIMA của nhiệt độ trung bình tối đa và trung bình tối thiểu hàng tháng cho bang Kerala, Ấn Độ
Tóm tắt
Bài báo này trình bày sự phát triển của các mô hình dự đoán nhiệt độ cho bang Kerala bằng phương pháp Bình quân di động tự hồi quy tích hợp theo mùa (SARIMA). Dữ liệu nhiệt độ hàng tháng trung bình tối đa và trung bình tối thiểu, trong khoảng thời gian 47 năm, từ bảy trạm quan trắc được nghiên cứu và áp dụng để phát triển mô hình. Dự kiến rằng các tập dữ liệu chuỗi thời gian về nhiệt độ sẽ hiển thị tính mùa vụ (và do đó không ổn định) và một xu hướng có thể xảy ra (do thực tế rằng dữ liệu trải dài qua 5 thập kỷ). Do đó, bước chính trong việc phát triển các mô hình là xác định tính không ổn định của chuỗi thời gian nhiệt độ và biến đổi chuỗi thời gian không ổn định thành chuỗi thời gian ổn định. Điều này được thực hiện bằng cách sử dụng kỹ thuật phân tách theo mùa và xu hướng bằng cách sử dụng phương pháp Loess và kiểm tra Kwiatkowski–Phillips–Schmidt–Shin. Trước khi thực hiện quá trình này, một số bài kiểm tra sơ bộ được tiến hành để (1) tìm kiếm và điền các giá trị thiếu, (2) nghiên cứu các đặc điểm của dữ liệu, và (3) điều tra sự hiện diện của xu hướng và tính mùa vụ. Các chuỗi thời gian nhiệt độ không ổn định được biến đổi thành chuỗi thời gian nhiệt độ ổn định, bằng cách khác biệt mùa vụ một lần và khác biệt bậc nhất một lần. Thông tin này, cùng với chuỗi thời gian gốc, được sử dụng để phát triển các mô hình bằng phương pháp SARIMA. Các mô hình SARIMA tối giản và phù hợp nhất được phát triển cho mười bốn biến số. Nghiên cứu cho thấy
$$\text{SARIMA}(2,1,1)(1,1,1)_{12}$$
là mô hình dự báo lý tưởng cho tám trong số mười bốn tập dữ liệu chuỗi thời gian.
Từ khóa
#SARIMA #dự báo nhiệt độ #chuỗi thời gian #Kerala #phân tích xu hướngTài liệu tham khảo
Aguado-Rodríguez GJ, Quevedo-Nolasco A, Castro-Popoca M, Arteaga-Ramírez R, Vázquez-Peña MA, Zamora-Morales BP (2016) Predicción de variables meteorológicas por medio de modelos arima. Agrociencia 50(1):1–13
Allen MR, Ingram WJ (2002) Constraints on future changes in climate and the hydrologic cycle. Nature 419(6903):228–232
Andronova NG, Schlesinger ME (2000) Causes of global temperature changes during the 19th and 20th centuries. Geophys Res Lett 27(14):2137–2140
Arjun KM (2013) Indian agriculture-status, importance and role in Indian economy. Int J Agric Food Sci Technol 4(4):343–346
Cleveland RB et al (1990) Stl: a seasonal-trend decomposition procedure based on loess. citeulike-article-id:1435502
Gilbert RO (1987) Statistical methods for environmental pollution monitoring. Wiley, New York
Gocic M, Trajkovic S (2013) Analysis of changes in meteorological variables using Mann–Kendall and Sen’s slope estimator statistical tests in Serbia. Glob Planet Change 100:172–182
Hänsel S, Medeiros DM, Matschullat J, Petta RA, de Mendonça Silva I (2016) Assessing homogeneity and climate variability of temperature and precipitation series in the capitals of North-Eastern Brazil. Front Earth Sci 4:29
Hyndman RJ, Athanasopoulos G (2018) Forecasting: principles and practice. OTexts, Melbourne
Indian Network for Climate Change Assessment and India Ministry of Environment (2010) Climate Change and India: a 4 × 4 assessment, a sectoral and regional analysis for 2030s, vol 2. Ministry of Environment & Forests, Government of India, New Delhi
Jain SK, Kumar V (2012) Trend analysis of rainfall and temperature data for India. Curr Sci 102:37–49
Kang H (2013) The prevention and handling of the missing data. Korean J Anesthesiol 64(5):402
Kendall M (1975) Rank correlation methods. Charles Griffin, London (There is no corresponding record for this reference)
Kocsis T, Kovács-Székely I, Anda A (2017) Comparison of parametric and non-parametric time-series analysis methods on a long-term meteorological data set. Cent Eur Geol 60(3):316–332
Kocsis T, Kovács-Székely I, Anda A (2020) Homogeneity tests and non-parametric analyses of tendencies in precipitation time series in Keszthely, Western Hungary. Theor Appl Climatol 139(3–4):849–859
Kwiatkowski D, Phillips PC, Schmidt P, Shin Y et al (1992) Testing the null hypothesis of stationarity against the alternative of a unit root. J Econom 54(1–3):159–178
Lai Y, Dzombak DA (2020) Use of the autoregressive integrated moving average (ARIMA) model to forecast near-term regional temperature and precipitation. Weather Forecast 35:959–976
Mann HB (1945) Nonparametric tests against trend. Econom J Econom Soc 13:245–259
Mills TC (2014) Time series modelling of temperatures: an example from k efalonia. Meteorol Appl 21(3):578–584
Radziejewski M, Kundzewicz ZW (2004) Detectability of changes in hydrological records/possibilité de détecter les changements dans les chroniques hydrologiques. Hydrol Sci J 49(1):39–51
Sen PK (1968) Estimates of the regression coefficient based on Kendall’s tau. J Am Stat Assoc 63(324):1379–1389
Tiwari P, Kar S, Mohanty U, Dey S, Kumari S, Sinha P (2016) Seasonal prediction skill of winter temperature over North India. Theor Appl Climatol 124(1–2):15–29
Trenberth KE (1999) Conceptual framework for changes of extremes of the hydrological cycle with climate change. In: Weather and climate extremes. Springer, Dordrecht, pp 327–339
Wang H, Huang J, Zhou H, Zhao L, Yuan Y (2019) An integrated variational mode decomposition and arima model to forecast air temperature. Sustainability 11(15):4018
Wanishsakpong W, Owusu BE (2020) Optimal time series model for forecasting monthly temperature in the southwestern region of Thailand. Model Earth Syst Environ 6(1):525–532