Long-Range Dependence and Sea Level Forecasting

​این مطالعه نشان می‌دهد که سری‌های زمانی سطح دریای خزر حتی پس از حذف روندهای خطی، بر اساس تحلیل‌های آماره هرست، توابع خود همبستگی نمونه و پریودوگرام سری، وابستگی طولانی‌مدت دارند. عملکرد پیش‌بینی مدل‌های ترکیبی ARMA، ARIMA، ARFIMA و Trend Line-ARFIMA (TL-ARFIMA) مورد بررسی قرار می‌گیرد. باندهای اطمینان پیش‌بینی و روش به‌روزرسانی پیش‌بینی، که برای مدل‌های ARIMA در ادبیات ارائه شده‌اند، برای مدل‌های ARFIMA اصلاح شده‌اند. از توابع خودهمبستگی نمونه برای تخمین طول های متمایز مدل های ARFIMA استفاده می شود. باند اطمینان پیش بینی ها با استفاده از چگالی احتمال باقیمانده ها بدون فرض توزیع شناخته شده تخمین زده می شود.

هیچ رکورد بلندمدتی از سطح دریا برای منطقه شبه جزیره مالزی و منطقه شمالی صباح-ساراواک مالزی وجود ندارد. جزیره بورنئو در چنین مواردی، پیش‌بینی‌های مدل جهانی آب و هوا (GCM) برای قرن بیست و یکم را می‌توان با استفاده از تکنیک‌های رگرسیون، با استفاده از رکوردهای کوتاه ارتفاع سنج‌های ماهواره‌ای در این منطقه در برابر پیش‌بینی‌های GCM در طول یک دوره مشاهده متقابل، به منطقه مالزی کاهش داد. p>

این کتاب برای مهندسان و محققانی که در زمینه‌های آمار کاربردی، تغییرات آب و هوا، تغییر سطح دریا، تجزیه و تحلیل سری‌های زمانی، علوم زمین کاربردی و دینامیک غیرخطی کار می‌کنند مفید خواهد بود.

​This study shows that the Caspian Sea level time series possess long range dependence even after removing linear trends, based on analyses of the Hurst statistic, the sample autocorrelation functions, and the periodogram of the series. Forecasting performance of ARMA, ARIMA, ARFIMA and Trend Line-ARFIMA (TL-ARFIMA) combination models are investigated. The forecast confidence bands and the forecast updating methodology, provided for ARIMA models in the literature, are modified for the ARFIMA models. Sample autocorrelation functions are utilized to estimate the differencing lengths of the ARFIMA models. The confidence bands of the forecasts are estimated using the probability densities of the residuals without assuming a known distribution.

There are no long-term sea level records for the region of Peninsular Malaysia and Malaysia’s Sabah-Sarawak northern region of Borneo Island. In such cases the Global Climate Model (GCM) projections for the 21st century can be downscaled to the Malaysia region by means of regression techniques, utilizing the short records of satellite altimeters in this region against the GCM projections during a mutual observation period.

This book will be useful for engineers and researchers working in the areas of applied statistics, climate change, sea level change, time series analysis, applied earth sciences, and nonlinear dynamics.