مدلهای تصادفی سری زمانی در پیش بینی بارندگی ماهانه (مطالعه موردی: ایستگاه هاشم آباد گرگان)

نوع مقاله: مقاله علمی پژوهشی

نویسنده

عضو هیات علمی

چکیده

در سالهای اخیر محدودیت منابع آبی جهت تامین آب مورد نیاز کشاورزی و غیر کشاورزی موجب بروز مشکلات زیادی شده است و باران یکی از منابع مهم تامین آب به حساب می آید. بارندگی یکی از مهمترین مولفه های ورودی به سیستم های هیدرولوزیکی محسوب می شود که مطالعه و اندازه گیری آن در اکثر موارد برای مطالعات رواناب، خشکسالی، آبهای زیر زمینی، سیلاب، رسوب و ... لازم و ضروری است. بنابراین پیش بینی و برآورد نزولات جوی برای هر منطقه و آبخیز به عنوان یکی از پارامترهای مهم اقلیمی در استفاده بهینه از منابع آبی محسوب می گردد. یکی از روشهای ارزیابی و پیش بینی بارش، استفاده از سریهای زمانی است. هدف از انجام این تحقیق بررسی مناسب ترین مدل جهت تخمین مجموع بارندگی می باشد. برای این هدف، روشها و مدلهای مختلفی وجود دارند که از آن جمله می توان مدلهای سری زمانی اتو رگرسیو (AR)، میانگین متحرک (MA) و مدلهای تلفیقی اتو رگرسیو با میانگین متحرک و مدلهای فصلی (ARIMA و SARIMA) را برشمرد. در این مقاله عملکرد هر یک از مدلهای یاد شده در برآورد و تخمین مقادیر مجموع بارندگی ماهانه در ایستگاه هاشم آباد گرگان طی دوره 2012- 1983 مورد بررسی قرار گرفت. در جهت شناسایی بهتر مدل بدست آمده، باقیمانده ها و خطاهای پیش بینی مورد بررسی قرار گرفته و ضرایب مدل تخمین زده شدند. نشان داده شد که مدل ساریما ی ((2، 0،1: 2، 1، 3)SARIMA) از سایر مدلهای سری زمانی عملکرد بهتری داشته و روند تغییرات سری زمانی را با خطای کمتری شبیه سازی می کند. واژه‌های کلیدی: سری های زمانی، بارندگی ‍، پیش بینی، باقیمانده ها، خطا.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting of Monthly Sum-raining by Stochastic Models in Time Series

نویسنده [English]

  • kamel Abdolahnezhad
Faculty member
چکیده [English]

Abstract: Recently, limiting water resources for agricultural and non agricultural usages pose some difficulties and rainfall is the most important water resource. One of rainfall input component can be considered as of hydrological systems. In most cases for studies of groundwater runoff, floods, droughts, sediment, it is necessary and essential to study and measure. Therefore, for optimal allocation of water resources, forecasting rainfall for a region of special importance. One of the methods of evaluate and forecast of precipitation, is the use of time series. For this purpose, there are a variety of methods and models, such as including models of auto regressive (AR), moving average (MA), Auto regressive integrated moving average (ARIMA) and seasonal Auto regressive integrated moving average (SARIMA). In this article, the performance of any of the models listed on the monthly total precipitation amounts and estimates in the hashimabad district of Gorgan during 1983-2012 were studied. Following the elimination of seasonal effects, trend and irregular variations, an SARIMA model was presented. To ascertain the properties of the proposed model, residuals and errors were examined and the model coefficients were estimated. Finally it shows that the model of SARIMA (3,1,2; 0,1,2) time series models have a better performance and less error time series changes to the simulation. To ascertain the properties of the proposed model, residuals and errors were examined and the model coefficients were estimated. Finally it shows that the model of SARIMA (3,1,2; 0,1,2) time series models have a better performance and less error time series changes to the simulation. Key Words: Time series; Rainfall; Forecast; Residuals; Error.

کلیدواژه‌ها [English]

  • time series
  • Rainfall
  • forecast
  • Residuals
  • Error
  1. بشیری، مهدی. مهدی وفاخواه. 1389. مقایسه روش‌های مختلف تحلیل سری‌های زمانی در پیش بینی دبی ماهانه حوزه آبخیز کرخه. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال اول، شماره دو، صفحات 75-86.
  2. علیجانی، بهلول. نبی الله رمضانی. 1381. پیش بینی خشکسالی‌ها و تر سالی‌های استان مازندران با استفاده از مدل باکس-جینکنز. ضمیمه پژوهش‌های جغرافیایی، صفحات 155-169.
  3. شریفان، حسین. بیژن قهرمان. 1386. ارزیابی پیش بینی باران با بکارگیری تکنیک SARIMA در استان گلستان. مجله علوم کشاورزی و منابع طبیعی، جلد چهاردهم، شماره سوم.
  4. قهرمان، نوذر. ابوذر قره خانی. 1390. ارزیابی مدلهای تصادفی سری زمانی در برآورد تبخیر از تشت ( مطالعه موردی: ایستگاه شیراز). مجله پژوهش آب در کشاورزی، جلد بیست وپنج، شماره یک، صفحات 75-81.
  5. گلابی، محمد رضا. علی محمد آخوند علی. فریدون رادمنش. محمد کاشفی پور. 1393. مقایسه دقت پیش­بینی مدل­های باکس-جینکنز در مدل­سازی بارندگی فصلی (مطالعه موردی: ایستگاههای منتخب استان خوزستان). فصلنامه تحقیقات جغرافیایی، سال 29، شماره سوم، صفحات 61-72.
  6. معروفی، صفر. بهناز ختار. مجید صادقی­فر. نصرالدین پارسافر. علیرضا ایلدورمی. 1393. پیش­بینی خشکسالی با استفاده از سری زمانی SARIMA و شاخص SPI در ناحیه مرکزی استان همدان، نشریه پژوهش آب در کشاورزی. جلد 28، شماره 1، صفحات 213-225.
  7. مهموم سالکویه، صالح. 1392. ارزیابی و واسنجی مدل Aqua-Crop تحت رژیم­های مختلف آب و کود ازت در زراعت پنبه در اقلیم گلستان. پایان­نامه، 156 صفحه.
  8. نیرومند، حسینعلی. ابوالقاسم بزرگ‌نیا. 1372. تجزیه و تحلیل سری زمانی. چاپ اول، انتشارات دانشگاه فردوسی مشهد، 290 صفحه.
  9. ویسی‌پور، حسین. جعفر معصوم پور. بهمن صحنه. یدالله یوسفی. 1389. تحلیل پیش بینی روند بارش و دما با استفاده از مدل‌های سری زمانی (ARIMA). مجله علمی پژوهشی جغرافیا، چاپ دوازدهم، صفحات 69-77.

10. یغمایی، فرهاد. عبداله نژاد، کامل. هزارجریبی، ابوطالب. بابانژاد، منوچهر. 1392. برازش مدل­های آماری به ماکزیمم و مینیمم درجه حرارت شهرستان گرگان، مجله پژوهش­های آب و خاک، جلد بیستم، شماره دوم، صفحات 65-84.

11. Borland, P., and Montana, A. 1996. Forecasting of storm rain full by combined use of rider, rain gages and linear models. Atmospheric research, 42: 199-216.

12. Brockwell, P.J., and Davis, R.A. 1991. Time series: Theory and Method, Springer verlay, New York.

13. Ganjali, M. 1997. Correlation in time series. Andishe-ye Amari, 2(2): 44-47.

14. Jahanbakhsh-Asl, S., and Torabi, S. 2004. Study and forecasting of precipitation and temperature changes in Iran. Geographical Research, 74: 104-125. (In Persian)

15. Kheradmand-Nia, M., and Asakereh, H. 2001. Patterning of ARIMA for annual average temperature in Jask. The Third Conference of Stochastic Process. Isfahan University (In Persian).

16. Leite, S., and Peixoto, S. 1996. The autoregressive model of climatological time series an application to the longest time series in Portugal. International Journal of climatology, 16: 1165-1173.

17. Noaks, D., and Mcleod, A. 1985. Forecasting monthly river flow time series. International Journal of forecasting, 1: 179-190.

18. Padilla, A., Puldo-Bosch, A., Cavache, M., and Vallejos, A. 1996. The ARMA model applied to the flow of Karst Spiring. Water resources bulletin, 32: 917-928.

19. Tiba, C., and Fraidenraich, N. 2004. Analysis of monthly time series of solat radiation and sunshine hours in tropical climates. Renewable Energy, 29: 1147-1160.

20. Zou, P., Jingsong, Y., Jianrong, F., Guangming, L., and Dongshun, L. 2010. Artificial neural network and time series models for predicting soil salt and water content. Agricultural water management, 97: 2009-2019.