بررسی روند، تجزیه‌و‌تحلیل، مدل‌سازی و پیش‌بینی بارش ماهانه با استفاده از مدل‌های تصادفی سری زمانی (مطالعه‌ی موردی: ایستگاه سینوپتیک اردبیل)

ایمانی, رسول; قضاوی, رضا; اسماعیلی اوری, اباذر

بررسی روند، تجزیه‌و‌تحلیل، مدل‌سازی و پیش‌بینی بارش ماهانه با استفاده از مدل‌های تصادفی سری زمانی (مطالعه‌ی موردی: ایستگاه سینوپتیک اردبیل)

نویسندگان

رسول ایمانی ¹

رضا قضاوی ¹

اباذر اسماعیلی اوری ²

¹ دانشگاه کاشان

² دانشگاه محقق اردبیلی

چکیده

اطلاع از مقدار آب در دسترس آینده، یک گام بسیار مفید در تصمیم‌گیری‌های مدیریتی است که کمک بالقوه‌ای در بهره‌برداری بهینه و پایدار از منابع آبی موجود خواهد نمود. هدف از انجام این مطالعه، بررسی روند و پیش‌بینی بارندگی ماهانه‌ی ایستگاه سینوپتیک منتخب استان اردبیل با استفاده از بهترین مدل‌های سری‌های زمانی است. در این مطالعه، بارندگی ماهانه‌ی 5 سال آینده (2020 تا 2024 میلادی) در منطقه‌ی موردمطالعه با استفاده از مدل‌های مختلف سری‌های زمانی خانواده‌ی ARIMA پیش‌بینی شد. در این پژوهش، از آزمون ناپارامتریک من-کندال به منظور اطمینان از وجود روند و از نمودار خودهمبستگی (ACF) نیز به منظور اطمینان از وجود تغییرات فصلی در سری زمانی استفاده گردید. پس از انتخاب بهترین مدل پیش‌بینی‌کننده بر اساس مقادیر پارامتر‌های مدل، معیار آکائیک و ضریب همبستگی مقادیر بارندگی ماهانه‌ی 5 سال آینده (2020 تا 2024 میلادی) با استفاده از بهترین روش ایستاسازی و بهترین مدل پیش‌بینی‌کننده‌ی مربوط به آن، پیش‌بینی گردید. نتایج حاصل از آزمون من-کندال نشان داد که داده‌های بارندگی ماهانه‌ی ایستگاه سینوپتیک اردبیل در دوره‌ی آماری موردمطالعه دارای روند کاهشی (6119/0-=Z) بوده، اما این روند در سطح اطمینان 95 درصد معنی‌دار نیست. بررسی داده‌های بارندگی ماهانه‌ی موردمطالعه نشان داد که خودهمبستگی معنی‌داری در تأخیرهای 12، 24، 36 و 48 ماهه وجود دارد. نتایج مربوط به بارندگی ماهانه‌ی پیش‌بینی‌شده در 5 سال آینده (2020 تا 2024) با استفاده از بهترین روش ایستاسازی و بهترین مدل سری‌های زمانی در ایستگاه سینوپتیک اردبیل نشان داد که مقدار بارندگی سالانه در 4 سال از 5 سال آینده نسبت به میانگین بارندگی 20 سال گذشته، بین 3 تا 17 درصد کاهش خواهد یافت که بیش‌ترین کاهش مربوط به سال 2022 میلادی است. مقدار بارندگی فقط در سال 2023 معادل 3/0 درصد افزایش خواهد یافت.

کلیدواژه‌ها

سری زمانی بارش

خودهمبستگی

ایستاسازی

مدل‌های ARIMA

شهر اردبیل

عنوان مقاله English

Stochastic Monthly Rainfall Time Series Analysis, Modeling and Forecasting ( A cas study: Ardebilcity

نویسندگان English

Rsol Imani Imani ¹

Reza Ghazavi ¹

Abazar Esmali Ouri ²

چکیده English

Rainfall is the main source of the available water for human. Predicting the amount of the future rainfall is useful for informed policies, planning and decision making that will help potentially make optimal and sustainable use of available water resources. The main aim of this study was to investigate the trend and forecast monthly rainfall of selected synoptic station in Ardabil province using the best models of stochastic time series models. In this study, monthly rainfall for the next 5 years (2020 to 2024 AD) in the study area was predicted using different models of ARIMA family time series. Non-parametric Kendall- test was used to ensure the existence of the trend and the correlation diagram (ACF) was used to ensure the existence of seasonal changes in the time series. The best precipitation forecasting model in each of the 5 methods used for stabilization, was selected based on the values of the model parameters, AIC criteria and correlation coefficient. The best static method and the best predictor model were used to predicte the next 5 year monthly rainfall. The results of man -Kendal test showed that the monthly rainfall data of Ardabil Synoptic Station had a decreasing trend (Z = 0.6119), but this trend was not significant at 95% confidence level. Study of the monthly rainfall data showed that there was a significant correlation between 12, 24, 36 and 48 month delays. The results of the monthly rainfall forecasting for the next five years (2020 to 2024) using the best static method and the best time series model in Ardabil Synoptic Station showed that the annual rainfall should decrease in 4 years of the next 5 years compared to the average of the 20 past years by 3 to 17 percent, the biggest drop since 2022. Rainfall will increase by 0.3% only in 2023.

کلیدواژه‌ها English

City Rainfall time series

Self-correlation

ARIMA models

Ardabi

Abbot, J. and Marohasy, J.(2014). Input selection and optimization for monthly rainfall forecasting in Queensland, Australia, using artificial neural networks, Atmospheric Research, 138, 166-178. Al-Ansari, N. and Baban, S.M.J.(2005). Rainfall trends in the Badia Region of Jordan, Surveying and land information science, 65(4), 233-243. Arnell, N.W.(1999). Climate change and global water resources, Global environmental change, 9, S31-S49. Bagirov A.M., Mahmood, A. and Barton, A.(2017). Prediction of monthly rainfall in Victoria, Australia: Clusterwise linear regression approach, Atmospheric Research, 188: 20-29. Dastorani, M., Mirzavand, M., Dastorani, M.T. and Sadatinejad, S.J.(2016). Comparative study among different time series models applied to monthly rainfall forecasting in semi-arid climate condition, Natural Hazards, 81(3), 1811-1827. Delleur, J.W. and Kavvas, M.L.(1978). Stochastic methods for monthly rainfall forcasting, Journal of applied meteorology, 17, 1528-1536. Du, J., Qian, L., Rui, H., Zuo, T., Zheng, D., Xu, Y. and Xu, C.Y.(2012). Assessing the effects of urbanization on annual runoff and flood events using an integrated hydrological modeling system for Qinhuai River basin, China, Journal of Hydrology, 464-465, 127-139. Falkenmark, M. and Widstrand, C.(1992). Population and water resources: a delicate balance, Population bulletin, 47(3), 1-36. Hadadin, N., Qaqish, M., Akawwi, E. and Bdour, A.(2010). Water shortage in Jordan Sustainable solutions, Desalination, 250(1), 197-202. Mays, L.(2009). Integrated Urban Water Management: Arid and Semi-Arid Regions, UNESCOIHP, CRC, U.S. Mirzavand, M. and Ghazavi, R.(2015). A stochastic modeling technique for groundwater level forecasting in an arid environment using time series methods, Water Resource Management, 29,1315-1328. Murthy, K.V., Saravanal, R. and Vijaya Kumar, K.(2017). Modeling and forecasting rainfall patterns of southwest monsoons in North–East India as a SARIMA process, Meteorology and Atmospheric Physics, online first, 1-8. Pasaribu, Y.P., Fitrianti, H. and Suryani, D.R.(2018). Rainfall forecast of Merauke using autoregressive integrated moving average model, E3S Web of Conferences, 73(12010), 1-5. Rahman, A.M., Yunsheng, Y. and Sultana, N.(2016). Analysis and prediction of rainfall trends over Bangladesh using Mann–Kendall, Spearman’s rho tests and ARIMA model, Meteorology and Atmospheric Physics, Online first, 1-16. Somvanshi. V.K., Pandey, O.P., Agrawal, P.K., Kalanker, N.V., Prakash, M.R. and Chand, R.(2006). Modeling and prediction of rainfall using artificial neural network and ARIMA techniques, Journal of Indian Geophysical Union, 10(2), 141-151. Taffere, G.R., Beyene, A., Vuai, S.A.H., Gasana, J. and Seleshi, Y.(2016). Reliability analysis of roof rainwater harvesting systems in a semi-arid region of sub-Saharan Africa: case study of Mekelle, Ethiopia, Hydrological Science Journal, 61(6), 1135-1140. Wang, H.R., Wang, C., Lin, X. and Kang, J.(2014). An improved ARIMA model for precipitation simulations, Nonlinear Processes in Geophysics, 21, 1159-1168.