اسلامیان, سید سعید, بذرکار, محمد هادی, موسوی, سید فرهاد. (1391). پیشبینی خشکسالی استان اصفهان با استفاده از الگوهای مختلف سری زمانی. سامانه مدیریت نشریات علمی, 4(1), 21-30. doi: 10.22092/ijwmse.2012.101777
سید سعید اسلامیان; محمد هادی بذرکار; سید فرهاد موسوی. "پیشبینی خشکسالی استان اصفهان با استفاده از الگوهای مختلف سری زمانی". سامانه مدیریت نشریات علمی, 4, 1, 1391, 21-30. doi: 10.22092/ijwmse.2012.101777
اسلامیان, سید سعید, بذرکار, محمد هادی, موسوی, سید فرهاد. (1391). 'پیشبینی خشکسالی استان اصفهان با استفاده از الگوهای مختلف سری زمانی', سامانه مدیریت نشریات علمی, 4(1), pp. 21-30. doi: 10.22092/ijwmse.2012.101777
اسلامیان, سید سعید, بذرکار, محمد هادی, موسوی, سید فرهاد. پیشبینی خشکسالی استان اصفهان با استفاده از الگوهای مختلف سری زمانی. سامانه مدیریت نشریات علمی, 1391; 4(1): 21-30. doi: 10.22092/ijwmse.2012.101777
پیشبینی خشکسالی استان اصفهان با استفاده از الگوهای مختلف سری زمانی
2دانشجوی کارشناسی ارشد گروه مهندسی منابع آب، دانشگاه تربیت مدرس
3استاد گروه مهندسی آب، دانشگاه صنعتی اصفهان
چکیده
بارندگی یکی از عوامل اصلی در ایجاد خشکسالی است که کمبود آن، جریانهای سطحی و زیرزمینی، دریاچهها و بهطور کلی منابع آب را بهشدت تحت تأثیر قرار میدهد. پیشبینی بارندگی در سالهای آینده میتواند در برنامهریزی منابع آب مؤثر واقع شود. الگوهای سری زمانی، این امکان را در اختیار برنامهریزان منابع آب قرار میدهد. هدف از انجام پژوهش حاضر پیشبینی خشکسالی استان اصفهان با برازش الگوهای مختلف سری زمانی به دادههای ماهانه بارندگی ایستگاههای استان میباشد. الگوهای مورد بررسی شامل ماهانه و ماهانه فصلی، نمایی سالانه و میانگین متحرک سه، پنج، هفتساله و سینوسی میباشد. ایستگاههای هواشناسی مورد استفاده برای تحلیل سری زمانی 24 ایستگاه استکه طول دوره آماری آنها متغیر و بین حداکثر 44 سال (2000-1957) و حداقل 11 سال (1997-1987) قرار داشت. نتایج نشان میدهد که ایستگاههای مورد مطالعه از نظر برازش الگویARIMA به سه گروه مناسب، نامناسب و متوسط تقسیم شده که بهترتیب نه، پنج و چهار ایستگاه در آن قرار میگیرد. همچنین، نتایج نشان میدهد که ایستگاههای اصفهان و کاشان علیرغم آمار بارندگی طولانی، دارای برازش نامناسبتری نسبت به دیگر ایستگاههای منطقه میباشند. بنابراین، صرف طولانی بودن آمار بارندگی نمیتوان برازش بهتر سری زمانی را انتظار داشت. با توجه به نتایج حاصل میتوان اظهار داشت که استفاده از الگوهای ARIMA بهمنظور مدلسازی سری میانگین متحرک سالانه میتواند در بررسی روند خشکسالی سودمند واقع شده و بهعنوان الگوهایی برای این رفتار باشد.
Drought forecasting in Isfahan province using different time series analysis
نویسندگان [English]
Seyed Saeed Eslamian1؛ Mohammad Hadi Bazrkar2؛ Seyed Farhad Mousavi3
1Associate Professor, Faculty of Agriculture, Isfahan University of Technology, Iran
2MSc Student, Faculty of Agriculture, Tarbiat Modares University, Iran
3Professor, Faculty of Agriculture, Isfahan University of Technology, Iran
چکیده [English]
The most important factor of drought analysis is rainfall. All resources which are supported by rainfall, such as, surface streams; groundwater and lakes, are affected by deficit of rainfall. Analysis of past rainfall statistics indicates a pattern. Forecasting future rainfall can be used in water resources planning. This opportunity can be provided by time series patterns. The aim of this research is drought forecasting of Isfahan Province, by fitness of various models with rainfall data. Studied models are included in monthly, monthly-seasonally, annual-exponential, moving average (3, 5, 7) and sinusoidal. 24 meteorology stations have been studied in the time series analysis. The at-site statistic period ranges between maximum 44 years (1957-2000) to minimum 11 years (1987-1997). By regarding ARIMA model fitness, the results indicate that the studied stations are divided to three groups as high, medium and low quality. These groups are included 9, 5, 4 stations, respectively. Although Isfahan and Kashan have been owned long-term rainfall data, they have less suitable fitness than the other stations. Therefore, by only having long-term rainfall data, it cannot be expected the better fitness of time series. Using ARIMA for annual moving average modeling can be effective in drought pattern analysis and have been presented the good patterns.
کلیدواژهها [English]
Aridity, Surface stream, time series, Water crisis, Water resources, Water scarcity