كليدواژه :
بارندگي , پيش بيني , باقيمانده ها , خطا , سري هاي زماني
چكيده فارسي :
در سالهای اخیر محدودیت منابع آبی جهت تامین آب مورد نیاز كشاورزی و غیر كشاورزی موجب بروز مشكلات زیادی شده است و باران یكی از منابع مهم تامین آب به حساب می آید. بارندگی یكی از مهمترین مولفه های ورودی به سیستم های هیدرولوزیكی محسوب می شود كه مطالعه و اندازه گیری آن در اكثر موارد برای مطالعات رواناب، خشكسالی، آبهای زیر زمینی، سیلاب، رسوب و ... لازم و ضروری است. بنابراین پیش بینی و برآورد نزولات جوی برای هر منطقه و آبخیز به عنوان یكی از پارامترهای مهم اقلیمی در استفاده بهینه از منابع آبی محسوب می گردد. یكی 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 كه از آن جمله می توان مدلهای سری زمانی اتو رگرسیو (AR)، میانگین متحرك (MA) و مدلهای تلفیقی اتو رگرسیو با میانگین متحرك و مدلهای فصلی (ARIMA و SARIMA) را برشمرد. در این مقاله عملكرد هر یك 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 كه مدل ساریما ی ((2، 0،1: 2، 1، 3)SARIMA) از سایر مدلهای سری زمانی عملكرد بهتری داشته و روند تغییرات سری زمانی را با خطای كمتری شبیه سازی می كند. واژه‌های كلیدی: سری های زمانی، بارندگی ، پیش بینی، باقیمانده ها، خطا.
چكيده لاتين :
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.
