استفاده از مدل‌هاي غير قطعي در پيش‌بيني دبي متوسط ماهيانه با استفاده از مدل هاي سري زماني(مطالعه موردي: چشمه سليمانيه كاشان)

Using stochastic models to predict monthly average discharge using time series models (Case Study: Springs Sulaimaniyah Kashan)

استفاده از انواع مختلف روش هاي تحليل سري هاي زماني، از شيوه هاي متداول در پيش بيني عوامل هيدرولوژيكي است. در اين پژوهش، وضعيت دبي چشمه سليمانيه كاشان با استفاده از داده هاي 11 ساله (داده هاي ماهيانه) ايستگاه چشمه سليمانيه با استفاده از مدل هاي مختلف سري زماني مورد بررسي قرار گرفت. سپس با استفاده از بهترين مدل، اقدام به پيش بيني دبي چشمه براي 9 سال آينده گرديد. در اين پژوهش، داده ها با استفاده از 12 مدل سري زماني كه شامل مدل هاي اتورگرسيو، ميانگين متحرك، اتورگرسيوـ ميانگين متحرك مركب و مدل هاي فصلي و غيرفصلي باكس و جنكينز بودند، بررسي شدند. در نهايت با توجه به اينكه در مدلSARIMA (1,1,0) (1,1,1) [12]، مقدار AIC كمترين و پارامترهاي مدل از عدد يك تجاوز نكردند، اين مدل به منظور پيش بيني داده هاي دبي انتخاب شد. در ادامه به منظور بررسي وضعيت نرمال بودن داده هاي پيش بيني شده از آزمون كلموگروف ـ اسميرنف استفاده شد. نتايج به دست آمده از آزمون نرماليته، حاكي از نرمال بودن داده هاي پيش بيني شده بود؛ بنابراين با توجه به نتايج به دست آمده، مي توان نتيجه گرفت كه نوع مدل هاي انتخابي به عنوان تابع پيش بيني كننده بسيار مهم بوده و بر روي دقت جواب هاي خروجي كاملاً مؤثر است. همچنين با توجه به ماهيت غيرقطعي مسائل هيدرولوژيكي، سري هاي زماني به عنوان يكي از روش هاي مناسب در پيش بيني پديده هاي هيدرولوژيكي هستند.

Different types of time series analysis models are commonly used for predicting hydrological factors. In this study, the situation of Soleimanieh spring discharge in Kashan was investigated using various time series models and mean monthly flow during 11 year period. Then, spring discharge predicted using the best modals for future 9 years. In this research, the data were analyzed using 12 time series models including Autoregressive, Moving average, Autoregressive composite moving average, seasonal and non seasonal models such as Box and Jenkins. Finally, the results showed that the value of AIC is the lowest and model parameters don,t exceed of one in SARIMA (1, 1, 0) (1, 1, 1) [12] model. So, this model was selected to predict discharge data. Then, Komogorov Smirnov test was used to investigate the normality situation of the predicted data. The obtained results showed that predicted data are normal. Therefore, according to the results, it can be conducted as the type of selected model is very important and it affects the accuracy of output response. Also, according to the uncertain nature of hydrological issues, time series models are one of the best methods in hydrological prediction.