اثرات حذف اثر خودهمبستگي بر تحليل روند متغيرهاي هيدرو اقليمي (مطالعه موردي استان فارس)

(Effects excluding the effect of autocorrelation in analysis trend of hydro-climatic variables (Fars Province

يكي از تحليل روند و شناخت نوسانات تاريخي در سامانه اقليمي يكي از مهمترين نيازمندي‌ها در تحقيقات پيرامون تغييرات اقليمي مي‌باشد. جهت بررسي روند روش‌هاي مختلف پارامتريك و ناپارمتريك وجود دارد. در اين ميان روش ناپارمتريك من‌كندال كاربرد گسترده در بررسي روند سري‌هاي هيدرولوژيكي دارد. اما وجود خودهمبستگي در سري‌هاي هيدرولوژيكي باعث مي‌شود تا احتمال وقوع خطاي نوع اول افزايش پيدا كند. در اين پژوهش به‌منظور بررسي تاثير حذف اثر خود همبستگي ابتدا روند سري‌هاي زماني بدون رفع اثر خودهمبستگي و سپس با اعمال روش پيش سفيد كردن بدون روند (TFPW) و حذف اثر خودهمبستگي مورد تحليل قرار گرفت. نتايج نشان داد كه با حذف كردن اثر خودهمبستگي از تعداد ايستگاه هايي كه داراي روند منفي معني‎دار بودند كاسته شد. به‎طوري‎كه در مقياس ساليانه و ماهيانه هيچ كدام از داده‎هاي بارش موجود در 22 ايستگاه باران‌سنجي در سطح اطمينان 95% معني‌دار نشدند. بنابراين آنچه آشكار گرديد جهت بررسي روند داده‎هاي هيدروكليماتولوژي بايستي اثر خود همبستگي از سري‌هاي زماني حذف گردد تا منجر به ارائه نتايج صحيح و قابل اعتماد گردد.

Trend analysis and understanding of the historical volatility in the climate system, is one of the most important requirements in research on climate change. In order to study the trend there are different methods covering parametric and non-parametric approaches. The non-parametric Mann - Kendall methods are widely used to study the hydrological series. But the autocorrelation in the hydrological series increases probability occurrence of type I error. In this study in order to evaluate the effects of autocorrelation, the time series trend without excluding the effect of autocorrelation and then by applying TFPW method and excluding the effect of autocorrelation were analyzed. The results showed that by removing the effect of autocorrelation, number of Stations with significant negative trend was decreased. Therefore, in annual and monthly scales, none of rainfall data series in 22 rain gauge stations were significant at the 95 percentage confidence level. Therefore, it revealed that in evaluating the hydro-climatological data, the effects of autocorrelation must be removed from time series to provide accurate and reliable results.