بررسي كارايي مدل هاي سري زماني آريما و هالت وينترز در پيش بيني دما و بارش ماهانه (مطالعه موردي: ايستگاه لتيان)

An Evaluation of ARIMA and Holt Winters Time Series Models for Forecasting Monthly Precipitation and Monthly Temperature (Case Study: Latian Station)

پارامتر هاي اقليمي از جمله دما و بارش نقش مهمي در مديريت منابع آب حوضه آبريز و برنامه ريزي هاي كشاورزي دارند. از جمله مدل هاي پيش بيني كوتاه مدت اين پارامترها، مدل هاي سري زماني هستند. در تحقيق حاضر، توانايي مدل هاي سري زماني در پيش بيني دما و بارش ماهانه ايستگاه لتيان مورد بررسي قرار گرفته است. بدين منظور ابتدا به كمك آزمون من كندال فصلي روند داده ها بررسي گرديد و سپس مدل هاي مختلف خودهمبسته با ميانگين متحرك و همچنين مدل سري زماني هالت وينترز بر داده ها برازش داده شد و در نهايت بهترين مدل سري زماني انتخاب شد. در نتيجه ي آزمون من كندال فصلي، روند مشخصي در سري ماهانه بارش مشاهده نگرديد اما سري ماهانه دما داراي روند افزايشي معني دار مي باشد. نتايج پيش بيني توسط مدل هاي آريماي فصلي، نشان دهنده قابليت بالاي اين مدل ها در پيش بيني دماي ماهانه مي باشد و مدل 12(2 1 0 ) (1 0 0 ) به عنوان مدل سري زماني مناسب براي داده هاي دما تشخيص داده شد. اگرچه مدل هالت وينترز نيز از دقت بالايي در پيش بيني دما برخوردار است اما نسبت به مدل آريما داراي خطاي بيشتري است. همچنين نتايج نشان داد كه مدل هاي آريماي فصلي و مدل هالت وينترز قابليت بالايي در پيش بيني مقادير بالاي بارش ماهانه در ايستگاه لتيان ندارند. اين مدل هاعمدتاً مقادير بارش هاي پايين و متوسط را بهتر برآورد مي كنند و تخمين گر مناسبي در بارش هاي بالا نيستند. نتايج اين تحقيق كمك شاياني به پيش بيني موثر رواناب حوضه ها و به تبع آن افزايش اعتماد پذيري سيستم هاي منابع آب خواهد نمود.

Climatic parameters including temperature and precipitation have an important role in water resources management of river basin as well as agricultural planning. Time series models are a kind of short-term prediction for these parameters. Precipitation is one of the most important climate parameters that should be addressed in water resources management. This is especially important in Iran، with an average annual rainfall of about 250 mm. Another climate parameter is temperature، which changes the climate structure of each location. For this reason، the study on temperature at various time and space scales has been addressed in a large part of the climatological researches. Time series analysis is widely used as a tool for temperature and rainfall predictions. So far، various studies have been done to predict climate and hydrologic parameters using time series analysis models. Kaushik and Singh (2008) predicted monthly temperature and precipitation in India using the seasonal Arima Model. There are also other researchers focused on application of ARMIA model such as Naill and Momani (2009)، Tularam and Ilahee (2010) and Mondal et al. (2014). Holt Winters is also one of the time series models used for prediction. For example، Costa et al. (2015) predicted water quality parameters using the Holt Winters model and presented its effectiveness in the prediction. In this research، the ability of time series models for forecasting monthly temperature and precipitation of Latian station in Iran has been examined. Trend analysis was conducted using the Seasonal Mann- Kendall test and then، various Autoregressive Integrated Moving Average Models (ARIMA) as well as Holt Winters model were fitted to the data and the best time series model was finally selected.