تعيين بهترين مدل سري زماني در پيش بيني بارندگي سالانه ايستگاه هاي منتخب استان آذربايجان غربي

Determination of the best time series model for forecasting annual rainfall of selected stations of Western Azerbaijan province

بارندگي يكي از مهمترين اجزاي چرخه آب بوده و به عنوان يكي از مهمترين مولفه­هاي ورودي به چرخه­هاي هيدرولوژيكي بشمار مي­رود كه در سنجش خصوصيات اقليمي هر منطقه، نقش بسيار مهمي را ايفا مي­كند. در اين پژوهش براي پيش­بيني بارندگي سالانه ايستگاه­هاي سينوپتيك مهاباد، اروميه و ماكو در استان آذربايجان غربي در دوره آماري 92-1363، از سري زماني آريما استفاده شد. براي بررسي ايستايي مدل توابع خودهمبستگي (ADF) و خودهمبستگي جزيي (PACF) بكار رفت و با روش تفاضل ­گيري داده­هاي ناايستا به داده ايستا تبديل شدند. با ايستا كردن داده ­ها از مدل­هاي تصادفي براي پيش­بيني ميانگين بارندگي سالانه استفاده گرديد. با در نظر گرفتن معيارهاي ارزيابي مدل شامل آماره T، P-VALUE كمتر از ۰/۰۵ و معيار اطلاعات بيزي (BIC), مدل(1,0,0) ARIMA، مدل(0,1,1) ARIMA و مدل(0,1,1) ARIMA به ترتيب در ايستگاه­هاي اروميه، ماكو و مهاباد به عنوان مدلي مناسب جهت پيش ­بيني بارندگي سالانه تعيين و بارش به مدت سه سال (95-1392) پيش بيني شد. نتايج نشان دهنده افزايش بارش است كه براساس آمار بارندگي موجود در سال ­هاي مربوطه، نتايج مدل برازش يافته قابل قبول است.

Rainfall is one of the most important components of the water cycle and plays a very important role in the measurement of climate characteristic in any area. Limitations such as lack of sufficient information about the amount of rainfall in time and space scale and complexity of the relationship between meteorological elements related to rainfall, causes the calculation of these parameters using the conventional method not to be implemented. One method of evaluating and forecasting of rainfall in each region is time series models. In this research, to predict the average annual rainfall synoptic station at Mahabad, Uromiya and Mako in West Azarbayejan provience during 1984-2013, linear time series ARIMA was used. To investigate model static, Auto Correlation Function (ACF) and Partial Auto Correlation Function (PACF) was applied and with differencing method, the non-static data transformed to static data. In next step, stochastic models to estimate the annual rainfall average were used. With regard to the evaluation criterion such as T, P-VALUE < 0.05 and Bayesian Information Creterion (BIC), ARIMA (1,0,0), ARIMA (0,1,1) and ARIMA (0,1,1) models was determined as a suitable model for predicting annual rainfall in the three selected stations at Uromiya, Makoo and Mahabad. In the following, the annual rainfall for 3 (2013-2016) years is forecasted which based on rainfall data in that time, the adjusted model was acceptable.