پیش‌بینی دبی رودخانه‌ هیرمند با استفاده از تکنیک سری زمانی (SARIMA)

نویسندگان

1 استادیار اقتصاد کشاورزی، دانشگاه سیستان و بلوچستان

2 گروه قتصاد کشاورزی، دانشگاه سیستان و بلوچستان،زاهدان، ایران

3 استادیار گروه اقتصاد کشاورزی، دانشگاه سیستان و بلوچستان

10.22125/iwe.2021.138265

چکیده

پیش­بینی و شبیه­سازی جریان رودخانه جهت آگاهی از آورد رودخانه در دوره­های زمانی آتی از جمله مسئله­های مهم و کاربردی در مدیریت منابع آب می­باشد. در پژوهش حاضر به ارزیابی و تعیین مدل مناسب پیش­بینی دبی جریان آب رودخانه­های سیستان و پریان در حوضه آبریز هیرمند با استفاده مدل سری زمانی ساریما در طول سال­های 97- 1379 پرداخته شد. به منظور ایستایی مدل از روش باکس کاکس استفاده شد و برای بررسی ایستایی مدل از آزمون خودهمبستگی و خودهمبستگی جزئی استفاده شد. با توجه به نتایج بدست آمده و بررسی معیارهای صحت سنجی، آکائیک و شوارتز بیزی، مدل  با کمترین مقادیر معیارهای آکائیک (91/1325) و شوارتز بیزی (40/1895) برای رودخانه سیستان و مدل رودخانه پریان  با مقادیر معیارهای آکائیک (429/328-) و شوارتز بیزی (151/328) کمترین مقدار را دارا می­باشند، به دلیل داشتن کمترین آماره آکایئک و شوارتز بیزین بعنوان مدل مناسب جهت شبیه­سازی میزان دبی جریان حوضه هیرمند انتخاب شدند. این مدل به منظور شبیه­سازی دبی جریان در بازه­های زمانی برای دوره­های آینده استفاده می­گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of the mass flow rate of the Hirmand River: The application of the SARIMA time-series technique

نویسندگان [English]

  • Neda Ali ahmadi 1
  • , Ebrahim Moradi 1
  • seyed mehdi hosseini 2
  • Ali Sardar Shahraki 3
1 PhD student in Agricultural Economics, Faculty of Economics and Management, University of Sistan and Baluchestan
2 Department of Agricultural Economics, University of Sistan and Baluchestan, Zahedan, Iran
3 Department of Agricultural Economics, University of Sistan and Baluchestan.
چکیده [English]

A river’s flow prediction and simulation for the sake of predicting the river inflow in future periods are among the main and practical issues of water resource management. The present research assessed and determined a proper model to predict the mass flow rate of the Sistan and Paryan rivers in the Hirmand watershed using the SARIMA time-series model over the period 2000-2018. The statics of the model was checked by the Box-Cox method using the autocorrelation and partial autocorrelation tests. Based on the results and the validation, Akaike and Schwarz-Bayesian criteria, SARIMA (1,1,1)(2,1,0)12 showed the lowest Akaike criterion (1325.91) and Schwarz-Bayesian criterion (1895.40) for the Sistan river and SAMIRA (1,1,1)(1,1,1)12 exhibited the lowest values of Akaike and Schwarz-Bayesian criteria (-328.429 and 328.151, respectively) for the Paryan river. Therefore, they were selected as the best model to simulate the mass flow rate in the Hirmand watershed. The model is applied to simulate the mass flow rate in future periods.

کلیدواژه‌ها [English]

  • Paryan river
  • prediction
  • SARIMA model
  • Sistan River
  • Time-series
احمدپور، ع.، میرهاشمی، س. ح و پ. حقیقت­جو. 1398. پیش­بینی رواناب روزانه در حوضه مارون با استفاده از مدل HEC-HMS، نشریه علمی- ترویجی علوم و مهندسی آب و فاضلاب، سال چهارم، شماره 1، ص 13-4.
آذر، ع و مؤمنی، م. 1395. آمار و کاربرد آن در مدیریت- جلد اول، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه­ها (سمت)، 350 ص.
آذری، آ.، زینعلی، م و م. م. حیدری. 1397. پیش­بینی نوسانات هیدروگراف واحد آبخوان دشت صحنه با استفاده از تحلیل سری زمانی، مجله آبخوان و قنات، جلد 2، شماره 1، ص 76- 65.
سیدیان، س. م.، سلیمانی، م و م. کاشانی. 1393. پیش­بینی دبی جریان رودخانه با استفاده از داده­کاوی و سری زمانی، اکوهیدرولوژی، دوره 1، شماره 3، ص 179- 167.
شریفان، ح.، پژوهش، ف و ا. ا. دهقانی. 1393. پیش­بینی مقدار آبدهی رودخانه در شرایط کم­آبی و پرآبی با استفاده از یک مدل استوکستیک و هوش مصنوعی، نشریه آبیاری و زهکشی ایران، شماره 3، جلد 8، ص 518- 510.
عاقل­پور، پ و م نادی. 1397. ارزیابی دقت مدل SARIMA در مدلسازی و پیش­بینی بلندمدت میانگین دمای ماهانه در اقلیم­های متفاوت ایران، نشریه پژوهش­های اقلیم­شناسی، سال نهم، شماره سی و پنجم، ص 126- 113.
عساکره، ح و م. خردمندنیا. 1389. الگوسازی آریما برای میانگین سالانه دمای شهر تبریز، فصلنامه تحقیقات جغرافیا، 756: 15601- 15622.
فتح­آبادی، ا. ح.، سلاجقه، ع و م. مهدوی. 1387. پیش­بینی دبی رودخانه با استفاده از روش­های نوروفازی و مدل­های سری­های زمانی، علوم و مهندسی آبخیزداری ایران، سال دوم، شماره 5، ص 31- 21.
فرشاسعید، پ و ا. خدارحمی. 1395. بررسی چگونگی حل و فصل اختلاف ناشی از حقابه سیستان در رودخانه هیرمند براساس معاهده 1351، سومین کنفرانس بین­المللی پژوهش­های نوین در مدیریت، اقتصاد و علوم انسانی، باتومی گرجستان.
کارآموز، م و ش. عراقی­نژاد. 1384. هیدرولوزی پیشرفته، انتشارات دانشگاه صنعتی امیرکبیر، تهران.
کاویان، ع. ا.، نامدار، م. گلشن، م و م. بحری. 1396. مدلسازی هیدرولوژیکی اثرات تغییر اقلیمی بر نوسانات دبی جریان در رودخانه هراز، مجله مخاطرات محیط طبیعی، سال ششم، شماره دوازدهم، ص 104- 89.
گلابی، م. ر.، آخوندعلی، ع. م. رادمنش، ف و م. کاشفی­پور. 1393. مقایسه دقت پیش­بینی مدل­های باکس- جنکینز در مدل­سازی بارندگی فصلی در استان خوزستان، فصلنامه تحقیقات جغرافیایی، سال 29، شماره سوم، شماره پیاپی 114، ص 72- 61.
مهدوی، م. 1394. هیدرولوژی کاربردی، دانشگاه تهران، چاپ یازدهم، 360 ص.
میرزاپور، ح و ن. طهماسبی­پور. 1396. پیش­بینی دبی ماهانه رودخانه کاکارضا با استفاده از مدل­های سری زمانی، ARIMA فصلی، فصلنامه علمی پژوهشی اکوبیولوژی تالاب- دانشگاه آزاد اسلامی اهواز، سال نهم، شماره 34، ص 86- 75.
نوذری، ح و ف. توکلی. 1397. پیش­بینی جریان با استفاده از مدل ماشین­بردار پشتیبان بر مبنای سری­های زمانی دبی و بارش در ایستگاه­های بالادست (مطالعه موردی: ایستگاه هیدرومتری تله­زنگ)، مجله مدل­سازی در مهندسی، سال شانزدهم، شماره 54، ص 104- 95.
Bowerman, B, L and R, T, Connel. 1979. Time Series and Forecasting, PWS publisher.
Ckersik N. 2001. Hydrogeology and groundwater modeling to solve problems. Translate: Manoucher Chitchian, Heidar Ali Kashkooli. Shahid Chamran University Press.
De Gregorio, L., M. Callegari, P, Mazzoli, S, Bagli, D, Broccoli, A, Pistocchi, and C, Notarnicola. 2019. Operational River Discharge Forecasting with Support Vector Regression Technique Applied to Alpine Catchments: Results, Advantages, Limits and Lesson Learned. Water Resour Manage 32, 229–242.
El-Shafie, A., M, RedaTaha,  and A, Noureldin. 2007. Aneuro-fuzzy model for inflow forecasting of the Nile river at Aswan high dam. Water Resour Manage. 21: 533-556
Fahim ahmad, M., and G, Rasul. 2008. Prediction Of Soil Temperature By Air Temperature; A Case Study For Faisalabad. Pakistan Journal of  Meteorology, 5(9).
Fathian, F., S, Mehdizadeh, A, Kozekalani Sales, M. J. Sadegh Safari. 2019. Hybrid models to improve the monthly river flow prediction: Integrating artificial intelligence and non-linear time series models, Journal of Hydrology, 575: 1200-1213.
Frausto-Solis, J., E, Pita and J, Lagunas. 2008. Short-term streamflow forecasting: ARIMA vs Neural Networks. In American Conference on Applied Mathematics (MATH'08), Harvard, Massachusetts, USA, 402- 407.
Hipel, K.W., and A. I. McLeod.1994. Time series modeling of water resources and environmental systems. Elsvier, Amsterdam.
Laux P., S, Vogl, W, Qiu, H.R. Knoche, and H, Kunstmann. 2011. Copula-based statistical refinement of precipitation in RCM simulations over complex terrain Hydrol. Earth System Science, 15: 2401-2419.
Luo, X., X, Yuan, S, Zhu, Z, Xu, L, Meng,  and J, Peng. 2019. A hybrid support vector regression framework for streamflow forecast, Journal of Hydrology, 568: 184-193.
Mahmood, S. H and I, Omar. 2019. Forecasting the Amount of Water Consumed in Erbil City using Time Series Model (SARIMA). Journal of Humanity Sciences. 5Dec.2019 [cited 26Jan.2020]; 23(6): 285 -296.
Moeeni, H., and H, Bonakdari. 2017. Forecasting monthly inflow with extreme seasonal variation using the hybrid SARIMA-ANN model. Stoch Environ Res Risk Assess, 31: 1997–2010.
Nayak, P.C., K. P, Sudheer, D. M, Rangan, and K. S, Ramasastri. 2004. A neuro-fuzzy computing technique for modeling hydrological time series.
Niroumand, H. A., and A, Bozorg Nia.  2011. Time Series, Payam Noor University Publications, Tehran.
Othman, F., M., M, Heydari, H, Ahmadizadeh, H, Nozari, and M, Sadegh. 2017. Investigating the effectiveness of seasonalization based on statistical parameters in normalizing, modeling and forecasting inflow time series. Fresenius Environmental Bulletin, 26: 590-597.
Salas .1996. Applied Time Series in Hydrology, Mc Grew Hill.
Salas, J. D., W, Delleur, V, Yevjevich, W. L. Lane. 1988. Applied modeling of hydrologic time series. Water Resources Publications. Littleton, Colorado, U.S.A. Third prontonh. 484pp.
Singh, M., R, Singh,  and V, Shinde.  2011. Application of software packages for monthly stream flow forecasting of Kangsabati River in India. International Journal of Computer Applications, 20(3): 7-14.
Thomas, H.A. and M. B. Fiering. 1962. Mathematical synthesis of stream flow sequences for the analysis of river basin by simulation. Harward university press, Cambrige, 751 pp.
Thompstone, R.M., K. W, Hipel, and A. I, Mcleod. 1985. Forecasting quarter-monthly river flow. Water ResourcesBulletin, 21: 731-741.
Tsonis, A.A. 2001. Probing the linearity and nonlinearity in the transitions of the atmospheric circulation. Nonlinear Proceesses Geophysics. 8: 341-345.
Wang, W., P. H, Van Gelder, J. K, Vrijling and J, Ma. 2005. Testing and modeling autoregressive conditional heteroskedasticity of streamflow processes. Nonlinear Processes Geophysics, 12: 55-66.
Xuewei, C., X, Mo, W, Zhongmei, and L, Bo. 2017. Dynamic Prediction Of Spring Flow In Karst Mountain Area Based On Sarima Model, JOURNAL OF ENGINEERING GEOLOGY, 3: 867-872.
Yurekli K., A, Kurung  and F, Ozturk. 2005. Testing the Residuals of an ARIMA Model on the Cekerek Stream Watershed in Turkey. Turkish Journal of Enviromental Science, 29: 61-74.