تحلیل توانایی مدل میانگین متحرک جامع خود همبسته برای پیش‌بینی دو سال آینده‌ی جریان روزانه ورودی به مخزن سد دز

نوع مقاله: مقاله پژوهشی

چکیده

یکی از روش‌های معمول در پیش‌بینی جریان رودخانه‌ها، مدل‌های سری زمانی می‌باشند. در این تحقیق به منظور پیش‌بینی آبدهی روزانه‌ی ایستگاه تله زنگ واقع در بالادست سد دز از مدل میانگین متحرک جامع خود همبسته (ARIMA) استفاده شده است. با توجه به اینکه این داده‌ها دارای نوسانات فصلی می‌باشند، با بهره‌گیری از سری فوریه، شاخص‌های آماری آن‌ها، نظیر میانگین و انحراف معیار برای دوره 28 ساله با پریود 360 روزه برآورد شدند. سپس، داده‌های مشاهداتی آبدهی روزانه، توسط این شاخص‌های آماری استاندارد شدند. بررسی داده‌های استاندارد شده، نشان داد که روند فصلی داده‌ها، توسط عوامل محاسبه شده‌ی سری فوریه حذف شده است. در این تحقیق، برازش مدل‌های مختلف میانگین متحرک جامع خود همبسته به داده‌های استاندارد شده بررسی شده و درنهایت با استفاده از معیار آکائیک و در نظر گرفتن حداقل تعداد عوامل مدل‌ها، بهترین مدل انتخاب گردید. نتایج پیش‌بینی توسط مدل انتخابی نشان داد که این مدل توانسته است به طور نسبی روند آبدهی متوسط روزانه‌ی ورودی به مخزن سد دز برای دو سال آینده پیش‌بینی نموده و در مقایسه نتایج آن با تحقیقات گذشته نشان می‌دهد که میانگین قدر مطلق خطای نسبی پیش‌بینی آبدهی روزانه از12/3، به 6/0 تنزل پیدا کرده و طول دوره پیش‌بینی از ده روز به دو سال افزایش یابد.

کلیدواژه‌ها

عنوان مقاله [English]

Analysis Ability of the Autoregressive Integrated Moving Average Model for Forecasting of Reservoir Daily Inflow of Dez Reservoir with Two-year lead Time

چکیده [English]

One of the usual methods for stream flow prediction are time series models. In this research, an autoregressive integrated moving average model(ARIMA)  is used for forecasting of daily inflow of Talezang station, located in upstream of Dez dam. As the data have seasonal trend, statistical indices (mean factors and standard deviation) of daily discharge, are estimated for 28 years with period of 365 days using Fourier series. Then, daily-observed discharge data were standardized using the statistical indices. The results of the research showed that seasonal trend of data was removed by the calculated factors of Fourier series. Then, different autoregressive integrated moving average modelswere fit into standardized data. Finally, by Akaike Information Criterion (AIC) and considering the minimum number of factors of model, the best model was selected. The results of forecasting by selected model showed that the model can forecast daily inflow trend relatively suitable and comparing with previous researches, mean absolute relative error of daily flow forecasting decreased from 3.12 to 0.6 and forecast lead-time increased from 10 days to two years

کلیدواژه‌ها [English]

  • ARIMA
  • Daily inflow forecast
  • Dez Dam
  • Fourier series
  • seasonal tend of data

مراجع

  1. 1.  بنی‌حبیب، م. ا. و م. ولی‌پور. 1387. ارزیابی مقایسه‌ای مدل‌های آرما، آریما و مدل خودهمبسته شبکه عصبی مصنوعی در پیش‌بینی جریان ورودی به مخزن سد دز. اولین کنفرانس بین‌المللی بحران آب. اسفند ماه. دانشگاه زابل. 8 صفحه.
2. Castellano-Mendez, M., W. lez-Manteiga, M. Febrero-Bande, J. Prada- Sanchez, and R. Lozano Caldero. 2004 .Modeling of the monthly and daily behavior of the runoff of the Xallas river using Box–Jenkins and neural networks methods Journal of Hydrology. 296. 38–58.

3. Cryer, D.j. and K.C. Chan. 2008. Time Series Analysis with Applications in R. Springer Texts in Statistics. Second Edition. 501pp.

4. Dong, X.,  F.M. Dohmen-Janssen, M. Booij and S. Hulscher. 2006. “Effect of flow forecasting quality on benefits of reservoir operation – a case study for the Geheyan reservoir (China).” Hydrology and Earth System Sciences Discussions.

5. Noakes, D.J., A.I. McLeod and K.W. Hipel. 1985. “Forecasting monthly riverflow time series.” International Journal of Forecasting, 1, 179-190.

6. Parker, D., S. Tunstall and T. Wilson. 2005. "Socio-economic benefits of flood forecasting and warning.” In Proceedings of the International Conference on Innovation, Advances and Implementation of Flood Forecasting Technology, October 17-19, 2005, Norway, Tromso.

7. Salas, J.D., J.W. Delleur, V. Yevjevich and W.L. Lane. 1980. Applied modeling of hydrologic time series. Water Resource Publication. 484 p.

8. Salas, J.D. and J.T. Obeysekera. 1982. ARMA model identification of hydrologic time series. Water Resour. Res. 18(4): 1011-1021.

9. Shalamu, A. 2009. Monthly and seasonal streamflow forecasting in the Rio Grande Basin. Doctor of Philosophy dissertation, New Mexico State University Las Cruces, New Mexico.

10. Tawfik, M. 2003. Linearity versus non-linearity in forecasting Nile River flows. Advances in Engineering Software 34. PP. 515-524.

  1. 11.  Venables, W.N. and D.M. Smith. 2011. An Introduction to R. ISBN 3-900051-12-7.
12. Wang, W.,  P.H.A.J.M. van Gelder and J.K. Vrijling. 2005. Constructing prediction interval for monthly streamflow forecasts. In J. K. Vrijling  et al. (Eds.) Proceedings of the 9th International Symposium on Stochastic Hydraulics, May 23- 24, 2005, Nijmegen, Netherlands. International Association of Hydraulic Research, Madrid, Spain.

13. Wang, W., P.H.A.J.M. Van-Gelder, J.K. Vrijling and J. Ma. 2006. Forecasting daily streamflow using hybrid ANN models. Journal of Hydrology 324 (2006) 383–399.

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار