پژوهش‌های تغییرات آب و هوایی

پژوهش‌های تغییرات آب و هوایی

تغییرپذیری بارش و پیش بینی بارش‌های سالانه مرکز و جنوب شرق ایران با استفاده از مدل سری‌های زمانی تصادفی

نوع مقاله : مقاله پژوهشی

نویسندگان
فائزه ناظری 1
پیمان محمودی 2
سید مهدی امیر جهانشاهی 3
1 گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران
2 گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران،
3 گروه آمار، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
10.30488/ccr.2024.458098.1215
چکیده
هدف اصلی این پژوهش بررسی تغییرپذیری بارش و پیش­بینی بارش­های سالانه مرکز و جنوب شرق ایران با استفاده از مدل سری­های زمانی تصادفی است. لذا جهت رسیدن به این هدف اصلی از داده­های بارش سالانه 15 ایستگاه همدید مرکز و جنوب شرق ایران که از سازمان هواشناسی کشور دریافت شد، استفاده گردید. سپس مدل­های مختلفی از خانواده میانگین متحرک خودهمبسته یکپارچه (ARIMA) بر سری‌های زمانی بارش ایستگاه­های مورد مطالعه برازش داده شدند. نتایج نشان دادند که بهترین مدل برازش داده شده بر سری‌های زمانی بارش سالانه ایستگاه‌های مورد مطالعه ARMA (2, 1) می باشد. بر اساس این مدل مشاهده شد که روند مقادیر پیش بینی شده بارش‌های سالانه تا افق 2027 میلای به استثنای دو ایستگاه فردوس و ایرانشهر که روند بارشی آنها افزایشی بوده است، بقیه ایستگاه دارای روند کاهشی بوده اند. برای اندازه­گیری دقت پیش بینی بارش‌های سالانه تا افق 2027 نیز از چهار معیار اعتبارسنجی MAD، MSE، RMSE و MAE استفاده شد. نتایج این چهار معیار نشان دادند که پیش بینی‌های انجام شده دارای خطاهای بسیار زیاد و در نتیجه از دقت پایینی برخوردار هستند. مهمترین دلیلی که در ایجاد خطاهای بسیار زیاد در پیش بینی بارش‌های سالانه مرکز و جنوب شرق ایران می توان مطرح نمود طول دوره آماری کوتاه بسیاری از ایستگاه‌های مرکز و جنوب شرق ایران است. لذا برای این نوع از مدلسازی‌ها در مرکز و جنوب شرق ایران پیشنهاد می گردد از پایگاه داده‌های مختلف بارشی شبکه بندی شده  که دارای طول دوره‌های آماری طولانی تری دارند استفاده شود.
کلیدواژه‌ها
ضریب تغییرات
ضریب چولگی
ایستایی واریانس
ایستایی میانگین
تابع خودهمبستگی
تابع خودهمبستگی جزئی
موضوعات

عنوان مقاله English

Precipitation variability and Annual Rainfall Prediction for Central and Southeast (SE) Iran using Stochastic Time Series Modeling

نویسندگان English

Faezeh Nazeri 1
Peyman Mahmoudi 2
Seyed Mahdi Amir Jahanshani 3
1 Department of Physical Geography, Faculty of Geography and Environmental Planning, University of Sistan and Baluchestan, Zahedan, Iran
2 Department of Physical Geography, Faculty of Geography and Environmental Planning, University of Sistan and Baluchestan, Zahedan, Iran
3 Department of Statistics, Faculty of Mathematics, Statistics and Computer Science, University of Sistan and Baluchestan, Zahedan, Iran
چکیده English

The present study sought to investigate precipitation variability and prediction the annual rainfall in central and southeast (SE) Iran using stochastic modeling (time series analysis). For this, the annual rainfall data gathered from 15 synoptic stations in the center and SE of Iran were obtained from Iran Meteorological Organization (IMO). Then, different autoregressive integrated moving average (ARIMA) models were used to fit the time series of annual rainfall in the studied stations. Based on the results, ARMA (2, 1) was found to be the best model fitted to the annual rainfall time series of the stations under study. Excluding the Ferdows and Iranshahr stations with an uptick in the rate of precipitation, the trend of predicted annual precipitation until 2027 was slipping for all the studied stations. The validation indices including MAD (mean absolute deviation), MSE (mean square error), RMSE (root mean square error), and MAE (mean absolute error) were employed to measure the accuracy of annual rainfall forecasts until 2027. According to these indices, the forecasts had substantial errors and were of low accuracy. Such a high rate of errors may be due to the short-term statistics obtained from synoptic stations in these regions. Hence, for modeling in central and SE Iran, future studies are recommended to use different networks of rainfall databases with long-term statistics.

کلیدواژه‌ها English

coefficient of variation
coefficient of skewness
stationarity of variance
stationarity of mean
autocorrelation function
partial autocorrelation function
  1. امیدوار، ک. و نبوی زاده، م.، 1393، پیش بینی بارش روزانه استان کرمان با شبکه‌های عصبی مصنوعی (مطالعه موردی: کرمان، بافت و میانده جیرفت)، م. جغرافیا و توسعه ناحیه ای، 23، 214-197.
  2. جهانبخش، س. و ترابی، س.، 1383. بررسی و پیش بینی تغییرات دما و بارش در ایران، ف. تحقیقات جغرافیایی، 19(3)، 22-1.
  3. رخ شاد، ا. م.، بختیاری، ب. و قادری، ک.، 1393. ارزیابی عملکرد الگوریتم رقابت استعماری (ICA) در برآورد بارش روزانه، م. سامانه‌های سطوح آبگیر ایران، 5، 40-33.
  4. رخ شاد، ا. م.، بختیاری، ب. و قادری، ک.، 1395. مقایسه عملکرد الگوریتم ICA و حالت ترکیب شده آن با فازی (FUZZY-ICA) در پیش بینی بارش روزانه، م. ژئوفیزیک ایران، 29، 14-1.
  5. سلطانی گرد فرامرزی، س.، صابری، ع. و قیصوری، م.، 1396. تعیین بهترین مدل سری زمانی در پیش بینی بارندگی سالانه ایستگاه‌های منتخب استان آذربایجان غربی، م. تحقیقات کاربردی علوم جغرافیایی، 17(44)، 105-87..
  6. سید نژاد گل خطمی، ن.، عباسی، ن. و رضایی پژند، ح.، 1401. پیش بینی سری زمانی بارش سالانه 125 ساله مشهد، م. پژوهش‌های اقلیم شناسی13(50)، 94-83..
  7. شرفی، م.، صمدیان فرد، س. و‌هاشمی، س.، 1399، پیش بینی بارش ماهانه با استفاده از مدل‌های برنامه ریزی ژنتیک و ماشین بردار پشتیبان، م. سامانه‌های سطوح آبگیر ایران، 27، 71-63.
  8. علیزاده، ا.، 1390، اصول هیدرولوژی کاربردی (چاپ سی و دوم): مشهد، انتشارات دانشگاه امام رضا.
  9. فلاح قالهری، غ. و شاکری، ف.، 1394، کاربرد شبکه‌های عصبی مصنوعی در پیش بینی بارش زمستانه، م. علوم و مهندسی آبخیزداری ایران، 31، 110-99.
  10. فلاح قالهری، غ.، موسوی بایگی، س. م. و حبیبی نوخندان، م.، 1388. پیش بینی بارش فصلی بر اساس الگوهای سینوپتیکی سطوح فوقانی جوبا استفاده از مدلهای آماری، م. دانش آب و خاک، 1، 143-125.
  11. مجرد، ف.، زاهدی، غ. و الفت میری، ح. ر.، 1393، پیش بینی بارش‌های سالانه در ایستگاه‌های سینوپتیک کرمانشاه و نوژه همدان با استفاده از شبکه عصبی مصنوعی، م. جغرافیا و پایداری محیط، 10، 27-13.
  12. مدرسی، ف.، 1400، توسعه یک مدل جدید ترکیبی احتمالاتی کلاس مبنا برای پیش بینی بارش ماهانه، م. تحقیقات منابع آب ایران، 57، 248-235.
  13. یخکشی، م. ا.، ثقفیان، ب.، صدقی، ح.، فهمی، ه. و موسوی جهرمی، ح.، 1387، پیش بینی کوتاه مدت بارندگی: روشی برای بهبود هشدار سیل‌های ناگهانی (مطاله موردی- حوضه سد گلستان 1 در استان گلستان)، م. علوم کشاورزی و منابع طبیعی، 67، 138-125.
  14. Abbot J., Marohasy J., 2017, Application of artificial neural networks to forecasting monthly rainfall one year in advance for locations within the Murray Darling basin, Australia: International Journal of Sustainable Development and Planning, 12(8), 1282–1298.
  15. Aguasca-Colomo R., Castellanos-Nieves D., Méndez M., 2019. Comparative analysis of rainfall prediction models using machine learning in islands with complex orography: Tenerife island: Applied Sciences, 9(22), 4931.
  16. Anderson RL., 1942. Distribution of the serial correlation coefficients: The Annals of Mathematical Statistics, 13(1), 716-723.
  17. Banadkooki FB., Ehteram M., Ahmed AN., Fai CM., Afan HA., Ridwam WM., Sefelnasr A., El-Shafie A., 2019. Precipitation forecasting using multilayer neural network and support vector machine optimization based on flow regime algorithm taking into account uncertainties of soft computing models: Sustainability, 11(23), 6681.
  18. Bojar , Knopik L., Żarski J, Kuśmierek-Tomaszewska R., Wojciech Żarski W. 2018. Markov chain as a tool for forecasting daily precipitation in the vicinity of the city of Bydgoszcz, Poland: ITM Web of Conferences, 23, 1-5.
  19. Borland P., Montana A., 1996.Forecasting of storm rainfall by combined use of rider, rain gages and linear models: Atmospheric research, 42, 199-216.
  20. Box GE., Jenkins GM., 1976. Time series analysis (Forecasting and Control): San Francisco: Holden-Day.
  21. Cochran W.G., & Cox G.M. 1957. Experimental Designs: New York, John Wiley & Sons, Inc.
  22. Du J., Liu Y., Yu Y., Yan W. 2017/ A Prediction of Precipitation Data Based on Support Vector Machine and Particle Swarm Optimization (PSO-SVM) Algorithms: Algorithms, 10(2), 2-15.
  23. Durbin J. 1960. The fitting of time series model: Review of the International Statistical Institute, 28, p2333.
  24. Gholami Rostam M., Sadatinejad SJ., Malekian A., 2020. Precipitation forecasting by large-scale climate indices and machine learning techniques. Journal of Arid Land , 12, 854–864.
  25. Hussein E., Ghaziasgar M., Thron C., 2020. Regional rainfall prediction using support vector machine classification of large-scale precipitation maps. In 2020 IEEE 23rd International Conference on Information Fusion (FUSION) (pp. 1–8).
  26. Infanti JM., Kirtman BP., 2016. North American rainfall and temperature prediction response to the diversity of ENSO. Climate Dynamics, 46, 3007–3023.
  27. Javari M., 2021. Modeling and forecasting of rainfall reoccurrence changes using Markov Switching in Iran. SN Applied Sciences , 3, 753.
  28. Kisi O., Cimen M., 2012, Precipitation forecasting by using wavelet-support vector machine conjunction model: Engineering Applications of Artificial Intelligence, 25(4): 783-792.
  29. Kottegoda N.T., Horder MA., 1980. Daily flow model rainfall occurrences using pulse and a transfer function: Journal of Hydrology, 47, 215-234.
  30. Mehr AD., Nourani V., Khosrowshahi VK., Ghorbani MA., 2019. A hybrid support vector regression–firefly model for monthly rainfall forecasting: International Journal of Environmental Science and Technology, 16(1), 335–346.
  31. Nasseri M., Asghari K., Abedini MJ., 2008. Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network: Expert Systems with Applications, 35(3), 1415–1421.
  32. Nourani V., Uzelaltinbulat S., Sadikoglu F., Behfar N., 2019. Artificial intelligence based ensemble modeling for multi-station prediction of precipitation: Atmosphere, 10(2):80.
  33. Pan B., Hsu K., AghaKouchak A., Sorooshian S., 2019. Improving precipitation estimation using convolutional neural network: Water Resources Research, 55(3), 2301–2321.
  34. Salas JD., Delleur J.W., Yevjevich V., Lane W.L. 1980. Applied Modeling of Hydrologic Time Series: Water Resources Publications, Littleton, CO.
  35. Taheri Tizro A., Ghashghaie M., Georgiou P., Voudouris, K. 2014. Time series analysis of water quality parameters: Journal of Applied Research in Water and Wastewater, 1, 40-50.
  36. Tippett MK., Ranganathan M., L’Heureux M., Barnston AG., DelSole T., 2019, Assessing probabilistic predictions of ENSO phase and intensity from the North American Multimodel Ensemble: Climate Dynamics, 53, 7497–7518.
  37. Thomas HA., Fiering MB., 1962, Mathematical Synthesis of Stream Flow Sequences for the Analysis of River Basin by Simulation: Harward University Press, Cambrige, 751pp.
  38. Wang H., Asefa T., Sarkar, A., 2021, A novel non-homogeneous hidden Markov model for simulating and predicting monthly rainfall: Theoretical and Application Climatology, 143, 627–638.
  39. Wang L., Ren HL., Zhu J., Huang B., 2020, Improving prediction of two ENSO types using a multi-model ensemble based on stepwise pattern projection model: Climate Dynamics, 54, 3229–3243.
  40. Weesakul U., Lowanichchai S., 2015, Rainfall forecast for Agricultural Water Allocation Planning in Thailand: Science & Technology Asia, 10(3), 18–27.
  41. Weesakul U., Kaewprapha P., Boonyuen K., Mark O., 2018, Deep learning neural network: A machine learning approach for monthly rainfall forecast, case study in eastern region of Thailand: Engineering and Applied Science Research, 45(3), 203–211.
  42. Yin G., Yoshikane T., Yamamoto K., Kubota T., Yoshimura K., 2022, A support vector machine-based method for improving real-time hourly precipitation forecast in Japan: Journal of Hydrology, 612, 1-13.
  43. Zhang P., Jia Y., Gao J., Song W., Leung HKN., 2018, Short-term rainfall forecasting using multi-layer perceptron: IEEE Transactions on Big Data, 6, 93–106.
  44. Zhao T., Chen H., Pan B., Ye L., Cai H., Zhang Y., Chen X., 2022, Correspondence relationship between ENSO teleconnection and anomaly correlation for GCM seasonal precipitation forecasts. Climate Dynamics, 58, 633–649.