مدل‌سازی و پیش‌بینی خشکسالی هواشناسی با استفاده از مدل سری زمانی SARIMA در نمونه‌های اقلیمی مختلف ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناس ارشد مهندسی منابع آب، بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

2 عضو هیات علمی، بخش مهندسی آب، دانشگاه شهید باهنر کرمان

3 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه باهنر کرمان، کرمان ، ایران

چکیده

این مطالعه با هدف پیش‌بینی خشکسالی هواشناسی، کاربرد مدل آماری سری زمانی SARIMA را در نمونه‌های اقلیمی مختلف ایران مورد ارزیابی قرار داده است. به این منظور از شاخص خشکسالی SPI در مقیاس 12 ماهه استفاده شد. داده های بارش طی یک دوره 20 ساله (2019-2000) در 7 ایستگاه سینوپتیک ایران واقع در نمونه‌های اقلیمی متفاوت از فراخشک تا بسیار مرطوب بکار گرفته شد. مدل سری زمانی SARIMA پس از بررسی ایستایی و فصلی بودن داده‌های بارش در محیط نرم افزار MiniTab توسعه داده شد. از دو معیار اطلاعاتی آکائیکه (AIC) و بیزین (BIC) جهت تشخیص مدل بهینه استفاده گردید. نتایج نشان داد که با توجه به روند تناوبی و فصلی متغیر بارش، استفاده از مدل SARIMA در تمامی ایستگاه‌های مطالعاتی مناسب می‌باشد. نمودارهای باقیمانده‌های بارش در ایستگاه‌های مطالعاتی بسیار نزدیک به حالت نرمال بوده و عملکرد مدل در پیش‌بینی بارش و در نتیجه خشکسالی رضایت‌بخش بود. همچنین انتظار می‌رود که در اقلیم‌ های فراخشک معتدل، نیمه خشک سردسیر و فراسرد، مدیترانه ای معتدل، مرطوب سردسیر و بسیار مرطوب نوع الف و ب به ترتیب احتمال رخداد خشکسالی شدید، خشکسالی متوسط، وضعیت نرمال و ترسالی ملایم رخ دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Meteorological drought modeling and forecasting using SARIMA time series at different climates of Iran

نویسندگان [English]

  • Mahtab Helmi 1
  • Bahram Bakhtiari 2
  • Koroush Qaderi 3
1 M. Sc. Graduate in Water Resources Engineering, Water Engineering Department, Faculty of Agriculture, Shahid Bahonar University of Kerman
2 Water Eng. Department, Faculty of Agriculture, Shahid Bahonar University of kerman
3 Water engineering department, Agriculture faculty, Bahonar university of Kerman, Kerman, Iran.
چکیده [English]

The purpose of this study was to evaluate the application of SARIMA time series statistical model in different climatic samples of Iran in order to forecast meteorological drought. To this end, the standardized precipitation index (SPI) was used on a 12-month scale. Precipitation data were used over a 20-year period (2000–2019) at 7 synoptic meteorological stations of Iran located in climatic samples classified from extra-arid to per-humid. The SARIMA time series model was developed after checking the stationary and seasonality of precipitation data in the MiniTab software. Akaike and Bayesian Information Criteria (AIC & BIC) were used to identify the optimal model. The results showed that due to the periodic and seasonal trend of precipitation, the use of SARIMA model is appropriate in all the studied stations. The precipitation residuals in the study stations were very close to normal and the model performance was satisfactory in forecasting precipitation and consequently drought. It is also expected that in the extra-arid moderate climates, arid and semi-arid (very cold and cold) climates, Mediterranean moderate climates, humid cold climates, and per-humid types A and B climates, the probability of severe drought, moderate drought, near-normal and moderately wet will occur, respectively.

کلیدواژه‌ها [English]

  • Dryness period
  • Domarton classification
  • Seasonal time series
  • Standardized precipitation index
بذرافشان، ج.، حجابی، س.، هاشمی نسب، آ. 1392. تاثیر تغییر اقلیم آینده بر احتمالات انتقال طبقات خشکسالی در اقلیم های حدی ایران (مطالعه موردی: ایستگاه های بندرانزلی و نوشهر). نشریه پژوهش های حفاظت آب و خاک. 22. 1: 131-150.
جهاندیده، م.، شیروانی، ا. 1390. پیش بینی خشکسالی بر پایه نمایه بارش استاندارد شده با استفاده از مدل های سری زمانی در استان فارس. مجله پژوهش آب ایران. 5. 9: 19-28.
حسن زاده، ی.، عبدی کردانی، ا.، فاخری فرد، ا. 1391. پیش‌بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی – موجکی. نشریه آب و فاضلاب. 3: 48-59.
حلمی، ح.، بختیاری، ب.، قادری، ک. 1397. ارزیابی روش کنترل گروهی داده ها (GMDH) و سیستم استنتاج فازی-عصبی (ANFIS) در پیش‌بینی خشکسالی در چند نمونه اقلیمی مختلف. نشریه پژوهش های اقلیم شناسی. 9. 35: 1-18.
بزرگ‌نیا ، ا.، خرمی، م. 1386. تجزیه و تحلیل سری‌های زمانی با نرم افزار MINITAB14. انتشارات سخن گستر.
رضیئی، ط. 1395. پیش بینی خشکسالی در‌ منطقه‌ خشک ‌و‌نیمه خشک ‌ایران‌ با استفاده ‌از‌ مدل های سری‌زمانی ‌و ‌زنجیره‌ مارکف. نشریه علمی پژوهشی مهندسی و مدیریت آبخیز. 4. 8: 454-477.
سلیقه، م.، عساکره، ح.، ناصرزاده، م.ح.، بلیانی، ی. 1394. تحلیل روند و چرخه های سری زمانی بارش ساالنه حوضه های آبریز حله و مند. تحقیقات کاربردی علوم جغرافیایی. 37: 245-272.
طوفانی، پ.، مساعدی، ا.، فاخری فرد، ا. 1390. پیش‌بینی بارندگی با استفاده مستقیم از نظریه موجک مطالعه موردی: ایستگاه باران سنجی زرینگل استان گلستان. نشریه آب و خاک (علوم و صنایع کشاورزی). 25. 5: 1217-1226.
عابدینی، ا.، موسوی بایگی، م.، انصاری، ح. 1393. کاربرد مدل‌های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد. نشریه پژوهش آب در کشاورزی. 28. 1: 227-239.
عبدالله نژاد،ک. 1394. مدل های سری زمانی در پیش‌بینی بارندگی (مطالعه موردی: ایستگاه هاشم آباد گرگان). مجله آمایش جغرافیایی فضا، فصلنامه علمی پژوهشی دانشگاه گلستان. 5. 17: 15-25.
عیوضی، م.، مساعدی، ا.، دهقانی، ا.ا. 1388. مقایسه روش‌های مختلف پیش‌بینی شاخص خشکسالی SPI. مجله پژوهش های حفاظت آب و خاک. 16. 2: 145-167.
کارآموز، م.، عراقی نژاد، ش. 1389. هیدرولوژی پیشرفته. انتشارات دانشگاه صنعتی امیرکبیر.
نیکبخت، ع.، زهرایی، ب.، ناصری، م. 1391. پیش‌بینی فصلی خشکسالی هواشناسی با استفاده از ماشین های بردار پشتیبان. نشریه آب و فاضلاب. 2: 72-84.
Adamowski, J and Belayneh, A. 2012. Standard precipitation index drought forecasting using neural networks, wavelet neural nertworks and support vector regression. Applied Computational Intelligence and Soft Computing. 1-13.
Afrifa, E., Bashiru, I I and Azumah, K. 2016. SARIMA modeling and forecasting of monthly rainfall in the Brong Ahafo region of Ghana. World Environment. 6.1: 1-9.
Bordi, I and Sutera, A. 2004. Drought variability and its climatic implications, Global and Planetary Change. 40.2: 115-127.
Brockwell, P J and Davis, R.A. 1996. Introduction to Time Series and Forecasting.
Danandeh Mehr, A., Kahya E and Ozger, M. 2014. A gene-wavelet model for long lead time drought forecasting. Journal of Hydrology. 517: 691-699.
Edwards, D C and  McKee., T. B. 1997. Characteristics of 20th century drought in the United States at multiple time scales. Climatology Report Number 97.2: Colorado State University Fort Collins Colorado.
Friedman, M. 1992. The interpolation of time series by related series. Journal of the American Statistical Association 57: 729–757.
Hayes, M.J., Svoboda, M.D. Wilhite, D A and  Vanyarkho, O.V. 1999. Monitoring the 1996 drought using the Standardized precipitation Index. Bulletin of the American Meteorological Society. 80.3: 429- 437.
HsinFu, Y and HsinLi H. 2019. Stochastic Model for Drought Forecasting in the Southern Taiwan Basin. Department of Resources of Engineering, National Cheng Kung University. 11.10: 2041.
Hurst, H. 1951. Long Term Storage Capacity of Reservoirs. Transactions of the American Society of Civil Engineers. 116: 770-799.
Karimi, M, Melesse, A.M.,  Khosravi, KH, Mamuye, M and Zhang, J. 2019. Analysis and prediction of  eteorological drought using SPI index and ARIMA model in the Karkheh River Basin, Iran. Extreme Hydrology and Climate Variability: Monitoring, Modelling, Adaptation and Mitigation. 343-354.
Mishra, A K and Desai, V.R. 2005. Drought forecasting using stochastic models. Stochastic Environmental
Research and Risk Assessment. 19.5: 326-339.
Mishra, A K and Singh, V. P. 2010. A review of drought concepts. Journal of Hydrology, 391.1-2: 202-216.
Mosaedi., M, Marashi., M and Kavakebi., GH. 2009. Comparison of Drought Frequency in arid and humid regions (Case study: Golestan Province). Journal of Agricalture Science Natural Resources 16.1: 277-290.
Naill, P E and Momani, M. 2009. Time Series Analysis Model for Rainfall Data in Jordan: Case Study for Using Time Series Analysis. American Journal of EnvironmentalSciences, 5.5: 599-604.
Narasimha, K.V., Saravana, R and Vijaya, K. 2017. Modeling and forecasting rainfall patterns of southwest monsoons in North-East India as a SARIMA process. Meteorologycal Atmosphere Physical.
Rahimi, J., Ebrahimpour, M and Khalili, A. 2012. Spatial changes of Extended De Martonne climatic zones affected by climate change in Iran. Theoretical and Applied Climatology. 112: 409-418.
Ravinesh, C.D., Ozgur K and Vijay, P.S. 2016. Drought forecasting in eastern Australia using multivariate adaptive regression spline least square support vector machine and M5Tree model. Atmospheric Research. 184: 149-175.
Ruhf., R and Cutrim E.M. 2003. Cutrim. Time seriesanalysis of 20 years of hourly precipitation in southwest Michigan. Journal of Great Lakes Research. 29.2: 256-267.
Sharma, B R and Smakhtin, V.U. 2004. Potential of water harvesting as a strategic tool for drought mitigation international Water Management Institue.