گودرزی, لیلا, روزبهانی, عباس. (1396). بررسی کارایی مدلهای سری زمانی آریما و هالت وینترز در پیش بینی دما و بارش ماهانه (مطالعه موردی: ایستگاه لتیان). علوم و مهندسی آبیاری, 40(3), 137-149. doi: 10.22055/jise.2017.13312
لیلا گودرزی; عباس روزبهانی. "بررسی کارایی مدلهای سری زمانی آریما و هالت وینترز در پیش بینی دما و بارش ماهانه (مطالعه موردی: ایستگاه لتیان)". علوم و مهندسی آبیاری, 40, 3, 1396, 137-149. doi: 10.22055/jise.2017.13312
گودرزی, لیلا, روزبهانی, عباس. (1396). 'بررسی کارایی مدلهای سری زمانی آریما و هالت وینترز در پیش بینی دما و بارش ماهانه (مطالعه موردی: ایستگاه لتیان)', علوم و مهندسی آبیاری, 40(3), pp. 137-149. doi: 10.22055/jise.2017.13312
گودرزی, لیلا, روزبهانی, عباس. بررسی کارایی مدلهای سری زمانی آریما و هالت وینترز در پیش بینی دما و بارش ماهانه (مطالعه موردی: ایستگاه لتیان). علوم و مهندسی آبیاری, 1396; 40(3): 137-149. doi: 10.22055/jise.2017.13312
بررسی کارایی مدلهای سری زمانی آریما و هالت وینترز در پیش بینی دما و بارش ماهانه (مطالعه موردی: ایستگاه لتیان)
پارامترهای اقلیمی از جمله دما و بارش نقش مهمی در مدیریت منابع آب حوضهآبریز و برنامهریزیهای کشاورزی دارند. از جمله مدلهای پیش بینی کوتاه مدت این پارامترها، مدلهای سری زمانی هستند. در تحقیق حاضر، توانایی مدلهای سری زمانی در پیشبینی دما و بارش ماهانه ایستگاه لتیان مورد بررسی قرار گرفته است. بدین منظور ابتدا به کمک آزمون منکندال فصلی روند دادهها بررسی گردید و سپس مدلهای مختلف خودهمبسته با میانگین متحرک و همچنین مدل سری زمانی هالتوینترز بر دادهها برازش داده شد و در نهایت بهترین مدل سری زمانی انتخاب شد. در نتیجهی آزمون منکندال فصلی، روند مشخصی در سری ماهانه بارش مشاهده نگردید اما سری ماهانه دما دارای روند افزایشی معنیدار میباشد. نتایج پیش بینی توسط مدلهای آریمای فصلی، نشان دهنده قابلیت بالای این مدلها در پیشبینی دمای ماهانه میباشد و مدل 12(2 1 0 ) (1 0 0 ) به عنوان مدل سری زمانی مناسب برای دادههای دما تشخیص داده شد. اگرچه مدل هالتوینترز نیز از دقت بالایی در پیش بینی دما برخوردار است اما نسبت به مدل آریما دارای خطای بیشتری است. همچنین نتایج نشان داد که مدلهای آریمای فصلی و مدل هالتوینترز قابلیت بالایی در پیشبینی مقادیر بالای بارش ماهانه در ایستگاه لتیان ندارند. این مدلهاعمدتاً مقادیر بارشهای پایین و متوسط را بهتر برآورد میکنند و تخمینگر مناسبی در بارشهای بالا نیستند. نتایج این تحقیق کمک شایانی به پیشبینی موثر رواناب حوضهها و به تبع آن افزایش اعتماد پذیری سیستمهای منابع آب خواهد نمود.
An Evaluation of ARIMA and Holt Winters Time Series Models for Forecasting Monthly Precipitation and Monthly Temperature (Case Study: Latian Station)
نویسندگان [English]
Leila Goodarzi1؛ Abbas Roozbahani2
چکیده [English]
Climatic parameters including temperature and precipitation have an important role in water resources management of river basin as well as agricultural planning. Time series models are a kind of short-term prediction for these parameters. Precipitation is one of the most important climate parameters that should be addressed in water resources management. This is especially important in Iran, with an average annual rainfall of about 250 mm. Another climate parameter is temperature, which changes the climate structure of each location. For this reason, the study on temperature at various time and space scales has been addressed in a large part of the climatological researches. Time series analysis is widely used as a tool for temperature and rainfall predictions. So far, various studies have been done to predict climate and hydrologic parameters using time series analysis models. Kaushik and Singh (2008) predicted monthly temperature and precipitation in India using the seasonal Arima Model. There are also other researchers focused on application of ARMIA model such as Naill and Momani (2009), Tularam and Ilahee (2010) and Mondal et al. (2014). Holt Winters is also one of the time series models used for prediction. For example, Costa et al. (2015) predicted water quality parameters using the Holt Winters model and presented its effectiveness in the prediction.
In this research, the ability of time series models for forecasting monthly temperature and precipitation of Latian station in Iran has been examined. Trend analysis was conducted using the Seasonal Mann- Kendall test and then, various Autoregressive Integrated Moving Average Models (ARIMA) as well as Holt Winters model were fitted to the data and the best time series model was finally selected.