An Evaluation of ARIMA and Holt Winters Time Series Models for Forecasting Monthly Precipitation and Monthly Temperature (Case Study: Latian Station)

Document Type : Research Paper

Authors

Abstract

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.

Keywords

Main Subjects


1-    اسدی،ا. و ع. حیدری. 1390. تحلیل تغییرات سری های دما و بارش شیراز. مجله جغرافیا و برنامه ریزی محیطی، 41 :152-137.
 
2-    بشری،م. و م. وفا خواه. 1389. مقایسه روشهای مختلف تحلیل سری‌های زمانی در پیش بینی دبی ماهانه حوزه آبخیز کرخه. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، 2: 86- 75.
 
3-    بنی حبیب، م.ا.، بندری، ر.  و س. موسوی ندوشنی. 1391. تحلیل توانایی مدل میانگین متحرک جامع خود همبسته برای پیش بینی دوسال آینده جریان روزانه ورودی به مخزن سد دز. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، 7: 57-46.
 
4-    بهمنی، ر.، رادمنش، ف.، اسلامیان، س. و غ. پرهام. 1392. تحلیلروندتبخیرازمخزنسدوپیش‌بینیآنبهکمکسری‌هایزمانی. مجله علومومهندسیآبیاری 36(3): 80-67.
 
5-    پرویز، ل.، خلقی، م. و ا. فاخری فرد. 1388. پیش بینی جریان سالانه رودخانه با استفاده از مدل خود همبسته تجمعی میانگین متحرک و رگرسیون فازی. مجله دانش آب وخاک، 19: 82-65.
 
6-    دودانگه، ا.، عابدی کوپایی، ج.  و س. ع. گوهری. 1390. کاربرد مدلهای سری زمانی به منظور تعیین روند پارامترهای اقلیمی در آینده در راستای مدیریت منابع آب. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب وخاک، 59: 74-59.
 
7-    شفیعی، م. ح.، انصاری، قهرمان، ب. و م.ب. شریفی. 1390. مدل سازی سری زمانی شدت خشکسالی بر اساس شاخص پالمر. مرکز تحقیقات کم آبی و خشکسالی در کشاورزی و منابع طبیعی. اولین کنفرانس ملی خشکسالی و تغییر اقلیم، کرج.
 
8-    عزیزی، ق، و ع.ا. روشن. 1384. بررسی خشکسالی ها- ترسالی‌ها و امکان پیش بینی آنها با استفاده از مدل سری زمانی هالت وینترز در استان هرمزگان. فصلنامه تحقیقات جغرافیایی،79: 63-48.
 
9-    عیوضی،م. وا. مساعدی. 1389. مقایسه پیش بینی بارندگی ماهیانه بر اساس سری زمانیARMA و توابع غیر خطی در ایستگاه باران سنجی ناهار خوران گرگان. دومین کنفرانس سراسری مدیریت جامع منابع آب، کرمان.
 
10-  غریب دوست، م.، قربانی، م.ع. و ع. حسینی زاده. 1396. تاثیر تغییر اقلیم بر بارش- رواناب حوضه آبریز صوفی چای. مجله علومومهندسیآبیاری 40 (2): 101-89.
 
11-  کهنسال، م.ر.، پرمه، ز.، اسماعیلی پور، ا.  و ع.ا. قاسمی .1391. پیش بینی قیمت تخم مرغ با استفاده از ARIMA، شبکه عصبی مصنوعی و هموار سازی هالت وینترز. فصلنامه پژوهشنامه بازرگانی، 62: 72-49.
 
12-  میرموسوی ، ح.، مسعود، ج.، آبختی گروسی، ه.  و ن. خائفی. 1393. تحلیل الگوهای سری زمانی بارش در ایستگاه هواشناسی خوی. نشریه فضای جغرافیایی،4: 17- 1.
 
13- Chang, X., Gao, M., Wang, Y. and X.Hou. 2012. Seasonal autoregressive integrated moving average    model for precipitation time series. Journal of Mathematics and Statistics, 8 (4): 500-505.
 
14- Costa, M., Gonçalves, A.M. and J. Silva. 2015. Forecasting time series combining Holt-Winters and bootstrap approaches. In Proceedings of the International Conference on Numerical Analysis and Applied Mathematics.
 
15- Dobre, G.R.2014. R language: statistical computing and graphics for modeling hydrologic time Series. MathematicalModelling in Civil Engineering, 10(4): 9-18.
 
16- Gundalia, M. and M.B.Dholakia. 2012. Prediction of maximum/minimum temperatures using Holt winters method with excel spread sheet for Junagadh region. International Journal of Engineering Research and Technology (IJERT), 1(6):1-8.
 
17- Gerretsadikan, A. and M.K.Sharma. 2011. Modeling and forecasting of rainfall data of mekele for Tigray region (Ethiopia). Statistics and Applications, 9: 31-53.
 
18- Kaushik, I. and S.M.Singh. 2008. Seasonal ARIMA model for forecasting oF monthly rainfall and temperature. Journal of Environmental Research and Development, 3(2): 506-514.
 
19- Mahsin, Md., Akhter, Y. and M. Begum. 2012. Modeling rainfall in Dhaka Division of Bangladesh using time series analysis. Journal of Mathematical Modeling and Application, 1(5): 67-73.
 
20- Meher,J. and R.Jha. 2013. Time-series analysis of monthly rainfall data for the Mahanadi river basin, India. Sciences in Cold and Arid Regions, 5(1): 73–84.
 
21- Mondal, P., Shit, L. and S.Goswami. 2014. Study of effectiveness of time series modeling (ARIMA) in forecasting stock prices. International Journal of Computer Science, Engineering and Applications, 4(2):13.
 
22- Naill, P.E. and M.Momani. 2009. Time series analysis model for rainfall data in Jordan: Case study for using time series analysis. American Journal of Environmental Sciences, 5 (5): 599-604.  
 
23- Sampson, w., Suleman, N. and A.Y .Gifty. 2013. Proposed seasonal autoregressive integrated moving average Model for Forecasting Rainfall Pattern in the Navrongo Municipality, Ghana. Journal of Environment and Earth Science. 3(12): 80-85.
 
24- Sopipan, N.2014. Forecasting rainfall in Thailand: A case study of Nakhon Ratchasima province. International Journal of Environmental, Chemical, Ecological, Geological and Geophysical Engineering, 8 (11):777-781.
 
25- Tularam, G.A. and M. Ilahee. 2010. Time series analysis of rainfall and temperature interactions in coastal catchments. Journal of Mathematics and Statistics, 6 (3): 372-380, 2010.
Volume 40, Issue 3
December 2017
Pages 137-149
  • Receive Date: 31 May 2015
  • Revise Date: 21 April 2016
  • Accept Date: 10 September 2016
  • Publish Date: 22 November 2017