بررسي پارامترهاي هواشناسي اثرگذار بر مصرف آب استان قم با استفاده از رگرسيون چندك D-vine

Analysis of the Meteorological Parameters Affecting Water Consumption in Qom Using D vine Copula Based Quantile Regression

در اين تحقيق با استفاده از توابع مفصل و رگرسيون چندك D-vine به شناسايي متغيرهاي هواشناسي اثرگذار بر مصرف آب استان قم پرداخته شده است. با استفاده از اين روش‌ها علاوه‌بر بررسي ساختار همبستگي و توزيع توام متغيرها، مي‌توان مسأله هم‌خطي را نيز رفع نمود. داده‌ها شامل هفت پارامتر هواشناسي و مصرف آب ماهانه طي سال‌هاي 1398-1390 مي‌باشد. نتايج نشان دادند كه تابع مفصل گوسين مناسب‌ترين تابع براي ارتباط بين مصرف و سه پارامتر دما و هم‌چنين رطوبت نسبي است. رابطه مصرف با بارندگي نيز توسط تابع مفصل BB8 و ارتباط مصرف با سرعت باد با تابع مفصل Tawn type 1 قابل بيان مي‌باشند. نتايج حاصل از رگرسيون چندك و اين بر داده‌هاي نمونه آزمايش نشان دادند كه تابع گوسين بهترين تابع براي ارتباط مصرف و ميانگين بيشينه دما و تابع جوي با چرخش 90 درجه ارتباط مصرف و رطوبت نسبي به شرط ميانگين بيشينه دما را نشان مي‌دهد. نتايج نشان دادند كه با افزايش پارامترهاي دما، مصرف افزايش يافته و با افزايش بارندگي مصرف ابتدا كاهش و سپس افزايش مي‌يابد. هم‌چنين افزايش سرعت باد، افزايش مصرف را به‌همراه خواهد داشت. ضريب تعيين مدل رگرسيون چندك D-vine بر روي داده‌هاي آزمون نشان داد كه مدل توانسته 90 درصد ميزان مصرف آب را ارائه دهد.

This study identified the meteorological variables affecting water consumption in Qom Province using D-vine copula-based quantile regression. In addition to analyzing the correlation structure and joint distribution of variables, these methods can also solve the multicollinearity problem. The data includes seven meteorological parameters and monthly water consumption from 2011-2019. The results showed that the Gaussian copula function is the most suitable one to establish the relationship of consumption with the three temperature parameters and relative humidity. The relationship of consumption with precipitation and wind speed could be expressed with the BB8 copula function and the Tawn type 1 copula function respectively. The results of the D-vine copula-based regression on sample data showed that the Gaussian function could be the most appropriate for the relationship between consumption and average maximum temperature. When rotated by 90 degrees, the Joe function shows the relationship between consumption and relative humidity on the condition of maximum average temperature. The results showed that increasing in the temperature parameters could increase consumption, and that more precipitation would first reduces consumption, then start to increase it. Higher wind speeds also tend to increase consumption. The D-vine copula-based regression model s coefficient of determination on the test data showed that the model could explain 90% of the water consumption.