مرکز منطقه ای اطلاع رساني علوم و فناوري - مقايسۀ عملكرد مدل‌هاي سري زماني SARIMA و SARIMAX در پيش‌بيني بلند‌مدت خشكسالي

چكيده فارسي :

پيش بيني بلندمدت خشكسالي اهميت زيادي در مديريت منابع آب دارد. مدل هاي سري زماني ابزاري مناسب براي پيش بيني رويدادهاي اقليمي هستند. در پژوهش حاضر، از شاخص شناسايي خشكسالي (RDI) كه بر اساس بارش و تبخير و تعرق پتانسيل است، براي ارزيابي خشكسالي ايستگاه همديدي (سينوپتيك) يزد در مقياس هاي زماني يك، سه و شش ماهه در دورۀ ژانويه 1961 (معادل دي 1339) تا دسامبر 2018 (معادل آذر 1397)، مورد استفاده قرار گرفت. دوره ژانويه 2006 تا دسامبر 2018 معادل دي 1384 تا آذر 1397 به عنوان دوره پيش بيني در نظر گرفته شد. داده هاي خشكسالي دوره پيش بيني در اختيار مدل مورد استفاده قرار نگرفت. ايستايي داده‌ها با استفاده از آزمون ‌ Augmented Dickey–Fuller(ADF) بررسي شد. نتايج نشان داد كه سري هاي زماني مذكور به‌طور معني‌داري مانا هستند. نمودارهاي خودهمبستگي (ACF) و خودهمبستگي جزيي (PACF) نشان داد الگوي داده‌هاي خشكسالي در مقياس‌هاي 1، 3 و 6 ماهه در ايستگاه سينوپتيك يزد به صورت فصلي مي باشد. مدل SARIMA يك مدل پيش‌بيني تك‌متغيره در تحليل سري هاي زماني است كه با افزودن مولفه فصلي به مدل ARIMA ايجاد شده است. مدل چند متغيره SARIMAX با افزوده شدن پارامتر كمكي يا متغير برون زا به مدل تك متغيره SARIMA ايجاد مي‌شود. در پژوهش حاضر، كارآيي مدل تك متغيره فصلي SARIMA و مدل چندمتغيره فصلي SARIMAX در پيش‌بيني خشكسالي در مناطق خشك مورد مقايسه قرار گرفت. به منظور اجراي مدل SARIMAX، پارامترهاي بارش و تبخير و تعرق پتانسيل به صورت جداگانه به عنوان پارامتر كمكي براي پيش بيني خشكسالي در اختيار مدل قرار گرفت. بررسي ضريب تبيين (R2) بين مقدارهاي RDI واقعي و پيش بيني شده با استفاده از مدل SARIMA نشان داد، مدل در مقياس‌هاي سه ماهه و شش ماهه به‌ترتيب با ضريب 0.66 و 0.71 عملكرد بهتريي دارد. نتيجه مدل SARIMAX نشان داد در مقياس يك ماهه، مدل SARIMAX بر پايۀ پارامتر كمكي تبخير و تعرق پتانسيل با ضريب تبيين0.60 و در مقياس سه ماهه، مدل SARIMAX بر اساس پارامتر كمكي بارش با ضريب تبيين 0.79 عملكرد بهتري دارد. در مقياس 6 ماهه، عملكرد مدل براي هر دو پارامتر كمكي با ضريب تعيين 0.79 تقريبا يكسان بود. در مجموع مقايسه نتايج دو مدل نشان داد عملكرد مدل SARIMAX از مدل SARIMA در پيش‌بيني خشكسالي در مناطق خشك بيشتر است.