پيش بيني متغير هاي اقليمي به كمك تحليل سري هاي زماني حوضه آبخيز زهره

Climatic Variables Prediction Using Time Series Analysis of Zohre Watershed

داده هاي اقليمي داراي خود همبستگي، اثر فصل، روند و ويژگي تصادفي مي باشند، در نتيجه از مفاهيم سري‌هاي زماني در پيش بيني متغيرهاي اقليمي استفاده مي شود. هدف اين مقاله پيش بيني متغيرهاي اقليمي به كمك تحليل سري هاي زماني حوضه آبخيز زهره مي باشد. درگام اول اقدام به بررسي آزمون هاي كلموگراف-اسميرنف و من-كندال براي تعيين نرماليته و تعيين روند گرديد. نتايج آناليز روند من-كندال نشان‌دهنده روند معني‌دار متغير دبي بوده است (05/0 > P)، درحالي‌كه متغيرهاي ديگر فاقد روند معني‌دار بوده است (05/0P > ). همچنين متغيرهاي بارش، دبي و تبخير داراي روند نزولي (0 > Z) و دما داراي روند صعودي بوده است (0Z > ). در گام بعد اقدام به ايستا نمودن داده ها گرديد كه با استفاده از عملگر تفاضل؛ داده هاي ناايستا بعد از انجام يك مرحله تفاضل گيري ايستا گرديدند (1d=). به كمك شكل-هاي خود همبستگي و خود همبستگي جزيي يك مدل سري زماني مناسب شناسايي گرديد. حدود تغييرات مرتبه هاي اتورگرسيو و ميانگين متحرك مدل ها تا حداقل صفر و حداكثر 2 تعيين و به وسيله معيار آكاييك مناسب ترين مدل ها استخراج گرديد و معني داري پارامترها به وسيله روش حداكثر درست نمايي تاييد شد (05/0 > P). اعتبارسنجي مدل ها، توسط معيارهاي مختلف حاكي از دقت و صحت مدل آريماي فصلي (ساريما) براي متغير دما و تبخير (98/0R=) است. نتايج مدل ها در مقياس ماهانه بهتر از مقياس فصلي بوده است.

Climatic variables such as discharge, rainfall, temperature and evaporation, have autocorrelation, seasonality, trend and stochastic processes. In present study of time series analyses in prediction of climatic variables in monthly and seasonality scales were used. Zohre and Kheirabad subwatersheds were selected. In the first step, nonparametric tests such as kolmogorov-smirnov and Mann-Kendall tests, for determination of normalization and trend, was applied respectively. The result of Mann-Kendall test showed that discharge variable have a significant trend (P < 0.05) while, variables of rainfall, temperature and evaporation, have not a significant trend (P > 0.05). Also, the rainfall, discharge and evaporation variables have negative trend (Z > 0) and the temperature variable have a positive trend (Z > 0). In the next step, difference operator for converting non- static to static data, were used. The techniques of model identication which are most commonly used were propounded originally by Box and Jenkins. Their basic tools were the sample autocorrelation function and the partial autocorrelation function. Minimum and maximum P and Q between 0 and 2 changed, respectively and using of Akaike criteria the most appropriate model was selected. Then using maximum likelihood method, significant parameters confirmed. Results of validation test indicated that temperature and evaporation models have the height accuracy (R > =0.98) and Monthly scale is better than seasonally scale.