16300

16300

پيش‌بيني جريان آب رودخانه‌ها با استفاده از مدل خودهمبسته ميانگين متحرك متناوب

كارشناسي ارشد

آمار رياضي

تير ماه 1395

دكتر رحمان فرنوش

دكتر غلامحسين ياري

رياضي

چكيده امروزه يكي از مهم‌ترين مسائل مديريت سيلاب و خشكسالي، پيش‌بيني جريان آب رودخانه‌ها است. بنابراين پيش‌بيني به عنوان يكي از مهم‌ترين پارامترهاي اقليمي در استفاده بهينه از منابع آبي محسوب مي‌گردد و لازم است مطالعاتي در اين زمينه صورت گيرد تا پيش‌بيني درستي انجام دهيم كه كشاورزان در امر كشاورزي و برنامه‌ريزان امر منابع و ذخاير آبي موفق عمل كنند تا متحمل خسارات جبران ناپذيري نشوند. يكي از روش هاي پيش‌بيني آبدهي، استفاده از سري‌هاي زماني است كه ابزاري قدرتمند جهت پيش‌بيني دبي مي‌باشند. مدل‌هاي سري‌هاي زماني مختلفي همچون ARIMA و SARIMA براي پيش‌بيني دبي رودخانه‌ها برازش داده مي‌شوند. اما از آنجا كه سري‌هاي جريان رودخانه‌ها به طور متناوب ايستا هستند، كلاس مهمي از مدل‌هاي متناوب، مدل خودهمبسته ميانگين متحرك متناوب (PARMA) است. در اين مدل، توابع ميانگين، انحراف استاندارد و خودهمبستگي در هر فصل تفاوت‌هاي معناداري دارند. هدف از اين پژوهش، بررسي و پيش‌بيني ميزان جريان آب رودخانه‌ها با استفاده از مدل PARMA است كه نتايج نشان مي‌دهند مدل مناسب‌تري است. واژگان كليدي: پيش‌بيني ، سري زماني، , ARIMA SARAIMA , PARMA

1395/10/27

1/1/1900 12:00:00 AM

Abstract Nowadays,one of the most important management issues of flood an​d drought, is forecasting of river flows. Therefore, one of the most important climate parameters in using of water resources is forecasting. an​d studies in this field is necessary in order to do forecast correctly that farmers in agriculture an​d water resource planners will be succeed without suffered irreputable damages.One of the method of discharge forecasting, using time series which is a powerful tool to forecast the discharge requirements. Time series models such as ARIMA an​d SARIMA models to forecast river flows are fitted. But since river flows series are periodically stationary, an important class of this models is priodic autoregressive moving average model(PARMA). In this model, mean, standard deviation an​d correlation functions are vary significantly with the season. Keywords: forecating, time series, PARMA, ARIMA, SARIMA