مقایسۀ عملکرد مدل‌های سری زمانی SARIMA و SARIMAX در پیش‌بینی بلند‌مدت خشکسالی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد مهندسی آبخیزداری، دانشگاه یزد، یزد، ایران.

2 استادیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران.

چکیده

پیش­‌بینی بلندمدت خشکسالی اهمیت زیادی در مدیریت منابع آب دارد. مدل­‌های سری زمانی ابزاری مناسب برای پیش­‌بینی رویدادهای اقلیمی هستند. در پژوهش حاضر، از شاخص شناسایی خشکسالی (RDI) که بر اساس بارش و تبخیر و تعرق پتانسیل است، برای ارزیابی خشکسالی ایستگاه همدیدی (سینوپتیک) یزد در مقیاس­‌های زمانی یک، سه و شش ماهه در دورۀ ژانویه 1961 (معادل دی 1339) تا دسامبر 2018 (معادل آذر 1397)، مورد استفاده قرار گرفت. دوره ژانویه 2006 تا دسامبر 2018 معادل دی 1384 تا آذر 1397 به عنوان دوره پیش­‌بینی در نظر گرفته شد. داده­‌های خشکسالی دوره پیش­‌بینی در اختیار مدل مورد استفاده قرار نگرفت. ایستایی داده‌­ها با استفاده از آزمون ‌ Augmented Dickey–Fuller(ADF) بررسی شد. نتایج نشان داد که سری­‌های زمانی مذکور به‌طور معنی‌داری مانا هستند. نمودارهای خودهمبستگی (ACF) و خودهمبستگی جزیی (PACF) نشان داد الگوی داده‌­های خشکسالی در مقیاس‌­های 1، 3 و 6 ماهه در ایستگاه سینوپتیک یزد به صورت فصلی می­‌باشد. مدل SARIMA یک مدل پیش‌­بینی تک‌­متغیره در تحلیل سری­‌های زمانی است که با افزودن مولفه فصلی به مدل ARIMA ایجاد شده است. مدل چند متغیره SARIMAX با افزوده شدن پارامتر کمکی یا متغیر برون­‌زا به مدل تک­‌متغیره SARIMA ایجاد می‌­شود. در پژوهش حاضر، کارآیی مدل تک­‌متغیره فصلی SARIMA و مدل چندمتغیره فصلی SARIMAX در پیش‌­بینی خشکسالی در مناطق خشک مورد مقایسه قرار گرفت. به منظور اجرای مدل SARIMAX، پارامترهای بارش و تبخیر و تعرق پتانسیل به صورت جداگانه به عنوان پارامتر کمکی برای پیش­‌بینی خشکسالی در اختیار مدل قرار گرفت. بررسی ضریب تبیین (R2) بین مقدارهای RDI واقعی و پیش­‌بینی شده با استفاده از مدل SARIMA نشان داد،  مدل در مقیاس‌­های سه ماهه و شش ماهه به‌ترتیب با ضریب 0.66 و 0.71 عملکرد بهتریی دارد. نتیجه مدل SARIMAX نشان داد در مقیاس یک ماهه، مدل SARIMAX بر پایۀ پارامتر کمکی تبخیر و تعرق پتانسیل با ضریب تبیین0.60 و در مقیاس­ سه ماهه، مدل SARIMAX بر اساس پارامتر کمکی بارش با ضریب تبیین 0.79 عملکرد بهتری دارد. در مقیاس 6 ماهه، عملکرد مدل برای هر دو پارامتر کمکی با ضریب تعیین 0.79 تقریبا یکسان بود. در مجموع مقایسه نتایج دو مدل نشان داد عملکرد مدل SARIMAX از مدل SARIMA در پیش‌بینی خشکسالی در مناطق خشک بیشتر است.

کلیدواژه‌ها

موضوعات

مراجع

  1. Aghelpour, P., H, Bahrami-Pichaghchi., & Varshavian, V. (2021). Hydrological drought forecasting using multi-scalar streamflow drought index, stochastic models and machine learning approaches, in northern Iran. StochasticEnvironmental Research and Risk Assessment, 35(8), 1615–1635.
  2. Aghelpoor, P., & Nadi, M. (2018). Evaluating SARIMA model accuracy in modeling and long-term forecasting of average monthly temperature in different climates of Iran. Climate Research, 9(35), 113-126. (in Farsi)
  3. Anshuka A, F. F. van Ogtrop., & Willem Vervoort, R. (2019). Drought forecasting through statistical models using standardised precipitation index: a systematic review and meta-regression analysis. Natural Hazards, 97(2), 955–977.
  4. Arjmandi Harat, Z., & Asadi Zarch, M. A. (2021). Performance analysis of NAR model for short and long term drought forecasting in arid regions. Desert Management, 9(2), 103–120. (in Farsi)
  5. Asadi Zarch, M. A., B, Sivakumar., & Sharma, A. (2015). Droughts in a warming climate: a global assessment of standardized precipitation index (SPI) and reconnaissance drought index (RDI). Hydrology, 526, 183–195.
  6. Behmanesh, J., & Montaseri, M. (2013). Predicting potential evapotranspiration using time series models (case study: Urmia). Water and Soil, 27(1), 213-223. (in Farsi)
  7. Bordi, I., & Sutera, A. (2007). Drought monitoring and forecasting at large scale. In: G. Rossi (ed), Methods and Tools for Drought Analysis and Management, Springer, Dordrecht, 3–27.
  8. Box, G. E. P., Jenkinks, G. M., & Reinsel, G.C. (1994). Time series analysis: Forecasting and control, Third Edition, Holden-Day.
  9. Bouznad, I. E., E. Guastaldi., Zirulia, A., Brancale, M., Barbagli, A., & Bengusmia, D. (2020). Trend analysis and spatiotemporal prediction of precipitation, temperature, and evapotranspiration values using the ARIMA models: case of the Algerian Highlands. Arabian Journal of Geosciences, 13 (24), 1-17.
  10. Dabral, P. P., & Murry, M. Z. (2017). Modelling and forecasting of rainfall time series using SARIMA. Environmental Processes,4, 399–419.
  11. Dai, A., T. Zhao., & Chen, J. (2018). Climate change and drought: a precipitation and evaporation perspective. Current Climate Change Reports, 4(2), 301–312.
  12. Dikshit, A., B. Pradhan., & Alamri, A. M. (2021). Long lead time drought forecasting using lagged climate variables and a stacked long short-term memory model. Science of The Total Environment, 755(2), 142638.
  13. Djerbouai, S., & Souag-Gamane, D. (2016). Drought forecasting using neural networks, wavelet neural networks, and stochastic models: case of the Algerois basin in North Algeria. Water Resources Management30(7), 2445–2464.
  14. Elamin, N., & Fukushige, M. (2018). Modeling and forecasting hourly electricity demand by SARIMAX with interactions. Energy, 165(Part B), 257-268.
  15. Fadaei-Kermani, E & Ghaeini-Hessaroeyeh, M. (2020). Fuzzy nearest neighbor approach for drought monitoring and assessment. Applied Water Science, 10, 130.
  16. Fathian, F., A. Fakheri Fard., Y. Dinpashoh., & Mousavi Nadoshani, S. (2016). testing for stationarity and nonlinearity of daily streamflow time series based on different statistical tests (case study: upstream basin rivers of Zarrineh Roud dam). Water and Soil, 30(4), 1009-1024. (in Farsi)
  17. Fung, K. F., Y. F. Huang., C. H. Koo., & Soh, Y. W. (2019). Drought forecasting: a review of modelling approaches 2007–2017. Waterand Climate Change, 11(3), 771–799.
  18. Ghorbani, H., A. Vali., & Zarepour, H. (2020). Prediction and investigation of meteorological drought using SARIMA time series and SPI index in Isfahan Province. Water and Soil Science, 23(4), 313-328. (in Farsi)
  19. Guan-Jun, L., W. Wen-Chuan., Y. Jun-Xian., W. Hao., X. Dong-Mei., & Jing T. (2019). Improved fuzzy weighted optimum curve-fitting method for estimating the parameters of a Pearson Type-III distribution. Hydrological Sciences Journal, 64(16), 2115–2128.
  20. Han, P., Wang, P., Tian, M., Zhang, S., Liu, J., & Zhu, D. (2013). Application of the ARIMA models in drought forecasting using the standardized precipitation index. in: Li, D., Chen, Y. (eds) Computer and computing technologies in agriculture VI. CCTA 2012. IFIP Advances in information and communication technology, vol 392. Springer, Berlin, Heidelberg.
  21. Hao, Z., & AghaKouchak, A. (2013). Multivariate standardized drought index: a parametric multi-index model. Advances in Water Resources, 57, 12–18.
  22. Helmi, M., Bakhtiari, B., & Qaderi, K. (2020). Meteorological drought modeling and forecasting using SARIMA time series at different climates of Iran. Irrigation & Drainage, 14(3), 1079-1090. (in Farsi)
  23. Kebede, A., U. J. P., Raju., D. Korecha., & Nigussie, M. (2020). Developing new drought indices with and without climate signal information over the Upper Blue Nile. Modeling Earth Systemsand Environment, 6(1), 151–161.
  24. Khalili, K., A. Fakheri Fard., Y. Dinpazhoh., & Gorbani, M. (2010). Trend and stationarity analysis of streamflow for the purpose of hydrological time series modeling. Water and Soil Science, 20(1), 61-72. (in Farsi)
  25. Marofi, S., Khetar, B., Sadeghifar, M., Parsafar, N., & Ildoromi, A. (2013). Drought prediction using SARIMA time series and SPI index in the central region of Hamedan province. Water Research in Agriculture, 28(1), 213-225. (in Farsi)
  26. Mishra, A. K., & Desai, V. R. (2005). Drought forecasting using stochastic models. Stochastic Environmental Researchand Risk Assessment, 19(5), 326–339.
  27. Pandey, P. K., H. Tripura., & Pandey, V. (2019). Improving prediction accuracy of rainfall time series by Hybrid SARIMA–GARCH modeling. Natural Resources Research, 28, 1125–1138.
  28. Raman, R. K., Mohanty, S. K., Bhatta, K. S., Karna, S. K., Sahoo, A. K., Mohanty, B. P., & Das, B. K. (2018). Time series forecasting model for fisheries in Chilika lagoon (a Ramsar site, 1981), Odisha, India: a case study. Wetlands Ecology and Management, 26(4), 677–687.
  29. Yisehak, B., & Zenebe, A. (2021). Modeling multivariate standardized drought index based on the drought information from precipitation and runoff: a case study of Hare watershed of Southern Ethiopian Rift Valley Basin. Modeling Earth Systemsand Environment, 7(1), 1005–1017.
  30. Zhang, Y., Yang, H., Cui, H., & Chen, Q. (2019). Comparison of the ability of ARIMA, WNN and SVM models for drought forecasting in the Sanjiang Plain, China. Natural ResourcesResearch, 29(2), 1447–1464.
مدیریت بیابان
دوره 10، شماره 3 - شماره پیاپی 23
6 مقاله
آذر 1401
صفحه 1-16

فایل ها

سابقه مقاله

  • تاریخ دریافت: 14 خرداد 1401
  • تاریخ بازنگری: 27 شهریور 1401
  • تاریخ پذیرش: 28 شهریور 1401

هم رسانی

ارجاع به این مقاله

آمار