view in publisher's site

Application of linear stochastic models for drought forecasting in the Büyük Menderes river basin, western Turkey

In the present study, a seasonal and non-seasonal prediction of the Standardized Precipitation Index (SPI) time series is addressed by means of linear stochastic models. The methodology presented here is to develop adequate linear stochastic models known as autoregressive integrated moving average (ARIMA) and multiplicative seasonal autoregressive integrated moving average (SARIMA) to predict drought in the Büyük Menderes river basin using SPI as drought index. Temporal characteristics of droughts based on SPI as an indicator of drought severity indicate that the basin is affected by severe and more or less prolonged periods of drought from 1975 to 2006. Therefore, drought prediction plays an important role for water resources management. ARIMA modeling approach involves the following three steps: model identification, parameter estimation, diagnostic checking. In model identification step, considering the autocorrelation function (ACF) and partial autocorrelation function (PACF) results of the SPI series, different ARIMA models are identified. The model gives the minimum Akaike Information Criterion (AIC) and Schwarz Bayesian Criterion (SBC) is selected as the best fit model. Parameter estimation step indicates that the estimated model parameters are significantly different from zero. Diagnostic check step is applied to the residuals of the selected ARIMA models and the results indicated that the residuals are independent, normally distributed and homoscedastic. For the model validation purposes, the predicted results using the best ARIMA models are compared to the observed data. The predicted data show reasonably good agreement with the actual data. The ARIMA models developed to predict drought found to give acceptable results up to 2 months ahead. The stochastic models developed for the Büyük Menderes river basin can be employed to predict droughts up to 2 months of lead time with reasonably accuracy.

کاربرد مدل‌های تصادفی خطی برای پیش‌بینی خشکسالی در حوضه آبریز رودخانه Buyuk واقع در غرب ترکیه

در این مطالعه، پیش‌بینی فصلی و غیر فصلی سری‌های زمانی SPI با استفاده از مدل‌های تصادفی خطی مورد بررسی قرار می‌گیرد. روش ارایه‌شده در اینجا ارایه مدل‌های تصادفی خطی کافی شناخته‌شده به عنوان میانگین متحرک انباشته از میانگین متحرک (ARIMA)و میانگین متحرک اتورگرسیو میانگین متحرک (sarima)برای پیش‌بینی خشکسالی در حوضه رودخانه Buyuk Menderes با استفاده از SPI به عنوان شاخص خشکسالی است. ویژگی‌های زمانی خشکسالی بر پایه SPI به عنوان شاخص شدت خشکسالی نشان می‌دهد که حوضه تحت‌تاثیر دوره‌های شدید و یا کم‌تر طولانی خشکسالی از سال ۱۹۷۵ تا ۲۰۰۶ قرار دارد. بنابراین پیش‌بینی خشکسالی نقش مهمی در مدیریت منابع آب ایفا می‌کند. رویکرد مدلسازی ARIMA شامل سه مرحله زیر است: شناسایی مدل، تخمین پارامتر، بررسی تشخیصی. در مرحله شناسایی مدل، با در نظر گرفتن تابع خودهمبستگی (ACF)و تابع خودهمبستگی جزئی (pacf)نتایج سری‌های SPI، مدل‌های مختلف ARIMA شناسایی می‌شوند. این مدل حداقل معیار اطلاعات Akaike (AIC)و Criterion Bayesian (SBC)را به عنوان بهترین مدل تناسب انتخاب می‌کند. مرحله تخمین پارامتر نشان می‌دهد که پارامترهای مدل برآورد شده به طور قابل‌توجهی متفاوت از صفر هستند. مرحله بررسی تشخیص برای باقی مانده‌های مدل‌های ARIMA انتخاب‌شده اعمال می‌شود و نتایج نشان می‌دهد که باقیمانده‌ها مستقل هستند، به طور معمول توزیع و توزیع نشده اند. برای اهداف اعتبارسنجی مدل، نتایج پیش‌بینی‌شده با استفاده از بهترین مدل‌های ARIMA با داده‌های مشاهده‌شده مقایسه می‌شوند. داده‌های پیش‌بینی‌شده توافق خوبی با داده‌های واقعی نشان می‌دهند. مدل‌های ARIMA که برای پیش‌بینی خشکسالی توسعه‌یافته اند، نتایج قابل قبولی را تا ۲ ماه پیش ارایه می‌دهند. مدل‌های تصادفی که برای حوضه آبریز رودخانه Buyuk توسعه‌یافته اند را می توان برای پیش‌بینی خشکسالی تا ۲ ماه زمان سرب با دقت مناسب بکار برد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.