ارایه مدلی مبتنی بر SARIMA به منظور پیش بینی میزان بارندگی ماهانه در استان آذربایجان غربی

کمبود منابع آبی، عدم تخصیص، توزیع و استفاده مناسب از آن یکی از بحرانی ترین مشکلات جوامع بشری امروز است. پیش بینی نزولات جوی در هر منطقه به برنامه ریزان، مدیران و کشاورزان کمک می کند تا منابع آبی را به صورت بهینه مصرف کنند. به آمار جمع آوری شده مربوط به متغیری که قرار است پیش بینی شود و در دوره های زمانی گذشته موجود است، اصطلاحا سری زمانی گفته می شود. برای پیش بینی داده های وابسته نظیر نزولات جوی از مدل های سری زمانی استفاده می شود. ویسی پور و همکاران [1] در برای پیش بینی روند بارش و دمای شهرستان کرمانشاه مدل سازی آریما را به کار بردند و نشان دادند برای پیش بینی باران فقط در مقیاس ده روزه استفاده از باران های ده روزه و در مقیاس ماهانه و سالانه استفاده از داده های ماهانه از دقت بیشتری برخوردار هستند. قهرمان و قره خانی [2] مدل های تصادفی سری زمانی میانگین متحرک (MA)، اتو رگرسیون (AR) و آریما را برای برآورد تبخیر از تشتک تبخیر مورداستفاده قرار دادند. آنها نشان دادند مدل سری زمانی آریما عملکرد بسیار بهتری نسبت به سایر مدل های سری زمانی دارد. دودانگه و همکاران [3] برای تعیین روند پارامترهای اقلیمی در آینده از مدل های سری زمانی استفاده کردند. گلابی و همکاران [4] دقت مدل های باکس - جنکینز را مورد مقایسه قرار دادند و بارندگی سه ایستگاه منتخب (اهواز، آبادان و دزفول) را با استفاده از مدل آریما پیش بینی کردند. خزایی و میرزایی [5] پارامترهای بارش، تبخیر و دبی حوضه آبخیز زهره را با استفاده از تحلیل سری های زمانی پیش بینی کردند. نتایج حاکی از دقت قابل قبول مدل آریمای فصلی بود. سلیقه و همکاران [6] روند و چرخه های سری زمانی بارش سالانه حوضه های آبریز حله و مند را بررسی کردند. نتایج حاکی از روند کاهشی بارش در تمامی ایستگاه ها بود. جهانبخش اصل و ترابی [7] با استفاده از روش سری های زمانی و مدل آریما پنج ایستگاه معرف در پنج ناحیه اقلیمی ایران را در فاصله سالهای 1951- 1995 مورد مطالعه قرارداد و نتیجه گرفت که مقادیر حداقل و حداکثر دما، به جز مناطق نیمه خشک گرم ایران (ایستگاه های حاشیه کویر و مناطق کم ارتفاع جنوبی)، سایر مناطق از جمله نواحی دریای خزر و نواحی کوهستانی تغییرات دمایی داشته اند و مجموع بارندگی ماهانه به جز در مناطق حاشیه ای کویرهای مرکزی تغییرات آماری معناداری ندارند. زو و همکاران [8] از مدل آریما و ش بکه عصبی برای پیش بینی ظرفیت آب و نمک موجود در خاک استفاده کردند و نشان دادند که مدل آریما در پیش بینی، بهتر از مدل شبکه عصبی عمل می کند. نایل و مومانی [9] به مدل سازی سری زمانی بارش در جوردان پرداختند و مدل بهینه برای دستیابی به این هدف را مدل آریمای ( 1 ، 150) ( 0 ، 0 ، 1 ) دانستند. آگیلرا و همکاران [10]