پیشبینی جریان ورودی با استفاده از تحلیل مدلهای سری زمانی (مطالعه موردی: سد جامیشان)
نویسندگان
1 استادیار گروه علوم و مهندسی آب، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 دانشآموخته کارشناسی ارشد منابع آب، گروه علوم و مهندسی آب، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 دانشیار گروه انرژیهای نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران
doi
10.22034/hydro.2021.10647چکیده
بهعنوان تغذیهکننده آبخوانها و پارامتر تأثیرگذار در معادلات و گزارش بیلان آب، پیشبینی آبدهی سد و رودخانهها نقشی چشمگیر در برنامهریزی، مدیریت و بهرهبرداری بهینه و پایدار از منابع آب زیرزمینی دارا میباشد. در این پژوهش بهمنظور ساماندهی حوضه آبریز جامیشان آبدهی ماهانه این حوضه با استفاده از روشهای تحلیل سری زمانی مورد پیشبینی قرار گرفته شد. بدین منظور، از دادههای ماهانه دبی ورودی به سد جامیشان در شهرستان سنقز استان کرمانشاه در بازه زمانی (1394-1365) استفاده گردید. آنالیز اولیه دادهها شامل بررسی ترمهای قطعی سری (تناوب، روند و پرش) با استفاده از آزمون من-کندال در قالب نرم افزار MINITAB انجام و پس از اطمینان از حذف این ترمها، دادهها نرمال و ایستایی دادهها مشخص شد. سپس با توجه به توابع خودهمبستگی و خودهمبستگی جزئی سعی گردید تا مدلهای سری زمانی مناسب برای دوره واسنجی به دادههای موردنظر برازش داده شود و با آزمون عدم همبستگی پورتمانتو و نرمال بودن باقیماندهها، تعدادی از مدلهایی که فاقد این شرایط بودند حذف گردد. نتایج حاکی از آن است که در بین مدلهای باقیمانده با آزمون آکائیک (AIC)، مدل سری زمانیARIMA(1,1,1) با مقدار آکاییک ۷۶/۱۱- و واریانس خطای ۹۲/۰ بهعنوان بهترین مدل مشخص گردید، در مرحله صحتسنجی نیز با بهرهگیری از بهترین مدل در دوره واسنجی پیشبینی صورت گرفت و نتایج مربوط به عدم وجود خودهمبستگی بین باقیماندهها حاصل از برازش مدل منتخب مقادیر خطاهای دوره صحتسنجی با آزمون بارلتتست مورد ارزیابی قرار گرفت. نتایج آماره پرتمانتو حاکی از آن است در تمامیتأخیرها p-value بیشتر از 05/0 میباشد که این نتایج بیانگر مستقل بودن باقیماندهها را تأیید میکند. همچنین نتایج بارلتتست نشان از دقت بالای مدل دارد. پس از موفقیت مدل در آزمونهای صحتسنجی، حال مدل این قابلیت را دارد که وارد مرحله پیشبینی شود، نتایج نشان داد مدل نحوه تغییرات دبی نسبت به زمان را به خوبی شناسایی کرده است و در حالت کلی اگر ترمهای قطعی از سری زمانی حذف شود، برازش مدل نتیجه بهتری میدهد و مدلی که آکائیک و واریانس باقیمانده کمتری دارد مدل بهتری است.