پیش ‏بینی و تحلیل روند پارامترهای کیفی آب رودخانه با استفاده از مدل سری زمانی AEIMA در حوضۀ آبخیز رودخانۀ کهمان

نوع مقاله : پژوهشی

نویسندگان

1 استادیار، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان

2 استادیار، دانشکدۀ علوم و فنون و نوین، دانشگاه تهران

3 دانشجوی کارشناسی ارشد مهندسی اکو‌هیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران

4 دانشجوی کارشناسی ارشد مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان

5 دانشجوی دکتری مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان

چکیده

رودخانۀ کهمان پرمنفعت‏ترین رودخانۀ شهرستان الشتر از نظر کشاورزی و پرورش ماهی است. به‌دلیل اینکه فرایندهای هیدرولوژی تصادفی‌اند، آمار و احتمال اساس تجزیه‏ و تحلیل پدیده‏های یادشده است، بنابراین از سری‏های زمانی استفاده می‏شود. در تحلیل سری ‏زمانی، مرحلۀ اول شامل نمایش نوسان پارامترها در طول زمان است، مرحلۀ دوم ایستا‌سازی داده‏ها، مرحلۀ سوم نرمال‏سازی و مرحلۀ چهارم شناسایی پارامترهای مدل است. درنهایت، برای سنجش دقت مدل در پیش‏بینی از شاخص مجذور میانگین مربعات خطا RMSE و معیار اطلاعاتی آکاییکه AIC استفاده شد. در این تحقیق روند تغییرات زمانی سه پارامتر ,pH HCO3 و Na که از پارامترهای مؤثر بر کیفیت آب شرب و کشاورزی هستند، در ایستگاه دره‌تنگ رودخانۀ کهمان طی سال‏های آماری 1366 تا 1392 ‌مطالعه شد. سپس بر‌اساس نمودار‏های سری زمانی داده‏ها و همچنین نمودار خود‌‏همبستگی جزئی، مدل ARIMA فصلی ضربی از بین مدل‏های سری زمانی انتخاب و در نرم‏افزارهای XLSTAT و MINITAB استفاده شد. برای HCO3 مدل بهینه برای پیش‏بینی 4(1،1،1)*(1،1،1) ARIMA و برای pH، 4(1،1،1)*(1،1،1) ARIMA تشخیص داده شد؛ ولی برای Na هیچ‏یک از مدل‏های ARIM مناسب تشخیص داده نشد. HCO3 معمولاً روند افزایشی دارد. محدودۀ تغییرات pH طبق نمودار سری‏های زمانی در محدودۀ بهینه 5/6 تا 5/8 قرار دارد. Na به‌دلیل نبود سازندهای نمکی در حوضۀ آبخیز رودخانۀ کهمان معمولاً روند ثابتی دارد و افزایشی نیست.
 
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Forecasting and Trend Analytics of Water quality parameters using ARIMA series Models in Kahman river watershed

نویسندگان [English]

  • Ali Haghizadeh1 1
  • Hossein Yousefi 2
  • Yazdan Yarahmadi 3
  • 4Paravin Normohammadi 4
  • Rezvan Alijani 5
1 College of Agriculture and Natural Resources, University of Lorestan, Iran
2 Faculty of New Sciences and Technologies, University of Tehran, Iran
3 M.Sc. Student of Ecohydrology Engineering, Faculty of New Sciences and Technologies, University of Tehran, Iran
4 M.Sc. Student of Watershed Engineering, Faculty of Agriculture and Natural Resource, University of Lorestan, Iran
5 P.HD Student of Watershed Engineering, Faculty of Agriculture and Natural Resource, University of Lorestan, Iran
چکیده [English]

Kahman is the most beneficial river in Alashtar city for agriculture and aquiculture. As hydrology processes have random nature, statistics and probability are base of analysis of these processes and time series are used for this purpose. The first step in time series analysis includes parameters variation through time. Second step is to stationary data, third is normalization and forth is model parameters recognizing. Finally, for model accuracy evaluation in prediction, the root-mean square standardized error and Akaike information criteria are used. In this research, time variations trend of three parameters, PH, HCO3- and Na+ that are effective parameters on drinking and agriculture water, were studied at Darreh-tang station of Kahman river from 1366 to 1392 and then Based on the time-series graphs, as well as autocorrelation and partial autocorrelation plot, Multiplicative seasonal ARIMA model select and in XLSTAT and MINITAB software’s was used. For HCO3 and PH, ARIMA4(1،1،1)*(1،1،1) was recognized for prediction optimum model but for NA any of ARIMA models weren’t recognized suitable. HCO3 always have an ascending trend. On the base of time series diagram, optimum variations limit of PH is from 6.5 to 8.5. Because the formation in Kahman river watershed is calcareous and because of nonexistence of salty formations in studied region, Na+ has a constant trend and isn’t ascending.
 

کلیدواژه‌ها [English]

  • time series
  • forecast
  • model ARIMA
  • Kahman River
منابع
Bashri, M. Vafahkhah, M. Compare Different Methods of Time Series Analaysis in the Prediction of Monthly Discharge Karkhe Watershed. Journal of Irrigation and Water Iran,1:2-2010.
Karamuz, M. Araqinejad, SH.. Advance Hydrology. Publishers Amirkabir Industrial University. 2005, 480 PP.
Lu, H. kurozawa, L.H. Li, Y. Wang, Y. and H. Nose. Climate Change , Humidity, and human health in Japaese Coastal City of Sanin. The seventh International Conference on Urban Climat. 29 June – 3July. 2009, Yokohama , Japan, 4 PP.
Salas JD, Delleur JW, Yevjevich VM, Lanewl. Applied Modeling of Hydrologic Time Series Water Resources Publications: Littleton, Co. 1980.
R. Modarres. S. Eslamian Stream Flow Time Series Modeling of Zayandeh Rud River. Isfahan University. Iranian Journal of Science and Technology, Transaction B, Engineering, 2006.Vol. 30, No. B4.
Ranjbar, M. Gholamrezaei, F. Khalediyan, M. Tajdari, Kh. Prediction of River Water Quality Parameters Sefidrud with Using Statistical Models ARIMA. Exhibitions Sixth National Conference of Environmental Engineering, 2012.
Veysipur, H. Masompur, J. Sahneh, B. Yousefi, Y. Analysis of Trend Forecasting of Rainfall and Temperature in Kermanshah Using Time ARIMA, Islamic Azad University of Kermanshah, 2010.
Branston, A.G. Correspondence Among the Correlation , RMSE, and hiedke Forecast Verification Measures, Refinement of The Heidke Score. Climat Analysis Center. 1992.Washington D.C, ll PP.
Box, G. E. P. and G. M. Jenkins, Time Series Analysis, Forecasting and Control, Revised Edition, Holden - Day, Sanfrancisco, California 1976.
Cryer, JD. Time Series Analysis of Stochastic Hydrology System. Water Resources Research, 1992.16: 1569 – 1582
Lite, SM. And, J.P, Peixoto. The Autoregressive Model of Climatologically Time Series An Application to The Langest Time Series in Portugal. International Journal of Climatology, 1996. Vol. 16 PP. 1165. 1173.
Mantua, N.J. Hare, S.R. Zhang, Y. Wallac, J. M and R. C. Francis. A Pacific inter decadal Climate Oscillation With impact on salmon Production Bulletin of the American Meteorological society. 1997. 37 PP.
Niromand, H. Bozorgniya, A. Introduction for Time Series Analysis (translation). Compilation Cryer. Publishers Mashhad Ferdowsi University, 1993.