Volume 24, Issue 75 (2-2025)
jgs 2025, 24(75): 98-115 |
Back to browse issues page
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
jahanbakhshasl S, mohammadkhorshiddoust A, abbsighasrik F, abbasighasrik Z. Precipitation, Time Series Models, Man-Kendall, Health Winters model, West Azerbaijan Province. jgs 2025; 24 (75) :98-115
URL: http://jgs.khu.ac.ir/article-1-3973-en.html
URL: http://jgs.khu.ac.ir/article-1-3973-en.html
1- Professor, Department of climatology, University of Tabriz, Tabriz, Iran
2- Professor, Department of climatology, University of Tabriz, Tabriz, Iran. , khorshid@tabrizu.ac.ir
3- Master of Meteorology and climatology, University of Tabri, Tabriz, Iran
4- Master of Meteorology and climatology, University of Tabriz, Tabriz, Iran.
2- Professor, Department of climatology, University of Tabriz, Tabriz, Iran. , khorshid@tabrizu.ac.ir
3- Master of Meteorology and climatology, University of Tabri, Tabriz, Iran
4- Master of Meteorology and climatology, University of Tabriz, Tabriz, Iran.
Abstract: (2170 Views)
Assessing and predicting future climate change is of particular importance due to its adverse effects on water resources and the natural environment, as well as its environmental, economic and social effects. Meanwhile, rainfall is also an important climatic element that causes a lot of damage in excess conditions. West Azerbaijan Province is no exception. The aim of this study is to model and predict 30 years of rainfall in West Azerbaijan province. The statistical period studied is 32 years (2019-1987). Selected stations in the province include Urmia, Piranshahr, Takab, Khoy, Sardasht, Mahabad and Mako stations. Average slider time series models, Sarima (seasonal Arima), Health Winters were used for analysis and prediction and also linear regression and Mann-Kendall test were used to determine the data trend. The results show an increasing trend of precipitation in Urmia, Piranshahr, Khoy, Sardasht and Mako stations and a decreasing trend in Takab and Mahabad stations. According to the results of comparing the models used, the Health Winters model with the least error in the absolute mean of deviations, mean squared deviations and the percentage of absolute mean errors was introduced as the best precipitation forecasting model for West Azerbaijan province. province. [A1]
Keywords: Precipitation, Time Series Models, Man-Kendall, Health Winters model, West Azerbaijan Province
References
1. احمدی، فرشاد، (1399). ارزیابی عملکرد روش¬های ماشین¬بردار پشتیبان و سیستم استنتاج عصبی فازی تطبیقی در پیش¬بینی جریانی ماهانه رودخانه¬ها (مطالعه مورد رودخانه¬های نازلو و سزار)، مجله تحقیقات آب‌وخاک ایران، (3)، ص 673-686.
2. جهانبخش اصل، سعید، قویدل رحیمی، یوسف، (1382). مدل‌سازی روند بارش و پیش‌بینی خشک‌سالی‌های حوضه آبریز دریاچه ارومیه، نشریه دانشکده علوم انسانی و اجتماعی دانشگاه تبریز، 34-49.
3. حلبیان، امیرحسین، دارند، محمد، (1391). پیش¬بینی بارش¬های اصفهان با استفاده از شبکه عصبی مصنوعی، نشریه علوم تحقیقات کاربردی علوم جغرافیایی، 12 (26)، 63-47.
4. حیدری، حسن، (1395). تحلیل روند تغییرات برف و باران در ایستگاه¬های منتخب استان آذربایجان¬غربی، دانشگاه ارومیه، فصلنامه مطالعات جغرافیایی در مناطق خشک، 7 (26)، 100-119.
5. رستم اصل، فرشاد، بیگی، حامد، راهدان، عباس، (1397). ارزیابی وضعیت اقلیمی با استفاده از شاخص میانگین متحرک و شاخص بارش استاندارد SPI. مجموع مقالات کنفرانسی، هفتمین کنفرانس ملی مرتع و مرتع‌داری ایران.
6. رضایی بنفشه، مجید، اسماعیل¬پور، مرضیه ، ارسالی، هاجر، (1396). تحلیل آماری تاریخ آخرین یخبندان بهاره در ایستگاه سینوپتیک مراغه، مجموع مقالات کنفرانسی، اولین همایش اندیشه¬ها و فناوری¬های نوین در علوم جغرافیایی.
7. سلگی، اباذری، زارعی، حیدر، شهنی دارابی، مهرنوش؛ علیدادی ده کهنه، صابر، (1397). کاربرد مدل¬های برنامه¬ریزی بیان ژن و ماشین بردار رگرسیونی جهت مدل¬سازی و پیش¬بینی بارش ماهانه، نشریه تحقیقات کاربردی علوم جغرافیایی، 18 (50)، 103-91.
8. سمندری، رباب، (1397). تحلیل آماری و پیش¬بینی احتمال وقوع بارش¬های سنگین شمال غرب کشور، پایان‌نامه کارشناسی ارشد، به راهنمایی بتول زینالی و برومند صلاحی، دانشکده ادبیات و علوم انسانی، گروه جغرافیا، دانشگاه محقق اردبیلی.
9. صالحی، مریم، (1393). پیش‌بینی سیلاب با استفاده از شبکه عصبی مصنوعی و سری زمانی، پایان‌نامه کارشناسی ارشد، به راهنمای عباس رضایی استخروئیه، دانشگاه شهید باهنر کرمان، دانشکده کشاورزی و منابع طبیعی.
10. عبدالله¬زاده، اصغر، (1385). پیش‌بینی و تولید داده¬های بارش با استفاده از مدل¬های آماری سری¬های زمانی (محدوده غرب دریاچه ارومیه). پایان‌نامه کارشناسی ارشد، به راهنمای روح الله و حسن خالقی، دانشکده کشاورزی دانشگاه شهرکرد.
11. محمدخورشیددوست، علی، صراف، بهروز ، قرمز چشمه، باقر ، جعفرزاده، فاطمه، (1397). پیش‌بینی بارش¬های سنگین سواحل جنوبی دریای خزر تحت شرایط تغییر اقلیم در دوره 1408-1389. 12 (42)، 121-129.
12. محمدخورشیدوست، علی، صراف، بهروز، قرمز چشمه، باقر، جعفرزاده، فاطمه، (1396). برآورد و تحلیل مقادیر آتی بارش¬های نواحی خزری با به‌کارگیری مدل¬های گردش عمومی جو. نشریه تحقیقات کاربردی علوم جغرافیایی سال هفدهم، (47)، 213-226.
13. میرموسوی، سید حسین، جلالی، مسعود ، آبختی گروسی، هوشنگ، خائفی، ندا، (1393). تحلیل الگوهای سری زمانی بارش در ایستگاه هواشناسی خوی. فصلنامه فضای جغرافیایی، سال چهاردهم، (47)، 1-17.
14. نبوی¬زاده، معصومه، (1392). پیش‌بینی بارش روزانه با شبکه عصبی مصنوعی در استان کرمان، پایان¬نامه کارشناسی ارشد، کمال امیدوار، گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد.
15. Astine, ON. )2001. ( Forecasting seasonal rainfall for agricultural decisionmaking in northern Nigeria. Agricultural and Forest Meteorology, Vol 3, PP: 193-205. [DOI:10.1016/S0168-1923(00)00239-2]
16. Borland, P.; and Montana, A. (1996(. Forecasting of storm rain full by combined use of rider, rain gages and linear models, Atmospheric research. 42: 199-216. [DOI:10.1016/0169-8095(95)00063-1]
17. Carlos, H.; Fajardo, T. Silvana, J. Galvez, F. (2013(. A hybrid artificial intelligence model for river flow forecasting. Applied Soft Computing, In Press, Uncorrected Proof.
18. Chang, X. G, M. Wang, Y. and Hou, X. (2001). Seasonal Autoregressive Integratedmoving average model for Precipitation time series. Journal of Mathematics and Statistics, Vol.8, No.4: 500-505. [DOI:10.3844/jmssp.2012.500.505]
19. Choi, L. (1999). An application hy droinformatic tools for rainfall forecasting Phd thesis, University of New South Wales (Australia)
20. Dahamsheh, Ahmad. Hafzullah, Aksoy. (2009). Artificial neural network models for forecasting intermittent monthly precipitation in arid regions, Royal Meteorology Society, No. 16, pp.325-337. [DOI:10.1002/met.127]
21. Damle C, Yalcin A. (2007). Flood prediction using time series data mining. Journal of Hydrology. 333, (2-4): 305-316. [DOI:10.1016/j.jhydrol.2006.09.001]
22. Durdo F. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligencce. 23: 586-594. [DOI:10.1016/j.engappai.2009.09.015]
23. Halid H.; and Ridd P. (2002). Modeling Inter-Annual Variation of a Local Rainfall Data Using a Fuzzy Logic Technique, Proceeding of International Forum on Climate Prediction, James Cook University, Australia. First Proof Pages, pp: 166-170.
24. Hasanah Y., Herlina M. (2013). Flood Prediction using Transfer Function Model of Rainfall and Water Discharge Approach in Katulampa Dam. Procedia Environmental Sciences 17: 317-326. [DOI:10.1016/j.proenv.2013.02.044]
25. Hastenrath S., Greischar L, & van Heerden, J. (1995). Prediction of the summer rainfall over South Africa. Journal of Climate, 8(6), 1511-1518.
https://doi.org/10.1175/1520-0442(1995)008<1511:POTSRO>2.0.CO;2 [DOI:10.1175/1520-0442(1995)0082.0.CO;2]
26. Kaushik I., and Singh S.M. (2008). Seasonal ARIMA model for forecasting of monthly rainfall and temperature, Journal of Environmental Research and Development. Vol.3, No.2: 506 -514.rnal of Climate, 8, 1511-1518.
27. Lohani A, K, Kumar R., singh R, D. (2012). Hydrological time series modeling: A comparision between adaptive neuro-fuzzy, neural network and autoregressive techniques original Research Article. Jurnal of Hydrology. Volumes 442-443, pages 23-35. [DOI:10.1016/j.jhydrol.2012.03.031]
28. Maria C.; Haroldo F., Ferreira N. (2005). Artificial Neural Network Technique for Rainfall Forecasting Applied to the Sao Paula Region, Journal of hydrology, Vol 301, PP:1-4. [DOI:10.1016/j.jhydrol.2004.06.028]
29. Mishra A.K.; and Desai V.R. (2005). Drought forecasting using stochastic models, Stochastic Environmental Research and Risk Assessment, Vol.19, No.5: 326-339. [DOI:10.1007/s00477-005-0238-4]
30. Murthy K. N.; Saravana R., & Kumar K. V. (2018). Modeling and forecasting rainfall patterns of southwest monsoons in North-East India as a SARIMA process. Meteorology and Atmospheric Physics, 130(1), 99-106. [DOI:10.1007/s00703-017-0504-2]
31. Nastos P.T.; Moustris K.P., Larissi I.K. & Paliatsos, A.G. (2013). Rain intensity forecast using Artificial Neural Networks in Athens, Greece. Atmospheric Research 119, 153 - 160. [DOI:10.1016/j.atmosres.2011.07.020]
32. Partal T.; kahya E. (2006). Trend analysis in precipitation data Hydrological processes.wiley interscience, (20):2011-2026. [DOI:10.1002/hyp.5993]
33. Piotrowski A, Napi'orkowski J., Rowi'nski P.M. (2006). Flash-flood forecasting by means of neural networks and nearest neighbour approach a comparative study. Nonlin, Processes Geophys, (13): 443-448. [DOI:10.5194/npg-13-443-2006]
34. Rezaei M, Ali Akbari Motlaq A , Rezvani Mahmouei A , Mousavi S, River Flow Forecasting using artificial neural network (Shoor Ghaen), Ciência e Natura, Santa Maria, v. 37 Part 1 (2015), p. 207−215.in persian [DOI:10.5902/2179460X20849]
35. Tokar A.S, Santon P.A. (1999). Rainfall-Run off modeling using artificial neural networks, journal of Hydrologic Engineering, No.3, pp.232-239. [DOI:10.1061/(ASCE)1084-0699(1999)4:3(232)]
36. Www.Climatology.ir
37. Yaya O. S, & Fashae O. A, (2015). Seasonal fractional integrated time series models for rainfall data in Nigeria. Theoretical and Applied Climatology, 120(1-2), 99-108. [DOI:10.1007/s00704-014-1153-8]
38.
Send email to the article author
| Rights and permissions | |
 | This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. |
Journal of Applied researches in Geographical Sciences are fully compliant with open access mandates, by publishing its articles under Creative Commons Attribution 4.0 International License (CC BY 4.0).
