میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,196
تعداد مقالات77,227
تعداد مشاهده مقاله157,216,223
تعداد دریافت فایل اصل مقاله118,403,329
فیض آبادی, الهام, میرزاوند, محمد, ساداتی نژاد, سید جواد. (1404). شبیه‌سازی دبی جریان در پایین دست سد میجران با استفاده از مدل‌های غیرقطعی. , 15(4), 713-727. doi: 10.22059/jwim.2025.403909.1266
الهام فیض آبادی; محمد میرزاوند; سید جواد ساداتی نژاد. "شبیه‌سازی دبی جریان در پایین دست سد میجران با استفاده از مدل‌های غیرقطعی". , 15, 4, 1404, 713-727. doi: 10.22059/jwim.2025.403909.1266
فیض آبادی, الهام, میرزاوند, محمد, ساداتی نژاد, سید جواد. (1404). 'شبیه‌سازی دبی جریان در پایین دست سد میجران با استفاده از مدل‌های غیرقطعی', , 15(4), pp. 713-727. doi: 10.22059/jwim.2025.403909.1266
فیض آبادی, الهام, میرزاوند, محمد, ساداتی نژاد, سید جواد. شبیه‌سازی دبی جریان در پایین دست سد میجران با استفاده از مدل‌های غیرقطعی. , 1404; 15(4): 713-727. doi: 10.22059/jwim.2025.403909.1266

شبیه‌سازی دبی جریان در پایین دست سد میجران با استفاده از مدل‌های غیرقطعی

مدیریت آب و آبیاری
دوره 15، شماره 4، اسفند 1404، صفحه 713-727    اصل مقاله (1.51 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2025.403909.1266
نویسندگان
الهام فیض آبادی؛ محمد میرزاوند* ؛ سید جواد ساداتی نژاد
گروه علوم و فناوری‌های محیطی، دانشکده مهندسی انرژی و منابع پایدار، دانشگاه تهران، تهران، ایران.
چکیده
در شرایط اقلیمی خشک و نیمه‌خشک ایران، مدیریت بهینه منابع آب از اهمیت بالایی برخوردار است. یکی از راه‌کارهای مؤثر در این زمینه، پیش‌بینی دقیق دبی‌جریان رودخانه‌هاست که می‌تواند نقش کلیدی در برنامه‌ریزی بهره‌برداری از سدها ایفا کند. در این پژوهش، با هدف شبیه‌سازی دبی‌جریان پایین‌دست سد‌ میجران واقع در استان مازندران، از داده‌های دبی ماهانه مربوط به ایستگاه هیدرومتری سد‌ میجران در بازه زمانی ۱۳۸۶ تا ۱۴۰۱ استفاده شد. پس از انجام تحلیل‌های مقدماتی شامل آزمون نرمال‌بودن و ایستایی داده‌ها و تجزیه آن به مؤلفه‌های قطعی و غیرقطعی، بخش غیرقطعی سری زمانی جهت مدل‌سازی انتخاب شد. سپس با استفاده از تابع خودهمبستگی (ACF) و تابع خودهمبستگی جزئی (PACF) مدل‌های سری زمانی با ساختارهای گوناگون موردارزیابی قرار گرفتند. بنابراین، از بین مدل‌های مختلف، مدل ARMA مناسب تشخیص داده شد. برای تعیین مرتبه‌های مدل ARMA، از تابع خودهمبستگی AFC و PACF استفاده شد و جهت ارزیابی عملکرد مدل‌ها، از معیار اطلاعاتی آکائیک (AIC) و ضریب تعیین (R²) بهره گرفته شد. نتایج نشان داد مدل ARMA(3,2) با مقدار AIC برابر با 06/144 و R² برابر با هفتاد و نه صدم، عملکرد بهتری نسبت به سایر مدل‌ها دارد و قادر است دبی‌جریان را با دقت قابل‌قبول شبیه‌سازی کند. یافته‌های این مطالعه نشان‌دهنده‌ی کارایی بالای مدل‌های غیرقطعی ARMA در شبیه‌سازی و پیش‌بینی سری‌های زمانی جریان آب در مناطق با اطلاعات محدود است و می‌تواند به‌عنوان ابزاری کارآمد در تصمیم‌گیری‌های مدیریت منابع آب مورداستفاده قرار گیرد.
کلیدواژه‌ها
خودهمبستگی؛ خودهمبسته میانگین متحرک؛ دبی؛ مدل غیرقطعی
عنوان مقاله [English]
Simulation of Downstream Flow Discharge at Maijaran Dam Using Stochastic Models
نویسندگان [English]
Elham Feizabadi؛ Mohammad Mirzavand؛ Seyed Javad Sadatinejad
School of Energy Engineering and Sustainable Resources, College of Interdisciplinary Science and Technology, University of Tehran, Tehran, Iran.
چکیده [English]
In the arid and semi-arid climatic conditions of Iran, optimal water resource management is of paramount importance. Accurate prediction of river flow discharge serves as an effective strategy in this regard, playing a key role in dam operation planning. This study aimed to simulate flow discharge downstream of the Maijaran Dam in Mazandaran Province, using monthly discharge data from the Maijaran Dam hydrometric station spanning the period 2007 to 2022. Following preliminary analyses—including normality and stationarity tests—and decomposition of the data into deterministic and stochastic components, the stochastic part of the time series was selected for modeling. Various time series model structures were evaluated using the Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF). Among the candidate models, the ARMA model was identified as the most suitable. Model orders were determined using ACF and PACF analyses, and model performance was assessed using the Akaike Information Criterion (AIC) and the coefficient of determination (R²). Results indicated that the ARMA(3,2) model, with an AIC value of 144.06 and R² of 0.79, outperformed other models and provided acceptable accuracy in flow discharge simulation. The findings demonstrate the high efficacy of stochastic ARMA models in simulation of hydrological time series in data-scarce regions, offering a reliable tool for supporting water resource management decisions.
کلیدواژه‌ها [English]
ARMA, Autocorrelation, Discharge, Stochastic Model
مراجع
  1. Abdollahnejad Kamel, A. (2015). Time series models in forecasting monthly rainfall (Case study: Hashemabad station, Gorgan). Geographical Space Planning, 5(17), 15-25. (In Persian).
  2. Adamowski, J., & Chan, H. F. (2011). A comparison of artificial neural network and time series models for forecasting daily water levels at hydrological monitoring stations. Water Quality Research Journal of Canada, 46(2), 175-185.
  3. Alizadeh, A. A. (2011). Principles of applied hydrology (32nd ed.). Imam Reza University Press. (In Persian).
  4. Azizi, G. (2005). Investigation of droughts, wet periods, and the possibility of their prediction using time series model in Hormozgan Province. Geographical Research Quarterly, 79, 48-61. (In Persian).
  5. Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control (2nd ed.). Holden-Day.
  6. Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (1994). Time series analysis: forecasting and control (3rd ed.). Prentice Hall.
  7. Burlando, P., Montana, A., & Raze, R. (1996). Forecasting of storm rainfall by combined use of radar, rain gages and linear models. Atmospheric Research, 42, 199-211.
  8. Cryer, J. D. (1992). Time series analysis (H. A. Niroomand, Trans.). Mashhad University Publication. (In Persian).
  9. Dastorani, M., Mirzavand, M., Dastorani, M. T., & Sadatjejad, S.J. (2016). Comparative study among different time series models applied to monthly rainfall forecasting in semi-arid climate condition. Natural Hazards, 81, 1811-1827. https://doi.org/10.1007/s11069-016-2163-x
  10. Dodangeh, A., Abedi Koupai, J., & Gohari, S. A. (2012). Application of time series modeling to investigate future climatic parameters trend for water resources management purposes. Journal of Water and Soil Science, 16(59), 59-74. (In Persian). http://jstnar.iut.ac.ir/article-1-2198-fa.html
  11. Erdem, E., & Shi, J. (2011). ARMA-based approaches for forecasting the tuple of wind speed and direction. Applied Energy, 88(4), 1405-1414. https://doi.org/10.1016/j.apenergy.2010.10.031
  12. Faruk, D. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligence, 23(4), 586-594. https://doi.org/10.1016/j.engappai.2009.09.015
  13. Fouladmand, H. (2010). Monthly evaporation–transpiration prediction using artificial neural network in Fars agricultural stations. Journal of Water and Soil Science, 20(1), 157-169. (In Persian).
  14. Ghahreman, N., & Gharehkhani, A. (2011). Evaluation of random time series models in estimating pan evaporation (case study: Shiraz station). Journal of Water Research in Agriculture, 25(1), 75-81. (In Persian). https://sid.ir/paper/196848/fa
  15. Hannan, E. J. (1971). Multiple time series. Wiley.
  16. Hejabi, S., & Bazrafshan, J. (2013). Evaluation of six types of stochastic models skill in modeling and forecasting the standardized precipitation index time series. Journal of Water Research in Agriculture, 27(3), 429-454. (In Persian). https://doi.org/10.22092/jwra.2013.128847
  17. Hipel, K. W., & McLeod, A. I. (1994). Time series modeling of water resources and environmental systems. Elsevier.
  18. Hisdal, H., & Tallaksen, L. M. (2003). Estimation of regional meteorological and hydrological drought characteristics: a case study for Denmark. Journal of Hydrology, 281(3), 230-247.
  19. Kersik, N. (2001). Hydrogeology and groundwater modeling to solve problems (M. Chitchian & H. A. Kashkooli, Trans.). Shahid Chamran University Press. (In Persian).
  20. Khalili, K., Fakhri-Fard, A., & Hessari, B. (2007). Analysis of intensity-duration-frequency curves, drought frequency and reservoir design for agriculture and drinking water. In Proceedings of the 3rd National Congress on Civil Engineering University of Tabriz, Tabriz, Iran. (In Persian).
  21. Laux, P., Vogl, S., Qiu, W., Knoche, H. R., & Kunstmann, H. (2011). Copula-based statistical refinement of precipitation in RCM simulations over complex terrain. Hydrology and Earth System Sciences, 15, 2401-2419.
  22. Malakoutian, M. M. A., Samaei, S. Y., Khaksar, M., & Malakoutian, Y. (2022). A prediction of future flows of ephemeral rivers by using stochastic modeling (AR autoregressive modeling). Sustainable Operations and Computers, 3, 330–335. https://doi.org/10.1016/j.susoc.2022.05.003
  23. Mirzavand, M., & Bagheri, R. (2020). The water crisis in Iran: Development or destruction? World Water Policy, 00, 1–9. https://doi.org/10.1002/wwp2.12023
  24. Mirzavand, M., & Ghazavi, R. (2015). A stochastic modelling technique for groundwater level forecasting in an arid environment using time series methods. Water Resources Management, 29, 1315–1328. https://doi.org/10.1007/s11269-014-0875-9
  25. Mousavi, S., Banihabib, M., & Bandari, R. (2011). Prediction of daily inflow to dam reservoir using time series models. In Proceedings of the 15th National Seminar on Irrigation and Evaporation Reduction. Kerman, Iran. (In Persian).
  26. Padilla, A., Pulido-Bosch, A., Cavache, M., & Vallejos, A. (1996). The ARMA model applied to the flow of Karst Spring. Water Resources Bulletin, 32, 917-928.
  27. Rezanejad Keshteli, M., Babanezhad, M., & Amini, A. (2016). Fitting the seasonal time series model to the rivers discharge in time domain (Case study: Atrak River). Journal of Water and Soil Conservation, 22(6), 307-315. (In Persian). https://doi.org/20.1001.1.23222069.1394.22.6.20.2
  28. Sabaghian, R., & Sharifi, M. B. (2009). The use of stochastic models in river flow simulation and prediction of annual average river discharge using time series analysis. In Proceedings of the First International Conference on Water Resources Management. Shahroud University of Technology, Shahroud, Iran. (In Persian).
  29. Sabzevary, Y., & Abedi Koupaei, J. (2022). Trend and time series analysis of reference evapotranspiration (Case study: Khorram Abad Plain). Extension and Development of Watershed Management, 10(37), 35-46. (In Persian).
  30. Sabziparvar, A. A., Mokhtari, B., Sadeghifar, M., Saghai, S., Ershad-Fath, F., & Norouz-Valashedi, R. (2014). Estimation of daily pan evaporation using time series models. Watershed Engineering and Management Journal, 6(1), 42-51. (In Persian).
  31. Salas, J. D. (1993). Analysis and modeling of hydrological time series. In D. R. Maidment (Ed.), Handbook of hydrology. McGraw-Hill.
  32. Shirmohammadi, B., Vafakhah, M., Moosavi, V., & Moghaddamnia, A. (2013). Application of several data-driven techniques for predicting groundwater level. Water Resources Management, 27, 419-432. https://doi.org/10.1007/s11269-012-0194-y.
  33. Thomas, H. A., & Fiering, M. B. (1962). Mathematical synthesis of stream flow sequences for the analysis of river basin by simulation. Harvard University Press.
  34. Soleimani Motlagh, M., Ghasemieh, H., Talebi, A., & Abdollahi, K. (2017). Identification and Analysis of Drought Propagation of Groundwater During Past and Future Periods. Water Resources Management, 31, 109-125. https://doi.org/https://doi.org/10.1007/s11269-016-1513-5
  35. Thompstone, R. M., Hipel, K. W., & McLeod, A. I. (1985). Forecasting quarter-monthly river flow. Water Resources Bulletin, 21, 731-741.
  36. Tsonis, A. A. (2001). Probing the linearity and nonlinearity in the transitions of the atmospheric circulation. Nonlinear Processes in Geophysics, 8, 341-345.
  37. Wang, W., Van Gelder, P. H., Vrijling, J. K., & Ma, J. (2005). Testing and modeling autoregressive conditional heteroskedasticity of streamflow processes. Nonlinear Processes in Geophysics, 12, 55-66.
  38. Yaseen, Z. M., El-Shafie, A., Jaafar, O., Afan, H. A., & Sayl, K. N. (2015). Artificial intelligence-based evapotranspiration models: A review. Water Resources Management, 29(7), 2587-2611.
  39. Yurekli, K., Kurung, A., & Ozturk, F. (2005). Testing the residuals of an ARIMA model on the Cekerek stream watershed in Turkey. Turkish Journal of Environmental Science, 29, 61-74.
آمار
تعداد مشاهده مقاله: 161
تعداد دریافت فایل اصل مقاله: 127





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب