مقایسه عملکرد مدل های سری زمانی SARIMA و SARIMAX در پیش بینی بلند مدت خشکسالی

پیش بینی بلندمدت خشکسالی اهمیت زیادی در مدیریت منابع آب دارد. مدل های سری زمانی ابزاری مناسب برای پیش بینی رویدادهای اقلیمی هستند. در پژوهش حاضر، از شاخص شناسایی خشکسالی (RDI) که بر اساس بارش و تبخیر و تعرق پتانسیل است، برای ارزیابی خشکسالی ایستگاه همدیدی (سینوپتیک) یزد در مقیاس های زمانی یک، سه و شش ماهه در دوره ژانویه 1961 (معادل دی 1339) تا دسامبر 2018 (معادل آذر 1397)، مورد استفاده قرار گرفت. دوره ژانویه 2006 تا دسامبر 2018 معادل دی 1384 تا آذر 1397 به عنوان دوره پیش بینی در نظر گرفته شد. داده های خشکسالی دوره پیش بینی در اختیار مدل مورد استفاده قرار نگرفت. ایستایی داده ها با استفاده از آزمون Augmented Dickey-Fuller (ADF) بررسی شد. نتایج نشان داد که سری های زمانی مذکور به طور معنی داری مانا هستند. نمودارهای خودهمبستگی (ACF) و خودهمبستگی جزیی (PACF) نشان داد الگوی داده های خشکسالی در مقیاس های 1، 3 و 6 ماهه در ایستگاه سینوپتیک یزد به صورت فصلی می باشد. مدل SARIMA یک مدل پیش بینی تک متغیره در تحلیل سری های زمانی است که با افزودن مولفه فصلی به مدل ARIMA ایجاد شده است. مدل چند متغیره SARIMAX با افزوده شدن پارامتر کمکی یا متغیر برون زا به مدل تک متغیره SARIMA ایجاد می شود. در پژوهش حاضر، کارآیی مدل تک متغیره فصلی SARIMA و مدل چندمتغیره فصلی SARIMAX در پیش بینی خشکسالی در مناطق خشک مورد مقایسه قرار گرفت. به منظور اجرای مدل SARIMAX، پارامترهای بارش و تبخیر و تعرق پتانسیل به صورت جداگانه به عنوان پارامتر کمکی برای پیش بینی خشکسالی در اختیار مدل قرار گرفت. بررسی ضریب تبیین (R2) بین مقدارهای RDI واقعی و پیش بینی شده با استفاده از مدل SARIMA نشان داد،  مدل در مقیاس های سه ماهه و شش ماهه به ترتیب با ضریب 0.66 و 0.71 عملکرد بهتریی دارد. نتیجه مدل SARIMAX نشان داد در مقیاس یک ماهه، مدل SARIMAX بر پایه پارامتر کمکی تبخیر و تعرق پتانسیل با ضریب تبیین0.60 و در مقیاس سه ماهه، مدل SARIMAX بر اساس پارامتر کمکی بارش با ضریب تبیین 0.79 عملکرد بهتری دارد. در مقیاس 6 ماهه، عملکرد مدل برای هر دو پارامتر کمکی با ضریب تعیین 0.79 تقریبا یکسان بود. در مجموع مقایسه نتایج دو مدل نشان داد عملکرد مدل SARIMAX از مدل SARIMA در پیش بینی خشکسالی در مناطق خشک بیشتر است.