@article { author = {Armin, Mohsen and Rostami, Hesam and Ghorbannia Kheybari, V.}, title = {Analysis and prediction of drought using time series in a number of rain gauge stations in Kheyrabad Basin, Kohgiluyeh and Boyerahmad province}, journal = {Extension and Development of Watershed Management}, volume = {9}, number = {34}, pages = {50-67}, year = {2021}, publisher = {Watershed Management Society of Iran}, issn = {2645-4777}, eissn = {}, doi = {}, abstract = {Drought is one of the most important climate phenomena which occurs in all climate conditions and most of the regions on the earth and brings in a lot of injuries to human and natural ecosystems. Therefore, it is important to investigate drought‛s characteristics including intensity, duration and its frequency and to find out their regional risk and forecasting, too. For this reason, some of rain gauge stations in Kheirabad watershed in which their data had been recorded until the end of water years 2011-2012, were selected. Drought conditions for each station were investigated for four different periods including three monthly and one annual periods, using Standardized Prediction Index. Then, drought prediction was performed using SPI values modeling using ARIMA and SARIMA time series. The results showed that in most of the studied time periods, the droughts in the Khyrababad basin are often of medium drought and wet years are of the same type. Study of the persistence of dry and wet periods in selected stations indicates that drought and wet years are more likely to be 1 and 2 years old and have more frequency than other dry and wet periods but the continuity of the normal situation, even for 5 years or more, has been observed in some stations, including the Boyeri and the Nazmakan. The results of drought prediction using time series show that the ARIMA model can better predict SPI values and increase the time interval from 12 months to 48 months more appropriate prediction. Also, the results of the evaluation of the models show that by increasing the time scale from 12 months to 48 months, the slope of the regression line and the MAE and RMSE values are lower.}, keywords = {Humidity Status,Modeling,Standardized precipitation index,Autocorrelation,Evaluation}, title_fa = {تحلیل و پیش‌بینی خشکسالی با استفاده از سری‌های زمانی در تعدادی از ایستگاه‌های باران‌سنجی منتخب حوضه خیرآباد در استان کهگیلویه و بویراحمد}, abstract_fa = {خشکسالی یکی از پدیده‌های آب و هوایی است که در همه شرایط اقلیمی و در بسیاری از مناطق کره زمین به وقوع می‌پیوندد و خسارات زیادی به زندگی انسان و اکوسیستم‌های طبیعی وارد می‌نماید. از این‏رو بررسی مشخصات خشکسالی مانند شدت- مدت و فراوانی و تعیین مناطق تحت خطر و پیش‌‏بینی آن امری لازم است، به این‌منظور تعدادی از ایستگاه‌های باران­سنجی در حوضه خیرآباد که تا پایان سال آبی 1390-1391 مقادیر بارندگی آن‌ها ثبت شده بود، انتخاب شدند. وضعیت رطوبتی هر یک از ایستگاه‌ها در چهار دوره زمانی مختلف شامل سه دوره ماهانه و یک دوره سالانه با استفاده از شاخص بارش استاندارد شده مورد بررسی قرار گرفت. سپس با استفاده از سری‏‌های زمانی ARIMA و SARIMA به پیش‌‏بینی خشکسالی با استفاده از مدل‏سازی مقادیر SPI پرداخته شد. نتایج تحقیق نشان داد که در بیش‌تر دوره­‌های زمانی مورد بررسی، خشکسالی‏‌ها و ترسالی‏‌های حاکم در حوضه خیرآباد بیش‌تر از نوع متوسط بوده است. مطالعه میزان تداوم دوره‌های خشک و مرطوب در ایستگاه‌های منتخب نشان می‌دهد که خشکسالی‌­ها و ترسالی­‌ها‌ بیش‌تر دارای تداوم یک و دو ساله بوده و از فراوانی بیش‌تری نسبت به سایر دوره‌های خشک و تر برخوردار هستند اما تداوم وضعیت نرمال حتی با مدت پنج سال و یا بیش‌تر در بعضی از ایستگاه‌ها از جمله بویری و نازمکان مشاهده شده است. نتایج حاصل از پیش‏بینی خشکسالی‌ها با استفاده از سری‌های زمانی نشان می‏دهد که مدل ARIMA قادر به پیش‌­بینی بهتر مقادیر SPI بوده و با افزایش بازه زمانی از 12 ماه به 48 ماه نتایج پیش‌‏بینی دقیق‌تر است. هم‌چنین نتایج حاصل از ارزیابی مدل‌ها نشان می‌دهد با افزایش مقیاس زمانی از 12 ماه تا 48 ماه، شیب خط رگرسیون بیش‌تر و مقادیر MAE و RMSE کم‌تر شده است.}, keywords_fa = {وضعیت رطوبتی,مدل‌سازی,شاخص بارش استاندارد,خودهمبستگی,ارزیابی}, url = {https://www.wmji.ir/article_254357.html}, eprint = {https://www.wmji.ir/article_254357_3e0e09cb2ddd0a8e2bd2823419c8ceb7.pdf} }