1
دانشیار گروه عمران دانشگاه آیت اله العظمی بروجردی(ره)
2
دانشگاه آیت اله العظمی بروجردی
10.22034/hws.2025.66375.1014
چکیده
چکیده باتوجهبه اهمیت سیلاب در مدیریت منابع آب، این مطالعه به پیشبینی رواناب فصلی حوضه بهرامجو طی سالهای ۲۰۰۶ تا ۲۰۲۳ میپردازد. برای مدلسازی دادههای رواناب فصلی بهعنوان متغیر وابسته و بارش ماهانه بهعنوان متغیر مستقل از ایستگاههای هواشناسی منطقه جمعآوری شد و با استفاده از سه مدل سری زمانیMIDAS، ARDL و GARCH تحلیل گردید. عملکرد مدلها با آمارههای ارزیابی ضریب تبیین R² و جذر میانگین مربعات خطا RMSE ارزیابی شد. به طور کلی نتایج نشان داد که هرچند سه مدل روند تغییرات رواناب را به درستی پیشبینی نمودند، اما دقت مدل MIDAS بالاتر میباشد. در این راستا مدل MIDAS ، بهترین عملکرد را با ضریب تبیین ۸۲/۰ و RMSE برابر با ۶۱/۰ مترمکعب بر ثانیه داراست. همچنین مدلهای ARDL و GARCH به ترتیب با ضرایب تبیین ۶۶/۰ و ۵۲/۰ و RMSEهای ۹۳/۰ و ۷۱/۰ مترمکعب بر ثانیه عملکرد ضعیفتری را نسبت به مدلMIDAS داشتند. نتایج این پژوهش بیانگر آن است که رواناب حافظه بلندمدت خود را در فراز و فرود سری زمانی حفظ کرده و در فصول پر بارش روند افزایشی و در فصول کمبارش روند کاهشی را داراست. نتیجه کلی بدست آمده پژوهش نشان داد که مدلMIDAS به دلیل توانایی ادغام دادههای با فرکانسهای زمانی متفاوت روزانه، ماهانه و فصلی، توانایی بهتری را در الگویابی و پیشبینی دقیقتر رواناب داشته و در نتیجه در مدیریت و کنترل سیلابها به عنوان راهکار مناسب می تواند مورد بهره برداری قرار گیرد.
Badrzadeh H, 2014. River flow forecasting using an integrated approach of wavelet multi-resolution analysis and computational intelligence techniques. Doctoral dissertation, Curtin University (In Persian).
Barkachian R, and Rezaei M, 2016. Examining the performance of mixed-data sampling regression in predicting Iran’s seasonal inflation. Economics and Modeling, 7(25), 25–46 (In Persian).
Ghysels E, and Ozkan N, 2015. Real-time forecasting of the US federal government budget: A simple mixed frequency data regression approach. International Journal of Forecasting, 31(4), 1009–1020,org/10.1016/j.ijforecast.2014.12.008.
Ghysels E, Santa-Clara P, and Valkanov R, 2004. The MIDAS touch: Mixed data sampling regression models. Econometric Reviews, 23(2), 147-186., org/10.1081/ETC-120028872.
Ghysels , E ., Sinko , A ., and Valkanov , R .,2007. MIDAS regressions: Further results and new directions. Econometric Reviews, 26(1), 53–90, org/10.1080/07474930600972467.
Gujarati DN, and Porter DC, 2009. Basic econometrics. McGraw-Hill.
Kazemzadeh E, Ebrahimi-Salari T, and Behnama M, 2019. Forecasting the growth rate of gold coin prices in Iran using the MIDAS regression model. Applied Economics, 9(28), 43–53 (In Persian).
Khazaei M, and Mirzaei MR, 2013. Comparison of the efficiency of monthly discharge prediction using artificial neural networks and time series methods. Journal of Watershed Engineering and Management, 5(2), 74–84 (In Persian).
Klein LR, and Sojo E, 1989. Combinations of high and low-frequency data in macroeconometric models. In Economics in Theory and Practice: An Eclectic Approach: Essays in Honor of F. G. Adams, pp. 3–16. Springer, org/10.1007/978-94-009-2474-9_1.
Maroufi S, Moradi K, and Parsafar N, 2013. Daily flow forecasting using artificial neural networks and wavelet neural networks (Case study: Barandoozchay River). Journal of Soil and Plant Knowledge, 23(3), 93–103 (In Persian).
Noferesti M, and Bayat M, 2016. Forecasting monthly inflation rate: Application of the mixed-frequency error correction model (EC-MIDAS). Economics and Modeling, 7(27), 55–70 (In Persian).
Noferesti M, Varahrami V, and Dashtban-Faroji S, 2018. Investigating the effect of changes in population age structure on government consumption expenditures and forecasting its developments using the MIDAS model. Journal of Growth and Sustainable Development Research, 18(3), 103–123 (In Persian).
Pesaran MH, and Shin Y,1995. An autoregressive distributed lag modelling approach to cointegration analysis (Vol. 9514). Cambridge, UK, University of Cambridge.
Solín Ľ, and Sládeková Madajová M, 2019. Flood risk of municipalities in upper basins of Slovakia. In Water Resources in Slovakia: Part II: Climate Change, Drought and Floods, pp. 173–193, org/10.1007/698_2017_173.
Wang H, Song S, Zhang G, Ayantobo OO, and Guo T, 2023. Stochastic volatility modeling of daily streamflow time series. Water Resources Research, 59(1), e2021WR031662,org/10.1029/2021WR 031662.
)