ارزیابی رویکردهای ساختاری فضای حالت نسبت به کلاسیک در پیش بینی سری زمانی بارش ( حوضه آبریز دز)

در این مقاله، مطالعه‌ای در مورد استفاده از تکنیک‌های پیش‌بینی بارش با داده‌های سری زمانی ارائه شد. سری‌های زمانی ابزاری کارآمد برای شناخت ماهیت پدیده‌های هیدرولوژیکی هستند که با داشتن شناخت کافی از آن‌ها می‌توان تغییرات آینده را مدل‌‌سازی و پیش‌بینی کرد. مدل‌های مختلف آماری با هدف کاهش خطا و بالا بردن دقت پیش‌بینی، درنظر گرفته شده است. فضای حالت به‌واسطه ساختاری بودن و انعطاف‌پذیربودن آن، امکان مدل‌بندی هر یک از مولفه‌های تشکیل‌دهنده متغیر، شامل سطح، فصلی و تصادفی را به‌طور مجزا دارد. از این‌رو با شناسایی سیستم در نحوه مدل‌سازی متغیر مورد مطالعه، امکان کنترل و حداقل نمودن خطای برآورد، به‌طور هوشمندانه‌تری در مقایسه با مدل‌های کلاسیک را دارد. در تحقیق حاضر به‌منظور ارزیابی قابلیت مدل‌سازی فضای حالت و مقایسه با مدل‌های کلاسیک، اقدام به مدل‌سازی بارش ماهانه در سه ایستگاه باران‌سنجی، در حوضه آبریز دز، با چهار مدل ساختاری فضای حالت شامل فیلتر کالمن، مدل هموارسازی نمایی ets و مدل‌های هموار‌سازی نمایی اصلاح شده bats و tbats و مدل کلاسیک arima گردید. نتایج نشان داد در ایستگاه سپیددشت سزار بر اساس معیار rmse و mae مدل tbats و در ایستگاه تنگ پنج بختیاری بر اساس معیار rmse و mae مدل فیلتر کالمن و در ایستگاه تله زنگ بر اساس معیار rmse و mae مدل tbats بهترین مدل‌ها انتخاب شدند.

Evaluation of structural approaches to state space compared to classical in predicting precipitation time series ( Dez catchment)

In this paper, a study on the use of precipitation prediction techniques with time series data was presented. Time series are an effective tool for understanding the nature of hydrological phenomena that with sufficient knowledge of them, future changes can be modeled and predicted. Various statistical models have been considered with the aim of reducing error and increasing forecast accuracy. Due to its structural and flexibility, state space makes it possible to model each of the components of a variable, including surface, seasonal and random separately. Therefore, by identifying the system in the way of modeling the studied variable, it is possible to control and minimize the estimation error, more intelligently compared to classical models. In the present study, in order to evaluate the modeling capability of state space and compare it with classical models, monthly preciptation modeling was performed in three rain gauge stations in Dez catchment, with four structural models of state space including Kalman filter, ETS exponential smoothing model and Modified exponential smoothing models were BATS and TBATS and the classic model was ARIMA. The results showed that at Sepiddasht Sezar station based on RMSE and MAE criteria of TBATS model and in Tangpanj Bakhtiyari station based on RMSE and MAE criterion of Kalman filter model and in Telezang station according to RMSE and MAE criterion of TBATS model the best models were chosen.