اثرات حذف اثر خودهمبستگی بر تحلیل روند متغیرهای هیدرو اقلیمی (مطالعه موردی استان فارس)

یکی از تحلیل روند و شناخت نوسانات تاریخی در سامانه اقلیمی یکی از مهمترین نیازمندی‌ها در تحقیقات پیرامون تغییرات اقلیمی می‌باشد. جهت بررسی روند روش‌های مختلف پارامتریک و ناپارمتریک وجود دارد. در این میان روش ناپارمتریک من‌کندال کاربرد گسترده در بررسی روند سری‌های هیدرولوژیکی دارد. اما وجود خودهمبستگی در سری‌های هیدرولوژیکی باعث می‌شود تا احتمال وقوع خطای نوع اول افزایش پیدا کند. در این پژوهش به‌منظور بررسی تاثیر حذف اثر خود همبستگی ابتدا روند سری‌های زمانی بدون رفع اثر خودهمبستگی و سپس با اعمال روش پیش سفید کردن بدون روند (tfpw) و حذف اثر خودهمبستگی مورد تحلیل قرار گرفت. نتایج نشان داد که با حذف کردن اثر خودهمبستگی از تعداد ایستگاه‎هایی که دارای روند منفی معنی‎دار بودند کاسته شد. به‎طوری‎که در مقیاس سالیانه و ماهیانه هیچ کدام از داده‎های بارش موجود در 22 ایستگاه باران‌سنجی در سطح اطمینان 95% معنی‌دار نشدند. بنابراین آنچه آشکار گردید جهت بررسی روند داده‎های هیدروکلیماتولوژی بایستی اثر خود همبستگی از سری‌های زمانی حذف گردد تا منجر به ارائه نتایج صحیح و قابل اعتماد گردد.

Effects excluding the effect of autocorrelation in analysis trend of hydroclimatic variables (Fars Province)

Trend analysis and understanding of the historical volatility in the climate system, is one of the most important requirements in research on climate change. In order to study the trend, there are different methods covering parametric and nonparametric approaches. The nonparametric Mann Kendall methods are widely used to study the hydrological series. But the autocorrelation in the hydrological series increases probability occurrence of type I error. In this study in order to evaluate the effects of autocorrelation, the time series trend without excluding the effect of autocorrelation and then by applying TFPW method and excluding the effect of autocorrelation were analyzed. The results showed that by removing the effect of autocorrelation, number of stations with significant negative trend was decreased. Therefore, in annual and monthly scales, none of rainfall data series in 22 rain gauge stations were significant at the 95 percentage confidence level. Therefore, it revealed that in evaluating the hydroclimatological data, the effects of autocorrelation must be removed from time series to provide accurate and reliable results.