مدل سازی و پیش بینی تراز آب زیرزمینی با استفاده از تحلیل سری زمانی(مطالعه موردی: چاه مشاهده ای قره قاچ، استان گلستان)

با توجه به اهمیت منابع آب زیرزمینی برای مصارف مختلف، مطالعات مدل سازی و پیش بینی نوسانات تراز آب زیرزمینی در سالیان اخیر توسعه یافته است. در این تحقیق آمار ماهانه تراز آب زیرزمینی در چاه مشاهده ای قره قاچ واقع در قسمت های میانی حوضه آبریز گرگانرود برای دوره آماری 33 ساله (1396-1363) جهت این بررسی انتخاب شد. در این تحقیق جهت مدل سازی و پیش-بینی مقادیر تراز سطح آب زیرزمینی از تحلیل سری های زمانی استفاده شد. پس از بررسی داده های پرت، اقدام به بررسی و تشخیص روند و حذف آن در سری داده ها شد. سپس با ترسیم توابع خودهمبستگی و خودهمبستگی جزئی علاوه بر تشخیص درجه مدل، معنی داری ضریب خودهمبستگی مدل و قابلیت مدل sarima بررسی شد. نتیجه برازش مدل بهینه بر اساس آماره (ljung-box) برای سری داده-های مورد بررسیsarima(0,1,2)×(0,1,1)12 بدست آمد. در این مدل با توجه به اینکه مقدار pvalue محاسباتی بزرگتر از 05/0 بدست آمده است (pvalue=0.496)، در نتیجه فرض h0 یعنی مناسب بودن مدل پذیرفته می شود. سپس مقادیر تراز آب زیرزمینی برای 12 ماه آینده توسط مدل پیش بینی و با مقادیر واقعی اندازه گیری شده در چاه مشاهده ای مقایسه شد. نتایج نشان داد مقادیر تراز آب زیرزمینی پیش بینی شده توسط مدل در مقایسه با داده های مشاهداتی دارای تفاوت ناچیزی بوده (r2=0.899, rsme=1.68)، لذا می توان از مدل برای پیش بینی های کوتاه مدت و همچنین بازسازی نواقص آماری تراز آب زیرزمینی استفاده نمود.

Modeling and Predicting of Groundwater Level Using Time Series Analysis (Case Study: Gharehghach Well, Golestan Province)

Modeling and forecasting groundwater level fluctuations has been developed in recent years due to the importance of groundwater resources for various uses. In this research, monthly groundwater level data in the Gharehghach observation well located in the middle of Gorganroud basin were selected for a period of 33 years. In this study, time series analysis was used to model and predict groundwater level. In this study, after controlling the outlier data, the process was detected and deleted in the data series. Then, by drawing the autocorrelation and partial autocorrelation functions, in addition to determining the degree of the model, were investigated the significance of the model autocorrelation coefficient and the capability of the SARIMA model. The result of fitting the optimal model based on statistics (Ljung-Box) was obtained SARIMA(0,1,2)×(0,1,1)12. In this model, considering that the computational p-value is obtained greater than 0.05 (p-value = 0.496), the assumption H0 (Meaning the model fits) is accepted. Then the groundwater level values for the next 12 months were predicted by the model and compared with the actual values measured in the well. The results showed that the groundwater level values predicted by the model were slightly different compared to observational data (R2=0.899, RSME=1.68), so the model can be used for short-term forecasts and the reconstruction of missing data for groundwater level.