پیش‌بینی میزان آبدهی قنات بلده فردوس با استفاده از سری‌های زمانی

خسروی, شقایق; خزیمه نژاد, حسین; خیاط, امیر; آخوندی, زهرا

doi:10.22077/jaaq.2025.9039.1104

پیش‌بینی میزان آبدهی قنات بلده فردوس با استفاده از سری‌های زمانی

نوع مقاله : مقاله پژوهشی

نویسندگان

شقایق خسروی ¹

حسین خزیمه نژاد ²

امیر خیاط ³

زهرا آخوندی ⁴

¹ دانشجوی دکتری علوم و مهندسی آب، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران.

² دانشیار گروه علوم و مهندسی آب پردیس کشاورزی دانشگاه بیرجند، بیرجند، ایران

³ دانشجوی دکتری آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران.

⁴ دانش آموخته کارشناسی ارشد سازه های آبی، دانشگاه زابل، زابل، ایران.

https://doi.org/10.22077/jaaq.2025.9039.1104

چکیده

چکیده:

هدف: یکی از مهم‌ترین منابع تأمین آب برای مصارف مختلف از جمله آشامیدن، کشاورزی و فعالیت‌های صنعتی، آب‌های زیرزمینی می-باشند که نقش مهمی در تأمین نیازهای مردم ایفا می‌کنند. به دلیل اهمیت بالای این موضوع، هر ساله پژوهش‌های گسترده‌ای اعم از کمی و کیفی در خصوص این موضوع انجام می‌شود. هدف از این پژوهش پیش‌بینی میزان آبدهی قنات‌های بلده فردوس می‌باشد.

روش و داده ها: در این پژوهش از روش های پایه‌ در سری‌های زمانی استفاده شده که شامل مدل‌های خودبرگشتی (AR)، میانگین متحرک (MA) و ترکیبی از این دو (ARMA) می‌باشد. داده های مورد مطالعه از اداره جهاد کشاورزی استان خراسان جنوبی ، شهرستان بیرجند تهیه و مورد بررسی قرار گرفته است و در نهایت بعد از بررسی مانایی داده ها به ایستاسازی آن ها به روش تفاضل‌گیری با وقفه 1 پرداخته شد.

نتیجه گیری: در ادامه به منظور اطمینان از مناسب بودن بهترین مدل انتخاب شده، از نمودارهایACF و PACF استفاده گردید و در نهایت مدل انتخابی AR(2) به عنوان بهترین مدل برای پیش بینی میزان آبدهی قنات بلده با استفاده از ضریب معیار آکائیک و همچنین با استفاده از نرم افزار Minitab انتخاب شد و به وسیله آن میزان تغییرات آبدهی برای 10 سال بعدی پیش‌بینی گردید. با توجه به افت چشم‌گیر این مقدار در سال های آتی، تصمیم‌گیری برای مدیریت آب این منطقه الزامی است.

کلمات کلیدی : قنات، معیار آکائیک، ایستایی، خودهمبستگی.

کلیدواژه‌ها

قنات

معیار آکائیک

ایستایی

خودهمبستگی

موضوعات

آبخوان وقنات

عنوان مقاله English

Forecasting The Water Level of Baldeh Qanat in Ferdows Using Time Series Methods

نویسندگان English

Shaghayegh Kosravi ¹

Hossein Khozeimeh nejad ²

amir khayat ³

zahra Akhoondi ⁴

¹ PhD student in Water Resources, Department of Water Science and Engineering, University of Birjand, Birjand, Iran.

² Associate Professor, Department of Water Science and Engineering, Faculty of Agriculture, Univercity of Birjand, Iran

³ PhD student in Irrigation and Drainage, Department of Water Science and Engineering, University of Birjand, Birjand, Iran.

⁴ Graduated with an MSc in Hydraulic Structures from the University of Zabol, Zabol, Iran.

چکیده English

Objective: Groundwater stands as a critical water source for diverse purposes, encompassing drinking, agriculture, and industrial operations, thus playing a vital role in fulfilling societal needs. Given its paramount importance, extensive quantitative and qualitative research is consistently undertaken annually. This study aims to forecast the discharge rate of the Baladeh Ferdows Qanats (traditional underground aqueducts).

Method and Data: This research employs fundamental time series analysis techniques, specifically Autoregressive (AR), Moving Average (MA), and combined Autoregressive Moving Average (ARMA) models. The data analyzed were sourced from the Agricultural Jihad Department of South Khorasan Province, Birjand. After assessing data stationarity, the data were rendered stationary through differencing with a lag of 1.

Conclusion: To validate the selected model, Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF) plots were examined. Ultimately, the AR(2) model was identified as the most suitable model for predicting the discharge rate of the Baladeh Qanat, based on the Akaike Information Criterion (AIC) and utilizing Minitab software. This model was then used to project discharge fluctuations for the subsequent 10 years. Considering the anticipated significant decline in discharge, proactive decision-making for effective water resource management in this region is imperative.

Keywords: Qanat, Akaike Information Criterion, Stationarity, Autocorrelation.

کلیدواژه‌ها English

Qanat

Akaike Information Criterion

Stationarity

Autocorrelation

Abedini, Z. (2022). Places to visit in Ferdows, Travel guide to Ferdows. Rahbal Blog. Retrieved May14,2025, from https://blog.rahbal.com/ferdows/

Ahmadi Shali, J. & Vasfi, M. (2017). Liquidity forecasting based on point and interval estimation of the ARIMA method and its comparison with the double exponential smoothing method. Financial Economics (Financial Economics and Development), 11(40), 159-175. [in Persian]

Al Balasmeh, O., Babbar, R., & Karmaker, T. (2019). Trend analysis and ARIMA modeling for forecasting precipitation pattern in Wadi Shueib catchment area in Jordan. Arabian Journal of Geosciences, 12, 1-19. https://doi.org/10.1007/s12517-018-4205-z.

Al Sayah, M. J., Abdallah, C., Khouri, M., Nedjai, R., & Darwich, T. (2021). A framework for climate change assessment in Mediterranean data-sparse watersheds using remote sensing and ARIMA modeling. Theoretical and Applied Climatology, 143, 639-658. https://doi.org/10.1007/s00704-020-03442-7

Brockwell, P. J., & Davis, R. A. (1991). Time series: theory and methods. Springer science & business media. https://doi.org/10.1007/0-387-21657-x_11

Daniel, E. B., Camp, J. V., LeBoeuf, E. J., Penrod, J. R., Dobbins, J. P., & Abkowitz, M. D. (2011). Watershed modeling and its applications: A state-of-the-art review. Open Hydrology Journal, 5(1), 26-50. https://doi.org/10.2174/1874378101105010026

Faruk, D. Ö. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering applications of artificial intelligence, 23(4), 586-594. https://doi.org/10.1016/j.engappai.2009.09.015

Ghafourian, H., Sanaei Nejad, S. H., and Jabbari Nooghabi, M. (2020). Evaluation of Time Series Models in Prediction of Seasonal Precipitation Based on Remote Sensing Data (Case Study: Arid and Semi-arid Climates). Journal of Climate Research, 1399(42), 77-94. https://clima.irimo.ir/article_125162.

Loudyi, D., Falconer, R. A., & Lin, B. (2007). Mathematical development and verification of a non-orthogonal finite volume model for groundwater flow applications. Advances in water resources, 30(1), 29-42. https://doi.org/10.1016/j.advwatres.2006.02.010

Hassanpour, M., & Khozaymehnejad, H. (2017). Determination of suitable areas for artificial recharge to increase qanat discharge in the Gonabad aquifer. Journal of Auifer and Qanat, 1(1), 13-25. . https://doi.org/10.5194/egusphere-egu22-2236 [In Persian]

Imani, R. I. , Ghazavi, R. and Esmali Ouri, A. (2021). Stochastic Monthly Rainfall Time Series Analysis, Modeling and Forecasting ( A case study: Ardebilcity. Journal of Arid Regions Geographic Studies,12(44),84-98. [in Persian]

Khayat, A., Akhondi, Z., & Khozeymehnezhad, H. (2025). Evaluation of the accuracy of fuzzy neural network in estimating the discharge of Qanats in Birjand city. Journal of Aquifer and Qanat. https://doi.org/10.5040/9780755650828.0007

Marofi, S., Khetar, B., Sadeghifar, M., Parsafar, N., & Ildoromi, A. (2013). Drought prediction using SARIMA time series and SPI index in the central region of Hamedan province. Water Research in Agriculture, 28(1), 213-225.

Sattari, M., Shamsi Sosahab, R. (2014).Estimation of Groundwater Level in Ardebil Plain Using Artificial Neural Networks. Pages 1-7. 11th National Students Conference. University of Urmia, Urmia, September 11-13. https://doi.org/10.1111/gwat.12620

Wang, W. C., Chau, K. W., Xu, D. M., & Chen, X. Y. (2015). Improving forecasting accuracy of annual runoff time series using ARIMA based on EEMD decomposition. Water resources management, 29, 2655-2675. https://doi.org/10.1007/s11269-015-0962-6

Younesi, H., Torabi Podeh, H., Arshiya, A., & Mirzapour, H. (2017). Simulation of average monthly flow of Badavar-Noorabad River using time series models, 6th Scientific Research Conference on Soil Resources Management, Kerman. [in Persian]