长期径流研究在美国使用SARIMA和ARIMA模型

摘要：在这项研究中，季节自回归移动平均（SARIMA）和自回归积分移动平均（ARIMA）模型的能力进行了调查长期径流预测在美国。 在第一阶段，使用1901至2010年的数据（每个州的所有站的平均值）预测2011年美国每个州的径流量。 结果表明，SARIMA模型的精度优于ARIMA模型。 所有状态的SARIMA模型的相对误差<5％。 在第二阶段，通过使用1901年至2000年的年平均径流数据，预测2001 - 2011年的径流量。周期项等于20，R2 = 0.91，平均偏差误差（MBE）= 1.29mm的SARIMA模型 在这个阶段最好的模式。 根据获得的结果，在每20年或几乎四分之一世纪的美国的年径流数据之间观察到趋势。

关键词ARIMA; 水文过程; 周期性术语 径流预报; 季节性趋势

1 径流预报的历史

    Schar等人（2004）预测利用气象资料同化系统降水的季节性径流。高的相关性表明，可靠的季节性径流预报系统的构建可以从模型之间的统计关系同化的沉淀和随后的径流。人工神经网络是一种径流预测的其他方法。此外，利用水文工程中心进行季节性径流（HEC）模型（乔林等人，2002）。方和马里诺（1984c）提出一个两阶段的城市径流预报模型。这种方法被发现的30 min. Wang引领时代特别有用等人。（2011建立了一个改进的有理方程）干旱地区径流估计成功。哈比卜等人。（2007）调查当地的系统和随机误差常用的翻斗雨量计的影响（TB）对径流预测的准确性。计算径流的差异由结核随机误差产生依赖的径流量的大小，并对降雨输入的时间分辨率。近几十年来，雷达信息有助于径流数据准确的预测者（Rahimi等人，2014）。方和马里诺（1984a，1984b）调查的敏感性和不同的方程模型应用到实时城市径流预报。

2 有马应用在水文预报预测

    许多方法和可供研究的长期预测模型中，如随机模型、模糊理论、人工神经网络（banihabib等人，2012；Valipour等人，2012a），和粗糙集理论，综合自回归移动平均（ARIMA）和季节性自回归移动平均（SARIMA）模型已经应用了基于随机理论；考虑观测值之间的相关，并通过提供系统的搜索每个阶段（识别、估计和诊断检查）一个合适的模型是用于确保水文预报具有很强的随机成分（张等人，2011）。

valipour等人。（2013）相比，自回归移动平均（ARMA），对该水库月入库流量预报有马和自回归神经网络模型。流入到水库表明ARIMA模型的结果与预测的ARMA模型的比较。Valipour（2012b），采用时间序列模型，确定所需的观测数据对降雨预报根据气候条件。通过比较R二该模型，确定了时间序列模型在半干旱气候，降雨预报更合适。此外，考虑到蒸发准确估计的重要性（psilovikos和Elhag2013，Valipour2012b；Valipour 2015 valipour和eslamian，2014），有马可以在水文气象和灌溉需水预测蒸散强大的模型（Mahdizadeh Khasraghi等人。，2014；valipour，2014b，2014c；Valipour等人。，2014）。Valipour（2013a，2013b）预测的雪水当量使用ARIMA模型与关系的<< 10%错误。Valipour（2012a，2012c）确定在伊朗临界地区农业水管理根据年度降雨利用ARIMA模型。使用收集到的数据，为下一个1年的降水量预测的ARIMA模型的制作。

3 本研究的必要性和新奇

    一些限制（根据以往研究）如下：（1）大多数研究集中在短期或中期（每日、每周或每月）的径流预报；（2）得到的结果是适用于特定的气候条件，但不适合各种气候条件；（3）ARMA、ARIMA模型考虑了超过用于水文时间序列预测模型之间的SARIMA模型（然而，SARIMA模型的精度比其他时间序列模型，通过使用适当的周期项增加）；（4）尽管其他水文参数如降雨提高了预测的准确度的使用，这些数据并不是所有地区的收集，和（5）的情况下，径流预测盆地遍布多个国家，决策是困难的政府。