Çoruh havzasındaki aylık nehir akımlarının çok değişkenli stokastik modellemesi
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu çalışmada, ilk olarak sabit parametreli çok değişkenli otoregressif (AR) ve sabit parametreli çok değişkenli otoregressif-hareketli ortalama (ARMA) modellerinin metodolojisi ayrıntılı bir şekilde anlatılmış, daha sonra da Çoruh Havzası'ndaki 9 adet akım gözlem istasyonuna(2304, 2305, 2315, 2316, 2320, 2321, 2322, 2323, 2325) ait aylık nehir akımlarının çok değişkenli stokastik modelleri kurulmuştur. Çalışmada kullanılan aylık veriler Elektrik İşleri Etüt İdaresi (EİE) Akım Gözlem Yıllıklarındaki kayıtlardan alınmıştır. Modellerin kurulmasında Box-Jenkins metodolojisi takip edilmiştir.Çalışma kapsamında çok değişkenli AR(1), AR(2), ARMA(1,1) ve ARMA(1,2) modelleri kurulmuştur. En iyi modelin seçim aşamasında ise Akaike Bilgi Kriterine (AIC) başvurulmuş ve AIC değeri en küçük olan çok değişkenli AR(1) modelinin aylık akımlar için en iyi model olduğuna karar verilmiştir. Bu çok değişkenli AR(1) modeli kullanılarak tarihi seriyle aynı uzunlukta 100 adet sentetik seri türetilmiş. Bu türetilen serilerin tarihi serinin parametrelerini (ortalama, standart sapma ve otokorelasyon) %95 güven aralığında muhafaza ettiği görülmüştür.Anahtar Kelimeler: Çok değişkenli otoregressif model, çok değişkenli otoregressif-hareketli ortalama modeli, Çoruh Havzası, nehir akımı, Akaike Bilgi Kriteri In this study, firstly methodology of multivariate autoregressive (AR) models with constant parameter and multivariate autoregressive-moving average (ARMA) models with constant parameter were comprehensively presented. Afterwards multivariate stochastic models were obtained for streamflow observations of 9 stations (2304, 2305, 2315, 2316, 2320, 2321, 2322, 2323, 2325) located in Çoruh Basin, Turkey. Studies were carried out by using data from the water years published by EIE. Box Jenkins methodology was followed to construct models.Within the scope of this study, four multivariate autoregressive models were constructed such as AR(1), AR(2), ARMA(1,1) and ARMA(1,2). The Akaike Information Criterion (AIC) test was applied while selecting the most efficient model and multivariate AR(1) model whose AIC value is the lowest was found as the best model for monthly streamflows. By using the AR(1) model, 100 synthetic streamflow series were generated, each being the same long as historic time series. These generated streamflow series were found to have the same statistical parameters (monthly mean, monthly standard deviation and autocorrelation) as the historic time series within %95 confidence intervals.Keywords: Multivariate autoregressive model, multivariate autoregressive-moving average model, Çoruh Basin, streamflow, Akaike Information Criterion
Collections