CONTRIBUTION OF SEASONAL STOCHASTIC MODELS SARIMA TO THE RATIONAL WATER RESOURCES MANAGEMENT. THE CASE OF THE KRANIA ELASSONA KARST SYSTEM, THESSALY, GREECE


A. Μανάκος
Γ. Δημόπουλος
Abstract

Several stochastic models, known as Box and Jenkins or SARIMA (Seasonal Autoregressive Integrated Moving Average) have been used in the past for forecasting hydrological time series in general and stream flow or spring discharge time series in particular. SARIMA models became very popular because of their simple mathematical structure, convenient representation of data in terms of a relatively small number of parameters and their applicability to stationary as well as nonstationary process.

Application of the seasonal stochastic model SARIMA to the spring's monthly discharge time series for the period 1974-1993 in Krania Elassona karst system yielded the following results. Logarithms of the monthly spring discharge time series can be simulated on a SARIMA (4,1,1)(1,1,1)12 type model. This type of model is suitable for the Krania Elassona karst system simulation and can be utilised as a tool to predict monthly discharge values at Kafalovriso spring for at least a 2 year period. Seasonal stochastic models SARIMA seem to be capable of simulating both runoff and groundwater flow conditions on a karst system and also easily adapt to their natural conditions.

Adapting the proper stochastic model to the karst groundwater flow conditions offers the possibility to obtain accurate short term predictions, thus contributing to rational groundwater resources exploitation and management planning

Article Details
  • Section
  • Hydrology and Hydrogeology
Downloads
Download data is not yet available.
References
Box, G.E.P. and Cox, D.R., 1964. An Analysis of Transformations. J. R. Stat. Soc, Ser. B, 26: 211-252.
Box, G.E.P. and Jenkins, G.M.,1976. Time Series Analysis: Forecasting and Control. Revised Edition. Holden Day, Inc., San Francisco, Calif., 532 pp. 201
Box, G.E.P. and Pierce, D.A., 1970. Distribution of Autocorrelations in Autoregressive Integrated Moving Average Time Series Models. J. Amer. Stat. Assoc,180 pp.
Γεωργίου Π.E., 1996. Διαστασιολόγηση ταμιευτήρων με τη μέθοδο Rippl σε συνθετικές σειρές εισροών και τη μέθοδο των πιθανοτήτων μετάβασης σε ιστορική σειρά, Διπλωματική Μεταπτυχιακή Διατριβή, Τμήμα Γεωπονίας Α.Π.Θ., 269 σελ.
Marquardt, D.W., 1963. An Algorithm for Least Squares Estimation of Nonlinear Parameters. J. of the Society for Industrial and Applied Mathematics, 2, 431-441.
Μανάκος, Α., 1999 : Υδρογεωλογική συμπεριφορά και στοχαστική προσομοίωση του καρστικού υδροφόρου συστήματος Κρανιάς Ελασσόνας. Διδακτορική διατριβή Α.Π.Θ, 214 σελ..
Μανάκος, Α., &Τασιός,Ν., 1999. Υδρογεωλογική έρευνα μεγάλων ανθρακικών μαζών Θεσσαλίας. Καρστικός υδροφορέας Κρανιάς. Θες/νίκη. Εσωτερική έκθεση Ι.Γ.Μ.Ε, 214 σελ.
Μανάκος, Α. & Δημόπουλος, Γ., 1999. Οριοθέτηση και γεωμετρικά χαρακτηριστικά του καρστικού υδροφόρου συστήματος του τεκτονικού παράθυρου Κρανιάς Ελασσόνας, Θεσσαλία. 5ο Υ/Γ, Λευκωσία, Κύπρος, 323- 336.
McKerchar, Α.I. and Delleur, J.W., 1974. Application of Seasonal Parametric Linear Stochastic Models to Monthly Flow Data. Water Resour. Res., 10(2), 246-255.
Παπαμιχαήλ, Δ.Μ., 1989. Διερεύνηση Συναρτησιακών Ομοιωμάτων και Συνδυασμού των με Στοχαστικές Διαδικασίες για την Επίλυση Υδρολογικών Προβλημάτων. Διδακτορική Διατριβή, Θεσσαλονίκη, 178 σελ.
Παπαμιχαήλ, Δ.Μ., 1991. Στοχαστική Υδρολογία. Πανεπιστημιακές παραδόσεις στο Μεταπτυχιακό Τμήμα Εγγείων Βελτιώσεων Α.Π.Θ., Θεσσαλονίκη, 175 σελ.
Παπαμιχαήλ, Δ.Μ., 1993. Προσομοίωση των Μηνιαίων Παροχών του Ποταμού Αχελώου με Εποχιακά Στοχαστικά Ομοιώματα. Πρακτικά 2ου Υδρογεωλογικού Συνεδρίου, Πάτρα, σελ. 693-703.
Salas, J.D., Boes, D.C. and Smith, R.A., 1982. Estimation of ARMA Models with Seasonal Parameters. Water Resour. Res.,18(4),1006-1010.
Salas, J.D., Delleur, J.W., Yevjevich, V. and Lane, W.L., 1985. Applied Modelling of Hydrologie Time Series.
Water Resources Publications, Colorado, USA, 484 pp.
Stedinger, J.R., Lettenmaier, D.P. and Vogel, R.M.,1985. Multisite ARMA(1,1) and Disaggregation Models for annual Streamflow Generation. Water Resour. Res., 21(4), 497- 509.
Most read articles by the same author(s)