انجمن هواشناسی ایران هواشناسی و علوم جوّ 2645-7261 8 شماره 2 2025 12 22 Rainfall Analysis and Modeling Using the ARIMA Model (Case Study: Ahvaz) تحلیل و مدلسازی بارش با استفاده از مدل آریما(مطالعه موردی: اهواز) 92 111 250624 10.22034/jmas.2026.576251.1266 FA لیلا مکرم دانشگاه یزد - گروه جغرافیا 0009-0009-0947-9162 احمد مزیدی دانشیار گروه جغرافیا دانشگاه یزد 0000-0003-4558-9907 Journal Article 2026 02 16 Abstract<br>Precipitation is one of the most important components of the water cycle and is considered one of the most important input components to the hydrological cycle, which plays a very important role in assessing the climatic characteristics of any region. Rainfall forecasting plays a very important role in preparedness, management, and prevention of events resulting from natural hazards. In this research, to forecast the annual rainfall of the Ahvaz synoptic station, annual precipitation data of the Ahvaz station for the statistical period of 1970 - 2019 were used. To forecast rainfall behavior, the ARIMA modeling method was utilized. To check the stationarity of the model, autocorrelation functions (ADF) and partial autocorrelation functions (PACF) were used. The best ARIMA model for forecasting the rainfall of the Ahvaz station was identified as the ARIMA (3,1,1) model. The rainfall forecast for the coming years indicates a downward trend in rainfall for the Ahvaz station. Also, in this research, to forecast the annual rainfall of the Ahvaz station, the Random Forest (RF) machine learning method was utilized, which, considering the time series of the data, had lower accuracy compared to the ARIMA model. The purpose of this model is to compare with the ARIMA time series in order to forecast annual rainfall at the Ahvaz station. چکیده<br>بارندگی یکی از مهمترین اجزای چرخه آب بوده و به عنوان یکی از مهمترین مؤلفه های ورودی به چرخه هیدرولوژی به شمار می رود که در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی را ایفا می کند . یش‌بینی بارندگی نقش بسیار مهمی در آمادگی، مدیریت و پیشگیری از رخدادهای ناشی از مخاطرات طبیعی ایفا می‌کند. در این پژوهش برای پیش بینی بارندگی سالانه ایستگاه سینوپتیک اهواز از داده‌های بارش سالانه ایستگاه اهواز برای دوره آماری ۲۰۱۹ - ۱۹۷۰ استفاده گردید . برای پیش‌بینی رفتار بارش از روش مدلسازی آریما بهره گرفته شد . برای بررسی ایستایی مدل توابع خودهمبستگی(ADF) و خودهمبستگی جزیی (PACF) بکار رفت بهترین مدل آریما برای پیش‌بینی بارش ایستگاه اهواز مدل آریما (3,1,1) تشخیص داده شد. پیش بینی بارش برای سال‌های آتی روند نزولی بارش برای ایستگاه اهواز را نشان می‌دهد. همچنین در این پژوهش برای پیش بینی بارندگی سالانه ایستگاه اهواز از روش یادگیری ماشین درخت تصادفی یا Random Forest (RF) بهره گرفته شد که با توجه به سری زمانی داده‌ها نسبت به مدل آریما از دقت کمتری برخوردار بود. هدف از این مدل، مقایسه با سری زمانی ARIMA به‌منظور پیش‌بینی بارندگی سالانه در ایستگاه اهواز است. https://www.ims-jmas.net/article_250624_c80c35d1aaf7e81ec44cc8f605fd6903.pdf