التنبؤ بسرعة الرياح الشهرية في منطقة سبها جنوب غرب ليبيا للفترة 2023-1972 باستخدام النموذج الموسمي الهجين SARIMA-GARCH

محمد امراجع محمد; عيسى عمر السرحاني

المؤلفون

محمد امراجع محمد جامعة سبها قسم الإحصاء بكلية العلوم ليبيا
عيسى عمر السرحاني جامعة سبها قسم الإحصاء بكلية العلوم ليبيا

الكلمات المفتاحية:

سرعة الرياح، النموذج الهجين، سلاسل زمنية، عنقودية التقلبات، أبعاد التنمية المستدامة

الملخص

يشهد العالم تحولاً جذرياً في أنظمة الطاقة نتيجة للتغيرات المناخية المتسارعة، وتبرز طاقة الرياح كواحدة من أكثر مصادر الطاقة المتجددة كفاءة ونضجاً من الناحية التكنولوجية، غير ان التقلبات الزمنية في سرعة الرياح تمثل تحدياً جوهرياً لعملية التنبؤ. يهدف البحث إلى بناء نموذج إحصائي هجين (SARIMA‑GARCH) للتنبؤ بسرعة الرياح الشهرية في منطقة سبها (جنوب غرب ليبيا) خلال الفترة 1972–2023، حيث يعالج نموذج SARIMA البنية الموسمية والارتباط الخطي، بينما يتولى نموذج GARCH نمذجة التقلبات العنقودية وعدم ثبات التباين في البواقي. اعتمدت الدراسة على بيانات شهرية من محطة أرصاد سبها (624 مشاهدة). بعد اختبار استقرارية السلسلة والتأكد من وجود تأثير ARCH في بواقي نموذجSARIMA، تم تقدير النموذج الهجين SARIMA(1,0,1)(1,1,0)₁₂ - GARCH(1,1)وقد أظهر تقييم الأداء خارج العينة (2022‑2023) تفوقاً واضحاً للنموذج الهجين، إذ تحسنت معايير المعلومات (AIC) بنسبة 6%، وانخفضت أخطاء التنبؤ (MAPE) بنسبة 29% مقارنة بالنموذج الموسمي التقليدي، وجميع معاملات النموذج معنوية إحصائياً، مما يؤكد استقرار التباين الشرطي واستمرارية التقلبات..

تشير التنبؤات للأعوام 2024–2027 إلى ان متوسط سرعة الرياح السنوية يتراوح بين 9.38 و9.73 م/ث، مع استمرار النمط الموسمي (ذروة ربيعية) واتساع تدريجي لفترات الثقة مع امتداد الأفق الزمني. وبناءً عليه وتؤكد هذه النتائج كفاءة النموذج الهجين في تحسين دقة التنبؤات بسرعة الرياح، بما يدعم تخطيط وتشغيل مشروعات طاقة الرياح في جنوب ليبيا، مع التوصية بتوسيع نطاق الدراسة مستقبلاً ليشمل محطات أرصاد إضافية وإدخال متغيرات مناخية مساعدة.

المراجع

نهلة محمد شرميط (2010) استخدام التحليل الاحصائي لبيانات المناخ الدالية، دراسة تطبيقية. رسالة ماجستير غير منشورة، الاكاديمية الليبية، طرابلس، ليبيا.

Alharbi, F. R., & Csala, D. (2021). Wind speed forecasting using statistical and machine learning methods: A case study in Saudi Arabia. Energy Reports,7: 452–462. https://doi.org/10.1016/j.egyr.2021.01.007

Brahim Taoussi,Sidi Mohammed Boudia,Fares Sofiane Mazouni (2025). Wind speed forecasting using univariate and multivariate time series models. Stochastic environmental research and risk assessment, 39(2): 547-579.DOI:10.1007/s00477-024-02881-2.

Chrisko, A. N. M., & Otto, P. (2026). Spatiotemporal dynamics of wind-speed volatility. arXiv. Doi.org.

Ewing, B. T., Kruse, T. A., & Schroeder, J. L. (2006). Time series analysis of wind speed with time-varying turbulence. Environmetrics, 17(2), 119–127

IPCC. (2022). Climate change 2022: Impacts, adaptation and vulnerability. Cambridge University Press.

Milad, S., Milićević, S., & Katić, V. A. (2023). Comparative Analysis of Wind Speed Distribution Models: A Case Study of Libya. In 2023 10th International Conference on Electrical, Electronic and Computing Engineering (IcETRAN) (1-6). IEEE.‏

Rachid, M., Said, D., & Boumediene, B. (2012). Wind characteristics analysis for selected site in Algeria. International Journal of Computer Applications, 56(5): 39-46.‏

Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2): 461–464. https://doi.org/10.1214/aos/1176344136

Shaltami M. (2016), Wind energy resource assessment for Sabha, Libya. International Journal of Renewable Energy. 5(2): 88-95.

]11[ محمد امراجع محمد وعلي خير صابر ( (2018. استخدام النموذج الموسمي المضاعف للتنبؤ بدرجات الحرارة الشهرية: دراسة حالة: مدينة طرابلس بشمال غرب ليبيا. مجلة جامعة سبها للعلوم البحثية والتطبيقية 17(2): 83-93.

Abdelkarim, A. S., Danardono, D., Himawanto, D. A., & Atia, H. M. (2014). Analysis of wind speed data in East of Libya. International Journal of Engineering Research & Technology (IJERT), 3(12), 800-805.‏

Almabrouk A. R. (2019). Wind speed distribution in Fezzan region, Libyan Journal of Science, 29:112-125.

Bodlal H. M. (2016). Analysis of solar and wind energy potential in Libyan desert, Journal of Arid Environments, 124: 15-22.

Elmabruk, A. M., Aleej, F. A., & Badii, M. M. (2014). Estimation of wind energy in Libya. In 2014 5th International Renewable Energy Congress (IREC) (1-6). IEEE.‏

El-Osta A. and J. Khalifa (1997), Wind energy potential in Libya: A survey, Renewable Energy, 11(4): 435-449.

Mohammed Ibrahim Alowaa, Mohamed Abdalla Hossinb, Hamed Abdul Haq saidc, Othman Abdussalam Othmand and Mahfuz Ibrahim Wadan. (2025). Comparative Assessment of Wind Energy Resources Using NASA data and meteorological station Measurements: A Case Study of Sebha city, Libya. Journal of Emerging Technologies and Innovative Research. 12(12): c408-c430.

Poon, S. H., & Granger, C. W. J. (2003). Forecasting volatility in financial markets: A review. Journal of Economic Literature, 41(2), 478-539.‏

Boshnakov, G. N., & Halliday, J. (2025). Sarima: Simulation and Prediction with Seasonal ARIMA Models (Version 0.9.5) [R package]. CRAN.

Bunnag, T. (2024). Forecasting PM10 caused by Bangkok's leading greenhouse gas emission using the SARIMA and SARIMA-GARCH model. International Journal of Energy Economics and Policy, 14(1), 418-426.‏

Chang, X., Gao, M., Wang, Y., & Hou, X. (2012). Seasonal autoregressive integrated moving average model for precipitation time series. Journal of Mathematics & Statistics, 8(4).‏

Hung Wenjie and Hongxing (1980): ARIMA Seasonal of Time Series and its Application to Long Range Weather Forecasting, WMO Symposium on Probabilistic and Statistical Methods in Weather Forecasting.

Ilham Tyass, Abdelouahad Bellat, Abdelhadi Raihani, Khalifa ansouri and Tajeddine Khalili. (2022). Wind Speed Prediction Based on Seasonal ARIMA model. E3S Web Conf., 336 (2022) 00034. DOI: https://doi.org/10.1051/e3sconf/202233600034.

Saker G. M., (2021). Evaluating ARIMA models for meteorological data in North Africa, Arabian Journal of Geosciences, 14(8): 600-615.

Sharma, S. K., & Ghosh, S. (2016). Short-term wind speed forecasting: Application of linear and non-linear series models. International Journal of Green Energy, 13(14):1490–1500. https://doi.org/10.1080/15435075.2016.1212200.

Bera, A. K., & Higgins, M. L. (1993). ARCH Models: Properties, Estimation and Testing. Journal of Economic Surveys, 7(4), 305-366.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3): 307-327. https://doi.org/10.1016/0304-4076(86)90063-1.

Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773.

Francq, C., & Zakoïan, J. M. (2019). GARCH models: Structure, statistical inference and financial applications (2nd ed.). Wiley.

Ghalanos, A. (2022). rugarch: Univariate GARCH models (R package version 1.4.9). https://cran.r-project.org/package=rugarch

Modarres, R., & Ouarda, T. B. (2013). Generalized autoregressive conditional heteroscedasticity modelling of hydrologic time series. Hydrological Processes, 27(22), 3174-3191.‏

Cryer, J. D., & Chan, K. S. (2008). Time series analysis: With applications in R (2nd ed.). Springer.

Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series S. forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 1–22. https://doi.org/10.18637/jss.v027.i03

R Core Team. (2023). R: A language and environment for statistical computing (Version 4.3.1) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Schwert, G. W. (1989). Tests for unit roots: A Monte Carlo investigation. Journal of Business & Economic Statistics, 7(2), 147–159. https://doi.org/10.1080/07350015.1989.10509723

Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3), 599–607. https://doi.org/10.1093/biomet/71.3.599

Kwiatkowski, D., Phillips, P. C. B., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics, 54(1–3), 159–178. https://doi.org/10.1016/0304-4076(92)90104-Y

Phillips, P. C. B., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335–346. https://doi.org/10.1093/biomet/75.2.335

Box, G.E.P., Jenkins, G.M., Reinsel, G.C., & Ljung, G.M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). John Wiley & Sons.

Brockwell, P.J., & Davis, R.A. (1991). Time Series: Theory and Methods (2nd ed.). Springer.

Tsay, R. S. (2010). Analysis of financial time series (3rd ed., Chapter 3). Wiley.

Vandaele, W. (1983). Applied Time Series and Box-Jenkins Models, John Wiley & Sons.

Dritsaki, C. (2018). The Performance of Hybrid ARIMA-GARCH Modeling and Forecasting Oil Price. International Journal of Energy Economics and Policy, 8(3), 14–21.

Hussin, N. H., Yusof, F., & Norrulashikin, S. M. (2021). Forecasting Wind Speed in Peninsular Malaysia: An Application of ARIMA and ARIMA-GARCH Models. Pertanika Journal of Science & Technology, 29(1).‏

Liu, H., Tian, H. Q., & Li, Y. F. (2016). Comparison of two new ARIMA-ARCH and C. B., C. ARIMA-GARCH modelsTsay, R. S. (2010). Analysis of financial time series (3rd ed Wiley.

Liu, H., Erdem, E., & Shi, J. (2011). Comprehensive evaluation of ARMA–GARCH(-M) approaches for modeling the mean and volatility of wind speed. Applied Energy, 88(3), 724-732.

Ling, S., & McAleer, M. (2003). Asymptotic theory for a vector ARMA-GARCH model. Econometric Theory, 19(2), 280–310.

Manjunatha, B., Paul, R. K., Ramasubramanian, V., Kumar, A., Paul, M. Y., Ray, M., ... & Deb, C. K. (2025). A hybrid ARIMA-GARCH type copula approach for agricultural price forecasting. Statistics and Applications, 23(1), 197-216.‏

Méndez-Gordillo, Alma Rosa & Campos-Amezcua, Rafael & Cadenas, Erasmo, (2022). Wind speed forecasting using a hybrid model considering the turbulence of the airflow, Renewable Energy, Elsevier, 196(c):422-431.

Nor Hafizah Hussin, Fadhilah Yusof, Siti Mariam Norrulashikin. (2023), A comparative study of ARIMA-GARCH model and artificial neural network model for wind speed forecasting. AIP Conf. Proc. 8 February 2023; 2500 (1): 020009. https://doi.org/10.1063/5.0116189

Qasim, Tahira Bano & Ali, Hina & Malik, Natasha & Liaquat, Malka, (2021). Forecasting Inflation Applying ARIMA Model with GARCH Innovation: The Case of Pakistan, Journal of Accounting and Finance in Emerging Economies. 7(2): 313-324.

Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723. https://doi.org/10.1109/TAC.1974.1100705

Pandey, P. K., Tripura, H., & Pandey, V. (2019). Improving prediction accuracy of rainfall time series by hybrid SARIMA–GARCH modeling. Natural Resources Research, 28(3), 1125-1138.‏