ارائه تکنیک داده‏های پانلی در برآورد تبخیر تعرق مرجع ماهانه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی علوم آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

2 دانشگاه فردوسی مشهد

چکیده

یکی از مهمترین اجزای چرخه هیدرولوژیکی، تبخیر-تعرق می‏باشد و برآورد آن برای بسیاری از مطالعات نظیر مدیریت منابع آب، شبیه‏سازی عملکرد محصول و برنامه‏ریزی آبیاری حائز اهمیت است. هدف از این پژوهش، برآورد تبخیر-تعرق مرجع با استفاده از روش داده‏های پانلی است. روش داده‏های پانلی یک تحلیل چند متغیره بوده که در آن تحلیل رگرسیون در هر دو بعد مکانی و زمانی صورت می‏گیرد. این مطالعه با استفاده از داده‏های هواشناسی 9 ایستگاه سینوپتیک خراسان رضوی در بازه زمانی 2010-1971 انجام شد. داده‏های موجود به صورت کاملاً تصادفی به دو مجموعه تقسیم شدند، 75 درصد برای توسعه مدل و 25 درصد باقیمانده برای ارزیابی مدل اختصاص یافت. برای توسعه مدل میانگین ماهیانه دمای هوا و میانگین ماهانه سرعت باد به عنوان متغیرهای مستقل و مجموع ماهانه تبخیر-تعرق مرجع به عنوان متغیر مستقل در نظر گرفته شد. نتایج نشان داد که تصریح اثرهای ثابت دوطرفه از سایر تصریح‏ها مناسبتر است.‏ شاخص‏های آماری (جذر میانگین مربعات خطای 85/9 میلی‏متر در ماه، میانگین قدرمطلق خطا 38/7 میلی‏متر در ماه و ضریب تعیین 99/0) کارآمد بودن این مدل را آشکار ساخت. همچین، در مقایسه مدل داده‏های پانلی با مدل رگرسیون حداقل مربعات معمولی و روش هارگریوز-سامانی، مدل فوق دارای توانایی بالاتری در برآورد تبخیر-تعرق مرجع می‏باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Using Panel Data Technique to Estimation Reference Evapotranspiration

نویسندگان [English]

  • Pooya Shirazi 1
  • Kamran Davary 2
  • Bijan Ghahraman 2
  • Mehdi Jabbari Nooghabi 2
1 PhD Student, Water Science Engineering Department, Ferdowsi University of Mashhad
2 Ferdowsi University of Mashhad
چکیده [English]

Evapotranspiration is the most important part of the hydrological cycle, which plays a key role in water resource management, crop yield simulation, and irrigation scheduling. The purpose of this research was to estimate the reference evapotranspiration using ‘panel-data’ models. Panel-data multivariate analysis endows regression analysis with both spatial and temporal dimensions. This study was carried out using weather data of 9 synoptic stations of Khorasan Razavi during 1971-2000. Data were divided randomly into two sub-sets, 75% for model development and 25% for model evaluation. The panel-data models were developed using the monthly mean air temperature and monthly mean wind speed as inputs in order to estimate monthly reference evapotranspiration. The results indicated that the two-way fixed effects models were superior. The statistical index (RMSE = 9.85, MAE = 7.38 and R2 = 0.99) revealed the effectiveness of this model. In addition, these results were compared with the results of ordinary least squares regression and Hargreaves-Samani equation which showed the superiority of the panel-data models.

کلیدواژه‌ها [English]

  • FAO Penman-Monteith
  • Panel Data Models
  • Specification Fixed Effects

مراجع

شریفان، ح.، قربانی، خ. 1393. بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M5. نشریه آبیاری و زهکشی ایران. 1. 8: 53-61.
فرسادنیا، ف.، زحمتی، س.، قهرمان، ب.، مقدم‏نیا، ع. 1394. ارائه تکنیک پیش‏بینی غیر-نظارت شونده در برآورد تبخیر-تعرق گیاه مرجع. تحقیقات منابع آب ایران. 11. 3: 31-42.
کواکبی، غ.، موسوی بایگی، م.، مساعدی، ا.، جباری نوقابی، م.، 1393. تعیین عوامل موثر بر وقوع خشکسالی با تحلیل داده‏ های پانلی (مطالعه موردی استان خراسان رضوی). نشریه آب و خاک (علوم و صنایع کشاورزی) 6: 1298–1310.
مهرگان، ن.، اشرف‏زاده، ح. ر. 1387. اقتصاد‏سنجی پانل دیتا. چاپ اول دانشگاه تهران، موسسه تحقیقات تعاون، تهران.
وزیری، ژ.، سلامت، ع.، انتصاری، م.، مسچی، م.، حیدری، ن.، دهقانی سانیچ، ح.، 1387. تبخیر و تعرق (دستورالعمل محاسبه آب مورد نیاز گیاهان). انتشارات کمیته ملی آبیاری و زهکشی ایران، تهران.
هادی قنوات، غ.، شهیدی، ع.، خاشعی سیوکی، ع.، هاشمی، ر.، 1394. کاربرد مدل داده های ترکیبی در برآورد غلظت کلر آبخوان دزفول. آب و فاضلاب 5: 48–55.
Allen, R.G., Pereira, L.S., Raes, D., Smith, M. 1998. Crop evapotranspiration: Guidelines for computing crop water requirements - FAO Irrigation and drainage paper 56.
Baltagi, B., 2008. Econometric analysis of panel data. Wiley.
Croissant, Y., Millo, G., 2018. Panel data econometrics with R. Wiley.
Eslamian, S.S., Gohari, S.A., Zareian, M.J., Firoozfar, A., 2012. Estimating Penman–Monteith reference evapotranspiration using artificial neural networks and genetic algorithm: a case study. Arabian Journal for Science and Engineering. 37. 4: 935–944.
Feng, Y., Cui, N., Gong, D., Zhang, Q., Zhao, L., 2017. Evaluation of random forests and generalized regression neural networks for daily reference evapotranspiration modelling. Agricultural Water Management. 193: 163–173.
Hsiao, C. 2003. Analysis of panel data. Cambridge University Press.
Izady, A., Davary, K., Alizadeh, A., Ghahraman, B., Sadeghi, M., Moghaddamnia, A., 2012. Application of “panel-data” modeling to predict groundwater levels in the Neishaboor Plain, Iran. Hydrogeology Journal. 20. 3: 435–447.
Karbasi, M., 2018. Forecasting of multi-step ahead reference evapotranspiration using wavelet- gaussian process regression model. Water Resources Management. 32. 3: 1035–1052.
Kisi, O., 2011. Evapotranspiration modeling using a wavelet regression model. Irrigation Science. 29. 3: 241–252.
Lee, L.F., Yu, J., 2010. Some recent developments in spatial panel data models. Regional Science and Urban Economics. 40. 5: 255–271.
Lin, C.H., Chao, C., Cheng, K.H., 2014. Study for regional evapotranspiration by fuzzy inference system. Advanced Materials Research. 838–841: 1776–1779.
Mahabbati, A., Izady, A., Mousavi Baygi, M., Davary, K., Hasheminia, S.M., 2017. Daily soil temperature modeling using “panel-data” concept. Journal of Applied Statistics. 44. 8: 1385–1401.
Maurseth, P.B., 2018. The effect of the Internet on economic growth: Counter-evidence from cross-country panel data. Economics Letters. 172: 74–77.
Ozgur, K., Aytac, G., 2010. Evapotranspiration modeling using linear genetic programming technique. Journal of Irrigation and Drainage Engineering. 136. 10: 715–723.
Pesaran, M.H., 2015. Time series and panel data econometrics. Oxford University Press.
Samani, Z. 2000. Estimating solar radiation and evapotranspiration using minimum climatological data. Journal of Irrigation and Drainage Engineering, 126. 4: 265-267.
Shiri, J., Nazemi, A.H., Sadraddini, A.A., Landeras, G., Kisi, O., Fard, A.F., Marti, P., 2013. Global cross-station assessment of neuro-fuzzy models for estimating daily reference evapotranspiration. Journal of Hydrology. 480: 46–57.
Slavisa, T., Branimir, T., Miomir, S., 2003. Forecasting of reference evapotranspiration by artificial neural networks. Journal of Irrigation and Drainage Engineering. 129. 6: 454–457.
Suzuki, T., 2017. Effects of the global economic crisis on FDI inflow in eastern European economies: a panel data analysis. Economics of European Crises and Emerging Markets. 10: 63-91.
Yassin, M.A., Alazba, A.A., Mattar, M.A., 2016. Artificial neural networks versus gene expression programming for estimating reference evapotranspiration in arid climate. Agricultural Water Management. 163: 110–124.
نشریه آبیاری و زهکشی ایران
دوره 13، شماره 5 - شماره پیاپی 77
آذر و دی 1398
صفحه 1342-1351

فایل ها

هم رسانی

ارجاع به این مقاله

آمار