توسعه مدل ترکیبی رگرسیون چندگانه- تحلیل مولفه ها و عامل های اصلی (MLR-PCA) در پیش بینی تبخیر-تعرق مرجع

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
تبخیر-تعرق مرجع یکی از پارامترهای مهم در مدیریت آبیاری گیاهان است. تبخیر-تعرق مرجع یک پدیده چند متغیره و پیچیده می باشد که چندین متغیر هیدرولوژیکی آن را تحت تاثیر قرار می دهند و معمولا بر مبنای پایگاه داده های هواشناسی چندساله با استفاده از مدل های نیمه تجربی برآورد می شود. اهمیت کاربردی تخمین دقیق تبخیر- تعرق مرجع، پیچیدگی و ناشناخته بودن ریاضیات پدیده، لزوم استفاده از روش های جدید داده کاوی را نشان می دهد. به همین دلیل در این مقاله، امکان برآورد تبخیر-تعرق مرجع با استفاده از مدل ترکیبی رگرسیون چندگانه و تحلیل مولفه های اصلی (MLR-PCA) بررسی شد و اهمیت نسبی متغیرهای موثر بر تبخیر-تعرق مرجع با استفاده از تحلیل عاملی مورد ارزیابی قرار گرفت. داده های هواشناسی روزانه سال های 2005-1996 ایستگاه سینوپتیک کرمان در این تحلیل استفاده شد. دو مولفه PC1 و PC2 که 80 درصد واریانس کل را شرح دادند به عنوان مولفه های اصلی و بقیه به عنوان اختلال در نظر گرفته شدند. با استفاده از مولفه های اصلی استخراج شده، مدل رگرسیون خطی چندگانه برای تخمین تبخیر-تعرق مرجع ارائه شد. آماره t برای مقدار ثابت و برای هر یک از مولفه های اصلی تعیین گردید که طبق نتایج، تمامی ضرایب در سطح 5 درصد معنی دار بودند. طبق نتایج، PC1 اهمیت بیشتری نسبت به مولفه دیگر دارد و در مرحله بعدی PC2 دارای اهمیت می باشد و بنابراین مقادیر متغیرهای شدت تابش، رطوبت نسبی، ساعات آفتابی، دمای حداقل و دمای حداکثر برای برآورد تبخیر-تعرق از اهمیت بیشتری نسبت به سایر متغیرها برخوردارند. مقادیر ضریب همبستگی روش های MLR-PCA و MLR بر اساس مبنای مقایسه ای فائو-پنمن-مانتیث در مرحله آزمون، به ترتیب 820/0 و 840/0 بدست آمد که این مقادیر اختلاف چندانی نداشته و بیانگر توانایی روش PCA کاهش تعداد متغیرهای مورد استفاده است.

واژه های کلیدی: تبخیر-تعرق مرجع، فائو- پنمن- مانتیث، رگرسیون چندگانه، تحلیل مولفه اصلی، تحلیل عاملی

عنوان مقاله [English]

Developing a Combined Model of Multiple Linear Regression-Principal Componenet and Factor Analysis (MLR-PCA) for Estimation

نویسندگان [English]

  • A. Seifi
  • S.M. Mirlatifi
  • H. Riahi
چکیده [English]

Abstract
Reference evapotranspiration (ETo) is an essential parameter required for proper management of agricultural crop irrigation. ETo is influenced by many different hydrological variables and as a result is a very complex procces. ETo is usually estimated by empirical or process-orinented models (mathematical relationships) from historical weather data. The need for accurate estimates of ETo and the complexity of developing models to describe such complex process magnifies the need for developing new data mining methods. In this paper, the possibility of using a combined method of multiple linear regressions with principal componenets analysis (MLR-PCA) for estimating reference evapotranaspiration was investigated. In this analysis, measured daily meteorological data of Kerman synoptic weather station recorded from 1996 to 2005 were used. Three principal componenets that explained 80% of the total variance of the data were recognized as the principle componenets and others as disorder. Using the extracted principle componenets, a multiple linear regression model was developed to estimate ETo. The statistic index of t for assessing the results of a fixed constant and each componenets of PC1 and PC2 were determined. According to the results, all coefficients were significant at the level of 95% and PC1 had more importance than the other component namely PC2. This revealed that the variables of radiation intensity, relative humidity, sunshine hours, minimum temperature and maximum temperature had more importance in estimating reference evapotranspiration than other climatological parameters. Comparison of MLR-PCA model with Penman-Monteith results showed that about 82% of the total amount of the ETo variance is defined by the three aformenstioned principle componenets.

Keywords: Reference Evapotranspiration, FAO Penman-Monteith, Multiple Regression, Principle Componenet Analysis.