آشکارسازی چگونگی واکنش خطی-غیرخطی و ترکیبی تبخیر پتانسیل به متغیرهای هواشناختی (مطالعه موردی: ایستگاه سینوپتیک تبریز)

آب و خاک

مقاله 12، دوره 34، شماره 5 - شماره پیاپی 73، دی 1399، صفحه 1175-1188  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v34i5.82703

نویسنده

حمید میرهاشمی

استادیار آب و هواشناسی گروه جغرافیا دانشگاه لرستان

چکیده

تبخیر پتانسیل به‌عنوان یکی از مهمترین مؤلفه‌های چرخه آب به شمار می‌رود که برآیند اندرکنش چندین متغیر هواشناختی است. در این پژوهش به‌منظور آشکارسازی روابط خطی و غیرخطی و چگونگی تأثیر متغیرهای هواشناختی بر مقادیر تبخیر پتانسیل ایستگاه سینوپتیک تبریز از مدل‌های جمعی تعمیم‌یافته (GAM) و مدل خطی تعمیم‌‌یافته (GLM) استفاده شد. به این ترتیب، مقادیر ماهانه متغیرهای هواشناختی شامل دمای هوا، فشار هوا، نم‌نسبی، سرعت باد و ساعات آفتابی به‌عنوان متغیرهای شناختی و مقدار تبخیر از تشت تبخیر به‌عنوان متغیر پاسخ در این مدل‌ها در نظرگرفته شدند. همچنین برای تعیین گره و گرادیان‌های واکنش تبخیر به متغیرهای هواشناختی از ترکیب الگوریتم سیمپلکس و مدل تطبیقی مارس اسپلاین تحت سه سناریوی آب و هوایی S-1، S-2 و S-3 که بر پایه داده‌های ایستگاه‌ تبریز تعریف شده بودند استفاده شد. نتایج حاصل از دو مدل GAM و GLM نشان داد که نم‌نسبی در ترکیب با سایر متغیرهای هواشناختی از تأثیر خطی و غیرخطی معناداری بر گرادیان تبخیر پتانسیل برخوردار نیست. چنانکه با کنترل دمای هوا، نقش نم‌نسبی در گرادیان تبخیر ناچیز و قابل چشم‌پوشی شد. در این خصوص بهترین ترکیب متغیرهای هواشناختی در مدل‌های GAM و GLM براساس آماره AIC به‌ترتیب به مقدار 84- و 62- و خطای محاسباتی 71/0 و 76/0 میلی‌متر به‌دست آمد. همچنین نتایج حاصل از ارزیابی مؤلفه‌های هموارساز اسپلاین مدل GAM و ترکیب الگوریتم سیمپلکس ـ مدل تطبیقی مارس اسپلاین نشان داد که واکنش انفرادی و ترکیبی تبخیر به متغیرهای هواشناختی تنها منوط به یک سطح نیست بلکه واکنش تبخیر از گرادیان‌های متفاوتی در مقابل تغییرات این متغیرها برخوردار است. چنانکه حساسیت و واکنش تبخیر نسبت به هر واحد تغییر از این متغیرها به مقدار مطلق آن متغیر در ترکیب با سایر متغیرها بستگی داشت. یعنی اثر هریک از متغیرهای هواشناختی بر مقدار تبخیر تا حد زیادی منوط به رابطه‌ای است که این متغیر با سایر متغیرهای هواشناختی دارند، در صورتی‌که چنین موضوعی برای دمای هوا چندان صدق نمی‌کند.

کلیدواژه‌ها

الگوریتم سیمپلکس؛ تبخیر؛ غیرخطی؛ سناریو؛ مدل ترکیبی؛ مؤلفه هموارساز

مراجع

1. 1- Aguado E., and Burt J.E. 2013. Understanding weather and climate. Pearson. 608.

   2- Allen R.G., Pereira L.S., Raes D., and Smith M. 1998. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. Rome, Italy: Fao.

   3- Dehghani A.A., Piri M., Hesam M., and Dehghani N. 2012. Estimation of Daily Pan Evaporation By Using MLP,RBF and Recuurent Neural Networks. Journal of Water and Soil Conservation 17(2): 49-67. (In Persian with English abstract).

   4- Guisan A., Edwards Jr T.C., and Hastie T. 2002. Generalized linear and generalized additive models in studies of species distributions: setting the scene. Ecological Modelling 157(2-3): 89-100.

   5- Gundalia Manoj J., and Dholakia Mrugen B. 2013. Dependence of evaporation on meteorological variables at daily time-scale and estimation of pan evaporation in Junagadh region. American Journal Eng Research 10(2): 354-362.

   6- Hastie T., and Tibshirani R. 1986. Generalized Additive Models. Statistical Science 1(3): 297-310.

   7- Hastie T., and Tibshirani R. 1987. Non-parametric logistic and proportional odds regression. Journal of the Royal Statistical Society: Series C (Applied Statistics) 36(3): 260-276.

   8- Isazadeh M., ahmadzadeh h., and Ghorbani M.A. 2016. Assessment of Kernel Functions Performance in River Flow Estimation using Support Vector Machine. Journal of Water and Soil Conservation 23(3): 69-89. (In Persian with English abstract)

   9- Jahanbakhsh S., Khorshiddoust A.M., Mirhashemi H., Khorrami H., and Tadayoni M. 2014. Trending Changes of the Reference Crop Water Requirement and its Associated Meteorological Variables in East Azerbaijan. Water and Soil 28(2): 296-306. (In Persian with English abstract)

   10- Kay A., and Davies H. 2008. Calculating potential evaporation from climate model data: A source of uncertainty for hydrological climate change impacts. Journal of Hydrology 358(3-4): 221-239.

   11- Khorshiddoust A.M., Jahanbakhsh Asl S., Mirhashemi H., and Farzin S. 2016. Modeling and Analysis of the Combined Effects of Meteorological Variables on Atmospheric Evaporative Potential Using Structural Equation (Case Study: Tabriz City). Water and Soil Science 25(4/2): 257-270. (In Persian with English abstract)

   12- Lutgens F.K., and Tarbuck E.J. 2016. Atmosphere, The: An Introduction to Meteorology. 13 ed.: Pearson.

   13- O'Neill R.t. 1971. Algorithm AS 47: function minimization using a simplex procedure. Journal of the Royal Statistical Society. Series C (Applied Statistics) 20(3): 338-345.

   14- Rahimikhoob A., and Mahmoodi A. 2012. Estimating Actual Evapotranspiration in a Catchment Using Artificial Neural Networks with Minimum Climatic Data Case Study: Emame Representative Catchment. Iran-Water Resources Research 7(4): 51-61. (In Persian with English abstract)

   15- Rakhecha P., and Singh V.P. 2009. Applied hydrometeorology. Springer Science & Business Media.

   16- Remenieras G. 1984. Principles of Engineering Hydrology. Vol. 1r, Iran: Ministry of Power. 400.

   17- Ren J., Li Q., Yu M., and Li H. 2012. Variation trends of meteorological variables and their impacts on potential evaporation in Hailar region. Water Science and Engineering 5(2): 137-144.

   18- Shadmani M., and Marofi S. 2011. Comparison of Some Methods for Estimation of Daily Pan Evaporation: Case Study in Kerman Region. Journal of Water and Soil Science 15(55): 69-84.(In Persian with English abstract)

   19- Shi H., Li T., and Wang G. 2017. Temporal and spatial variations of potential evaporation and the driving mechanism over Tibet during 1961–2001. Hydrological Sciences Journal 62(9): 1469-1482.

   20- Valizadeh Kamran H. 2014. Estimation of Potential Evapotranspiration with Estefnz Method and GIS Techniques in Eastern Azerbaijan. Geography and Planning 18(49): 317-334. (In Persian)

   21- Van Bavel C. 1966. Potential evaporation: the combination concept and its experimental verification. Water Resources Research 2(3): 455-467.

   22- Xu C.Y., and Singh V. 1998. Dependence of evaporation on meteorological variables at different time‐scales and intercomparison of estimation methods. Hydrological Processes 12(3): 429-442.

   23- Yan Z., Wang S., Ma D., Liu B., Lin H., and Li S. 2019. Meteorological Factors Affecting Pan Evaporation in the Haihe River Basin, China. Water 11(2): 317.