|
" برآورد تبخير و تعرق مرجع در شرايط کمبود داده با استفاده از داده هاي بازتحليل شده "
نوري، ميلاد
| شماره شناسایی
|
:
|
18884506
|
| شماره مدرک
|
:
|
۶۷۶۸۰
|
| نام عام مواد
|
:
|
[گزارش نهایی -عادی]
|
| شناسه افزوده
|
:
|
نوري، ميلاد
|
|
|
:
|
تافته، آرش
|
|
|
:
|
ابراهيمي پاک، نيازعلي
|
|
|
:
|
ويسي، شادمان
|
|
|
:
|
دلسوز خاکي، بهاره
|
|
|
:
|
ملاح نوکنده، سينا
|
| عنوان اصلي
|
:
|
برآورد تبخير و تعرق مرجع در شرايط کمبود داده با استفاده از داده هاي بازتحليل شده
|
| نام نخستين پديدآور
|
:
|
نوري، ميلاد
|
| عنوان اصلي به زبان ديگر
|
:
|
Estimating reference crop evapotranspiration under data limitation using reanalyses
|
| وضعیت انتشار
|
:
|
کرج: موسسه تحقيقات خاک و آب، ۱۴۰۴
|
| فروست
|
:
|
شماره ثبت ۶۷۶۸۰ مورخ ۱۴۰۴/۰۵/۰۴۶۷۶۸۰
|
|
|
:
|
شماره طرح : 134-10-1051-005-98045-010338
|
|
|
:
|
سامانه سمپات
|
| توصیفگر
|
:
|
تصحیح خطا
|
|
|
:
|
مدل پنمن-مانتیث
|
|
|
:
|
ERA5
|
|
|
:
|
ERA5-Land
|
| خلاصه یا چکیده
|
:
|
تبخیر و تعرق مرجع (ETo) یکی از مهم¬ترین متغیرهای لازم برای پژوهش¬های کشاورزی و هیدرولوژیک است. بنابراین برآورد این متغیر از اهمیت زیادی برخوردار است. لیکن، برآورد تبخیر و تعرق مرجع بر مبنای مدل پنمن-مانتیث فائو 56 (PM) به داده¬های هواشناسی شدت تشعشع (SR)، دمای حداقل و حداکثر (Tmax و Tmin)، دمای نقطه شبنم (Tdew)، و سرعت باد (U) است؛ بنابراین تخمین این متغیر در مناطق داده محدود با مشکل مواجه است. یکی از راهکارهای مهم برای حل مشکل کمبود داده استفاده از داده¬های بازتحلیل شده است. در این مطالعه، ETo بر مبنای داده¬های بازتحلیل شده ERA5 و ERA5-Land (ERA5L) برآورد شد و با تبخیر و تعرق مرجع محاسبه شده بر مبنای داده¬های زمینی مقایسه شد. در این مطالعه، 289 ایستگاه از حوضه¬های خلیج فارس و دریای عمان، فلات مرکزی، مرزی شرقی، قره¬قوم، دریاچه ارومیه، و دریای خزر انتخاب شد. مقایسات آماری بر مبنای آماره¬های ريشه¬ي ميانگين مربعات خطا نرمال شده (nRMSE)، درصد اوریبی (PBIAS)، ضریب کارائی نش-ساتکلیف (NSE) انجام شد. نتایج نشان می¬دهد که داده¬های ERA5 و ERA5L به ترتیب در ۴۷% و ۴۲% از موارد، Tmin را با معیارهای قابل قبول برآورد کردند، با این حال هر دو مجموعه داده تمایل به کم¬برآوردی Tmin داشتند که احتمالاً ناشی از چالش¬های مدل¬سازی در شب و تأثیر عوامل محلی مانند توپوگرافی است. در مقابل، عملکرد این داده¬ها در برآورد Tmax بسیار بهتر بود. برای متغیر نقطه شبنم (Tdew)، دقت در مناطق مرطوب ساحلی بهتر بود، جایی که Tdew به Tmin نزدیک می¬شود، اما در مناطق خشک به دلیل جدایی Tdew از Tmin، خطای مدل¬ها افزایش یافت. تشعشع خورشیدی (SR) با دقت بالایی برآورد شد، اگرچه ERA5L تمایل به بیش-برآورد، به¬ویژه در مناطق کوهستانی البرز و غرب دریای مازندران، داشت. در مورد بارش و سرعت باد روزانه، هر دو بازتحلیل عملکرد ضعیفی داشتند. ناتوانی مدل‌ها در بازتولید دقیق فرآیندهای همرفتی و اوروگرافیک مؤثر بر بارش و سرعت باد، منجر به خطای سیستماتیک در این متغیرها شده است. مقایر ETo مدل شده بر مبنای داده-های بازتحلیل شده ERA5 و ERA5L در به¬ترتیب در حدود 9/61 و 7/62 درصد از نواحی مطالعه¬شده برآورد قابل قبولی داشتند. در بیش از 90 درصد از موارد ERA5L مقادیر ETo را کم¬برآورد کردند؛ لیکن ERA5 در حدود 57 درصد از موارد تمایل به بیش¬برآورد ETo نشان داد. بیشترین خطای برآورد ETo ناشی از خطای برآورد داده¬های بازتحلیلی سرعت باد روزانه است. بنابراین کاهش خطای برآورد ERA5 و ERA5L در برآورد نوسانات سرعت باد روزانه می¬تواند خطای برآورد ETo را کاهش دهد. همچنین، مقدار nRMSE در 5/76 درصد موارد برای داده‌های ERA5 و در 3/69 درصد موارد برای داده‌های ERA5L کاهش یافت. این نتایج نشان می‌دهد که اعمال روش‌های تصحیح خطا در هر دو سری زمانی به نحوی مؤثر عمل کرده است، اما عملکرد بهبود در داده‌های ERA5 مشهودتر بوده است. مدل‌های بازتحلیلی ERA5 و ERA5L با وجود برخی محدودیت‌ها، به‌ویژه در برآورد ETo، می‌توانند ابزار ارزشمندی برای مدیریت آب کشاورزی در مناطق با داده‌های محدود یا فاقد ایستگاه‌های هواشناسی باشند. با توجه به اینکه این مدل‌ها در بیش از ۶۰ درصد موارد، ETo را با دقت قابل قبولی تخمین زده‌اند، می‌توان از آن¬ها برای برآورد نیاز آبی محصولات در مناطقی که داده‌های مشاهداتی ناقص یا ناموجود هستند، استفاده کرد. این موضوع به‌ویژه در ایران که بسیاری از مناطق کشاورزی از کمبود ایستگاه‌های هواشناسی رنج می‌برند، حائز اهمیت است. از آنجا که ETo یکی از پارامترهای کلیدی در محاسبه نیاز آبی گیاهان و برنامه‌ریزی آبیاری است، داده‌های بازتحلیلی (بویژه SR و Tmax) می‌توانند جایگزین مناسبی برای مناطق فاقد داده یا کم کیفیت باشند و به کشاورزان و مدیران منابع آب کمک کنند تا با دقت بیشتری زمان و مقدار آبیاری را تعیین کنند. پژوهش‌های آینده باید با اولویت‌دهی به ایجاد یک سامانه جامع ملی برای پایش و پیش‌بینی ETo در ایران اقدام کنند.
|
|
|
:
|
Reference evapotranspiration (ETo) is one of the most important variables required for agricultural and hydrological studies; hence, its estimation is of great significance. However, estimating ETo based on the FAO-56 Penman-Monteith (PM) model requires meteorological data including solar radiation (SR), minimum and maximum temperature (Tmin and Tmax), dew point temperature (Tdew), and wind speed (U). As a result, estimating this variable in data-scarce regions faces considerable challenges. One of the main approaches to overcome data limitations is the use of reanalysis datasets. In this study, ETo was estimated using ERA5 and ERA5-Land (hereafter referred to as ERA5L) reanalysis data and compared with the ETo calculated based on ground-based observations. A total of 290 meteorological stations were selected from the Persian Gulf and Oman Sea, Central Plateau, Eastern Border, Qaraqum, Urmia Lake, and Caspian Sea basins. The statistical comparisons were performed using the normalized root mean square error (nRMSE), percentage bias (PBIAS), and Nash-Sutcliffe efficiency (NSE) indices. The results showed that ERA5 and ERA5L data respectively provided acceptable estimates of Tmin in 47% and 42% of cases. However, both datasets tended to underestimate Tmin, which is likely due to modeling challenges at night temperature and the influence of local factors such as topography. In contrast, the performance of these datasets in estimating Tmax was much better. For the dew point temperature (Tdew), the accuracy was higher in humid coastal regions, where Tdew approaches Tmin, but in arid regions — where Tdew diverges from Tmin — model errors increased. Solar radiation (SR) was estimated with high accuracy, although ERA5L tended to overestimate SR, especially in mountainous areas of Alborz and the western Caspian Sea region. Regarding daily precipitation and wind speed, both reanalysis datasets performed poorly. The inability of the models to accurately reproduce convective and orographic processes affecting precipitation and wind speed led to systematic errors in these variables. The ETo modeled based on ERA5 and ERA5L reanalysis data showed acceptable estimations in approximately 61.9% and 62.7% of the study area, respectively. In more than 90% of cases, ERA5L tended to underestimate ETo, while ERA5 overestimated ETo in about 57% of cases. The greatest error in ETo estimation was due to the error in the reanalysis-based estimation of wind speed. Therefore, reducing the error in the estimation of daily wind speed fluctuations in ERA5 and ERA5L can lead to a reduction in the error of ETo estimation. Additionally, the nRMSE decreased in 76.5% of cases for ERA5 data and in 69.3% of cases for ERA5L data. These results indicate that applying bias correction methods effectively improved both time series, though the improvement was more noticeable for ERA5 data. Despite certain limitations — particularly in ETo modeling — the ERA5 and ERA5L reanalysis models can serve as valuable tools for agricultural water management in regions with limited data availability or lacking meteorological stations. Considering that these models estimated ETo with acceptable accuracy in over 60% of the cases, they can be employed to estimate crop water requirements in areas where observational data are incomplete or unavailable. This is particularly important in Iran, where many agricultural regions suffer from data scarcity .Given that ETo is one of the key parameters in calculating crop water requirements and planning irrigation schedules, reanalysis datasets — especially SR and Tmax — can provide a suitable alternative in data-scarce or low-quality data regions. These datasets can assist farmers and water resource managers in determining the timing and amount of irrigation more accurately. Future research should prioritize the development of a comprehensive national monitoring and forecasting system for ETo in Iran to enhance agricultural water management and planning.
|
| |