Application of “panel-data” modeling to predict groundwater levels in the Neishaboor Plain, Iran

Abstract

The aim of this research was to predict groundwater levels in the Neishaboor plain, Iran, using a “panel-data” model. Panel-data analysis endows regression analysis with both spatial and temporal dimensions. The spatial dimension pertains to a set of cross-sectional units of observation. The temporal dimension pertains to periodic observations of a set of variables characterizing these cross-sectional units over a particular time span. Firstly, the available observation wells in the Neishaboor plain were clustered according to their fluctuation behavior using the “Ward” method, which resulted in six areal zones. Then, for each cluster, an observation well was selected as its representative, and for each zone, values of monthly precipitation and temperature, as independent variables, were estimated by the inverse-distance method. Finally, the performance of different panel-data regression models such as fixed-effects and random-effects models were investigated. The results showed that the two-way fixed-effects model was superior. The performance indicators for this model (R ² = 0.97, RMSE = 0.05 m and ME = 0.81 m) reveal the effectiveness of the method. In addition, the results were compared with the results of an artificial-neural-network (ANN) model, which demonstrated the superiority of the panel-data model over the ANN model.

Résumé

Le but de cette recherche était de prédire les niveaux de la nappe dans la plaine de Neishaboor, Iran, en utilisant un modèle avec “panneau de données”. L’analyse avec “panneau de données” fonde une analyse de régression comportant à la fois des dimensions spatiale et temporelle. La dimension spatiale se rapporte à un ensemble d’unités d’observation transversales. La dimension temporelle se rapporte aux observations périodiques d’un ensemble de variables caractérisant ces unités transversales sur un laps de temps donné. Dans un premier temps, les puits d’observation disponibles dans la Plaine de Neishaboor ont été regroupés en fonction de leur mode de fluctuation, en utilisant la méthode “Ward” qui a abouti à la définition de 6 zones. Ensuite, dans chaque groupe, un puits d’observation a été choisi pour sa représentativité et dans chaque zone, les valeurs de précipitations et de températures mensuelles, considérées comme variables indépendantes, ont été estimées par la méthode “inverse de la distance”. Enfin, la performance des différents modèles de régression par “panneau de données”, tels que les modèles à paramètres fixes et les modèles à paramètres aléatoires, a été examinée. Les résultats montrent que le modèle à paramètres fixes binaire est meilleur. Les indicateurs de performance de ce modèle (R ² = 0.97, RMSE = 0.05 m et ME = 0.81 m) révèlent l’efficacité de la méthode. De plus, les résultats ont été comparés à ceux d’un modèle de réseau de neurones artificiel (RNA), ce qui a démontré la supériorité du modèle avec “panneau de données” sur le modèle RNA.

Resumen

En esta investigación se predicen los niveles de agua subterránea en la planicie de Neishaboor, Irán, usando un modelo de “datos de panel”. El análisis de “datos de panel” está dotado de un análisis de regresión para las dimensiones espaciales y temporales. La dimensión espacial se refiere a un conjunto de unidades de secciones transversales de observación. La dimensión temporal se refiere a observaciones periódicas de un conjunto de variables que caracterizan estas unidades de secciones transversales en un lapso de tiempo determinado. En primer lugar, los pozos de observación disponibles en la planicie de Neishaboor se agruparon de acuerdo al comportamiento de las fluctuaciones usando el método “Ward”, lo cual se tradujo en seis zonas de áreas. Luego, para cada grupo se seleccionó un pozo de observación como representativo, y para cada zona se estimaron los valores de precipitación y temperatura mensual, como variables independientes, por el “método inverso de la distancia”. Finalmente, se investigaron las performances de diferentes modelos de regresión de “paneles de datos” tales como los modelos de efectos fijos y los modelos de efectos aleatorios. Los resultados mostraron que las dos formas del modelo de efectos fijos fueron superiores. Los indicadores de performance para este modelo (R ² = 0.97, RMSE = 0.05 m and ME = 0.81 m) revelan la efectividad del método. Además, .los resultados se compararon con los resultados de un modelo artificial de redes neuronales (ANN), lo cual demostró la superioridad del modelo de “datos de panel” sobre el modelo ANN.

摘要

本次研究旨在利用“面板数据”模型预测伊朗Neishaboor平原的地下水位. “面板数据”可进行分析时间和空间尺度上的回归分析. 空间尺度上适用于一系列代表性单元的观测, 时间尺度上适用于一系列以典型时间跨度上的代表性单元为特征的变量的周期性观测. 首先, 根据使用“监视”方法得到的水位波动情况对Neishaboor平原的可利用的观测井进行分组, 分为六个区域. 然后, 对于每一个群组, 以观测井作为代表, 对每一个区域的月降水量和温度值作为独立变量, 通过“反距离方法”进行估计. 最后对不同的面板数据回归模型, 如固定效应和随机效应模型的效果进行研究. 结果表明, 双向固定效应模型更好. 模型的成绩衡量指标 (R ² = 0.97, RMSE = 0.05 m and ME = 0.81 m) 显示了该法的有效性. 并将该结果与人工神经网络 (ANN) 模型的结果进行比较, 表明面板数据模型优于ANN模型.

Resumo

O objectivo desta investigação consistiu em prever os níveis de água subterrânea na planície de Neishaboor, Irão, usando um modelo de dados em painel (“panel-data”). A análise dados em painel contempla uma análise de regressão com dimensões espaciais e temporais. A dimensão espacial está relacionada com um conjunto de unidades de perfis de observação. A dimensão temporal está relacionada com observações periódicas de um conjunto de variáveis que caracterizam aquelas unidades de perfis durante um intervalo de tempo determinado. Primeiro, todos os furos de observação da planície de Neishaboor foram agrupados de acordo com o seu comportamento no que toca às oscilações, usando o método “Ward”, de que resultaram seis zonas superficiais. Depois, foi seleccionado um furo representativo de cada grupo e, para cada zona, foram estimados os valores de precipitação mensal e temperatura, como variáveis independentes, usando o método do inverso da distância. Por último, foi investigado o desempenho de diferentes modelos de regressão de dados em painel, tais como os modelos de efeitos-fixos (“fixed-effects”) e de efeitos-aleatórios (“random-effects”). Os resultados mostraram que o modelo de efeitos-fixos duplo sentido (“two-way”) foi superior. Os indicadores de desempenho deste modelo (R ² = 0.97, RMSE = 0.05 m and ME = 0.81 m) evidenciam a eficácia do método. Adicionalmente, os resultados foram comparados com os resultados de um modelo de rede neuronal artificial (RNA), tendo-se demonstrado a superioridade do modelo de dados em painel em relação ao modelo de RNA.