ارائه تکنیک داده‏های پانلی در برآورد تبخیر تعرق مرجع ماهانه

یکی از مهمترین اجزای چرخه هیدرولوژیکی، تبخیرتعرق 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 تبخیرتعرق 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 تبخیرتعرق 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 9.85 میلی‏متر در ماه، میانگین قدرمطلق خطا 7.38 میلی‏متر در ماه و ضریب تعیین 0.99) 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 تبخیرتعرق مرجع می‏باشد.

Using Panel Data Technique to Estimation Reference Evapotranspiration

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 ‘paneldata’ models. Paneldata 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 19712000. Data were divided randomly into two subsets, 75% for model development and 25% for model evaluation. The paneldata 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 twoway 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 HargreavesSamani equation which showed the superiority of the paneldata models.