پژوهش آب ایران

پژوهش آب ایران

ارزیابی عملکرد الگوریتم‌های SEBAL و EEFLux در برآورد تبخیر و تعرق روزانه با استفاده از داده‌های ماهواره لندست 8

نوع مقاله : مقاله پژوهشی

نویسندگان
ابوالفضل دلاوری کامیاب 1
شهرو مختاری 2
رضا جعفری نیا 2
1 دانشجوی دکترای گروه مهندسی آب، دانشکدة کشاورزی.، دانشگاه آزاد اسلامی، واحد اراک
2 دانشیار گروه مهندسی آب، دانشکدة کشاورزی، دانشگاه آزاد اسلامی، واحد اراک
10.22034/iwrj.2021.11164
چکیده
تبخیر و تعرق به عنوان یکی از مولفه‌های کلیدی چرخه هیدرولوژیکی کره زمین می‌باشد و برآورد دقیق آن به عنوان یک عامل مهم در برنامه‌ریزی و مدیریت منابع آب در کشاورزی از اهمیت بسیار زیادی برخوردار می‌باشد. طی چند دهه گذشته، روش‌های مبتنی بر استفاده از تصاویر ماهواره‌ای مورد توجه پژوهشگران قرار گرفته است به طوریکه محققان انواع روش‌های سنجش از دور را برای برآورد تبخیر و تعرق توسعه داده‌اند. در پژوهش حاضر، امکان استفاده از دو مدل مبتنی بر سنجش از دور سبال (SEBAL) و متریک (EEFlux) و نیز مقایسه آنها در برآورد تبخیر و تعرق روزانه در مزرعه اوقاف اراک مورد بررسی قرار گرفت. با استفاده از مدل‌های SEBAL و EEFlux شارهای سطحی برای هر پیکسل تصویر ماهواره‌ لندست 8 (برای هست تصویر در دوره فصل رویشی در مزرعه اوقاف اراک) محاسبه و مقدار تبخیر و تعرق واقعی به صورت باقی مانده معادله توازن انرژی در سطح برآورد شد. دقت نتایج الگوریتم‌های SEBAL و EEFlux با استفاده از داده‌های لایسیمتر (برداشت شده در 8 تاریخ منطبق با تاریخ تصاویر ماهواره لندست 8) با استفاده از معیارهای PBAIS، NSE، RMSE و R2 انجام شد. نتایج برآورد تبخیر و تعرق روزانه حاصل از الگوریتم‌های SEBAL و EEFLux به این صورت بود که با شروع فصل زراعی مقادیر تبخیر و تعرق روزانه کم بود و سپس با گذر زمان و رسیدن به میانه‌های فصل زراعی مقدار تبخیر و تعرق به اوج خود رسید و سپس بعد از آن مقادیر تبخیر و تعرق به علت کاهش دما و همچنین تغییرات پوشش ذرت در منطقه مورد مطالعه سیر نزولی به خود گرفت. مقایسه الگوریتم‌های SEBAL و EEFLux حاکی از آن بود که الگوریتم SEBAL حدود 7.71 درصد تبخیر و تعرق واقعی روزانه در محدوده مزرعه اوقاف اراک را بیشتر برآورد کرده است. نتایج ارزیابی عملکرد بیانگر این بود که RMSE، NSE، PBIAS و R2 بر اساس الگوریتم SEBAL به ترتیب برابر با 0.711، 0.807، 7.398 و 0.885 و برای الگوریتم EEFLux به ترتیب برابر با 1.046، 0.582، 15.080 و 0.793 بود. از این‌رو ارزیابی عملکرد الگوریتم‌های SEBAL و EEFLux با توجه به داده‌های لایسیمتر نشان داد که الگوریتم SEBAL دارای همبستگی بالاتر و و انحراف معیار کمتر نسبت به الگوریتم EEFLux می‌باشد. براین اساس، الگوریتم‌ SEBAL نسبت به الگوریتم EEFLux نتایج بهتری را ارائه داده است و الگوریتم‌ SEBAL دقت بالای تصاویر در برآورد تبخیر و تعرق را نشان داد
کلیدواژه‌ها
تبخیر و تعرق روزانه
سنجش از دور
لندست 8
SEBAL و EEFLux

موضوعات

  • امیدوار ج. نوری س. داوری ک. و فرید حسینی ع. 1392. برآورد تبخیر و تعرق واقعی مبتنی بر تصاویر ماهواره‌ای با استفاده از دو الگوریتم سبال و متریک. نشریة علمی پژوهشی مهندسی آبیاری و آب ایران. 3(4): 11-22.
  • بافکار ع. فرهادی ب. و کریمی ع. 1391. برآورد ضریب گیاهی ذرت دانه‌ای با استفاده از خصوصیات فیزیولوژیکی گیاه (مطالعة موردی: ماهی‌دشت کرمانشاه). نشریه آب ‌و خاک (علوم و صنایع کشاورزی). 27(4)832-838.
  • ثنایی‌نژاد س. ح. نوری س. و هاشمی‌نیا س. م. 1390. برآورد تبخیر و تعرق با استفاده از تصاویر ماهواره‌ای در منطقة مشهد. نشریه آب‌وخاک (علوم و صنایع کشاورزی). 25(3) 540-547.
  • خیراندیش ح. 1397. بررسی تغییرات منابع آب زیرزمینی اراک و پیامدهای آن. پایان‌نامة کارشناسی ارشد. دانشگاه آزاد اسلامی، واحد اراک. 100 ص.
  • سرگزی ع. و قویدل م. 1396. برنامه‌ریزی و تخصیص بهینة منابع آب در بخش کشاورزی (مطالعة موردی: شهرستان صومعه‌سرا). تحقیقات منابع آب ایران. 13(2): 74-81.
  • طائی سمیرمی س. مرادی ح. ر. و خداقلی م. 1393. شبیه‌سازی و پیش‌بینی برخی از متغیرهای اقلیمی توسط مدل چندگانة SDSM و مدل‌های گردش عمومی جو (مطالعة موردی: حوزة آبخیز بار نیشابور). فصلنامة انسان و محیط‌زیست. 12(28): 1-16.
  • علیزاده ا. کمالی غ. ع. خانجانی م. ج. و رهنورد م. ر. 1383. ارزیابی روش‌های برآورد تبخیر- تعرق در مناطق خشک ایران. فصلنامة تحقیقات جغرافیایی. 19: 97-105.
  • فرهادی بانسوله ب. کریمی ع. ر. و حصادی ه. 1395. برآورد تبخیر و تعرق واقعی با استفاده از الگوریتم سبس و تصاویر لندست در ماهی‌دشت. پژوهش‌های آب‌وخاک. 30(3): 706-716.
  • قربانی ا. فرامرزی م. کرمی ج. غلامی ن. و سبحانی ب. 1394. ارزیابی مقایسه‌ای الگوریتم‌های سبال و متریک در برآورد تبخیر و تعرق (مطالعة موردی: شهرستان ملایر). برنامه‌ریزی و آمایش فضا.
  • Allen R. Irmak A. Trezza R. Hendrickx J.M. Bastiaanssen W. and Kjaersgaard J. 2011. Satellite‐based ET estimation in agriculture using SEBAL and METRIC. Hydrological Processes. 25(26): 4011-4027.
  • Bastiaanssen W. G. Noordman E. J. M. Pelgrum H. Davids G. Thoreson B. P. and Allen R. G. 2005. SEBAL model with remotely sensed data to improve water-resources management under actual field conditions. Journal of irrigation and drainage engineering. 131(1): 85-93.
  • Battude M. Al Bitar A. Brut A. Tallec T. Huc M. Cros J. and Demarez V. 2017. Modeling water needs and total irrigation depths of maize crop in the south west of France using high spatial and temporal resolution satellite imagery. Agricultural Water Management. 189: 123-136.
  • Bhattarai N. Quackenbush L. J. Im J. and Shaw S. B. 2017. A new optimized algorithm for automating endmember pixel selection in the SEBAL and METRIC models. Remote Sensing of Environment. 196: 178-192.
  • Choubin B. Darabi H. Rahmati O. and Sajedi-Hosseini F. and Kløve B. 2018. River suspended sediment modelling using the CART model: a comparative study of machine learning techniques. Science of the Total Environment. 615: 272-281.
  • Droogers P. 2000. Estimating actual evapotranspiration using a detailed agro-hydrological model. Journal Hydrologyl. 229: 50-58.
  • Elnmer A. Khadr M. Kanae S. and Tawfik A. 2019. Mapping daily and seasonally evapotranspiration using remote sensing techniques over the Nile delta. Agricultural water management. 213: 682-692.
  • Herman M. R. Nejadhashemi A. P. Abouali M. Hernandez-Suarez J. S. Daneshvar F. Zhang Z. and Sharifi A. 2018. Evaluating the role of evapotranspiration remote sensing data in improving hydrological modeling predictability. Journal of Hydrology. 556: 39-49.
  • Kang S. Gu B. Du T. and Zhang J. 2003. Crop coefficient and ratio of transpiration to evapotranspiration of winter wheat and maize in a semi-humid region. Agricultural water management. 59(3): 239-254.
  • Li F. and Lyons T. 2002. Remote estimation of regional evapotranspiration. Environmental Modelling and Software. 17(1): 61-75.
  • Liou Y. A. and Kar S. K. 2014. Evapotranspiration estimation with remote sensing and various surface energy balance algorithms-A review. Energies. 7: 2821-2849.
  • Ndou N. N. Palamuleni L. G. and Ramoelo A. 2018. Modelling depth to groundwater level using SEBAL-based dry season potential evapotranspiration in the upper Molopo River Catchment, South Africa. The Egyptian Journal of Remote Sensing and Space Science. 21(3): 237-248.
  • Oliveira Costa J. José J. V. Wolff W. de Oliveira N. P. R. Oliveira R. C. Ribeiro N. L. and Schlichting, A. F. 2020. Spatial variability quantification of maize water consumption based on Google EEflux tool. Agricultural Water Management. 232: 106037.
  • Singh R. K. Senay G. B. Velpuri N. M. Bohms S. and Verdin J. P. 2014. On the downscaling of actual evapotranspiration maps based on combination of MODIS and Landsat-based actual evapotranspiration estimates. Remote Sensing. 6(11): 10483-10509.
  • Talsma C. Good S. Miralles D. Fisher J. Martens B. Jimenez C. and Purdy A. 2018b. Sensitivity of Evapotranspiration Components in Remote Sensing-Based Models. Remote Sensing. 10(10): 1601.
  • Talsma C. J. Good S. P. Jimenez C. Martens B. Fisher J. B. Miralles D. G. and Purdy A. J. 2018a. Partitioning of evapotranspiration in remote sensing-based models. Agricultural and forest meteorology. 260: 131-143.
  • Venancio L. P. Eugenio F. C. Filgueiras R. França da Cunha F. Argolo dos Santos R. Ribeiro W. R. and Mantovani E. C. 2020. Mapping within field variability of soybean evapotranspiration and crop coefficient using the Earth Engine Evaporation Flux (EEFlux) application. Plos one. 15(7): e0235620.
  • Xu T. Guo Z. Xia Y. Ferreira V. G. Liu S. Wang K. and Zhao C. 2019. Evaluation of twelve evapotranspiration products from machine learning, remote sensing and land surface models over conterminous United States. Journal of Hydrology. 578: 124105.
  • Yang J. Mei X. R. Huo Z. G. Yan C. R. Hui J. U. Zhao F. H. and Qin L. I. U. 2015. Water consumption in summer maize and winter wheat cropping system based on SEBAL model in Huang-Huai-Hai Plain, China. Journal of Integrative Agriculture. 14(10): 2065-2076.
  • Zhou X. Bi S. Yang Y. Tian F. and Ren D. 2014. Comparison of ET estimations by the three-temperature model, SEBAL model and eddy covariance observations. Journal of hydrology. 519: 769-776.

  • تاریخ دریافت 24 تیر 1399
  • تاریخ بازنگری 13 دی 1399
  • تاریخ پذیرش 26 بهمن 1399
  • تاریخ انتشار 01 دی 1400