برآورد تبخیر و تعرق مرجع با استفاده از داده‌های سنجش‌ازدور در دشت همدان بهار

نیاستی, زینب; عبادی, حمید; کیانی, عباس

doi:10.22034/iwrj.2021.11165

برآورد تبخیر و تعرق مرجع با استفاده از داده‌های سنجش‌ازدور در دشت همدان بهار

نوع مقاله : مقاله پژوهشی

نویسندگان

زینب نیاستی ¹

حمید عبادی ²

عباس کیانی ³

¹ دانشجوی کارشناسی ارشد سنجش‌ازدور، دانشکدة نقشه‌‌‌برداری، دانشگاه صنعتی خواجه‌‌نصیرالدین طوسی

² استاد دانشکدة مهندسی نقشه‌برداری، عضو قطب علمی فناوری اطلاعات مکانی، دانشگاه صنعتی خواجه‌‌نصیرالدین طوسی

³ استادیار گروه مهندسی نقشه‌برداری،دانشکدة عمران، دانشگاه صنعتی نوشیروانی بابل

https://doi.org/10.22034/iwrj.2021.11165

چکیده

باتوجه‌ به افزایش تولید محصولات کشاورزی و همچنین وقوع خشکسالی مکرر در بسیاری از مناطق جهان، نیاز شدید به برآورد دقیق‌تری از میزان آب مصرفی گیاهان و درنتیجه برآورد دقیق تبخیر و تعرق مرجع احساس می‌شود. معادلة پنمن مانتیث فائو برای برآورد تبخیر و تعرق مرجع به‌عنوان روشی استاندارد در بسیاری از تحقیقات معرفی شده است. از معایب اصلی این روش به‌صورت نقطه‌ای و دردسترس‌بودن داده‌های هواشناسی در مکان‌های خاص می‌باشد. درحالی‌که با استفاده از داده‌های سنجش‌ازدور می‌توان این مشکل را برطرف نمود. در این پژوهش، هدف اصلی ترکیب داده‌های سنجش‌ازدور با مدل-های یادگیری ماشین برای برآورد تبخیر و تعرق مرجع است. با استفاده از مدل‌های یادگیری ماشین، چالش‌های انتخاب بهترین مدل ممکن، متغیرهای ورودی مدل و دردسترس‌بودن داده‌های موردنیاز ایجاد می‌شود؛ بنابراین در این پژوهش مدل-های مطرح RF، GBR و SVR انتخاب و از داده‌های تصاویر لندست و شاخص‌های پوشش گیاهی استفاده شد. منطقه موردمطالعه، دشت همدان بهار واقع در مناطق غربی کشور است. در این پژوهش برای برآورد تبخیر و تعرق مرجع، از دو رویکرد استفاده شد که در رویکرد اول، متغیرهای ورودی مدل‌ها با مقادیر همة باندهای تصاویر لندست، درحالی‌که در رویکرد دوم، شاخص‌های پوشش گیاهی به‌عنوان ورودی مدل معرفی و استفاده شد. مدل RF با شاخص‌های پوشش گیاهی، نتایج آماری برابر با (%14.1=RMSE و %76.4=R2) داشت، درحالی‌که با استفاده از همة باندهای لندست (%11.7=RMSE و %84.1=R2) و همچنین در مقایسه با الگوریتم‌های دیگر، با مقداری دقت بیشتر تبخیر و تعرق مرجع را برآورد کرد. نتایج، بیان‌کننده توانایی و پتانسیل شاخص‌های پوشش گیاهی به‌تنهایی و تصاویر لندست در تهیه اطلاعات لازم برای مدیریت آبیاری در کشاورزی و همچنین توانایی الگوریتم‌های یادگیری ماشین در برآورد پارامترهایی نظیر تبخیر و تعرق مرجع می-باشد.

کلیدواژه‌ها

مدیریت آبیاری

یادگیری ماشین

شاخص‌های پوشش گیاهی

سنجش‌ازدور

تبخیر و تعرق

موضوعات

سنجش از دور

اسمعیلی س. 1395. برآورد تبخیر و تعرق با استفاده از تصاویر ماهواره‌ای تحت شرایط مختلفی از موجودیت داده‌های زمینی. پایان‌نامة کارشناسی ارشد. دانشگاه کردستان. 131 ص.

امینی بازیانی س. 1391. برآورد تبخیر و تعرق واقعی و پتانسیل در دشت همدان- بهار با استفاده از تکنیک سنجش‌از‌دور. پایان‌نامة کارشناسی ارشد. دانشگاه بوعلی‌سینا. 98 ص.
ثنایی‌نژاد ح. نوری س. هاشمی‌نیا م. 1390. برآورد تبخیر و تعرق واقعی با استفاده از تصاویر ماهواره‌ای در منطقة مشهد. نشریة آب و خاک. 25(3):540-542.
سیاسر ه. دیندارلو ع. 1399. تخمین تبخیر و تعرق مرجع روزانه به کمک مدل یادگیری عمیق، جنگل تصادفی و درخت تصمیم (مطالعة موردی: دشت سیستان). نشریة پژوهش آب ایران. 67(2): 99-108.
طباطبایی س. 1393. کاربرد سنجش‌از‌دور در برآورد تبخیر- تعرق واقعی به روش سبال (مطالعة موردی: دشت مغان). پایان‌نامة کارشناسی ارشد. دانشگاه تبریز. 122 ص.
کرباسی م. مقدم م. نیکبخت ج. کاویانی ع. 1395. تخمین تبخیر تعرق واقعی گیاه با استفاده از الگوریتم سبال (مطالعة موردی: منطقة خرم‌دره در استان زنجان). نشریة اکو هیدرولوژی. 3(3): 427-437.
مرشدی ع. طباطبائی ح. و نادری م. 1394. صحت‌سنجی برآورد تبخیر و تعرق از مدل‌های سبال و هارگریوز- سامانی با استفاده از داده‌های لایسیمتر. نشریة آب و خاک. 30(2): 367-376.
نصرتی ک. محسنی س. احمدی ح. و عقیقی ح. 1394. برآورد تبخیر و تعرق در حوضة آبخیز طالقان با استفاده از تصاویر مودیس و مدل سبال. نشریة مرتع و آبخیزداری. 68(2): 385-398.
هارونی م. ح. مرید س. و ارشد ص. 1394. ارزیابی الگوریتم سنجش‌از‌دور سبال در برآورد تبخیر و تعرق واقعی در کاربری‌های مختلف (مطالعة موردی: حوضة دریاچة ارومیه). نشریة پژوهش آب ایران. 68(2): 101-102.
یقینی ف. 1389. بررسی تأثیر نسبی عوامل اگرو اقلیمی در میزان تبخیر و تعرق واقعی گندم با استفاده از شبکه‌های عصبی در شهرستان خاتم یزد. پایان‌نامة کارشناسی ارشد. دانشگاه یزد. 114 ص.
Ali I. Greifeneder F. Stamenkovic J. Neumann M. and Notarnicola C. 2015. Review of machine learning approaches for biomass and soil moisture retrievals from remote sensing data. Remote Sensing. 7(12): 16398-16421.
Allen RG. Tasumi M. and Trezza R. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)—Model. Journal of irrigation and drainage engineering 133(4): 380-394.
Bastiaanseen W. Menenti M. Feddes R. A. and Holtslag A. A. M. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). Journal of Hydrology. 64: 198-213.
Cai J. Liu Y. Lei T. and Pereira LS. 2007. Estimating reference evapotranspiration with the FAO Penman–Monteith equation using daily weather forecast messages. Agricultural and forest meteorology. 145(1-2): 22-35.
Djaman K. Balde AB. Sow A. and Muller B. 2015. Evaluation of sixteen reference evapotranspiration methods under sahelian conditions in the Senegal River Valley. Journal of Hydrology: regional studies. 3: 139-159.
Droogers P. and Allen RG. 2002. Estimating reference evapotranspiration under inaccurate data conditions. Irrigation and drainage systems. 16(1): 33-45.
Douna V. Barraza V. Grings F. and Huete A. 2021. Towards a remote sensing data based evapotranspiration estimation in Northern Australia using a simple random forest approach. Journal of Arid Environments. 191(1):1-15.
Du T. Kang S. Sun J. Zhang X. and Zhang J. 2010. An improved water use efficiency of cereals under temporal and spatial deficit irrigation in north China. Agricultural water management. 97(1): 66-74.
Falamarzi Y. Palizdan N. Huang YF. and Lee TS. 2014. Estimating evapotranspiration from temperature and wind speed data using artificial and wavelet neural networks (WNNs). Agricultural Water Management. 140: 26-36.
Feng Y. Cui N. Zhao L. Hu X. and Gong D. 2016. Comparison of ELM, GANN, WNN and empirical models for estimating reference evapotranspiration in humid region of Southwest China. Journal of Hydrology. 536: 376-383.
Foody G. M. 2004. Thematic map comparison. Photogrammetric Engineering Remote Sensing. 70(5): 627-633.
Garcia M. Raes D. Allen R. and Herbas C. 2004. Dynamics of reference evapotranspiration in the Bolivian highlands (Altiplano). Agricultural and forest meteorology. 125(1-2): 67-82.
Gavilán P. Lorite I. Tornero S. and Berengena J. 2006. Regional calibration of Hargreaves equation for estimating reference ET in a semiarid environment. Agricultural water management. 81(3): 257-281.
Glenn E. Nagler P. and Huete A. 2010. Vegetation index methods for estimating evapotranspiration by remote sensing. Surveys in Geophysics. 31(6): 531-555.
Harvey R. and McBean E. 2014. Comparing the utility of decision trees and support vector machines when planning inspections of linear sewer infrastructure. Journal of Hydroinformatics. 16(6): 1265-1279.
Hijmans R. Cameron S. Parra P. G. Jones and Jarvis A. 2005. Very high resolution interpolated climate surfaces for global land areas, International Journal of Climatology: A Journal of the Royal Meteorological Society. 25(15): 1965-1978.
Huete, A. R. 1988. A soil-adjusted vegetation index (SAVI). Remote sensing of environment 25(3): 295-309.
Jiang Z. Huete A. Didan K. and Miura T. 2008 Development of a two-band enhanced vegetation index without a blue band. Remote sensing of environment. 112(10): 3833-3845.
Kiani A. Ahmadi F. and Ebadi H. 2021. Correction of training process in object-based image interpretation via knowledge based system capabilities. Multimedia Tools and Applications. 80(16): 24901–24924.
Maeda E. Wiberg D. and Pellikka P. 2011. Estimating reference evapotranspiration using remote sensing and empirical models in a region with limited ground data availability in Kenya. Applied Geography. 31(1): 251-258.
Mu Q. Zhao M. and Running S. 2011. Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote Sensing of Environment. 115(8): 1781-1800.
Oliveira T. Ferreira E. Dantas A. 2016. Temporal variation of normalized difference vegetation index (NDVI) and calculation of the crop coefficient (Kc) from NDVI in areas cultivated with irrigated soybean. Ciência Rural. 46(9): 1683-1688.
Roerink G. Su Z. and Menenti M. 2000. S-SEBI: A simple remote sensing algorithm to estimate the surface energy balance. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere. 25(2): 147-157.
Rouse J. Haas R. and Schell J. 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication. 351pp.
Strong C. Khatri K. and Kochanski A. 2017. Reference evapotranspiration from coarse-scale and dynamically downscaled data in complex terrain: Sensitivity to interpolation and resolution. Journal of Hydrology. 548(1): 406-418.
Su 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrology and earth system sciences. 6(1): 85-99.
Teixeira A. Bastiaanssen W. and Ahmad M. 2009. Reviewing SEBAL input parameters for assessing evapotranspiration and water productivity for the Low-Middle Sao Francisco River basin, Brazil: Part A: Calibration and validation. Agricultural and forest meteorology. 149(3-4): 462-476.
Tomas-Burguera M. Sergio M. Vicente-Serrano M. and Beguería 2017. Accuracy of reference evapotranspiration (ETo) estimates under data scarcity scenarios in the Iberian Peninsula. Agricultural water management. 182(1): 103-116.
Yamac SS. and Todorovic M. 2020. Estimation of daily potato crop evapotranspiration using three different machine learning algorithms and four scenarios of available meteorological data. Agricultural Water Management. 228(1): 1-12.
Zhang Gong Y. and Wang Z. 2018. Accessible remote sensing data based reference evapotranspiration estimation modelling. Agricultural Water Management. 210(1): 59-69.