برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه های عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان

محورهای موضوعی : توسعه سیستم های مکانی

عزیز عظیمی ¹ (دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه شهید چمران اهواز)
کاظم رنگزن ² (دانشیار دانشکده علوم زمین، دانشگاه شهید چمران اهواز)
مصطفی کابلی زاده ³ (استادیار دانشکده علوم زمین، دانشگاه شهید چمران اهواز)
محمد خرمیان ⁴ (دکتری آبیاری و زهکشی، مرکز تحقیقات کشاورزی صفی آباد دزفول)

تاریخ دریافت : 1393/08/25 تاریخ پذیرش : 1394/03/30 تاریخ انتشار : 1394/10/01

کلید واژه: evapotranspiration, شبکه‌های عصبی مصنوعی, Remote Sensing, سنجش از دور, تبخیر و تعرق, الگوریتم سبال, معادله پنمن- مانتیث- فائو, SEBAL Algorithm, Artificial neural networks (ANN), Penman-Monteith- FAO equation,

چکیده مقاله :

تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انرژی سطحی برای زمین (سبال) و همچنین ارزیابی عملکرد شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق می باشد. جهت محاسبه میزان سبال تبخیر و تعرق، روش الگوریتم سبال بوسیله تصاویر ماهواره ای مورد استفاده قرار گردید. در این تحقیق از چهار تصویر لندست 8 استفاده شد که مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتیث- فائو، نشان می‌دهد که میانگین مربعات خطا (MSE) 54/1 و میانگین خطای مطلق (MAE) 04/1 میلیمتر در روز می‌باشد. برای حل پیچیدگی فرآیند تبخیر، از شبکه‌های عصبی مصنوعی برای پیش بینی تبخیر از تشت بر اساس داده‌های هواشناسی استفاده گردید. در این تحقیق شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده های اقلیمی روزانة 13 ساله ایستگاه صفی آباد دزفول استفاده شد. نتایج حاصل از محاسبات نشان داد بهترین شبکه، شبکه‌ای با همه ورودی‌ها، با یک لایه پنهان و 28 نرون در لایه میانی می‌باشد. نتایج پیاده سازی این شبکه نشان دهنده، شاخص های آماری معیارهای میانگین مربعات خطا (MSE) 0032/0، میانگین خطای مطلق (MAE) 0445/0 و ضریب تبین (R2) 9609/0 می‌باشد. مقایسه نتایج بدست آمده از روش شبکه های عصبی مصنوعی با روش پنمن- مانتیث- فائو نشان می‌دهد که میانگین مربعات خطا (MSE) 11/1 و میانگین خطای مطلق (MAE) 52/0 میلی متر در روز می‌باشد. این نتایج، بیانگرعملکرد بهتر شبکه‌های عصبی مصنوعی نسبت به روش سنجش از دور در برآورد میزان تبخیر و تعرق می‌باشد.

چکیده انگلیسی:

Evaporation waste of water is one of the most important factors. Because evapotranspiration is a complex phenomenon that depends on many factors and data, accurate estimation of evaporation and transpiration, is very difficult and costly. Therefore, the purpose of this study was to estimate evapotranspiration using the surface energy balance algorithm for land (SEBAL) and also evaluate the performance of artificial neural networks. To estimates the Evapotranspiration rate the method of SEBAL Algorithmby using satellite images was applied. For this purpose, four images of Landsat 8 in this study were used that by comparing the results from the two methods, Remote Sensing and Penman-Monteith- FAO Equation presented MSE and MAE as respectively 1.54 and 1.04 per day. To solve the complexity of the evaporation process, Artificial Neural Networks was used for forecasting evaporation pan based on meteorological data. Perceptron with Back-propagation algorithm was applied for training it in this study. It used daily climate data that collected during 13 years from a Safi Abad station in Dezful city for network training. The results showed that the best network was the network with all inputs along with a hidden layer and 28 Neurons in the middle layer. The implementation results of this network presented that statistical Indicators were as MSE (0.0032), MAE (0.0445), R2 (0.9609). Comparing the results from Artificial Neural Networks and Penman-Monteith- FAO as reference method showed that MSE and MAE were 1.11 and 0.52 mm per day, respectively. These results presents that the performance of Artificial Neural Networks was better than the remote sensing method in the estimation of evapotranspiration rate.

منابع و مأخذ:

1. اصغرزاده، ح. ع. و ح. ثنایی­نژاد. 1385. تخمین تبخیر - تعرق گیاهان با استفاده از داده­های سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS) در حوضه آبخیز تنگ کنشت کرمانشاه. اولین همایش ملی مدیریت شبکه­های آبیاری و زهکشی، دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب. 12 الی 14 اردیبهشت ماه.

2. امیدی، ر. و ف. رادمنش.1392. برآورد تبخیر و تعرق مرجع با استفاده از شبکه عصبی مصنوعی. چهارمین همایش ملی مدیریت شبکه‌های آبیاری و زهکشی. دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب. 6 الی 8 اسفند ماه.

3. امینی بازیانی، س.، م. اکبری و ح. زارع ابیانه.1391.برآورد تبخیر تعرق با استفاده از الگوریتم سبال مطالعه موردی: دشت همدان بهار. اولین همایش ملی حفاظت و برنامه ریزی محیط زیست. دانشگاه آزاد اسلامی واحد همدان. 3 اسفند ماه.

4. بیات ورکشی، م.، ح. زارع ابیانه و ع. قاسمی. 1387. ارزیابی روش‌های مختلف تبخیر و تعرق  گیاه مرجع با استفاده از روش پنمن- مانتیث- فائو 56. دومین همایش ملی مدیریت شبکه‌های آبیاری و زهکشی. دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب. 1 بهمن ماه.

5. ثنایی­نژاد، ح.، س. نوری و م. هاشمی­نیا. 1390. برآورد تبخیر و تعرق واقعی با استفاده از تصاویر ماهواره­ای در منطقه مشهد. آب و خاک، 25(3): 540-547.

6. حسن­پور، ب.، ف. میرزایی، ص. ارشد وس. ف. ریاضی. 1389. برآورد تبخیر و تعرق توسط الگوریتم بیلان انرژی سطح زمین. سومین همایش ملی مدیریت شبکه­های آبیاری وزهکشی، دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب. 1 الی 2 اسفند ماه.

7. رحمانی، غ. ر. 1390. شبیه­سازی منابع آب زیرزمینی دشت عقیلی با استفاده از شبکه عصبی مصنوعی و مقایسه آن با نتایج مدل ریاضی تفاضلات محدود. پایان­نامه کارشناسی ارشد هیدروژئولوژی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز. 134 صفحه.

8. شهابی­فر، م.، م. عصاری، م. کوچک­زاده و س. م. میرلطفی. 1389. ارزیابی برخی از روش­های محاسباتی تبخیر- تعرق گیاه مرجع چمن با استفاده از داده­های لایسیمتری در شرایط گلخانه­ای. پژوهش آب در کشاورزی، 24(1): 13-19.

9. عبدلی، ح.، س. اسلامیان و ج. عابدی کوهپایی. 1389. استفاده از تصاویر ماهواره­ای لندست 7 و مودیس برای برآورد تبخیر و تعرق از طریق سنجش از دور در مدیریت آبیاری. سومین همایش ملی مدیریت شبکه­های آبیاری وزهکشی، دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب. 1 الی 2 اسفند ماه.

10. قبادیان، ر. 1388. ارزیابی دقت روش شبکه‌های عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر و تعرق پتانسیل در کرمانشاه. دهمین سمینار سراسری آبیاری و کاهش تبخیر. کرمان، 19 الی 21 بهمن ماه.

11. قمری­نیا، ه .، و. رضوانی، گ. مهدی­آبادی و س. م. غلامیان. 1389.محاسبه تبخیر و تعرق گیاه با استفاده از روش سبال در دشت بیلوار کرمانشاه. . سومین همایش ملی مدیریت شبکه­های آبیاری وزهکشی، دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب. 1 الی 2 اسفند ماه.

12. کریمی، ع. ر.، ب. فرهادی بانسوله و ه. حصادی. 1391. برآورد تبخیر و تعرق واقعی در مقیاس منطقه‌ای با استفاده از الگوریتم سبال و تصاویر لندست. مجله آبیاری و زهکشی ایران، 6(4): 353-364.

13. گنجی­زاده، ر. 1392. ارزیابی مقدار تبخیر و تعرق با استفاده از سنجش از دور و مقایسه آن با روش تجربی (مطالعه موردی: دشت بیرجند). چهارمین همایش ملی مدیریت شبکه‌های آبیاری و زهکشی. دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب. 6 الی 8 اسفند ماه.

14. محسنی ساروی، م.، ح. احمدی و ک. نصرتی. 1389. کاربرد مدل SEBAL در برآورد تبخیر و تعرق در حوزه آبخیز طالقان. اولینکنفرانس بین المللی مدلسازی گیاه، آب، خاکو هوا. مرکز بین المللی علوم و تکنولوژی پیشرفته و علوم محیطی، کرمان، 23 الی 24 آبان ماه.

15. نیاز علیزاده مقدم، ع. 1386. پیش­بینی عددی ماکسیمم دمای فرودگاه شهید بهشتی اصفهان با استفاده از شبکه­های عصبی مصنوعی. پایان­نامه دوره کارشناشی رشته کامپیوتر، دانشگاه آزاد اسلامی واحد خوراسگان. 109 صفحه.

16. هژبر، ح. 1391. مقایسه تبخیر و تعرق پتانسیل با روش پنمن – مانتیث اصلاح شده، مدل­سازی شبکه عصبی مصنوعی و سیستم فازی با داده‌های لایسیمتری. پایان­نامه کارشناسی ارشد، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز. 99 صفحه.

17. وزیری، ژ . و ع. سلامت. 1387. تبخیر و تعرق گیاهان، کمیته آبیاری و زهکشی ایران، تهران. 389 صفحه.                                                                                             

18. Allen R, Irmak A, Trezza R, Hendrickx JM, Bastiaanssen W, Kjaersgaard J. 2011. Satellite‐based ET estimation in agriculture using SEBAL and METRIC. Hydrological Processes, 25(26): 4011-4027.

19. Allen R, Tasumi M, Trezza R, Waters R, Bastiaanssen W. 2002. SEBAL (Surface Energy Balance Algorithms for Land). Advance Training and Users Manual–Idaho Implementation, version, 1: 97.

20. Bastiaanssen W, Noordman E, Pelgrum H, Davids G, Thoreson B, Allen R. 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.

21. Compaoré H, Hendrickx JM, Hong S-h, Friesen J, van de Giesen NC, Rodgers C, Szarzynski J, Vlek PL. 2008. Evaporation mapping at two scales using optical imagery in the White Volta Basin, Upper East Ghana. Physics and Chemistry of the Earth, Parts A/B/C, 33(1): 127-140.

22. Kişi Ö, Öztürk Ö. 2007. Adaptive neurofuzzy computing technique for evapotranspiration estimation. Journal of Irrigation and Drainage Engineering, 133(4): 368-379.

23. Laaboudi A, Mouhouche B, Draoui B. 2012. Neural network approach to reference evapotranspiration modeling from limited climatic data in arid regions. International Journal of Biometeorology, 56(5): 831-841.