استفاده از روش‌های همادی برای بهبود صحت تبخیر-تعرق واقعی حاصل از سنجش ازدور پایگاه‌های جهانی (مطالعه موردی: حوضه آبریز سد کرخه)

الموضوعات :

جلال یاراحمدی ¹ (گروه مهندسی و مدیریت آب،دانشگاه تربیت مدرس، تهران، ایران)
علی شمس الدینی ² (گروه سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران)
سید مجید میرلطیفی ³ (گروه مهندسی و مدیریت آب، دانشگاه تربیت مدرس، تهران، ایران)
مجید دلاور ⁴ (گروه مهندسی و مدیریت آب، دانشگاه تربیت مدرس، تهران، ایران)

تاريخ الإرسال : 06 الثلاثاء , محرم, 1442 تاريخ التأكيد : 20 الثلاثاء , جمادى الثانية, 1442 تاريخ الإصدار : 10 السبت , شوال, 1442

الکلمات المفتاحية: GLEAM, SWAT, پایگاه جهانی, تبخیر-تعرق, SVR,

ملخص المقالة :

تبخیر-تعرق واقعی به عنوان یکی از مؤلفه های مؤثر در چرخه هیدرولوژی محسوب می گردد. از اینرو برآورد دقیق این مولفه در مقیاس حوضه آبریز میتواند نقش مهمی در مدیریت و برنامه ریزی منابع آب در دسترس دارد. در این مطالعه صحت مقادیر محصول تبخیر-تعرق واقعی پنج پایگاه جهانی شاملMOD16, MYD16, SSEBOP, GLEAM, GLDAS با استفاده از مقادیر تبخیر-تعرق بدست آمده از شبیه سازی مدل SWAT در حوضه آبریز سدکرخه در مقیاس ماهانه، برای سال های 2006، 2008 و 2011 که به ترتیب به‌عنوان سال های کم بارش، پربارش و نرمال انتخاب شده‌اند، مورد ارزیابی قرار گرفت. سپس امکان بهبود صحت مقادیر تبخیر-تعرق از طریق استفاده از روش‌های همادی ترکیب داده‌ها شامل میانگین‌گیری ساده و مدل های M5 و SVRدر هشت سناریو مختلف بررسی شد. نتایج نشان داد، محصولات تبخیر-تعرق واقعی پایگاه‌های جهانی علی‌رغم شناخت تغییرات مقادیر تبخیر-تعرق واقعی حوضه آبریز، در سطح معناداری 5 درصد دارای اختلاف معنادار با مقادیر خروجی مدلSWAT به عنوان مقادیر مشاهداتی هستند. نتایج این تحقیق نشان داد که اگرچه استفاده از روش میانگین گیری ساده تاثیر چندانی در بهبود صحت داده های پایگاه های جهانی ندارد، استفاده از دو روش همادی M5 و SVR با افزایش ضریب تبیین تا 8/0 باعث بهبود تخمین مقادیر تبخیر- تعرق واقعی حاصل از SWAT در سطح حوضه آبریز مورد مطالعه می‌شود. همچنین در سناریو برتر ترکیب داده‌ها، مدل حاصل از SVR میزان خطای مربوط به تخمین داده ها را به میزان 44 درصد نسبت به آنچه که از مدل GLEAM بدست می اید، کاهش داد.

المصادر:

امامی­فر، س. 1391. مقایسه روش­های سنجش از دور و زمین آمار برای برآورد منطقه­ای دما ی هوا ، پایانامه کارشناسی ارشد دانشگاه تهران، 112ص.

دلاور، م.، حاجی حسینی.، ح. و مرید، س. 1396. گزارش مدلسازی سیستم منابع آب و کشاورزی حوضه آبریز کرخه طرح تهیه مدل جامع شبیه­سازی هیدرولوژیکی حوضه کرخه جهت ارزیابی اثرات تغییرات محیطی بر آبدهی در بالادست سد کرخه و توسعه سامانه پیش بینی بلند مدت جریان. سازمان آب و برق خوزستان.

رحیمی­خوب، ع. و مرادی، م.ا. 1391. برآورد تبخیر و تعرق مرجع با استفاده از تصاویر ماهواره نوا و مدل درختی M5 برای شبکه های آبیاری - مطالعه موردی شبکه آبیاری قزوین. نشریه علوم و فنون کشاورزی و منابع طبیعی.

فرجی، ز.، کاویانی، ع. و شکیبا، ع. 1396. ارزیابی داده های تبخیر– تعرق، بارش و دمای هوای حاصل از مدل سطح زمین (GLDAS) با استفاده از داده های مشاهداتی در استان قزوین. نشریه پژوهش های حفاظت آب و خاک، 24(3).

Abiodun O O, Guan H, Post VE A, and Batelaan O .(2018) Comparison of MODIS and SWAT evapotranspiration over a complex terrain at different spatial scales. Hydrology and Earth System Sciences 22: 2775–2794.

Aguilar AL, Flores H, Crespo G, Marín M I, Campos I and Calera A. (2018) Performance Assessment of MOD16 in Evapotranspiration Evaluation in Northwestern. Mexico. Water 10, 901.

Allen RG, Pereira LS, Howell TA, and Jensen ME. (2013) Evapotranspiration information reporting: I. Factors governing measurement accuracy. Agricultural Water Management 98: 899–920.

Arruda Souza V, Roberti DR, Ruhoff AL, Zimmer T, Adamatti D, Gustavo J. and Osvaldo LL. (2019) Evaluation of MOD16 Algorithm over Irrigated Rice Paddy Using Flux Tower Measurements in Southern Brazil. Water .

Anderson MC, Norman JM, Mecikalski JR, Otkin JA and Kustas WP. (2007) A climatological study of evapotranspiration and moisture stress across the continental United States based on thermal remote sensing: 1. Model formulation. Journal of geophysical research 112: 101-117.

Boser BE, Guyon IM and VN Vapnik (1992) A training algorithm for optimal margin classifiers. In D.Haussler, editor, 5th Annual ACM Workshop on COLT, pages 144-152, Pittsburgh, PA.

Diak G, Kustas WP, and Moran MS. (2008) Evapotranspiration: Remote Sensing.

Dibike Y. B, Velickov S, Solomatine D. P. and Abbott M. (2001) Model induction with support vector machines: introduction and applications. Journal of Computing Civil Engineering, 15(3): 208-216.

Fana J, Wua J, Fucang Z, Huanjie C, Wenzhi Z, Xiukang W, (2019) Empirical and machine learning models for predicting daily global solar radiation from sunshine duration: A review and case study in China. Renewable and Sustainable Energy Reviews, 100: 186–212.

Fao (2008) Food and agriculture organization of united nations. Aquastat Database from Water Report 34:220-232.

Funk C, Peterson P, Landsfeld M, Pedreros D, Verdin J, Rowland J, Romero B, Husak G, Michaelsen, J and Verdin P. (2014) A Quasi-Global Precipitation Time Series for Drought Monitoring Data Series 832, 4p. Technical report.

Gao Y, Long D. (2008) Intercomparison of remote sensing-based models for estimation of evapotranspiration and accuracy assessment based on SWAT, Hydrological Processes 22(25): 4850 4869.

Hain CR, Crow WT, Mecikalski JR, Anderson MC and Holmes T. (2011) An intercomparison of available soil moisture estimates from thermal infrared and passive microwave remote sensing and land surface modeling. Journal of Geophysical Research.

He x, Xu T, Xia Y and Bateny s, (2020) A Bayesian Three-Cornered Hat (BTCH) Method: Improving the Terrestrial Evapotranspiration Estimation. Remote Sensing 12: 878.

Hofste RW(2014) Comparative analysis among near-operational evapotranspiration products for the Nile Basin based on earth observations. Master thesis, Delft University of Technology, Delft, The Netherlands.

Jain SK, Tagi J, Singh V. (2010) Simulation  of  runoff  and  sediment  yield  for  a  Himalayan  Watershed using SWAT Model, Journal of Water Resource and Protection 2:267-281.

Jongjina B, Jaehwanb J, Jongminc P And Minhad C. (2019) A study on the analyzing of uncertainty for actual evapotranspiration: flux tower, satellite-based and reanalysis based dataset. Journal of Korea. Water Resources Association 52: 11-19.

Liu S, Xu Z, Zhu Z, Jia Z , and Zhu M. (2013)  Measurements of evapotranspiration from eddy-covariance systems and large aperture scintillometers in the Hai River Basin China. Journal of Hydrology 487:24–38.

Liu X, Liu C and Brutsaert W. (2018) Investigation of a generalized nonlinear form of the complementary principle for evaporation estimation. Journal of Geophysical Research: Atmospheres 123: 3933–3942.

Long D, Longuevergne L and Scanlon BR. (2014) Uncertainty in evapotranspiration from land surface modeling, remote sensing, and GRACE satellites. Water Resources Research 50:1131–115.

López O, Houborg R and McCabe MF. (2016) Evaluating the hydrological consistency of evaporation products using satellite-based gravity and rainfall data. Hydrology and Earth System Sciences 21: 323–343.

Mianabad A, Alizadeh A, Sanaeinejad SH, Gahreman B, Davari K. (2016) Evaluation of SEBAL algorithm for estimating actual evapotranspiration of Neishabour-Rokh basin using SWAT model, Journal of Water Research in Agriculture 30(4) 525-54.

Miralles DG, De Jeu RAM, Gash JH, Holmes TRH and Dolman AJ. (2011) An application of GLEAM to estimating global evaporation. Hydrology Earth System Sciences Discussion 8: 1–27.

Moriasi DN, Arnold JG, Van Liew MW, Bingner RL, Harmel RD, Veith TL(2017) Model evaluation guidelines for systematic quantification of accuracy in watershed simulations, American Society of Agricultural and Biological Engineers, 50:885–900.

Mu Q, Zhao M, and Running S. W. (2011). Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote Sensing of Environment 115: 1781-1800.

Musselman, R.C; and Minnick T. J. (2000). Nocturnal stomatal conductance and ambient air quality standards for azone. Atmos. Environ. 34: 719–733.

Neitsch SL, Arnold JG, Kiniry JR, Srinivasan R and Williams JR. (2011) Soil and Water Assessment Tool User Manual, Version 2012, Grassland, Soil and Water Research Laboratory, Temple, Tex, USA.

Noori R, Abdoli M. A, Ameri A. and Jalili Ghazizade M. (2009). Prediction of municipal solid waste generation with combination of support vector machine and Principal component analysis: a case study of Mashhad. Environ. Prog.Sustain. Energy 28: 249-258.

Onuşluel Gül G, Rosbjerg D. (2010) Modeling of hydrologic processes and potential response to climate change through the use of a multisite SWAT, Water and Environment Journal, 24(1): 21–31.

Paca VH, Espinoza-Dávalos GE, Hessels TM, Moreira DM Comair GF and Bastiaanssen WGM (2019) The spatial variability of actual evapotranspiration across the Amazon River Basin based on remote sensing products validated with flux towers. Ecological Processes, 8(6):1-20.

Parinussa RM, Yilmaz MT, Anderson MC, Hain CR and de Jeu RM (2014) An intercomparison of remotely sensed soil moisture products at various spatial scales over the berian Peninsula. Hydrological Processes 28(18):4865–4876.

Pan, S. Pan, N. Tian, H. Friedlingstein, P. Sitch, S. Shi, H. Arora, V. K. Haverd, V. Jain, A.K. and Running, S. W. (2020). Evaluation of global terrestrial evapotranspiration using state-ofthe-art approaches in remote sensing, machine learning and land surface modeling. Hydrology andEarth System Sciences, 24: 1485–1509.

Quinlan JR,(1986) Introduction of decision trees. Machine Learning 1:81-106.

Quinlan JR,(1992) Learning with continuous classes. Proceedings of the Fifth Australian Joint Conference on Artificial Intelligence, Hobart, Australia, 16-18 November, World Scientific, Singapore pp. 343–348.

Ramoelo, A. Majoz. N. Mathieu, R. Jovanovic, N. Nickles, A. and Dzikiti, S. (2014). Validation of Global Evapotranspiration Product (MOD16) using Flux Tower Data in the African Savanna, South Africa. Remote Sensing, 6: 7406-7423

Reitz M, Senay GB, and Sanford WE(2017) Combining remote sensing and water-balance evapotranspiration estimates for the conterminous United States. Remote Sensing 9: 1181-1197.

Rodell M, Beaudoing HK, Lecuyer TS, Olson WS Famiglietti J S, Houser PR, Adler R, Bosilovich, MG, Clayson CA  and Chambers D, (2015) The observed state of the water cycle in the early twenty-first century. Journal of Climate 28:82-98.

Sharma DN, and Tare1 V, (2018) Evaporation estimation using SSEBOP method SENTINEL2 and LANDSAT-8 dataset. Remote Sensing and Spatial Information Sciences 5:20-25.

Vapnik VN, (1995) The Nature of Statistical Learning Theory. Springer, New York. 314 pp.