کاربرد مدل متریک برای برآورد تبخیر-تعرق واقعی ماهانه حوزه آبخیز ونک با استفاده از تصاویر سنجنده مودیس
الموضوعات :
مریم رضائی
1
(دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، ایران)
هدی قاسمیه
2
(دانشیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، ایران)
خدایار عبدالهی
3
(استادیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، ایران)
الکلمات المفتاحية: بیلان انرژی, حوزه آبخیز ونک, سنجش‌ازدور, تغییرات زمانی-مکانی, تبخیر-تعرق واقعی,
ملخص المقالة :
پیشینه و هدف امروزه به‌منظور استفاده منطقی آب برای محصولات کشاورزی نیاز به درک و شناخت دقیق فرآیند تبخیر-تعرق وجود دارد. تبخیر-تعرق یکی از مهم‌ترین مؤلفه‌های بیلان آب است و ازاین‌رو یک متغیر کلیدی برای مدیریت بهینه منابع آب به شمار می‌آید. هدف از انجام پژوهش حاضر برآورد و تجزیه‌وتحلیل توزیع مکانی و زمانی تبخیر-تعرق واقعی در مقیاس زمانی ماهانه با استفاده از مدل متریک و مشاهدات ماهواره مودیس در حوزه آبخیز ونک و بررسی صحت نتایج متریک با الگوریتم بیلان انرژی سطحی برای زمین، سبال (SEBAL) است. مواد و روش هاروش های زیادی برای تخمین دقیق تبخیر-تعرق نقطه‌ای وجود دارد، ازجمله لایسیمترهای وزنی (Weighing lysimeter)، روش نسبت بوون (Bowen ratio technique) و روش ادی کوواریانس (Eddy covariance). نقطه‌ضعف روش‌های ذکرشده این است که، این روش‌ها فقط تبخیر-تعرق را برای یک مکان خاص برآورد می‌کنند و قادر به برآورد تبخیر-تعرق منطقه‌ای نیستند. مدل متریک توسط آلن و همکاران در سال 2007 بر اساس مدل شناخته‌شده سبال (باستیانسن، 1998)، ارائه گردیده است. مدل متریک، یک روش مبتنی بر سنجش‌ازدور است که تبخیر-تعرق واقعی را به‌عنوان باقیمانده معادله بیلان انرژی سطح برآورد می‌کند. در پژوهش حاضر، توزیع مکانی و زمانی تبخیر-تعرق واقعی حوضه ونک از آوریل تا نوامبر 2013 و 2014، با استفاده از مدل متریک برآورد شد و با استفاده از تصاویر سنجنده مودیس، امکان استفاده از متریک، موردبررسی قرار گرفت. حوزه آبخیز ونک در قسمت جنوب‌شرقی حوزه کارون شمالی قرارگرفته است و ازلحاظ جغرافیایی بین استان‌های چهارمحال و بختیاری و اصفهان قرارگرفته است. 60 تصویر سنجنده مودیس مربوط به شاخص سطح برگ (MOD15A2)، دمای سطح زمین (MOD11A2) و بازتاب سطحی (MOD09A1)، با فواصل زمانی هشت‌روزه استخراج گردید. تصاویر ذکرشده از وب‌سایت USGS دانلود گردید و سیستم مختصات تصاویر از حالت سینوسی به متریک (UTM) تبدیل شدند. فاکتور مقیاس مربوط به تصاویر LAI و LST و بازتاب سطحی به ترتیب 0.1، 0.02 و 0.0001 است. شروع تخمین تبخیر-تعرق در مدل متریک با معادله بیلان انرژی، است. مجموعه داده‌ها شامل مشاهدات مودیس و داده‌های هواشناسی ایستگاه‌های موجود در حوزه و اطراف آن به‌منظور محاسبه شارهای انرژی سطحی لحظه‌ای شامل؛ شار تابش خالص، شار گرمای خاک و شارگرمای محسوس در فن پردازش است. تبخیر-تعرق، در لحظه تصویر برای هر پیکسل، از تقسیم مقادیر شار گرمای نهان (LE) بر گرمای نهان تبخیر و چگالی آب، محاسبه شد.نتایج و بحث در طول این تحقیق، حد بالایی تبخیر-تعرق، افزایش تدریجی از آوریل تا جولای را در هر دو سال 2013 و 2014 نشان داد. با توجه به نتایج به‌دست‌آمده، حداکثر میزان تبخیر-تعرق واقعی در سال‌های 2013 و 2014 برای ماه جولای به ترتیب 244 و 263 میلی‌متر در ماه به‌دست‌آمد. به‌طورکلی نتایج به‌دست‌آمده از این مقاله میتواند به شناخت بهتر تغییرات تبخیر-تعرق منطقه‌ای کمک کند. مقایسه توزیع‌های مکانیAET، LAIوLST ، در منطقه مطالعاتی نتایج نشان داد که توزیع مکانیAET تحت تأثیر دو عاملLAI وLST ، قرارگرفته است که از آزمون همبستگی پیرسون برای بررسی رابطه دو متغیرLAI وLST با تبخیر-تعرق واقعی استفاده شد. نتایج به‌دست‌آمده، نواحی با پوشش گیاهی متراکم و دمای سطح زمین پایین دارای مقادیر بالای تبخیر-تعرق بوده و مناطق دارای دمای سطح بالا و پوشش گیاهی پراکنده و کم از مقدار تبخیر-تعرق کمیبرخوردارند.نتایج نشان داد که روند تغییرات میانگین دمای ماهانه، همسو با تبخیر-تعرق واقعی است، در مورد میانگین آلبیدو و شار تابش خالص نیز روند مشابهی دیده شد. لازم به ذکر است که عدم وجود اندازه‌گیری‌های زمینی برای مقایسه آن‌ها با مقادیر تبخیر-تعرق مدل، یک محدودیت بالقوه از پژوهش حاضر است. بااین‌حال، رویکرد پیشنهادی، ارزیابی برآوردهای تبخیر-تعرق به‌دست‌آمده از مدل متریک با برآوردهای تبخیر-تعرق حاصل از مدل سبال، (به‌عنوان روش استاندارد) است، که رویکردی است که به‌طور گسترده برای مقابله با چنین محدودیت‌هایی استفاده می‌شود. در گام دوم تجزیه‌وتحلیل، در پژوهش حاضر، مقادیر برآوردی تبخیر-تعرق ماهانه با استفاده از معادلات متریک در مقابل سبال برای حوزه ونک در سال 2014، مورد مقایسه قرار گرفت. نتایج مدل سبال به‌عنوان مرجعی برای مقایسه نتایج به‌دست‌آمده از مدل متریک مورداستفاده قرار گرفت. بررسی آماری به‌منظور تعیین اختلاف بین تبخیر-تعرق ماهانه استخراج‌شده از متریک در مقابل تبخیر-تعرق ماهانه استخراج‌شده از سبال صورت گرفت. از معیارهای ارزیابی ضریب نش-ساتکلیف (NS; Nash-Sutcliffe coefficient)، ضریب تبیینCoefficient of Determination و میانگین خطای مطلق (MAE; Mean Absolute Error)، استفاده شد. مقادیر بالای ضرایب R2و نش-ساتکلیف و مقادیر پایین MAE نشان داد که مدل متریک در بیشتر ماه‌ها با مدل سبال، ارتباط نزدیکی دارد. مقادیر تبخیر-تعرق ماهانه برآورد شده توسط مدل متریک در مقابل مقادیر تبخیر-تعرق ماهانه تخمین زده‌شده از مدل سبال، از آوریل تا نوامبر 2014 برای حوزه ونک ارزیابی و مقایسه گردید. بر اساس نتایج کلی نشان می دهد که پراکندگی برآوردها در یک حد قابل‌قبول است. در سال 2014، توافق خوبی بین مدل‌های متریک و سبال وجود داشت (R2 =0.96-0.99، NSE=0.93-0.99و MAE=1.3-7.53).در سال 2014، نتایج دیگر نشان داد که در هر دو مدل، حد بالایی تبخیر-تعرق، افزایش تدریجی از آوریل تا جولای را نشان داد.نتیجه گیری با توجه به نتایج به‌دست‌آمده، نواحی دارای شاخص پوشش گیاهی بالا (LAI) و دمای سطح زمین پایین نسبت به سایر نواحی که دارای شاخص پوشش گیاهی پایین و دمای سطح زمین بالا هستند از میزان تبخیر-تعرق بیشتری برخوردارند. روند تغییرات سری زمانی شاخص LAI و تبخیر-تعرق در این پژوهش، با روند تغییرات پارامترهای مذکور در تحقیقی که توسط ریزگونزانلس و همکاران (2019) با استفاده از مدل متریک در داکوتا بررسی‌شده بود، مطابقت داشت.
Allen RG, Tasumi M, 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. doi:https://doi.org/10.1061/(ASCE)0733-9437(2007)133:4(380).
Ashraf Sadreddini A, Hamed Sabzchi Dehkharghani H, Nazemi A, Majnooni Heris A. 2020. Application of SEBAL algorithm in estimating maximum daily demand of rain-fed wheat from green water sources using MODIS images (Case study: Ahar county). Journal of RS and GIS for Natural Resources, 11(1): 1-28. (In Persian)
Bastiaanssen WGM, Menenti M, Feddes RA, Holtslag AAM. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation. Journal of Hydrology, 212-213: 198-212. doi:https://doi.org/10.1016/S0022-1694(98)00253-4.
Bayati S, Nasr EMA, Abdollahi K. 2018. Comparing the Response Characteristics and Volumetric Water Balance in Three Unit Hydrograph Methods (A case study: Vanak Basin). Iranian Journal of Eco Hydrology, 5(2): 373-385. (In Persian)
Carrillo-Rojas G, Silva B, Córdova M, Célleri R, Bendix J. 2016. Dynamic mapping of evapotranspiration using an energy balance-based model over an Andean páramo catchment of southern Ecuador. Remote Sensing, 8(2): 160. doi:https://doi.org/10.3390/rs8020160.
Esmaeili S, Khoshkhoo Y, Babaei KH, Y AO. 2018. Estimating Rice Actual Evapotranspiration Using METRIC Algorithm in a part of the North of Iran. Journal of Water and Soil Conservation, 24(6): 105-122. (In Persian)
Gebler S, Franssen HH, Pütz T, Post H, Schmidt M, Vereecken H. 2015. Actual evapotranspiration and precipitation measured by lysimeters: a comparison with eddy covariance and tipping bucket. Hydrology and Earth System Sciences, 19(5): 2145. doi:https://doi.org/10.5194/hess-19-2145-2015.
Glenn EP, Neale CM, Hunsaker DJ, Nagler PL. 2011. Vegetation index‐based crop coefficients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystems. Hydrological Processes, 25(26): 4050-4062. doi:https://doi.org/10.1002/hyp.8392.
Häusler M, Conceição N, Tezza L, Sánchez JM, Campagnolo ML, Häusler AJ, Silva JMN, Warneke T, Heygster G, Ferreira MI. 2018. Estimation and partitioning of actual daily evapotranspiration at an intensive olive grove using the STSEB model based on remote sensing. Agricultural Water Management, 201: 188-198.
doi:https://doi.org/10.1016/j.agwat.2018.01.027.
He R, Jin Y, Kandelous MM, Zaccaria D, Sanden BL, Snyder RL, Jiang J, Hopmans JW. 2017. Evapotranspiration estimate over an almond orchard using landsat satellite observations. Remote Sensing, 9(5): 436. doi:https://doi.org/10.3390/rs9050436.
Huntington TG. 2006. Evidence for intensification of the global water cycle: Review and synthesis. Journal of Hydrology, 319(1): 83-95. doi:https://doi.org/10.1016/j.jhydrol.2005.07.003.
Johnson LF, Trout TJ. 2012. Satellite NDVI assisted monitoring of vegetable crop evapotranspiration in California’s San Joaquin Valley. Remote Sensing, 4(2): 439-455.
doi:https://doi.org/10.3390/rs4020439.
Lian J, Huang M. 2016. Comparison of three remote sensing based models to estimate evapotranspiration in an oasis-desert region. Agricultural Water Management, 165: 153-162. doi:https://doi.org/10.1016/j.agwat.2015.12.001.
Liaqat UW, Choi M. 2017. Accuracy comparison of remotely sensed evapotranspiration products and their associated water stress footprints under different land cover types in Korean peninsula. Journal of Cleaner Production, 155: 93-104. doi:https://doi.org/10.1016/j.jclepro.2016.09.022.
Mobasheri MR, Khavarian H, Zeaiean P, Kamaly G. 2007. Evapo-transpiration assessment using Terra/MODIS images in the Gorgan general district. The Journal of Spatial Planning, 11(1): 121-142. (In Persian)
Rawat KS, Bala A, Singh SK, Pal RK. 2017. Quantification of wheat crop evapotranspiration and mapping: A case study from Bhiwani District of Haryana, India. Agricultural Water Management, 187: 200-209.
doi:https://doi.org/10.1016/j.agwat.2017.03.015.
Reyes-González A, Kjaersgaard J, Trooien T, Reta-Sánchez DG, Sánchez-Duarte JI, Preciado-Rangel P, Fortis-Hernández M. 2019. Comparison of Leaf Area Index, Surface Temperature, and Actual Evapotranspiration Estimated Using the METRIC Model and In Situ Measurements. Sensors, 19(8): 1857. doi:https://doi.org/10.3390/s19081857.
Senay GB, Budde ME, Verdin JP. 2011. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: Validation with the METRIC model. Agricultural Water Management, 98(4): 606-618. doi:https://doi.org/10.1016/j.agwat.2010.10.014.
Su Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrology and earth system sciences, 6(1): 85-99. doi:https://doi.org/10.5194/hess-6-85-2002.
Tasumi M. 2003. Progress in operational estimation of regional evapotranspiration using satellite imagery. Ph.D. dissertation, Univ. of Idaho, Moscow, Id. 216 p.
Trezza R, Allen RG, Tasumi M. 2013. Estimation of actual evapotranspiration along the Middle Rio Grande of New Mexico using MODIS and landsat imagery with the METRIC model. Remote Sensing, 5(10): 5397-5423. doi:https://doi.org/10.3390/rs5105397.
Vermote EF, Kotchenova S. 2008. Atmospheric correction for the monitoring of land surfaces. Journal of Geophysical Research: Atmospheres, 113(D23). doi:https://doi.org/10.1029/2007JD009662.
Wagle P, Bhattarai N, Gowda PH, Kakani VG. 2017. Performance of five surface energy balance models for estimating daily evapotranspiration in high biomass sorghum. ISPRS Journal of Photogrammetry and Remote Sensing, 128: 192-203. doi:https://doi.org/10.1016/j.isprsjprs.2017.03.022.
Wan Z, Zhang Y, Zhang Q, Li Z-l. 2002. Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spectroradiometer data. Remote Sensing of Environment, 83(1): 163-180. doi:https://doi.org/10.1016/S0034-4257(02)00093-7.
Waters R, Allen R, Tasumi M, Trezza R, Bastiaanssen W. 2002. SEBAL (Surface Energy Balance Algorithms for Land): advanced training and users manual. Department of Water Resources, University of Idaho, Kimberly, 98p.
Yang Y, Chen R, Song Y, Han C, Liu J, Liu Z. 2019. Sensitivity of potential evapotranspiration to meteorological factors and their elevational gradients in the Qilian Mountains, northwestern China. Journal of Hydrology, 568: 147-159. doi:https://doi.org/10.1016/j.jhydrol.2018.10.069.
Zamani Losgedaragh S, Rahimzadegan M. 2018. Evaluation of SEBS, SEBAL, and METRIC models in estimation of the evaporation from the freshwater lakes (Case study: Amirkabir dam, Iran). Journal of Hydrology, 561: 523-531. doi:https://doi.org/10.1016/j.jhydrol.2018.04.025.
Zhang Y, Yang S, Ouyang W, Zeng H, Cai M. 2010. Applying Multi-source Remote Sensing Data on Estimating Ecological Water Requirement of Grassland in Ungauged Region. Procedia Environmental Sciences, 2: 953-963. doi:https://doi.org/10.1016/j.proenv.2010.10.107.
Zhang X-c, Wu J-w, Wu H-y, Li Y. 2011. Simplified SEBAL method for estimating vast areal evapotranspiration with MODIS data. Water Science and Engineering, 4(1): 24-35. doi:https://doi.org/10.3882/j.issn.1674-2370.2011.01.003.
Zhang B, Chen H, Xu D, Li F. 2017. Methods to estimate daily evapotranspiration from hourly evapotranspiration. Biosystems Engineering, 153: 129-139. doi:https://doi.org/10.1016/j.biosystemseng.2016.11.008.
_||_Allen RG, Tasumi M, 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. doi:https://doi.org/10.1061/(ASCE)0733-9437(2007)133:4(380).
Ashraf Sadreddini A, Hamed Sabzchi Dehkharghani H, Nazemi A, Majnooni Heris A. 2020. Application of SEBAL algorithm in estimating maximum daily demand of rain-fed wheat from green water sources using MODIS images (Case study: Ahar county). Journal of RS and GIS for Natural Resources, 11(1): 1-28. (In Persian)
Bastiaanssen WGM, Menenti M, Feddes RA, Holtslag AAM. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation. Journal of Hydrology, 212-213: 198-212. doi:https://doi.org/10.1016/S0022-1694(98)00253-4.
Bayati S, Nasr EMA, Abdollahi K. 2018. Comparing the Response Characteristics and Volumetric Water Balance in Three Unit Hydrograph Methods (A case study: Vanak Basin). Iranian Journal of Eco Hydrology, 5(2): 373-385. (In Persian)
Carrillo-Rojas G, Silva B, Córdova M, Célleri R, Bendix J. 2016. Dynamic mapping of evapotranspiration using an energy balance-based model over an Andean páramo catchment of southern Ecuador. Remote Sensing, 8(2): 160. doi:https://doi.org/10.3390/rs8020160.
Esmaeili S, Khoshkhoo Y, Babaei KH, Y AO. 2018. Estimating Rice Actual Evapotranspiration Using METRIC Algorithm in a part of the North of Iran. Journal of Water and Soil Conservation, 24(6): 105-122. (In Persian)
Gebler S, Franssen HH, Pütz T, Post H, Schmidt M, Vereecken H. 2015. Actual evapotranspiration and precipitation measured by lysimeters: a comparison with eddy covariance and tipping bucket. Hydrology and Earth System Sciences, 19(5): 2145. doi:https://doi.org/10.5194/hess-19-2145-2015.
Glenn EP, Neale CM, Hunsaker DJ, Nagler PL. 2011. Vegetation index‐based crop coefficients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystems. Hydrological Processes, 25(26): 4050-4062. doi:https://doi.org/10.1002/hyp.8392.
Häusler M, Conceição N, Tezza L, Sánchez JM, Campagnolo ML, Häusler AJ, Silva JMN, Warneke T, Heygster G, Ferreira MI. 2018. Estimation and partitioning of actual daily evapotranspiration at an intensive olive grove using the STSEB model based on remote sensing. Agricultural Water Management, 201: 188-198.
doi:https://doi.org/10.1016/j.agwat.2018.01.027.
He R, Jin Y, Kandelous MM, Zaccaria D, Sanden BL, Snyder RL, Jiang J, Hopmans JW. 2017. Evapotranspiration estimate over an almond orchard using landsat satellite observations. Remote Sensing, 9(5): 436. doi:https://doi.org/10.3390/rs9050436.
Huntington TG. 2006. Evidence for intensification of the global water cycle: Review and synthesis. Journal of Hydrology, 319(1): 83-95. doi:https://doi.org/10.1016/j.jhydrol.2005.07.003.
Johnson LF, Trout TJ. 2012. Satellite NDVI assisted monitoring of vegetable crop evapotranspiration in California’s San Joaquin Valley. Remote Sensing, 4(2): 439-455.
doi:https://doi.org/10.3390/rs4020439.
Lian J, Huang M. 2016. Comparison of three remote sensing based models to estimate evapotranspiration in an oasis-desert region. Agricultural Water Management, 165: 153-162. doi:https://doi.org/10.1016/j.agwat.2015.12.001.
Liaqat UW, Choi M. 2017. Accuracy comparison of remotely sensed evapotranspiration products and their associated water stress footprints under different land cover types in Korean peninsula. Journal of Cleaner Production, 155: 93-104. doi:https://doi.org/10.1016/j.jclepro.2016.09.022.
Mobasheri MR, Khavarian H, Zeaiean P, Kamaly G. 2007. Evapo-transpiration assessment using Terra/MODIS images in the Gorgan general district. The Journal of Spatial Planning, 11(1): 121-142. (In Persian)
Rawat KS, Bala A, Singh SK, Pal RK. 2017. Quantification of wheat crop evapotranspiration and mapping: A case study from Bhiwani District of Haryana, India. Agricultural Water Management, 187: 200-209.
doi:https://doi.org/10.1016/j.agwat.2017.03.015.
Reyes-González A, Kjaersgaard J, Trooien T, Reta-Sánchez DG, Sánchez-Duarte JI, Preciado-Rangel P, Fortis-Hernández M. 2019. Comparison of Leaf Area Index, Surface Temperature, and Actual Evapotranspiration Estimated Using the METRIC Model and In Situ Measurements. Sensors, 19(8): 1857. doi:https://doi.org/10.3390/s19081857.
Senay GB, Budde ME, Verdin JP. 2011. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: Validation with the METRIC model. Agricultural Water Management, 98(4): 606-618. doi:https://doi.org/10.1016/j.agwat.2010.10.014.
Su Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrology and earth system sciences, 6(1): 85-99. doi:https://doi.org/10.5194/hess-6-85-2002.
Tasumi M. 2003. Progress in operational estimation of regional evapotranspiration using satellite imagery. Ph.D. dissertation, Univ. of Idaho, Moscow, Id. 216 p.
Trezza R, Allen RG, Tasumi M. 2013. Estimation of actual evapotranspiration along the Middle Rio Grande of New Mexico using MODIS and landsat imagery with the METRIC model. Remote Sensing, 5(10): 5397-5423. doi:https://doi.org/10.3390/rs5105397.
Vermote EF, Kotchenova S. 2008. Atmospheric correction for the monitoring of land surfaces. Journal of Geophysical Research: Atmospheres, 113(D23). doi:https://doi.org/10.1029/2007JD009662.
Wagle P, Bhattarai N, Gowda PH, Kakani VG. 2017. Performance of five surface energy balance models for estimating daily evapotranspiration in high biomass sorghum. ISPRS Journal of Photogrammetry and Remote Sensing, 128: 192-203. doi:https://doi.org/10.1016/j.isprsjprs.2017.03.022.
Wan Z, Zhang Y, Zhang Q, Li Z-l. 2002. Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spectroradiometer data. Remote Sensing of Environment, 83(1): 163-180. doi:https://doi.org/10.1016/S0034-4257(02)00093-7.
Waters R, Allen R, Tasumi M, Trezza R, Bastiaanssen W. 2002. SEBAL (Surface Energy Balance Algorithms for Land): advanced training and users manual. Department of Water Resources, University of Idaho, Kimberly, 98p.
Yang Y, Chen R, Song Y, Han C, Liu J, Liu Z. 2019. Sensitivity of potential evapotranspiration to meteorological factors and their elevational gradients in the Qilian Mountains, northwestern China. Journal of Hydrology, 568: 147-159. doi:https://doi.org/10.1016/j.jhydrol.2018.10.069.
Zamani Losgedaragh S, Rahimzadegan M. 2018. Evaluation of SEBS, SEBAL, and METRIC models in estimation of the evaporation from the freshwater lakes (Case study: Amirkabir dam, Iran). Journal of Hydrology, 561: 523-531. doi:https://doi.org/10.1016/j.jhydrol.2018.04.025.
Zhang Y, Yang S, Ouyang W, Zeng H, Cai M. 2010. Applying Multi-source Remote Sensing Data on Estimating Ecological Water Requirement of Grassland in Ungauged Region. Procedia Environmental Sciences, 2: 953-963. doi:https://doi.org/10.1016/j.proenv.2010.10.107.
Zhang X-c, Wu J-w, Wu H-y, Li Y. 2011. Simplified SEBAL method for estimating vast areal evapotranspiration with MODIS data. Water Science and Engineering, 4(1): 24-35. doi:https://doi.org/10.3882/j.issn.1674-2370.2011.01.003.
Zhang B, Chen H, Xu D, Li F. 2017. Methods to estimate daily evapotranspiration from hourly evapotranspiration. Biosystems Engineering, 153: 129-139. doi:https://doi.org/10.1016/j.biosystemseng.2016.11.008.
کاربرد مدل متریک برای برآورد تبخیر-تعرق واقعی ماهانه با استفاده از تصاویر سنجنده مودیس در حوزه آبخیز ونک
چکیده
تبخیر-تعرق یکی از مهم‌ترین مؤلفه‌های بیلان آب است و ازاین‌رو یک متغیر کلیدی برای مدیریت بهینه منابع آب به شمار می‌آید. هدف از مطالعه حاضر برآورد و تجزیه‌وتحلیل توزیع زمانی و مکانی تبخیر-تعرق واقعی در مقیاس زمانی ماهانه در حوزه آبخیز ونک است. مدل متریک، یک روش مبتنی بر سنجش‌ازدور است که تبخیر-تعرق واقعی را به‌عنوان باقیمانده معادله بیلان انرژی سطح برآورد می‌کند. در پژوهش حاضر، توزیع مکانی و زمانی تبخیر-تعرق واقعی حوضه ونک از آوریل تا نوامبر 2013 و 2014، با استفاده از مدل متریک برآورد شد و با استفاده از تصاویر سنجنده مودیس، امکان استفاده از متریک، موردبررسی قرار گرفت. بدين منظور 60 تصوير سنجنده موديس مربوط به شاخص سطح برگ (MOD15A2)، دماي سطح زمين (MOD11A2) و بازتاب سطحي (MOD09A1)، با فواصل زماني هشت‌روزه استخراج گرديد. بر اساس نتایج به‌دست‌آمده، نواحی با پوشش گیاهی متراکم و دمای سطح زمین پایین دارای مقادیر بالای تبخیر-تعرق بوده و مناطق دارای دمای سطح بالا و پوشش گیاهی پراکنده و کم از مقدار تبخیر-تعرق کمی برخوردارند. در طول این تحقیق، حد بالایی تبخیر-تعرق، افزایش تدریجی از آوریل تا نوامبر را در هر دو سال 2013 و 2014 نشان داد. با توجه به نتایج به‌دست‌آمده، حداکثر میزان تبخیر-تعرق واقعی در سال‌های 2013 و 2014 برای ماه جولای به ترتیب 244 و 263 میلی‌متر در ماه به‌دست‌آمده آمد. مقادیر تبخیر-تعرق ماهانه برآورد شده توسط مدل متریک در مقابل مقادیر تبخیر-تعرق ماهانه تخمین زده‌شده از مدل سبال، از آوریل تا نوامبر 2014 برای حوزه آبخیز ونک ارزیابی و مقایسه گردید. بر اساس نتایج، پراکندگی برآوردها در یک حد قابل‌قبول است. در سال 2014، توافق خوبی بین مدل‌های متریک و سبال وجود داشت (99/0-96/0R2=، 99/0-93/0NSE= و 53/7-3/1MAE =).
واژه‌های کلیدی: تبخیر-تعرق واقعی، تغییرات زمانی-مکانی، سنجش‌ازدور، بیلان انرژی، حوزه آبخیز ونک.
مقدمه
بحران آب یکی از بزرگ‌ترین نگرانی‌های جهانی و از بزرگ‌ترین مشکلات منابع طبیعی و زیست‌محیطی در قرن بیست‌ویک به شمار می‌آید و درنتیجه ارائه راهکارهایی به‌منظور بهبود مدیریت منابع آب، بسیار ضروری به نظر می‌رسد (28). یکی از فاکتورهای اساسی که میتواند در روش‌های بهبود مدیریت منابع آب و افزایش کارایی مصرف آب مؤثر باشد، برآورد دقیق تبخیر-تعرق یا میزان آب مصرفی گیاهان است (14). اساساً درک بیلان آب به‌وسیله افزایش دانش و شناخت در مورد تبخیر-تعرق (Evapotranspiration (ET)) حاصل می‌گردد (16). تبخیر-تعرق به دو صورت پتانسیل (PET: Potential Evapotranspiration) و واقعی(AET: Actual Evapotranspiration) میتواند محاسبه و برآورد شود. هر تخمین واقع‌بینانه از (AET) نقش مهمی در زندگی انسان دارد، در اکوسیستم‌های مختلف زمینی به شناخت بهتر اکوسیستم‌ها، کمک می‌کند و به همین ترتیب، هنگام مطالعه تغییرات اقلیمی میتواند مفید باشد. همچنین به برآورد بیلان آب جهانی و مدیریت و تخصیص منابع آب موردنیاز اراضی کشاورزی کمک می‌کند (16).
روش‌های زیادی برای تخمین دقیق تبخیر-تعرق نقطه‌ای وجود دارد، ازجمله لایسیمترهای وزنی (Weighing lysimeter)، روش نسبت بوون (Bowen ratio technique) و روش ادی کوواریانس (Eddy covariance). متأسفانه، این روش‌ها فقط تبخیر-تعرق را برای یک مکان خاص برآورد می‌کنند و قادر به برآورد تبخیر-تعرق منطقه‌ای با هزینه‌ای مناسب نیستند (29). به‌کارگیری این فن‌ها دشوار، هزینه‌بر و نصب، نگهداری و بهره‌برداری از آن‌ها وقت‌گیر است و به دلیل تغییرات پویا و منطقه‌ای تبخیر-تعرق قابل‌تعمیم در سطوح وسیع نیستند؛ بنابراین با توجه به تغییرات مکانی عوامل دخیل در تبخیر-تعرق، این روش‌ها برای اندازه‌گیری‌های معمول چندان مناسب نیستند (7) و این محدودیت باعث ایجاد انگیزه در استفاده از داده‌های سنجش‌ازدور شده است.
به دلیل اینکه تصاویر سنجش‌ازدور مورداستفاده در مدل‌های برآورد تبخیر-تعرق، قادر به برآورد توزیع مکانی تبخیر-تعرق در سطوح وسیع و در مدت‌زمانی کوتاه هستند و همچنین توانایی ارائه پیش‌بینی‌های دوره‌ای و قابل‌اعتماد منطقه‌ای رادارند و هزینه آن‌ها از روش‌های مرسوم کمتر است، اخیراً توجه گسترده‌ای را به خود جلب نموده‌اند (30).
تلاش‌های زیادی توسط محققان (1 و3) برای گسترش مدل‌هایی با ترکیب از تصاویر ماهواره‌ای و داده‌های آب و هوایی برای مناطق وسیع صورت گرفته است و الگوریتم‌های بسیاری برای ارتباط دادن AET به شاخص‌های پوشش گیاهی سنجش‌ازدور و داده‌های آب و هوایی ایجاد شده‌اند (8 و12). روش‌های برآورد تبخیر-تعرق مبتنی بر سنجش‌ازدور شامل رویکردهای ساده تجربی یا رویکردهای آماری مبتنی بر شاخص پوشش گیاهی و یا مدل‌های نسبتاً پیچیده‌تر بر اساس معادله بیلان انرژی سطح (SEB: Surface Energy Balance) هستند. رویکردهای ساده تجربی میتواند تخمین‌های دقیقی از ET در مناطق همگن با پوشش گیاهی یکنواخت ارائه دهد (23)، اما برآورد دقیق ET در مقیاس وسیع و در مناطق ناهمگن با استفاده از رویکردهای تجربی چالش‌برانگیز است. درنتیجه، در دو دهه گذشته مدل‌های متعدد برآورد ET مبتنی بر سنجش‌ازدور برای برآورد تبخیر-تعرق از مناطق وسیع بر اساس معادله SEB تهیه‌شده است (23). با توجه به دسترسی به داده‌های ماهواره‌ای، برآوردهای تبخیر-تعرق مبتنی بر سنجش‌ازدور همراه با مدل‌های بیلان انرژی، به‌ویژه به این دلیل که فقط به چند متغیر هواشناسی (به‌عنوان‌مثال، دمای هوا ، سرعت باد ، تابش خورشیدی) نیاز دارند که به‌طور مرتب در ایستگاه‌های هواشناسی اندازه‌گیری می‌شود، جذابیت بیشتری پیدا کردند (11)، ازجمله الگوریتم بیلان انرژی در سطح زمین (Surface Energy Balance Algorithm for Land, SEBAL)، باستیانسن و همکاران (3)، سیستم بیلان انرژی سطحی (Surface Energy Balance System, SEBS)، سو (19) و درنهایت الگوریتمی برای به دست آوردن تبخیر-تعرق در وضوح‌بالا با کالیبراسیون داخلی (Mapping EvapoTranspiration at high Resolution with Internalized Calibration, METRIC)، آلن و همکاران، (1) که در سطح دنیا بسیار شناخته‌شده هستند و به‌عنوان عملی‌ترین روش‌ها برای برآورد تبخیر-تعرق واقعی در مقیاس‌های مختلف زمانی و مکانی در نظر گرفته می‌شوند (14).
مدل متریک، یکی از الگوریتم‌های پردازش تصویر است و برای برآورد تبخیر-تعرق واقعی از معادله بیلان انرژی سطحی ایجادشده است (13). یکی از مزایای مدل متریک این است که برای برآورد تبخیر-تعرق واقعی نیازی به دانستن نوع و مراحل توسعه محصول ندارد (1). در سال‌های اخیر برآورد تبخیر-تعرق با استفاده از تصاویر مودیس و مدل متریک توجه بسیاری از دانشمندان را به خود جلب نموده است، ازجمله اسمعیلی و همکاران (6)، جهت برآورد تبخیر-تعرق محصول برنج در شهرستان رشت، از تصاویر مودیس و داده‌هاي لایسیمتري استفاده کردند و با به‌کارگیري مدل متریک، مقدار تبخیر-تعرق روزانه محصول برنج را براي 8 روز بدون ابر در مردادماه 1393، برآورد نمودند. نتایج حاصل از این پژوهش نشان داد که با پیاده‌سازي متریک با استفاده از تصاویر مودیس می‌توان مقدار تبخیر-تعرق واقعی محصول برنج را در مقیاس روزانه با دقت قابل قبولی (RMSE و MAE به ترتیب برابر با 21/1 و 41/1 میلی‌متر در روز) برآورد نمود. همچنین در این پژوهش از میان سنجنده‌هاي مختلف موجود، انتخاب تصاویر سنجنده مودیس که داراي قدرت تفکیک زمانی روزانه هستند بر این مبنا بوده است که از یک‌سو بازه زمانی داده‌هاي لایسیمتري بازه نسبتاً کوتاهی بوده (3/4/93 تا 25/5/93) و از سوی دیگر تحت شرایط اقلیم منطقه رشت در فصل تابستان، تعداد روزهاي ابري نسبتاً زیاد است به‌گونه‌ای که در بازه زمانی موردنظر، فقط 8 روز داراي تصویر بدون ابر و مناسب براي انجام پژوهش بودند. همچنین ترزا و همکاران در سال 2013 (21)، تبخیر-تعرق را برای منطقه ریو گراند آمریکا با استفاده از تصاویر مودیس و لندست و مدل متریک به‌دست‌آمده آوردند. نتایج نشان داد تصاویر مودیس در برآورد تبخیر-تعرق ماهانه و سالانه برآوردهای قابل قبولی را ارائه دادند. همچنین آن‌ها ذکر نمودند که تصاویر مودیس یک منبع مفید برای برآورد تبخیر-تعرق در مقیاس‌های وسیع درزمانی که وضوح مکانی بالا نیاز نیست، است و یکی دیگر از مزایای ماهواره مودیس این است که با توجه به اینکه زاویه دید تصاویر کمتر از 15 درجه است، هر چهارتا پنج روز در دسترس هستند. همچنین پژوهش‌هایی توسط کاریلوروجاس و همکاران در سال 2016 (5) و سنای و همکاران در سال 2011 (18) برای برآورد تبخیر-تعرق با استفاده از مدل متریک در مناطق کوهستانی صورت گرفته است. سنای و همکاران (18)، تبخیر و تعرق واقعی را در آیداهو با استفاده از مدل (SSEB: Simplified Surface Energy Balance) برآورد نمودند و برای ارزیابی عملکرد نتایج از مدل متریک استفاده کردند. نتایج حاکی از عملکرد رضایت‌بخش مدل SSEB با (9/0-83/0R2=) بود.
هدف از مطالعه کنونی، برآورد تبخیر-تعرق واقعی در حوزه آبخیز ونک با استفاده از مدل متریک است که یکی از الگوریتم‌های مبتنی بر سنجش‌ازدور هست. ازآنجاکه در محاسبه بیلان آب که غالباً به‌صورت ماهانه و سالانه برآورد می‌شود، به یک سری زمانی-مکانی از AET ، که مؤلفه مهمی در بیلان است، نیاز است، لذا از داده‌های سنجنده مودیس که قدرت تفکیک زمانی بالایی دارند و سه تا چهار بار در ماه (در این پژوهش هر 8 روز یک‌بار نسبت به تصاویر لندست و استر که هر 16 روز یک‌بار در دسترس هستند، در این تحقیق برای برآورد تبخیر-تعرق ماهانه استفاده شد.
روش تحقیق
منطقه موردمطالعه
حوزه آبخیز ونک (شکل 1) در قسمت جنوب‌شرقی حوضه کارون شمالی قرارگرفته است و ازلحاظ جغرافیایی بین استان‌های چهارمحال و بختیاری و اصفهان قرارگرفته است. اقلیم حوزه، نیمه‌خشک و سرد است (4). قسمت غربی حوضه متأثر از جریان‌های مدیترانه‌ای است و این موضوع باعث می‌شود که میزان بارندگی در این بخش، از قسمت شرقی حوضه، بیشتر باشد. حوضه ونک، منطقه‌ای نسبتاً کوهستانی است. با توجه به کوهستانی بودن منطقه، این انتظار می‌رود که در زمستان بارش، بیشتر به‌صورت جامد باشد. پوشش غالب حوضه نیز مراتع نیمه‌استپی و از جنس گون دافنه است (4).
شکل 1. موقعیت منطقه موردمطالعه
Fig. 1- Location of the study area
ساختار مدل متریک
الگوریتم بیلان انرژی متریک در سال 2007، توسط آلن و همکاران (1)، ارائه گردیده است. مدل متریک، مقدار تبخیر-تعرق واقعی را با استفاده از تصاویر ماهواره‌ای و داده‌های هواشناسی موردنیاز و بر اساس معادله بیلان انرژی سطحی، محاسبه می‌نماید.
در این پژوهش، داده‌های ماهواره‌ای شامل تصاویر شاخص سطح برگ (Leaf Area Index) (MOD15A2)، از ماهواره مودیس با دقت مکانی 500 متری و به ازای هر هشت روز یک‌بار وجود دارند. همچنین تصویر تولیدات ماهواره‌ای مودیس مربوط به دمای سطح زمین (LST: Land Surface Temperature )(MOD11A2) با دقت مکانی 1000 متری و بازتاب سطحی زمین (Surface Reflectance) (MOD09A1) با دقت مکانی 500 متری و با فواصل زمانی هشت‌روزه استخراج گردید که به‌صورت آماده و حاصل از اعمال تصحيحات مربوط به شرايط جوي بر روي تصاوير خام میباشند (2). در این پژوهش از مجموعه 6 مودیس (MODIS collection 6) استفاده شد. محصولات ذکرشده از آوریل تا نوامبر 2013 و 2014، از سایت https://earthexplorer.usgs.gov دریافت شد. پس از دانلود تصاویر، با توجه به اینکه دارای سیستم مختصات از نوع سینوسی هستند، به سیستم تصویر (UTM) تبدیل شدند. با این روش مختصات تصاویر ماهواره‌ای حفظ‌شده و نیاز به تصحیح هندسی مجدد نیست (24). تصاوير سري زماني بازتاب سطحی حاصل از سنجنده موديس، مي‌بايست به حالت استاندارد درآیند. به اين منظور، با استفاده از ضرب فاكتور مقياس (Scale Factor) مربوط به تصاوير برابر 0001/0 اين تصاوير خام به قالب شاخص استاندارد درآمدند، فاكتور مقياس مربوط به تصاویر LAI و LST هم 1/0 و 02/0 است. مشخصات و تاریخ تصاویر ماهواره‌ای مورداستفاده در پژوهش حاضر در جداول شماره 1 و2، ارائه‌شده است.
جدول 1. محصولات مودیس مورداستفاده در پژوهش
Table 1. MODIS products used in this study.
نام محصول | کاربرد | قدرت تفکیک مکانی | قدرت تفکیک زمانی | ماهواره |
MOD09A1 v006 | بازتاب سطحی | 500 متر | 8 روزه | ترا |
MOD15A2H v006 | شاخص سطح برگ | 500 متر | 8 روزه | ترا |
MOD11A2 v006 | دمای سطح زمین | 1000 متر | 8 روزه | ترا |
جدول 2. تاریخ‌های تصاویر ماهواره‌ای مورد استفاده در پژوهش
Table 2. The dates of the satellite image sused in the study.
روز جولیانی | تاریخ شمسی | تاریخ میلادی | روز جولیانی | تاریخ شمسی | تاریخ میلادی | روز جولیانی | تاریخ شمسی | تاریخ میلادی |
177 | 5تیر93 | 26 ژوئن 2014 | 257 | 23شهریور92 | 14سپتامبر2013 | 97 | 18فروردین92 | 7آوریل 2013 |
185 | 13تیر93 | 4جولای 2014 | 265 | 31شهریور92 | 22سپتامبر2013 | 105 | 26فروردین92 | 15آوریل2013 |
193 | 21تیر93 | 12جولای2014 | 273 | 8مهر92 | 30سپتامبر2013 | 113 | 3اردیبهشت92 | 23آوریل2013 |
201 | 29تیر93 | 20جولای2014 | 281 | 16مهر92 | 8 اکتبر 2013 | 125 | 11اردیبهشت92 | 1 می 2013 |
209 | 6مرداد 93 | 28جولای2014 | 289 | 24مهر92 | 16 اکتبر 2013 | 129 | 19اردیبهشت92 | 9 می 2013 |
217 | 14مرداد 93 | 5آگوست2014 | 297 | 2آبان92 | 24 اکتبر 2013 | 137 | 27اردیبهشت92 | 17 می 2013 |
225 | 22مرداد 93 | 13آگوست2014 | 305 | 10آبان92 | 1 نوامبر 2013 | 145 | 4خرداد92 | 25 می 2013 |
233 | 30مرداد 93 | 21آگوست2014 | 313 | 18آبان92 | 9 نوامبر 2013 | 153 | 12خرداد92 | 2 ژوئن 2013 |
241 | 7شهریور93 | 29 آگوست 2014 | 321 | 26آبان92 | 17 نوامبر 2013 | 161 | 20خرداد92 | 10ژوئن 2013 |
249 | 15شهریور93 | 6 سپتامبر 2014 | 329 | 4آذر92 | 25 نوامبر 2013 | 169 | 28خرداد92 | 18ژوئن 2013 |
257 | 23شهریور93 | 14سپتامبر 2014 | 97 | 18فروردین93 | 7 آوریل 2014 | 177 | 5تیر92 | 26ژوئن 2013 |
265 | 31شهریور93 | 22سپتامبر 2014 | 105 | 26فروردین93 | 15 آوریل2014 | 185 | 13تیر92 | 4جولای2013 |
273 | 8مهر93 | 30سپتامبر 2014 | 113 | 3اردیبهشت93 | 23 آوریل2014 | 193 | 21تیر92 | 12جولای2013 |
281 | 16مهر93 | 8 اکتبر 2014 | 125 | 11اردیبهشت93 | 1 می 2014 | 201 | 29تیر92 | 20جولای2013 |
289 | 24مهر93 | 16 اکتبر 2014 | 129 | 19اردیبهشت93 | 9 می 2014 | 209 | 6مرداد 92 | 28جولای2013 |
297 | 2آبان93 | 24 اکتبر 2014 | 137 | 27اردیبهشت93 | 17 می 2014 | 217 | 14مرداد 92 | 5 اوت2013 |
305 | 10آبان93 | 1 نوامبر 2014 | 145 | 4خرداد93 | 25 می 2014 | 225 | 22مرداد 92 | 13اوت2013 |
313 | 18آبان93 | 9 نوامبر 2014 | 153 | 12خرداد93 | 2 ژوئن 2014 | 233 | 30مرداد 92 | 21اوت2013 |
321 | 26آبان93 | 17 نوامبر 2014 | 161 | 20خرداد93 | 10 ژوئن 2014 | 241 | 7شهریور92 | 29اوت2013 |
329 | 4آذر93 | 25 نوامبر 2014 | 169 | 28خرداد93 | 18 ژوئن 2014 | 249 | 15شهریور92 | 6 سپتامبر 2013 |
در مدل متریک، تبخیر-تعرق برای هر پیکسل از تصویر، به‌صورت باقیمانده معادله بیلان انرژی سطحی محاسبه می‌شود (رابطه 1).
| (1) |
در معادله فوق، LE شار گرمای نهان، Rn تابش خالص، G، شار گرمای خاک و H، شار گرمای محسوس است (واحد همه پارامترها Wm-2) است. اندازه‌گیری میزان LE به‌راحتی امکان‌پذیر نیست، بنابراین؛ به‌عنوان بخش باقیمانده از سه عبارت دیگر در رابطه (1) محاسبه می‌شود (25).
مقدار تابش خالص از توازن بین شارهای تابشی موج‌کوتاه و بلند ورودی و خروجی در واحد سطح به‌صورت ذیل به‌دست‌آمده می‌آید:
| (2) |
|
|
که در آن،
معرف تابش طول‌موج کوتاه ورودی برحسب Wm-2، α آلبیدوی سطحی (بدون بعد)،
تابش طول‌موج بلند خروجی (Wm-2)، 
تابش طول‌موج بلند ورودی (Wm-2) و 
گسیل‌مندی سطحی عریض باند (بدون بعد) است (1).
درواقع، تابش طول‌موج کوتاه ورودی است که به‌صورت تابش مستقیم و پراکنده به سطح زمین می‌رسد و به‌صورت رابطه (3)، محاسبه می‌شود:
| (3) |
که در آن GSC، ثابت خورشیدی ((Wm-2) 1367)، tsw ضریب شفافیت اتمسفری، qrel) زاویه تابش خورشیدی نسبت به خط عمود بر شیب زمین (زاویه زنیت خورشیدی) و
مربع فاصله نسبی زمین تا خورشید است.
تابش طول‌موج بلند خروجی انتشاریافته از سطح، توسط دمای سطحی و گسیل‌مندی سطحی و با استفاده از رابطه (4) محاسبه می‌گردد:
| (4) |
که
گسیل‌مندی سطحی عریض باند (بدون بعد)، 
ثابت استفان- بولتزمن
و Ts دمای سطحی برحسب کلوین (°K) است. گسیل‌مندی سطحی با استفاده از یک معادله تجربی که توسط تاسومی (20) بر اساس شاخص سطح برگ ارائه‌شده، به‌صورت روابط ذیل محاسبه می‌شود:
| (5) |
| (6) |
که LAI شاخص سطح برگ (
) است. LAI نیز بر اساس یک معادله تجربی از شاخص گیاهی تعدیل‌شده خاک SAVI: Soil Adjusted Vegetation Index، به‌صورت رابطه (7)، محاسبه می‌شود:
| (7) |
SAVI، شاخص پوشش گیاهی تعدیل‌شده نسبت به اثر خاك، شاخصی است که اثر بازتابندگی از سطح خاك در مناطق خاکی و بایر را در نظر گرفته و با استفاده از رابطه (8)، محاسبه می‌شود:
| (8) |
در رابطه (8)، NIR و R، بازتابندگی طیفی باندهای مادون‌قرمز نزدیک و قرمز هستند. L فاکتور تصحیح اثر خاک است که مقداری بین صفر تا یک دارد. هر چه پوشش گیاهی از تراکم بیشتری برخوردار باشد، فاکتور L مقداری نزدیک‌تر به صفر خواهد داشت و در پوشش‌های کاملاً متراکم برابر با صفر خواهد بود و در پوشش‌های کم تراکم به یک نزدیک می‌شود (27).
تابش موج‌بلند ورودی، شار تابش حرارتی از اتمسفر به سمت پایین است که با استفاده از رابطه استفان- بولتزمن محاسبه می‌گردد.
| (9) |
که،
گسیل‌مندی اتمسفری مؤثر (بدون بعد) و
دمای نزدیک سطح زمین برحسب کلوین (°K) است. معادله تجربی (10) برای محاسبه ، توسط آلن و همکاران (1)، توسعه یافت.
| (10) |
شار گرمای خاک، نرخ ذخیره گرمایی در خاک و پوشش گیاهی به علت هدایت است. تاسومی (20)، روابط زیر را برای محاسبه شار گرمای خاک در مدل متریک پیشنهاد کرد که معادله آن به‌صورت زیر است:
| (11) |
| (12) |
که Ts دمای سطحی (°K) و α آلبیدوی سطحی است. سپس G توسط ضرب کردن Rn در 
محاسبه می‌شود.
در مدل متریک، شار گرمای محسوس برحسب Wm-2 و از یک تابع آئرودینامیک تخمین زده می‌شود:
| (13) |
که در آن، 
چگالی هوا (kg/m3)، Cp گرمای ویژه هوا در فشارثابت (J/kg/K 1004)، dT اختلاف دمای بین دو ارتفاع (z1 و z2) برحسب درجه کلوین و rah مقاومت آئرودینامیکی بین دو ارتفاع سطح نزدیک برای انتقال گرما (s/m) است.
با توجه به وجود دو متغیر مجهول در معادله (dT و rah)، به دست آوردن H یک فرایند پیچیده است. برای حل این مشکل، دو پیکسل گرم و سرد مشخص می‌شود.
پس از ایجاد تصاویر شاخص سطح برگ، دمای سطح زمین و آلبیدو، برای انتخاب پیکسل سرد، ابتدا پیکسل‌هایی که ده درصد بالاترین مقدار LAI، انتخاب می‌شود. سپس از میان آن‌ها پیکسل‌هایی که دارای ده درصد پایین‌ترین مقدار LST، انتخاب می‌شوند. پس‌ازآن میانگین دماي سطح زمین و میانگین LAI براي پیکسل‌هاي انتخابی محاسبه می‌شود. از بین پیکسل‌های فوق، پیکسلی به‌عنوان پیکسل سرد انتخاب می‌شود که دماي آن بین 5/0± دماي متوسط پیکسل‌هاي انتخابی برحسب کلوین باشد. پیکسل سرد در مزارع کشاورزی آبیاری شده انتخاب می‌گردد. آلبیدوي پیکسل سرد باید بین 22/0 تا 24/0 باشد. برای انتخاب پیکسل گرم، ابتدا پیکسل‌هایی که ده درصد پایین‌ترین مقدار LAI، انتخاب می‌شود. سپس از میان آن‌ها پیکسل‌هایی که دارای ده درصد بالاترین مقدار LST، انتخاب می‌شوند. پس‌ازآن میانگین دماي سطح زمین و میانگین LAI براي پیکسل‌هاي انتخابی محاسبه می‌شود. از بین پیکسل‌های فوق، پیکسلی به‌عنوان پیکسل سرد انتخاب می‌شود که دماي آن بین 5/0± دماي متوسط پیکسل‌هاي انتخابی برحسب کلوین باشد. پیکسل گرم در زمین‌های بدون پوشش و یا خاک لخت، انتخاب می‌گردد (10).
در مرحله بعد، dT و rah با استفاده از روش آزمون‌وخطا و در یک فرایند تکرارشونده برآورد می‌شوند.
در لحظه تصویر برای هر پیکسل، تبخیر-تعرق واقعی با تقسیم LE از رابطه (14)، بر گرمای نهان تبخیر محاسبه می‌شود:
| (14) |
ETinst تبخیر-تعرق لحظه‌ای (mm/hr)، 
گرمای نهان تبخیر (J/kg)، 
چگالی آب (kg/m3 1000) و عدد 3600، ضریب تبدیل زمان از ثانیه به ساعت است. گرمای نهان بخار از معادله زیر به دست می‌آید:
| (15) |
کسر تبخیر-تعرق مرجع (
) به‌صورت نسبت تبخیر-تعرق لحظه‌ای (ETinst) محاسبه‌شده از هر پیکسل به تبخیر-تعرق مرجع (
) محاسبه‌شده از اطلاعات هواشناسی محاسبه می‌شود:
| (16) |
در ادامه تبخیر-تعرق روزانه از طریق فرمول شماره 17 حاصل می‌شود
| (17) |
که در آن،
میزان تجمعی تبخیر-تعرق مرجع در روز هستند.
در انتها تبخیر-تعرق تجمعی برای هر دوره از طریق رابطه 18 تخمین زده می‌شود.
| (18) |
که در آن، ETperiod میزان تجمعی ET برای یک دوره است. مراحل اجرای مدل متریک به‌صورت خلاصه در شکل شماره 2، ارائه‌شده است.
شکل 2. نمودار جریانی مدل متریک
Fig. 2- Flow chart of the METRIC model
برای کسب اطلاعات بیشتر در مورد جزئیات مدل متریک، به مقاله آلن و همکاران (1) مراجعه شود.
نتایج
در این مقاله نقشه‌های AET ماهانه توسط مدل METRIC برای حوضه ونک از آوریل 2013 تا نوامبر 2014 تهیه‌شده است. این نقشه‌ها به ترتیب در شکل 3 و شکل 4 ارائه‌شده است.
نتایج ارائه‌شده در شکل‌های 3 و 4 در جدول شماره 3، ارائه‌شده است.
شکل 3. توزیع مکانی تبخیر-تعرق واقعی ماهانه در حوزه آبخیز ونک در سال 2013
Fig. 3- Spatial distribution of the monthly actual evapotranspiration in the Vanak Basin in 2013
شکل 4. توزیع مکانی تبخیر-تعرق واقعی ماهانه در حوزه آبخیز ونک در سال 2014
Fig. 4- Spatial distribution of the monthly actual evapotranspiration in the Vanak Basin in 2014
جدول 3. محدوده تغییرات AET (میلی‌متر در ماه) در حوزه آبخیز ونک در سال‌های 2013 و 2014
Table 4. The variation limits of AET (mm month−1) in 2013 and 2014.
نوامبر | اکتبر | سپتامبر | اوت | جولای | ژوئن | می | آوریل | ماه سال |
0 70 | 0 144 | 1 218 | 0 236 | 6 244 | 0 241 | 32 176 | 51 175 | 2013 |
0 55 | 16 155 | 0 214 | 0 235 | 8 263 | 33 237 | 49 208 | 49 170 | 2014 |
نتایج جدول 3، بیانگر روند افزایشی در حد بالایی تبخیر-تعرق از آوریل تا جولای در سال‌های 2013 و 2014 است.
در سال 2013، نتایج نشان داد که بیشترین و کمترین میزان میانگین تبخیر-تعرق ماهانه در ماه‌های آوریل و نوامبر مشاهده‌شده است. علاوه بر این، بیشترین و کمترین میانگین تبخیر و تعرق ماهانه در سال 2014 به ترتیب در ماه‌های می و نوامبر بود (شکل 5).
شکل 5. میانگین تبخیر-تعرق واقعی ماهانه در حوزه آبخیز ونک در سال‌های 2013 و 2014
Fig. 5- Mean monthly actual evapotranspiration in the Vanak Basin in 2013 and 2014
در شکل 6، توزیع مکانی دمای سطح زمین، شاخص سطح برگ، آلبیدو، تابش خالص، شار گرمای خاک و شار گرمای محسوس در ماه جولای 2014 (به‌عنوان نمونه) ارائه‌شده است.
شکل 6. نقشه‌های شاخص سطح برگ، دمای سطح زمین، آلبیدو، شار تابش خالص، شار گرمای محسوس و شار گرمای خاک در جولای 2014
Fig. 6- Leaf surface index, land surface temperature, albedo, net radiation flux, sensible heat flux and soil heat flux maps in July 2014
در شکل 6، توزیع مکانی شاخص سطح برگ، دمای سطح زمین، آلبیدو، تابش خالص، شار گرمای خاک و شار گرمای محسوس در جولای 2014 (به‌عنوان نمونه) ارائه‌شده است.
با توجه به شکل مذکور، نقشه (LAI) (که بیانگر میزان تراکم پوشش گیاهی است) در مناطق شمالی، قسمت‌هایی از شرق و بخش‌های غربی از مقدار بیشتری برخوردار است؛ ولی در مناطق جنوب شرقی دشت که پوشش گیاهی از تراکم کمتری برخوردار است؛ شاخص سطح برگ، از مقدار کمتری برخوردار است. دمای سطح زمین در مناطق شمالی و پرتراکم دشت ازنظر گیاه، از مقدار کمتری برخوردار است و در مناطق جنوب شرقی دشت که پوشش گیاهی کم است؛ دمای سطح زمین از مقدار بیشتری برخوردار است.
مناطق با مقدار شاخص سطح برگ بالاتر دارای مقادیر نسبتاً پایین‌تر آلبیدو میباشند و میزان شار تابش خالص در این مناطق از مقدار بالاتری برخوردار است و نشان‌دهنده این موضوع است که بیشتر انرژی در دسترس این مناطق صرف فرآیند تبخیر-تعرق شده و درنتیجه کاهش دمای سطح زمین در این مناطق مشاهده می‌گردد که مقایسه شاخص سطح برگ، دمای سطح زمین، آلبیدو و شار تابش خالص در شکل 6، نیز بیانگر همین موضوع است. مقدار شار گرمای خاک تابعی از دمای سطح است و با افزایش دمای سطح زمین، مقدار شار گرمای خاک افزایش می‌باید که مقایسه دمای سطح زمین و شار گرمای خاک در شکل 6، نیز حاکی از همین موضوع است. مناطق دارای شاخص سطح برگ بالاتر، میزان شار گرمای محسوس پایین‌تری دارند و به‌عبارتی‌دیگر با افزایش پوشش گیاهی از میزان شار گرمای محسوس کاسته می‌شود و همچنین شار گرمای محسوس در مناطقی که دارای دمای سطحی بالاتری هستند از مقدار بیشتری برخوردار است که بیانگر مناطقی با شاخص سطح برگ پایین است. مقایسه مقادیر شاخص سطح برگ، دمای سطح زمین و شار گرمای محسوس از شکل 4، بیانگر همین موضوع میباشند. مقایسه توزیع‌های مکانی AET، LAI و LST، در منطقه مطالعاتی نتایج نشان داد که توزیع مکانی AET تحت تأثیر دو عامل LAI و LST، قرارگرفته است که از آزمون همبستگی پیرسون جهت آزمون رابطه دو متغیر LAI و LST با تبخیر-تعرق واقعی استفاده شد (جداول 4 و 5).
جدول 4. نتایج همبستگی پیرسون بین شاخص LAI و تبخیر-تعرق واقعی
Table 4. Pearson correlation results between LAI index and actual evapotranspiration
LAI | مدل متریک |
|
|
831/0* | 1 | Pearson Correlation |
|
040/0 |
| Sig. (2-tailed) | مدل متریک |
1 | 831/0* | Pearson Correlation |
|
| 040/0 | Sig. (2-tailed) | LAI |
*. Correlation is significant at the 0.05 level (2-tailed).
جدول 5. نتایج همبستگی پیرسون بین LST و تبخیر-تعرق واقعی
Table 5. Pearson correlation results between LST and actual evapotranspiration
LST | مدل متریک |
|
|
857/0-* | 1 | Pearson Correlation |
|
029/0 |
| Sig. (2-tailed) | مدل متریک |
1 | 857/0-* | Pearson Correlation |
|
| 029/0 | Sig. (2-tailed) | LAI |
*. Correlation is significant at the 0.05 level (2-tailed).
نتایج جدول 4 نشان داد بین میزان LAI و تبخیر-تعرق واقعی ماهانه همبستگی معنی‌دار مشاهده شد (040/0=P و 831/0=r)، درنتیجه از جنبه آماری دو متغیر LAI و AET با یکدیگر رابطه دارند. همچنین آزمون همبستگی پیرسون (جدول 5)، نشان داد که بین میزان LST و تبخیر-تعرق واقعی ماهانه همبستگی معنی‌دار مشاهده شد (029/0=P و 857/0-= r ).
با توجه به توضیحات ذکرشده و نتایج به‌دست‌آمده از شکل‌های 3 و 4 (نقشه توزیع مکانی تبخیر-تعرق واقعی برای سال‌های 2013 و 2014) و شکل 6 تراکم پوشش گیاهی در مناطق شمالی دشت بالاست و میزان تبخیر-تعرق واقعی در این مناطق به بیشترین مقدار رسیده است. برعکس در مناطق با پوشش گیاهی ناچیز، تبخیر-تعرق واقعی از مقدار کمتری برخوردار است و دمای سطح زمین در این مناطق بالاست.
روند زمانی تبخیر-تعرق واقعی ماهانه نیز در سال‌های 2013 و 2014، در حوزه آبخیز ونک نشان داد که حد بالای دامنه ذکرشده برای تبخیر-تعرق واقعی از ماه آوریل تا جولای در مدل متریک از روند افزایشی برخوردار است که با توجه به افزایش میزان پوشش گیاهی، افزایش دما و شدت تابش بالا در حوضه ونک، منطقی به نظر می‌رسد. علت پایین بودن حد بالای دامنه ذکرشده برای تبخیر-تعرق واقعی در ماه آوریل مربوط به عدم رویش کامل گیاهان و درنتیجه کاهش شاخص پوشش گیاهی و همچنین پایین بودن میزان دمای هوا است. در حوزه آبخیز ونک نتایج نشان داد که روند تغییرات LAI، همسو با تغییرات تبخیر-تعرق واقعی است. مقدار شاخص سطح برگ از آغاز فصل روند افزایشی داشته و به‌تدریج با افزایش میزان تراکم پوشش گیاهی، افزایش‌یافته و تا ماه جولای به بیشترین میزان خود می‌رسد. ازآن‌پس تا آغاز فصل سرما LAI، روندی کاهشی داشت و به حداقل میزان ممکن رسید (شکل 7).
|
|
شکل 7. تغییرات زمانی میانگین آلبیدو و شار تابش خالص(الف) و شاخص سطح برگ و دمای هوا (ب)، در حوزه آبخیز ونک
Fig. 7- Temporal changes in the mean albedo and net radiation flux (a) and leaf area index and air temperature (b), in the Vanak Basin
همچنین نتایج نشان داد که روند تغییرات میانگین دمای ماهانه، همسو با تبخیر-تعرق واقعی است، در مورد میانگین آلبیدو و شار تابش خالص نیز روند مشابهی دیده شد (شکل 7).
به دلیل عدم وجود لایسیمتر در حوزه آبخیز ونک، به‌منظور ارزیابی مدل برآورد تبخیر-تعرق واقعی متریک، امکان صحت سنجی نتایج به‌دست‌آمده از مدل متریک میسر نبود و لذا از آنجاکه یکی از اهداف پژوهش، امکان‌سنجی برآورد تبخیر-تعرق با استفاده از مدل متریک در منطقه بود، از مدل بیلان انرژی سبال، برای ارزیابی نتایج حاصل از مدل متریک در سال 2014، استفاده گردید. از معیارهای ارزیابی ضریب نش-ساتکلیف (NS: Nash-Sutcliffe coefficient)، ضریب تبیین Coefficient of Determination و میانگین خطای مطلق (MAE: Mean Absolute Error)، استفاده شد. که نتایج در شکل شماره 8 ارائه‌شده است.
شکل 8. مقایسه تبخیر-تعرق ماهانه برآوردی مدل‌های متریک و سبال در حوزه آبخیز ونک در سال 2014
Fig. 8- Comparison of the estimated of monthly actual evapotranspiration of METRIC and SEBAL models in the Vanak Basin in 2014
نتايج شکل 8، نشان مي‌دهد كه تبخير-تعرق به‌دست‌آمده از روش متریک، مطابقت خوبي با برآوردهاي حاصل از تبخير-تعرق حاصل از روش سبال در تمامی ماه‌های سال 2014، داشته است. هر چه مقادیر ضرایب تبیین و نش-ساتکلیف به عدد یک نزدیک‌تر باشد و هر چه میزان MAE کمتر باشد، نشان‌دهنده صحت بالاتر مدل است. مقادیر R2 و NSدر تمامی ماه‌ها بین 93/0 تا 99/0 متغیر بود، همچنین میزان MAE بین 3/1 تا 53/7 میلی‌متر در ماه متغیر بود. که نشان‌دهنده کارایی قابل‌قبول مدل متریک است.
بحث و نتیجهگیری
امروزه به‌منظور استفاده منطقی آب برای محصولات کشاورزی نیاز به درک و شناخت دقیق فرآیند تبخیر-تعرق وجود دارد. تبخیر-تعرق یکی از مؤلفه‌های اصلی در معادله بیلان آب و انرژی، برنامه‌ریزی و مدیریت منابع آب و همچنین تعیین نیاز آبیاری گیاهان است. برآورد مناسب تبخیر-تعرق به ارائه استراتژی‌های مدیریتی مناسب در حوضه‌ها کمک می‌کند. الگوریتم متریک در اکثر نقاط دنیا با اقلیم‌های مختلف توسط واگل و همکاران (23) و زمانی و رحیم‌زادگان (27) و ...، به‌منظور برآورد تبخیر-تعرق و سایر شارهای گرمایی در سطح، با استفاده از داده‌های سنجش‌ازدور مورداستفاده قرارگرفته و نتایج نسبتاً رضایت بخشی را ارائه کرده است.
در این پژوهش، به کمک مدل متریک و استفاده از تصاویر مودیس، توزیع مکانی و زمانی تبخیر-تعرق واقعی ماهانه، از آوریل تا نوامبر برای سال‌های 2013 و 2014 در حوزه آبخیز ونک، موردبررسی قرار گرفت.
با توجه به نتایج به‌دست‌آمده، نواحی دارای شاخص پوشش گیاهی بالا و دمای سطح زمین پایین نسبت به سایر نواحی که دارای شاخص پوشش گیاهی پایین و دمای سطح زمین بالا هستند از میزان تبخیر-تعرق بیشتری برخوردارند. همچنین نتایج بیانگر روند افزایشی در حد بالایی تبخیر-تعرق از آوریل تا جولای در سال‌های 2013 و 2014 است.
روند تغييرات سري زماني شاخص LAI و تبخیر-تعرق در اين پژوهش، با روند تغييرات پارامترهای مذکور در تحقيقي که توسط ریزگونزانلس و همکاران (17) با استفاده از مدل متریک در داکوتا بررسی‌شده بود، مطابقت داشت. نتایج نشان داد که میزان شاخص LAI از آغاز فصل رشد 2016 روند افزایشی داشت و در روز 202 جولیانی مصادف با 21 جولای 2016 به حداکثر مقدار خود رسید و میزان تبخیر-تعرق هم در روز 194 جولیانی مصادف با 13 جولای 2016 دارای مقدار بیشینه در منطقه داکوتا بود. هانتینگتون در سال 2005 (11) ، گزارش کرد که با افزایش دما در طول فصل رشد، تبخیر-تعرق هم از روند افزایشی برخوردار خواهد شد. شار تابش خالص در هر دو سال 2013 و 2014 از آوریل تا جولای، به دلیل افزایش ارتفاع خورشید روند افزایشی داشته و پس‌ازآن روند کاهشی داشته و در ماه نوامبر به دلیل کاهش ارتفاع خورشید به کمترین میزان رسیده است. همچنین با نتایج یانگ و همکاران (41)، که حاکی از افزایش دمای هوا و تابش خالص از ماه ژانویه تا جولای و پس‌ازآن روند کاهشی در سال‌های 2015 تا 2017 در شمال غربی چین است، همخوانی دارد. همچنین یافته‌های پژوهش حاضر در خصوص پراکندگی مکانی شاخص گیاهی، تبخیر-تعرق و دیگر پارامترهای معادله بیلان انرژی با یافته‌های مباشری و همکاران (15)، همخوانی دارد. مباشری و همکاران در سال 86 (15)، با استفاده از تصاویر مودیس و الگوریتم سبال مقدار تبخير- تعرق براي ناحيه مزرعه نمونه ارتش واقع در استان گلستان در دو تاریخ 5 می و 7 ژوئن سال 2003 ميلادي مصادف با 15 اردیبهشت و 17 خرداد سال 1382 را برآورد نمودند. نتایج نشان داد میزان تبخير- تعرق و پارامترهای بیلان انرژی شامل تابش خالص، شار گرمای خاک و شار گرمای محسوس در تاریخ 7 ژوئن از 5 می، بیشتر است.
ازآنجایی‌که نتایج پژوهش حاضر در مقیاس حوزه آبخیز بوده و علاوه بر پراکندگی مکانی، تغییرات زمانی AET نیز برای کل حوضه برآورد شده است، میتواند به‌عنوان ابزار مناسبی در برنامه‌ریزی و مدیریت مکانی منابع آب کشاورزی مورداستفاده قرار گیرد.
منابع مورداستفاده
1. Allen RG, Tasumi M, Trezza R. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)—Model. Journal of irrigation and drainage engineering, 133(4):380-94. doi:https://doi.org/10.1061/(ASCE)0733-9437(2007)133:4(380).
2.Ashraf Sadreddini A, Hamed Sabzchi Dehkharghani H, Nazemi, AH, Majnooni Heris A. 2020. Application of SEBAL algorithm in estimating maximum daily demand of rain-fed wheat from green water sources using MODIS images (Case study: Ahar county). Journal of RS and GIS for Natural Resources, 11(1):1-28. (In Persian).
3. Bastiaanssen WG. Menenti M. Feddes RA. Holtslag AA. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation. Journal of hydrology, 212:198-212. https://doi.org/10.1016/S0022-1694(98)00253-4.
4. Bayati S, Nasr Esfahani MA, Abdollahi KH. Comparing the Response Characteristics and Volumetric Water Balance in Three Unit Hydrograph Methods (A case study: Vanak Basin). Iranian Journal of Eco Hydrology, 5(2):373-385. (In Persian).
5.Carrillo-Rojas G. Silva B. Córdova M. Célleri R. Bendix J. 2016. Dynamic mapping of evapotranspiration using an energy balance-based model over an Andean Páramo Catchment of Southern Ecuador. Remote Sensing, 8(2):160. doi: 10.3390/rs8020160.
6.Esmaeili S, Khoshkhoo Y, Babaei KH, Asadi Oskouei Y. 2018. Estimating Rice Actual Evapotranspiration Using METRIC Algorithm in a part of the North of Iran. Journal of Water and Soil Conservation, 24(6):105-122. (In Persian).
7. Gebler S. Hendricks Franssen HJ. Pütz T. Post H. Schmidt M. Vereecken H. 2015. Actual evapotranspiration and precipitation measured by lysimeters: a comparison with eddy covariance and tipping bucket. Hydrology and earth system sciences, 19(5):2145-2161.doi:https://doi.org/10.5194/hess-19-2145-2015.
8. Glenn EP. Neale CM. Hunsaker DJ. Nagler PL.2011. Vegetation index‐based crop coefficients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystems, HYDROL PROCESS, 2011, 25(26), pp. 4050-4062. doi: https://doi.org/10.1002/hyp.8392.
9. Häusler M. Conceição N. Tezza L. Sánchez J.M. Campagnolo M.L. Häusler A.J. Ferreira M.I. 2018. Estimation and partitioning of actual daily evapotranspiration at an intensive olive grove using the STSEB model based on remote sensing. Agricultural Water Management, 201:188-198. doi: https://doi.org/10.1016/j.agwat.2018.01.027.
10. He R. Jin Y. Kandelous M.M. Zaccaria D. Sanden B.L. Snyder R.L. Hopmans J.W. 2017. Evapotranspiration estimate over an almond orchard using landsat satellite observations. Remote Sensing, 9(5): 436. doi: https://doi.org/10.3390/rs9050436.
11.Huntington TG. 2006. Evidence for intensification of the global water cycle: review and synthesis. Journal of Hydrology, 319(1-4):83-95. doi: https://doi.org/10.1016/j.jhydrol.2005.07.003.
12. Johnson LF. Trout TJ. 2012. Satellite NDVI assisted monitoring of vegetable crop evapotranspiration in California’s San Joaquin Valley. Remote Sensing, 4(2):439-55. doi: https://doi.org/10.3390/rs4020439.
13. Lian J. Huang M. 2016. Comparison of three remote sensing based models to estimate evapotranspiration in an oasis-desert region. Agricultural Water Management, 165:153-162. doi: https://doi.org/10.1016/j.agwat.2015.12.001.
14. Liaqat U.W. Choi M. 2017. Accuracy comparison of remotely sensed evapotranspiration products and their associated water stress footprints under different land cover types in Korean peninsula. Journal of Cleaner Production, 155: 93-104.doi: https://doi.org/10.1016/j.jclepro.2016.09.022.
15. Mobasheri MR, Khavarian H, Ziaeian P, Kamali GH. 2007. Evapo-Transpiration Assessment Using Terra/MODIS Images in the Gorgan General District. MODARRES HUMAN SCIENCES, 11(1):121-142. (In Persian).
16. Rawat KS. Bala A. Singh SK. Pal RK. 2017. Quantification of wheat crop evapotranspiration and mapping: A case study from Bhiwani District of Haryana, India. Agricultural water management, 187:200-209.doi: https://doi.org/10.1016/j.agwat.2017.03.015.
17.Reyes-González A. Kjaersgaard J. Trooien T. Reta-Sánchez DG. Sánchez-Duarte JI. Preciado-Rangel P. Fortis-Hernández M. 2019. Comparison of Leaf Area Index, Surface Temperature, and Actual Evapotranspiration Estimated Using the METRIC Model and In Situ Measurements. Sensors, 19(8):1857.doi: 10.3390/s19081857.
18. Senay GB. Budde ME. Verdin JP. 2011. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: Validation with the METRIC model. Agricultural Water Management, 98(4): 606-618. doi:https://doi.org/10.1016/j.agwat.2010.10.014.
19. Su Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes, Hydrology and earth system sciences, 6(1):85-100.doi:10.5194/hess-6-85-2002.
20. Tasumi M. 2003. Progress in operational estimation of regional evapotranspiration evapotranspiration using satellite imagery. Ph.D. dissertation, Univ. of Idaho, Moscow, Id.
21. Trezza R. Allen R. Tasumi M. 2013. Estimation of actual evapotranspiration along the Middle Rio Grande of New Mexico using MODIS and landsat imagery with the METRIC model. Remote Sensing, 5(10):5397-5423.doi: https://doi.org/10.3390/rs5105397.
22.Vermote E.F. Kotchenova S. 2008. Atmospheric correction for the monitoring of land surfaces. Journal of Geophysical Research: Atmospheres, 113(D23). doi: https://doi.org/10.1029/2007JD009662.
23. Wagle P. Bhattarai N. Gowda PH. Kakani VG. 2017. Performance of five surface energy balance models for estimating daily evapotranspiration in high biomass sorghum. ISPRS Journal of Photogrammetry and Remote Sensing, 128:192-203. doi: https://doi.org/10.1016/j.isprsjprs.2017.03.022.
24.Wan, Z.M., Zhang, Y.L., Zhang, Q.C., Z.L. Li. 2002. “Validation of the land-surface temperature products retrieved from Terra moderate resolution imaging spectroradiometer data.” Remote sensing of Environment 83 (1–2):163. doi: 10.1016/S0034-4257(02)00093-7.
25. Waters R. Allen R. Tasumi M. Trezza R. Bastiaanssen WG. 2002. SEBAL (Surface Energy Balance Algorithms for Land): advanced training and users manual. Department of Water Resources, University of Idaho, Kimberly, 1:97.
26.Yang Y. Chen R. Song Y. Han C. Liu J. Liu Z. 2019. Sensitivity of potential evapotranspiration to meteorological factors and their elevational gradients in the Qilian Mountains, northwestern China. Journal of Hydrology, 568:147-159. doi: https://doi.org/10.1016/j.jhydrol.2018.10.069.
27. Zamani Losgedaragh S. Rahimzadegan M. 2018. Evaluation of SEBS, SEBAL, and METRIC models in estimation of the evaporation from the freshwater lakes (Case study: Amirkabir dam, Iran). Journal of hydrology, 561:523-531. doi: https://doi.org/10.1016/j.jhydrol.2018.04.025.
28. Zhang Y. Yang S. Ouyang W. Zeng H. Cai M. 2010. Applying multi-source remote sensing data on estimating ecological water requirement of grassland in ungauged region. Procedia Environmental Sciences, 2: 953-963. doi: https://doi.org/10.1016/j.proenv.2010.10.107.
29. Zhang X.C. Wu J.W. Wu H.Y. Li Y. 2011. Simplified SEBAL method for estimating vast areal evapotranspiration with MODIS data. Water Science and Engineering, 4(1), 24-35. doi: https://doi.org/10.3882/j.issn.1674-2370.2011.01.003.
30. Zhang B. Chen H. Xu D. Li F. 2017. Methods to estimate daily evapotranspiration from hourly evapotranspiration. Biosystems engineering, 153:129-139. doi: 10.1016/j.biosystemseng.2016.11.008.
Utility of METRIC Model for estimating actual monthly evapotranspiration using MODIS sensor images in Vanak Basin
Abstract
Evapotranspiration is one of the most significant components of water balance hence it is a key variable for the optimal management of water resources. The aims of this study are estimation and analysis of the temporal and spatial distribution of actual evapotranspiration (AET) at monthly time scale over the Vanak Basin. METRIC model is a remote sensing based method that estimates actual evapotranspiration as a residual of the surface energy balance. Herein, spatial and temporal distribution of actual evapotranspiration of the Vanak Basin from April to November 2013–2014 was estimated using the METRIC model and using MODIS satellite data, the feasibility of using METRIC was investigated. For this purposes, 60 MODIS products of Leaf Area Index (MOD15A2), land surface temperature LST (MOD11A2) and surface reflectance (MOD09A1) in 8-day time step were extracted. Based on the results, the regions which had dense vegetation and low land surface temperatures had high AET rates, while in the regions with sparse vegetation and high land surface temperatures, the AET rate was low. Throughout this research, the upper limit of the variation of AET showed a gradual increase from April to July in both 2013 and 2014. According to the results, the maximum amount of actual evapotranspiration in 2013 and 2014 for the July month was obtained 244 and 263 mm per month respectively.The monthly AET values estimated by METRIC model versus the monthly AET values estimated from the SEBAL model were evaluated and compared for the Vanak Basin from April to November 2014. Based on the results, the scatter of estimations is in an acceptable range. In 2014, there was good agreement between METRIC and SEBAL models (R2=0.96–0.99, NSE = 0.93–0.99 and MAE = 1.3–7.53 mm month−1).
Keyword: Actual Evapotranspiration; Spatial-Temporal Variation; Remote Sensing, Energy balance; Vanak Basin.
کاربرد مدل متریک برای برآورد تبخیر-تعرق واقعی ماهانه با استفاده از تصاویر سنجنده مودیس در حوزه آبخیز ونک
چکیده
طرح مسئله: امروزه به‌منظور استفاده منطقی آب برای محصولات کشاورزی نیاز به درک و شناخت دقیق فرآیند تبخیر-تعرق وجود دارد. تبخیر-تعرق یکی از مهم‌ترین مؤلفه‌های بیلان آب است و ازاین‌رو یک متغیر کلیدی برای مدیریت بهینه منابع آب به شمار می‌آید.
هدف: هدف از انجام پژوهش حاضر (1) برآورد و تجزیه‌وتحلیل توزیع زمانی و مکانی تبخیر-تعرق واقعی در مقیاس زمانی ماهانه با استفاده از مدل متریک و مشاهدات ماهواره مودیس در حوزه آبخیز ونک و (2) بررسی صحت نتایج متریک با الگوریتم بیلان انرژی سطحی برای زمین، سبال (SEBAL: Surface Energy Balance Algorithm for Land) است.
روش تحقیق: روش‌های زیادی برای تخمین دقیق تبخیر-تعرق نقطه‌ای وجود دارد، ازجمله لایسیمترهای وزنی (Weighing lysimeter)، روش نسبت بوون (Bowen ratio technique) و روش ادی کوواریانس (Eddy covariance). نقطه‌ضعف روش‌های ذکرشده این است که، این روش‌ها فقط تبخیر-تعرق را برای یک مکان خاص برآورد می‌کنند و قادر به برآورد تبخیر-تعرق منطقه‌ای نیستند. مدل متریک توسط آلن و همکاران در سال 2007 بر اساس مدل شناخته‌شده سبال (باستیانسن، 1998)، ارائه گردیده است. مدل متریک، یک روش مبتنی بر سنجش‌ازدور است که تبخیر-تعرق واقعی را به‌عنوان باقیمانده معادله بیلان انرژی سطح برآورد می‌کند. در پژوهش حاضر، توزیع مکانی و زمانی تبخیر-تعرق واقعی حوضه ونک از آوریل تا نوامبر 2013 و 2014، با استفاده از مدل متریک برآورد شد و با استفاده از تصاویر سنجنده مودیس، امکان استفاده از متریک، موردبررسی قرار گرفت. حوزه آبخیز ونک (شکل 1) در قسمت جنوب‌شرقی حوضه کارون شمالی قرارگرفته است و ازلحاظ جغرافیایی بین استان‌های چهارمحال و بختیاری و اصفهان قرارگرفته است. 60 تصوير سنجنده موديس مربوط به شاخص سطح برگ (MOD15A2)، دماي سطح زمين (MOD11A2) و بازتاب سطحي (MOD09A1)، با فواصل زماني هشت‌روزه استخراج گرديد. تصاویر ذکرشده از وب‌سایت http://earthexplorer.usgs.gov دانلود گردید و سیستم مختصات تصاویر از حالت سینوسی به (UTM: Universal Transverse Mercator) تبدیل شدند. فاكتور مقياس مربوط به تصاویر LAI و LST و بازتاب سطحی به ترتیب 1/0 ، 02/0 و 0001/0 است. تخمین تبخیر-تعرق در مدل متریک با معادله بیلان انرژی، آغاز می‌شود:
| (1) |
در معادله فوق، LE شار گرمای نهان، Rn تابش خالص، G، شار گرمای خاک و H، شار گرمای محسوس است (واحد همه پارامترها Wm-2) است. شار گرمای نهان، نمی‌تواند با استفاده از سنجش‌ازدور تخمین زده شود، بنابراین؛ به‌عنوان بخش باقیمانده از سه عبارت دیگر در معادله (1) محاسبه می‌شود. مجموعه داده‌ها شامل مشاهدات مودیس و داده‌های هواشناسی ایستگاه‌های موجود در حوزه و اطراف آن به‌منظور محاسبه شارهای انرژی سطحی لحظه‌ای شامل شار تابش خالص (Rn)، شار گرمای خاک (G) و شار گرمای محسوس (H) در فن پردازش است. تبخیر-تعرق، در لحظه تصویر برای هر پیکسل، از تقسیم مقادیر LE از معادله (1)، بر گرمای نهان تبخیر و چگالی آب، محاسبه می‌شود:
| (2) |
که در آن ETinst ، تبخیر-تعرق لحظه‌ای (mm/hr)، چگالی آب (kg/m3 1000) و گرمای نهان تبخیر (J/kg) است.
نتایج و بحث: در طول این تحقیق، حد بالایی تبخیر-تعرق، افزایش تدریجی از آوریل تا نوامبر را در هر دو سال 2013 و 2014 نشان داد. با توجه به نتایج به‌دست‌آمده، حداکثر میزان تبخیر-تعرق واقعی در سال‌های 2013 و 2014 برای ماه جولای به ترتیب 244 و 263 میلی‌متر در ماه به‌دست‌آمده آمد. به‌طورکلی نتايج به‌دست‌آمده از این مقاله مي‌تواند به شناخت بهتر تغییرات تبخیر-تعرق منطقه‌ای کمک کند. مقایسه توزیع‌های مکانی AET، LAI وLST ، در منطقه مطالعاتی نتایج نشان داد که توزیع مکانی AET تحت تأثیر دو عامل LAI وLST ، قرارگرفته است که از آزمون همبستگی پیرسون جهت آزمون رابطه دو متغیر LAI وLST با تبخیر-تعرق واقعی استفاده شد (جداول 4 و 5). بر اساس نتایج به‌دست‌آمده، نواحی با پوشش گیاهی متراکم و دمای سطح زمین پایین دارای مقادیر بالای تبخیر-تعرق بوده و مناطق دارای دمای سطح بالا و پوشش گیاهی پراکنده و کم از مقدار تبخیر-تعرق کمی برخوردارند. نتایج نشان داد که روند تغییرات میانگین دمای ماهانه، همسو با تبخیر-تعرق واقعی است، در مورد میانگین آلبیدو و شار تابش خالص نیز روند مشابهی دیده شد (شکل 7). لازم به ذکر است که عدم وجود اندازه‌گیری‌های زمینی برای مقایسه آن‌ها با مقادیر تبخیر-تعرق مدل، یک محدودیت بالقوه از پژوهش حاضر است. بااین‌حال، رویکرد پیشنهادی، ارزیابی برآوردهای تبخیر-تعرق به‌دست‌آمده از مدل متریک با برآوردهای تبخیر-تعرق حاصل از مدل سبال، (به‌عنوان روش استاندارد) است، که رویکردی است که به‌طور گسترده برای مقابله با چنین محدودیت‌هایی استفاده می‌شود. در گام دوم تجزیه‌وتحلیل، در پژوهش حاضر، مقادیر برآوردی تبخیر-تعرق ماهانه با استفاده از معادلات متریک در مقابل سبال برای حوضه ونک در سال 2014، مورد مقایسه قرار گرفت. نتایج مدل سبال به‌عنوان مرجعی برای مقایسه نتایج به‌دست‌آمده از مدل متریک مورداستفاده قرار گرفت. بررسی آماری به‌منظور تعیین اختلاف بین تبخیر-تعرق ماهانه استخراج‌شده از متریک در مقابل تبخیر-تعرق ماهانه استخراج‌شده از سبال صورت گرفت. از معیارهای ارزیابی ضریب نش-ساتکلیف (NS: Nash-Sutcliffe coefficient)، ضریب تبیین Coefficient of Determination و میانگین خطای مطلق (MAE: Mean Absolute Error)، استفاده شد. که نتایج در شکل شماره 8 ارائه‌شده است. مقادیر بالای ضرایب R2 و نش-ساتکلیف و مقادیر پایین MAE نشان داد که مدل متریک در بیشتر ماه‌ها با مدل سبال، ارتباط نزدیکی دارد. مقادیر تبخیر-تعرق ماهانه برآورد شده توسط مدل متریک در مقابل مقادیر تبخیر-تعرق ماهانه تخمین زده‌شده از مدل سبال، از آوریل تا نوامبر 2014 برای حوزه ونک ارزیابی و مقایسه گردید. بر اساس نتایج کلی نشان داده‌شده در شکل 8، پراکندگی برآوردها در یک حد قابل‌قبول است. در سال 2014، توافق خوبی بین مدل‌های متریک و سبال وجود داشت (99/0-96/0R2=، 99/0-93/0NSE= و 53/7-3/1MAE =). در سال 2014، نتایج دیگر نشان داد که در هر دو مدل، حد بالایی تبخیر-تعرق، افزایش تدریجی از آوریل تا جولای را نشان داد.
نتیجهگیری: با توجه به نتایج به‌دست‌آمده، نواحی دارای شاخص پوشش گیاهی بالا و دمای سطح زمین پایین نسبت به سایر نواحی که دارای شاخص پوشش گیاهی پایین و دمای سطح زمین بالا هستند از میزان تبخیر-تعرق بیشتری برخوردارند. روند تغييرات سري زماني شاخص LAI و تبخیر-تعرق در اين پژوهش، با روند تغييرات پارامترهای مذکور در تحقيقي که توسط ریزگونزانلس و همکاران (31) با استفاده از مدل متریک در داکوتا بررسی‌شده بود، مطابقت داشت.
واژه‌های کلیدی: تبخیر-تعرق واقعی، تغییرات زمانی-مکانی، سنجش‌ازدور، بیلان انرژی، حوزه آبخیز ونک.
Utility of METRIC Model for estimating actual monthly evapotranspiration using MODIS sensor images in Vanak Basin
Abstract
Statement of the Problem: Nowadays, in order to logical use of water for agricultural products, accurate understanding of the evapotranspiration process is needed. Evapotranspiration is one of the most significant components of water balance hence it is a key variable for the optimal management of water resources.
Purpose: In this paper, we aim to: (1) and analysis of the temporal and spatial distribution of actual evapotranspiration (AET) at monthly time scale using the METRIC approach, driven by MODIS satellite observations over the Vanak Basin; (2) Check accuracy of the METRIC results with (Surface Energy Balance Algorithm for Land, SEBAL).
Methodology: There are many methods for correct estimation of point evapotranspiration, such as weighing lysimeters, the Bowen ratio, and the eddy correlation methods. The weakness of the mentioned methods is that these techniques only provide evapotranspiration for a specific site and they can't estimate regional evaporation. The METRIC model was developed by Allen et al., (2007) based on the well-known SEBAL model (Bastiaanssen, 1998). METRIC model is a remote sensing based method that estimates actual evapotranspiration as a residual of the surface energy balance. Herein, spatial and temporal distribution of actual evapotranspiration of the Vanak Basin from April to November 2013–2014 was estimated using the METRIC model and using MODIS satellite data, the feasibility of using METRIC was investigated. Vanak Basin (Figure 9) is located in the southeastern part of the Northern Karoon Basin. It is geographically placed between Chaharmahal va Bakhtiari and Isfahan provinces. 60 MODIS products of Leaf Area Index (MOD15A2), land surface temperature LST (MOD11A2) and surface reflectance (MOD09A1) in 8-day time step were extracted. The mentioned images were downloaded from the http://earthexplorer.usgs.gov/ website and the images were re-projected from the Sinusoidal projection to UTM projection.
The scale factor for LAI, LST and Surface Reflectance were 0.1,0,02 and 0.0001, respectively. Estimation of ET with the METRIC model begins with energy balance:
| (1) |
Where LE is latent heat flux, Rn is net radiation, G is soil heat flux, and H is sensible heat flux (all computed in W/m2). LE, cannot be estimated with remote sensing and is calculated as the residual from solving the other three terms in Eq. (1). Data sets such as MODIS observations and weather data from the stations in and near the Vanak Basin are used to calculate instantaneous surface energy fluxes including net radiation flux (Rn), soil heat flux (G) and sensible heat flux (H) in the processing technique.
ET at the instant of the satellite image is computed for each pixel by dividing LE values from Eq. (1) by latent heat of vaporization and density of water
