تخمین تبخیر-تعرق واقعی با استفاده از الگوریتم مثلثی و داده‌های لندست 8 (مطالعه موردی: دشت مشهد-استان خراسان رضوی)

الموضوعات :

مژده سلیمی فرد ¹ , سید حسین ثنائی نژاد ² , علیرضا راشکی ³

1 - دانشگاه فردوسی مشهد- دانشکده کشاورزی-گروه مهندسی آب
2 - عضو هیئت علمی دانشگاه فردوسی مشهد-دانشکده کشاورزی-گروه مهندسی آب
3 - دانشیار دانشگاه فردوسی مشهد-دانشکده منابع طبیعی و محیط زیست-گروه مدیریت مناطق خشک و بیابانی

تاريخ الإرسال : 10 الإثنين , محرم, 1444 تاريخ التأكيد : 05 السبت , ربيع الأول, 1444 تاريخ الإصدار : 26 الأحد , ربيع الأول, 1446

الکلمات المفتاحية: الگوریتم مثلثی, لندست 8, دشت مشهد, تبخیر-تعرق واقعی,

ملخص المقالة :

یکی از چالش‌های منطقه‌ای مهم در بحث مدیریت آب برآورد صحیح تغییرات مکانی تبخیر-تعرق واقعی می‌باشد. اکثر روش‌های محاسبه تبخیر-تعرق واقعی که بر مبنای ضرایب گیاهی (Kc) هستند، به صورت تخمین نقطه‌ای هستند که به منظور استفاده در سطح حوزه‌ و یا منطقه-ای نیازمند بزرگ نمایی مکانی هستند. در این میان، روش‌های متنوع سنجش از دوری با پیچیدگی های متنوع به منظور بررسی پارامتر تبخیر-تعرق واقعی در سطوح منطقه‌ای بزرگ بر اساس معادله بیلان انرژی و شرایط پوشش گیاهی توسعه یافته‌اند. روش الگوریتم مثلثی که بر پایه رابطه میان دمای سطح زمین و شاخص پوشش گیاهی (NDVI) است از جمله روش‌های تخمین تبخیر-تعرق واقعی در مناطق خشک و نیمه خشک است. در این مطالعه از داده‌های تصاویرلندست 8 در سال 2020 و الگوریتم مثلثی به منظور محاسبه تبخیر-تعرق واقعی دردشت مشهد استفاده شد. نتایج حاصل از الگوریتم مثلثی با نتایج تبخیر-تعرق واقعی حاصل از روش فائو-پنمن-مانتیث و ضریب گیاهی (Kc) در سطح مزارع گندم و ذرت علوفه‌ای صحت سنجی شدند. نتایج صحت سنجی حاکی از صحت و دقت بالای روش الگوریتم مثلثی در تخمین پارامتر تبخیر-تعرق واقعی داشت به‌طوری‌که میزان ضریب تبیین (R2) در این مطالعه بالای 7/0 و بیشترین میزان جذر میانگین مربعات خطا (RMSE) و میانگین خطا مطلق (MAE) به ترتیب : 67/1 و 48/1 میلی‌متر در روز مشاهده شد.

المصادر:

1. Allen, R. G., L. S. Pereira, D. Raes, and M. Smith. 1998. “Crop evapotranspiration-Guidelines for computing crop water requirements- FAO Irrigation and drainage paper 56.” Fao, Rome 300 (9): D05109.
2. Bisht G, Venturini V, Islam S, Jiang L. 2005. Estimation of the net radiation using MODIS (Moderate Resolution Imaging Spectroradiometer) data for clear sky days. Remote Sens Environ.97(1):52-67.
3. Carlson T.2007. An Overview of the “Triangle Method” for Estimating Surface Evapotranspiration and Soil Moisture from Satellite Imagery. Sensors,7(8):1612-1629.
4. da Silva BB, Braga AC, Braga CC, de Oliveira LMM, Montenegro SMGL, Barbosa Junior B. 2016. Procedures for calculation of the albedo with OLI-Landsat 8 images: Application to the Brazilian semi-arid. Rev Bras Eng Agric e Ambient, 20(1):3-8.
5. Gad HE, El-Gayar SM.2010. Climate parameters used to evaluate the evapotranspiration in delta central zone of Egypt. Fourteenth Int Water Technol Conf IWTC14, (February):529-548.
6. Glenn EP, Nagler PL, Huete AR. . 2010.Vegetation Index Methods for Estimating Evapotranspiration by Remote Sensing. Surv Geophys,31(6):531-555.
7. Gowda PH, Chavez JL, Colaizzi PD, Evett SR, Howell TA, Tolk JA. 2008. ET mapping for agricultural water management: Present status and challenges. Irrig Sci,26(3):223-237.
8. Hassan QK, Bourque CPA, Meng FR, Cox RM. 2007. A wetness index using terrain-corrected surface temperature and normalized difference vegetation index derived from standard MODIS products: An evaluation of its use in a humid forest-dominated region of Eastern Canada. Sensors,7(10):2028-2048.
9. Hoedjes JCB, Chehbouni A, Jacob F, Ezzahar J, Boulet G. 2008. Deriving daily evapotranspiration from remotely sensed instantaneous evaporative fraction over olive orchard in semi-arid Morocco. J Hydrol, 354(1-4):53-64.
10. Jiang L, Islam S. 1999. A methodology for estimation of surface evapotranspiration over large areas using remote sensing observations. Geophys Res Lett,26(17):2773-2776.
11. Kumar U, Sahoo B, Chatterjee C, Raghuwanshi NS. 2020. Evaluation of Simplified Surface Energy Balance Index (S-SEBI) Method for Estimating Actual Evapotranspiration in Kangsabati Reservoir Command Using Landsat 8 Imagery. J Indian Soc Remote Sens, 48(10):1421-1432.
12. Li Z, Jia L, Lu J. 2015. On uncertainties of the Priestley-Taylor/LST-Fc feature space method to estimate evapotranspiration: Case study in an arid/semiarid region in northwest China. Remote Sens, 7(1):447-466.
13. Long D, Singh VP.2012. A Two-source Trapezoid Model for Evapotranspiration (TTME) from satellite imagery. Remote Sens Environ,121:370-388.
14. Luo T, Jutla A, Islam S. 2015. Evapotranspiration estimation over agricultural plains using MODIS data for all sky conditions. Int J Remote Sens,36(5):1235-1252.
15. Mogbeli Damaneh M, Sanaeinejad S.H.2018. Estimate of potential evapotranspiration in Freiman using the priestiley-taylor method and remote sensing techniqe. Journal of RS & GIS for Natural Resources, 9(3): 72-84. (In Persian)
16. Morshedi A, Naderi M, Tabatabaei S H, Mohammadi J.2017. Estimation of Actual Evapotranspiration at Regional Scale using Remote sensing data in Shahrekord Plain (II) Comparing SEBAL and METRIC to Some Mathematical Models of Evapotranspiration . Journal Water and Soil Sci (Sci. & Technol. Agric. & Natur. Resour.), 21 (3) :1-13 (In Persian)
17. Paymard P. Assessment of Land Capability for Different Irrigation Systems by Parametric and Fuzzy Approaches in the Mashhad Plain , Northeast Iran Assessment of Land Capability for Different Irrigation Systems by Parametric and Fuzzy Approaches in the Mashhad Plain . 2015;(May).
18. Peng J, Borsche M, Liu Y, Loew A.2013. How representative are instantaneous evaporative fraction measurements of daytime fluxes? Hydrol Earth Syst Sci,17(10):3913-3919.
19. Pourmohamad Y, Ghandehari A, Davary K, Shirazi P. 2020. Multicriteria Decision-Making Approach to Enhance Automated Anchor Pixel Selection Algorithm for Arid and Semi-Arid Regions. J Hydrol Eng,25(11):04020049.
20. Rango A.1994. Application of remote sensing methods to hydrology and water resources. Hydrol Sci J, 39(4):309-320.
21. Rasmussen MO, Srensen MK, Wu B, Yan N, Qin H, Sandholt I. 2014. Regional-scale estimation of evapotranspiration for the North China Plain using MODIS data and the triangle-approach. Int J Appl Earth Obs Geoinf. 2014;31(1):143-153.
22. Reynolds JF, Stafford Smith DM, Lambin EF, et al. 2007. Ecology: Global desertification: Building a science for dryland development. Science (80- ),316(5826):847-851.
23. Stisen S, Sandholt I, Nørgaard A, Fensholt R, Jensen KH. 2008.Combining the triangle method with thermal inertia to estimate regional evapotranspiration - Applied to MSG-SEVIRI data in the Senegal River basin. Remote Sens Environ,112(3):1242-1255.
24. Tang R, Li ZL, Tang B. 2010. An application of the Ts-VI triangle method with enhanced edges determination for evapotranspiration estimation from MODIS data in arid and semi-arid regions: Implementation and validation. Remote Sens Environ,114(3):540-551.
25. Teixeira AH d. C, Bastiaanssen WGM, Ahmad MD, Bos MG. 2009. Reviewing SEBAL input parameters for assessing evapotranspiration and water productivity for the Low-Middle São Francisco River basin, Brazil. Part A: Calibration and validation. Agric For Meteorol,149(3-4):462-476.
26. Zhang H, Gorelick SM, Avisse N, Tilmant A, Rajsekhar D, Yoon J. 2016. A new temperature-vegetation triangle algorithm with Variable Edges (TAVE) for satellite-based actual evapotranspiration Estimation. Remote Sens,8(9).