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
الموضوعات :عزیز عظیمی 1 , کاظم رنگزن 2 , مصطفی کابلی زاده 3 , محمد خرمیان 4
1 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه شهید چمران اهواز
2 - دانشیار دانشکده علوم زمین، دانشگاه شهید چمران اهواز
3 - استادیار دانشکده علوم زمین، دانشگاه شهید چمران اهواز
4 - دکتری آبیاری و زهکشی، مرکز تحقیقات کشاورزی صفی آباد دزفول
الکلمات المفتاحية: 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,
ملخص المقالة :
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.
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.