Estimation of actual evapotranspiration in pistachio orchards using SEBAL algorithm in three irrigation system

Subject Areas : Applications in water resources management

Soheil  Radiom ¹ (Assistant Professor, Iranian Space research center, Tehran, Iran)

Received: 2020-10-04 Accepted : 2021-01-20 Published : 2021-06-22

Keywords: Soil Moisture Sensor, precision agriculture, evapotranspiration, Pistachio, remote sensing,

Abstract :

Background and ObjectiveOver the past 100 years, the country has lost about 90 percent of its per capita renewable water. About 90% of the country's renewable water resources are allocated to the agricultural sector. With the increase in the area of pistachio orchards and the increase in demand for water on the one hand and the limited water resources in the region, on the other hand, the imbalance between supply and demand for water is sharply increasing. In this regard, the most important step to prevent water loss is the uniform distribution of water on the field, optimal at each stage of growth. About 99% of the water absorbed by the plant is used for evapotranspiration. Therefore, studying this phenomenon can play an important role in determining the water needs of plants. It is difficult to measure the actual evapotranspiration outside the laboratory. Many experimental methods have been developed to estimate actual and potential evapotranspiration using meteorological and climatic data. But most of these methods are only able to estimate potential evapotranspiration and do not estimate the actual amount of it.  In contrast, remote sensing methods have been developed that are a good solution for estimating the actual evapotranspiration. Satellite imagery with global coverage and repetitive Acquisition has made it possible to monitor evapotranspiration at the field level and during plant growth. Various studies have been conducted to estimate the actual evapotranspiration of agricultural areas using satellite images, which indicate the acceptable accuracy of these methods. However, most of this research is related to agricultural fields and no significant research has been done to estimate evapotranspiration at the orchards. Vegetation at the farms is uniform and homogeneous compared to orchards, so the estimation of vegetation index, which is one of the inputs of the SEBAL model in orchards is more difficult than agricultural fields, which can affect the final accuracy. Therefore, the main purpose of this study is to estimate the amount of evapotranspiration in the pistachio orchard using the SEBAL algorithm and evaluate the accuracy of estimation. Also, this research has beenMaterials and Methods The present research has been carried out in pistachio orchards in Zarandieh city of Markazi province. The gardens had three different irrigation systems including flood irrigation systems, surface, and subsurface drip irrigation systems. Actual evapotranspiration is estimated using water balance and SEBAL algorithm. Meteorological data from Imam Airport Synoptic Station and Landsat8 satellite imagery has been used to estimate evapotranspiration using the SEBAL algorithm. Actual evapotranspiration is estimated at satellite overpass times during the growing season. To select hot and cold pixels in the SEBAL algorithm, the semi-automatic method proposed by Oldmo is used, which minimizes user participation in the selection of hot and cold pixels. To evaluate the accuracy of evapotranspiration estimation, the information of soil moisture sensors in the orchard has been used. 28 sensors measure soil moisture in different parts of the orchard. Using the soil moisture values, the actual evapotranspiration was estimated using the water balance method and used as a reference value.Results and Discussion A comparison of the results of the SEBAL algorithm and water balance method showed that the SEBAl algorithm was able to estimate the actual evapotranspiration in different parts of the orchard with an RMS error of 0.57. In addition, the correlation between the values estimated by the two methods was equal to 0.82, which indicates the appropriate capability of the SEBAL algorithm in estimating evapotranspiration values. The correlation between the actual evapotranspiration estimated from the SEBAL model and the reference evapotranspiration is 0.76. In addition, in the research, changes in the evapotranspiration in different parts of the garden and also gardens with different irrigation systems including flood, surface, and subsurface drips have been investigated. The results show that the orchard with subsurface irrigation had the lowest average of evapotranspiration on different dates. Considering that evapotranspiration is equal to the sum of evaporation from the soil surface and transpiration from the plant, this decrease can be attributed to the decrease in evaporation from the soil surface. In addition, evapotranspiration heterogeneity can be observed in all parts of orchards with the same irrigation system on all dates. For example, in the orchard with a flood irrigation system, parts of the garden show low evapotranspiration, which can be due to the lack of smoothing of the surface and lack of proper moisture in these areas. Obviously, the same amount of moisture accumulates in other parts of the garden and is inaccessible through deep percolation. This uneven distribution is also observed in the garden with a surface drip irrigation system. For example, the middle part of the garden with surface drip irrigation always shows a higher amount of evapotranspiration, which can indicate the loss of water in this part, due to the miss-operation of the dripper. To evaluate the difference in evapotranspiration in different irrigation systems, the average, minimum, maximum, and standard deviation values of evapotranspiration in orchards related to three different irrigation systems have been calculated. The results showed that in all dates, the ranges and standard deviation of evapotranspiration in the flood irrigation system were higher than in other systems, which indicates the lack of uniform irrigation in the orchard. Also, on all dates, the average amount of evapotranspiration in the orchard with a surface drip irrigation system has been more than flood irrigation system. Vegetation in orchards with drip irrigation systems (surface and subsurface) was denser compared to the flood irrigation systems.Conclusion In this study, the actual evapotranspiration of pistachio orchards has been estimated using satellite imagery and the SEBAL algorithm. The results of the study indicate the appropriate accuracy of the SEBAL algorithm in estimating the actual evapotranspiration of the orchards. Compared with the water balance method, the correlation coefficient was 0.82 and the root means the square error was 0.57. In addition, comparing the moisture situation in different parts of the orchard and in orchards with different irrigation systems has shown that by estimating the actual evapotranspiration using satellite imagery, appropriate information can be obtained on how to distribute moisture in the garden. This information provides valuable information on the optimal management of water resources and increases irrigation efficiency. Other results of this research include the significant difference between surface and subsurface drip irrigation methods. The results show that using subsurface irrigation methods can effectively reduce irrigation water loss due to evaporation from the soil surface. The results show that in areas where there is no access to information from soil moisture sensors or direct measurements of evapotranspiration, the use of the SEBAL algorithm and remote sensing methods can provide appropriate information for optimal water management.

References:

Abdelahi Ezatabadi M, AA J. 2007. Economic investigation of the possibility of using new methods for water supply and demand in agriculture: A case study of pistachio producers in Rafsanjan. Pajouhesh-Va-Sazandegi, 20(2): 113-126. https://www.sid.ir/en/Journal/ViewPaper.aspx?ID=105307. (In Persian).

Akbari M, Seif Z, Zare Abyane H. 2011. Estimation of evapotranspiration by remote sensing technique under different climate condition. Journal of Water and Soil, 25(4): 835-844. https://jsw.um.ac.ir/article/view/42562/article_35105.html. (In Persian).

Alizadeh A, Kamali G. 2007. Water Use of Plant in Iran. Astan Qods Publication, Mashhad, First Edition, 340 p.

Allen GR, Luis SP, Terry AH, Marvin EJ. 2011. Evapotranspiration information reporting: I. Factors governing measurement accuracy. Agricultural Water Management, 98(6): 899-920. doi:https://doi.org/10.1016/j.agwat.2010.12.015.

Babran S, Honarbakhsh N. 2008. Water Crisis in in Iran and the World. Rahbord, 16(48): 193-212. (In Persian).

Bagheri M, Moazzezi F. 2014. Investigation of externalities of groundwater overexploitation on pistachio market of Iran. Journal of Agricultural Economics Research, 5(4): 145-166. (In Persian).

Bastiaanssen W. 2000. SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin,Turkey. Journal of Hydrology, 229(1-2): 87-100. doi:https://doi.org/10.1016/S0022-1694(99)00202-4.

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. doi:https://doi.org/10.1061/(ASCE)0733-9437(2005)131:1(85).

Chavez J, Gowda P, Evett S, Colaizzi P, Howell T, Marek T. 2007. An application of METRIC for ET mapping in the Texas high plains. Trans ASABE, 1(1): 1-15.

Du J, Song K, Wang Z, Zhang B, Liu D. 2013. Evapotranspiration estimation based on MODIS products and surface energy balance algorithms for land (SEBAL) model in Sanjiang Plain, Northeast China. Chinese Geographical Science, 23(1): 73-91. doi:https://doi.org/10.1007/s11769-013-0587-8.

Ehsani M, Khaledi H. 2003. Water productivity in agriculture. Iranian National Committee on Irrigation And Drainage, Ministry of Energy. (In Persian).

Folhes MT, Rennó CD, Soares JV. 2009. Remote sensing for irrigation water management in the semi-arid Northeast of Brazil. Agricultural Water Management, 96(10): 1398-1408. doi:https://doi.org/10.1016/j.agwat.2009.04.021.

Jafari H, Afrasiabi P, Delbari M, Taheri M. 2017. Determination of evapotranspiration and crop coefficient of olive in different growth stages using remote sensing techniques and moisture balance in Tarom Zanjan. Journal of Irrigation and Water Engineering, 7(3): 120-134. http://www.waterjournal.ir/article_74067.html?lang=en. (In Persian).

Karimi A, Farhadi Bansouleh B, Hesadi H. 2012. Estimation of Regional Evapotranspiration Using LANDSAT TM Images and SEBAL Algorithm. Iranian Journal of Irrigation & Drainage, 6(4): 353-364. (In Persian).

Mahmoodi A, Jalali S. 2016. Iranian pistachio export competitiveness in world markets. Journal of Economic Research (Tahghighat- E- Eghtesadi), 51(4): 951-976. doi:https://doi.org/10.22059/JTE.2016.59464. (In Persian).

Miryaghoubzadeh M, Solaimani K, Habib Nejad Roshan M, Shahedi K, Karim, Akhvan S. 2014. Estimation and assessment of actual evapotranspiration using remote sensing data (Case study: Tamar basin, Golestan province, Iran). Irrigation and Water Engineering, 4(3): 89-102. http://www.waterjournal.ir/index.php/component/content/category/article_70896.html?lang=en. (In Persian).

Olmedo GF, Ortega Farias S, Fonseca Luengo D, Fuentes Peñailillo F. 2016. Water: tools and functions to estimate actual evapotranspiración using Land Surface Energy Balance Models in R. The R Journal, 8(2): 352-369. https://journal.r-project.org/archive/2016/RJ-2016-2051/RJ-2016-2051.pdf.

Omidvar J, Noori S, Davari K, Farid Hosseini A. 2013. Estimation of actual evapotranspiration based on satellite images using two algorithms Sebal and Metric. Irrigation and Water Engineering, 3(4): 11-22. http://www.waterjournal.ir/index.php/journal/article_73522.html?lang=en. (In Persian).

Pakrava M, Mehrabi Boshrabadi H, Gilanpour O. 2010. Studying Iranian pistachio export position: Comparative advantage and trading map approach. Journal of Agricultural economics and Development, 19(76): 1-26. (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.

Sanaeinejad S, Noori S, Hasheminia S. 2011. Estimation of evapotranspiration using satellite image data in Mashhad area. Journal of Water and Soil (Agricultural Sciences and Technology), 25(3): 540- 547. https://www.sid.ir/en/journal/ViewPaper.aspx?ID=210065. (In Persian).

Santos CACd, Bezerra BG, Silva BBd, Rao TVR. 2010. Assessment of daily actual evapotranspiration with SEBAL and S-SEBI algorithms in cotton crop. Revista Brasileira de Meteorologia, 25(3): 383-392. doi:https://doi.org/10.1590/S0102-77862010000300010.

Tasumi M, Trezza R, Allen RG, Wright JL. 2005. Operational aspects of satellite-based energy balance models for irrigated crops in the semi-arid US. Irrigation and Drainage Systems, 19(3-4): 355-376. doi:https://doi.org/10.1007/s10795-005-8138-9.

Tsouni A, Kontoes C, Koutsoyiannis D, Elias P, Mamassis N. 2008. Estimation of actual evapotranspiration by remote sensing: Application in Thessaly Plain, Greece. Sensors, 8(6): 3586-3600. doi:https://doi.org/10.3390/s8063586.

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.

Wagle P, Gowda PH, Northup BK. 2019. Dynamics of evapotranspiration over a non-irrigated alfalfa field in the Southern Great Plains of the United States. Agricultural Water Management, 223: 105727. doi:https://doi.org/10.1016/j.agwat.2019.105727.

Zand-Parsa S, Shooshtari MM, Majnooni-Heris A. 2016. Measurements of standard Maize evapotranspiration using water balance method and variable root depth in an arid and semi-arid region. Water and Soil Science, 25(1-4): 169-180. (In Persian).

Zhang K, Kimball JS, Running SW. 2016. A review of remote sensing based actual evapotranspiration estimation. Wiley Interdisciplinary Reviews: Water, 3(6): 834-853. doi:https://doi.org/10.1002/wat2.1168.

Zhang Y, Kong D, Gan R, Chiew FH, McVicar TR, Zhang Q, Yang Y. 2019. Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross primary production in 2002–2017. Remote Sensing of Environment, 222: 165-182. doi:https://doi.org/10.1016/j.rse.2018.12.031.

Full-Text:



    

برآورد تبخیر تعرق واقعی در باغات پسته با استفاده از الگوریتم سبال و مقایسه آن در سه سیستم آبیاری مختلف 

 

چکیده

با افزایش راندمان آبیاری در اراضی کشاورزی می‌توان همزمان به حفظ منابع آب، افزایش تولید و بهره‌وری اقتصادی فعالیت کشاورزی دست‌یافت. به‌منظور بهینه‌سازی آبیاری در سطح اراضی لازم است تا بتوان وضعیت رطوبت در دسترس گیاه و توزیع آن را در سطح مزرعه و در طول دوره رویش پایش نمود. اندازه‌گیری تبخیر تعرق واقعی معیار مناسبی برای پایش وضعیت رطوبت در دسترس گیاه فراهم می‌کند. استفاده از فناوری سنجش از دور روش کارآمدی برای برآورد تبخیرتعرق واقعی پوشش گیاهی می‌باشد. در این تحقیق مقدار تبخیر تعرق واقعی باغات پسته با استفاده از الگوریتم سبال (SEBAL) برآورد شد. به این منظور از تصاویر ماهواره لندست 8 و داده‌های هواشناسی ایستگاه سینوپتیک فرودگاه امام خمینی، استفاده شد. نتایج با استفاده از اطلاعات رطوبت خاک موجود در منطقه و روش بیلان آبی ارزیابی شد. نتایج تحقیق نشان داده است، الگوریتم سبال به‌خوبی قادر به برآورد مقدار تبخیر تعرق در سطح باغ بوده است. همچنین تغییرات رطوبت در دسترس را در سطح باغ آشکار کرد که می‌تواند جهت مدیریت بهینه آبیاری بکار گرفته شود. نتایج ارزیابی دقت نشان‌دهنده همبستگی 82/0 میان داده‌های تبخیر تعرق برآورد شده از تصاویر ماهواره‌ای و بیلان آبی اندازه‌گیری شده توسط سنسورهای رطوبت خاک، بوده است که مؤید دقت قابل‌قبول برآورد می‌باشد. همچنین به کمک برآورد تبخیرتعرق با استفاده از الگوریتم سبال، تغییرات وضعیت رطوبت در قسمت‌های مختلف باغ و سیستم‌های آبیاری مختلف به‌خوبی آشکار شده است که امکان افزایش راندمان آبیاری و بهره‌وری استفاده از منابع آبی را فراهم می‌کند.

 

واژه‌های کلیدی:  پسته، تبخیر تعرق، سنجش از دور، سنسور رطوبت خاک، کشاورزی دقیق.

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه 

طی صد سال گذشته، حدود 90 درصد از سرانه آب تجدید پذیر کشور کاهش یافته است (5). از منابع آب تجدیدشونده کشور حدود 90 درصد آن به بخش کشاورزی اختصاص دارد (11). محصولات کشاورزی ایران سهم عمده‌ای از صادرات غیرنفتی را به خود اختصاص داده است. پسته ازجمله مهم‌ترین اقلام صادراتی کشاورزی کشور است و طی 25 سال (1360 تا 1384) سطح زیر کشت آن حدود سه برابر شده است (19و 15). کشت پسته در ایران عمدتاً در مناطق خشک کشور انجام می‌شود. در این مناطق بارندگی بسیار ناچیز بوده و عمدتاً فاقد منابع آب سطحی هستند و تولیدات کشاورزی بیشتر متکی به آب‌های زیرزمینی است. برداشت بی‌رویه از آب‌های زیرزمینی در مناطق پسته‌کاری، موجب کاهش کیفی و کمی این منابع شده است. میزان افت سالانه آب در شهرستان رفسنجان به‌عنوان یکی از مناطق عمده تولید پسته در کشور حدود 0.75 متر و بیلان منفی سالانه سفره آب زیرزمینی 249 میلیون مترمکعب بوده است. علاوه بر این کیفیت آب‌های زیرزمینی نیز افت داشته و حداکثر شوری در برخی موارد تا 20 هزار میکروموس بر سانتی‌متر گزارش شده است (1).

با افزایش سطح زیر کشت باغات پسته و افزایش تقاضا برای آب ازیک‌طرف و محدودتر شدن منابع آبی در منطقه، عدم تعادل بین عرضه و تقاضای آب به‌شدت در حال افزایش است (19). بنابراین، جهت تداوم زراعت در این مناطق، حفظ منابع آب و بهره‌برداری اقتصادی کشاورزی، افزایش بهره‌وری استفاده از منابع آب ضروری خواهد بود. در این راستا، مهم‌ترین گام پیشگیری از هدر رفت آب، توزیع یکنواخت آب در سطح مزرعه، آبیاری بهینه و متناسب با نیاز آبی گیاه در هر مرحله از رشد می‌باشد. حدود 99 درصد آب جذب شده توسط گیاه صرف پدیده تبخیرتعرق می‌گردد. لذا، شناخت این پدیده و برآورد دقیق آن می¬تواند در تعیین نیاز آبی گیاهان نقش بسزایی داشته باشد (4 و 24). بنابراین با اندازه‌گیری مقدار تبخیر تعرق گیاه در هر مرحله و همچنین  تغییرات آن در سطح مزرعه، می‌توان نسبت به مدیریت بهینه زمانی و مکانی آبیاری در سطح مزرعه اقدام نمود و به‌این‌ترتیب راندمان آبیاری را به‌صورت مؤثری افزایش داد.  

اندازه‌گیری تبخیر تعرق واقعی پوشش گیاهی، خارج از شرایط آزمایشگاهی دشوار است. روش‌های تجربی زیادی برای برآورد تبخیر تعرق واقعی و پتانسیل با استفاده از داده‌های هواشناسی و اقلیمی به وجود آمده است. اما اکثر این روش‌ها تنها قادر به برآورد تبخیر تعرق پتانسیل می‌باشند و مقدار واقعی تبخیر تعرق را برآورد نمی‌نمایند. همچنین، برآورد همه این روش‌ها در مناطق همگن اطراف ایستگاه هواشناسی، قابل‌استفاده است و تعمیم آن به سایر مناطق از دقت بالایی برخوردار نمی‌باشد. در مقابل، روش‌های مبتنی بر سنجش از دور ایجاد شده است که راه‌حل مناسبی برای برآورد تبخیر تعرق واقعی در سطح پوشش گیاهی می‌باشند (22،  26، 28 و 29). تصاویر ماهواره‌ای با قابلیت پوشش سراسری و دید تکراری، امکان پایش تبخیر تعرق را در سطح مزارع و در طول دوره رویش گیاه فراهم آورده‌اند.

تحقیقات مختلفی درزمینه برآورد تبخیر تعرق واقعی مناطق کشاورزی با استفاده از داده‌های ماهواره‌ای انجام‌شده است. راوات و همکاران (20) تبخیر تعرق واقعی محصول گندم را با استفاده از روش سبال (Surface Energy Balance Algorithm for Land)، لایسی‌متر و پنمن مونتیث (Penman-Monteith) برآورد کردند. نتایج تحقیق حاکی از آن بود که الگوریتم سبال پتانسیل خوبی برای برآورد تبخیرتعرق منطقه داشته است. در تحقیق دیگری واگل و همکاران (25) پنج مدل مختلف بیلان انرژی سطح زمین را برای برآورد تبخیر تعرق گیاه سورگم مقایسه کردند. نتایج تحقیق نشان داد که الگوریتم‌های سبال و  Simplified Surface Energy  Balance Index بهترین عملکرد را برای برآورد تبخیرتعرق سورگم داشته‌اند و روش‌های متریک (Mapping EvapoTranspiration at high Resolution with Internalized Calibration) و Operational simplified surface energy balance عملکرد ضعیفی نشان دادند. همچنین دوو و همكاران (10) در تحقیقی مقدار تبخيرتعرق روزانه و ساليانه را با استفاده از داده‌هاي سنجنده مدیس (Moderate Resolution Imaging Spectroradiometer) در دلتای رودخانه زرد چین تخمین زدند. اين مطالعه نشان داد كه در اين منطقه نوسانات معنی‌دار تبخیر تعرق در يك زمان معین و برای گونه‌هاي مختلف گياهي در فصول مختلف وجود دارد. فولهس و همکاران (12) با استفاده از تصاویر ماهواره لندست و مدل توازن انرژی متریک مقادیر تبخیر و تعرق را در مناطق کشاورزی برزیل محاسبه نمودند. نتایج نشان داد مدل متریک می‌تواند به‌منظور برآورد مصرف آب و بهبود مدیریت آب در نواحی نیمه‌خشک و تحت آبیاری شمال شرق برزیل به کار رود. علاوه بر این، چاوز و همکاران (9) با استفاده از تصاویر لندست و به‌کارگیری مدل متریک به ارزیابی مقادیر تبخیرتعرق روزانه با داده‌های لایسی‌متری پرداخته که میزان خطا در آن کمتر از 15 درصد به دست آمد. باستیانسن و همکاران (8) به بررسی دقت روش سبال در شرايط مختلف آب و هوايي و در مقياس مزرعه‌اي و حوزه‌اي پرداختند. برای شرایط رطوبت خاك و گیاه رایج در منطقه، صحت برآورد در مقیاس مزرعه‌اي 85 درصد برای دوره یک‌روزه و تا 95 درصد برای دوره فصلی گزارش شده است. دقت تعيين تبخيرتعرق سالیانه نیز در حوزه‌های بزرگ به‌طور متوسط 96 درصد بیان شده است. در تحقیق دیگر، تاسومی و همکاران (23) در آیداهو، دو مدل توازن انرژی سبال و متریک را مقایسه کردند. نتایج نشان داد هر دو مدل توازن انرژی با نتایج حاصل از لایسی‌متر تطابق خوبی دارد و استفاده از مدل‌های توازن انرژی را برای محاسبه مقادیر تبخیر و تعرق واقعی پیشنهاد نمودند. در ایران نیز تحقیقات مختلفی به برآورد مقدار تبخیر تعرق واقعی پرداخته‌اند، ازجمله، امیدوار و همکاران (18) با استفاده از تصاویر ماهواره‌ای ASTER و الگوریتم‌های سبال و متریک تبخیر تعرق واقعی را در محدوده مشهد برآورد نمودند. نتایج تحقیق نشان داد که هر دو مدل مقدار تبخیر تعرق واقع را متناسب با توزیع مکانی منطبق یا شرایط پستی و بلندی و پوشش گیاهی حوضه برآورد می‌کنند. علاوه بر این، میر یعقوب زاده و همکاران (16) با استفاده از تصاویر مدیس مقدار تبخیر تعرق را در حوزه آبخیز تمر استان گلستان برآورد کرده‌اند و نتایج حاصل از مدل سبال را با روش استاندارد فائو مقایسه کردند که نشان داد روش سبال میزان تبخیر تعرق واقعی را در سطح وسیع برآورد می‌نماید. نتایج تحقیق حاکی از آن بود که روش سبال میزان تبخیر تعرق واقعی را بین 0.5 تا 1 میلی‌متر در روز، کمتر از روش پنمن مونتیث برآورد کرده است. همچنین در پژوهشی دیگر، کریمی و همکاران (14) با استفاده از تصاویر ماهواره لندست 5 تبخیر تعرق واقعی گیاه ذرت را در دشت ماهیدشت کرمانشاه برآورد نمودند. حداکثر خطای روش سبال در مقایسه با داده‌های لایسی‌متر، کمتر از 10 درصد به دست آمد که حاکی از دقت قابل‌قبول این روش بوده است. درمجموع مقادیر تبخیر تعرق واقعی سبال و تبخیر تعرق پتانسیل پنمن مونتیث خطای میانگین مطلق 0.63 میلی‌متر در روز داشتند که نشان‌دهنده تطابق قابل‌قبول دو روش بوده است. همچنین، ثنايي نژاد و همكاران (21) مقدار تبخيرتعرق را با استفاده از تصاوير سنجده مدیس براي سه روز از سال و در منطقه‌ای در مشهد برآورد نمودند. نتایج این پژوهش نشان داد كه الگوريتم سبال توانايي خوبی در برآورد مقدار تبخيرتعرق واقعی در مقیاس روزانه دارند.

همان‌طور که اشاره شد، تحقیقات مختلفی در داخل و خارج از کشور درزمینه برآورد تبخیر تعرق واقعی اراضی کشاورزی با استفاده از تصاویر ماهواره‌ای انجام شده است، که حاکی از دقت قابل‌قبول این روش بوده است. اما عمده‌ این تحقیقات در مربوط به مزارع کشاورزی است و تحقیقات قابل‌توجهی درزمینه برآورد تبخیر تعرق در سطح باغ انجام نشده است. پوشش گیاهی در سطح مزارع در مقایسه با باغات یکدست و همگن می‌باشد، بنابراین برآورد شاخص پوشش گیاهی که از ورودی‌های مدل سبال می‌باشد در مزارع کشاورزی ساده‌تر از باغات انجام می‌گیرد که می‌تواند بر دقت نهایی تأثیرگذار باشد. بنابراین هدف اصلی این تحقیق برآورد مقدار تبخیر تعرق در سطح باغات با استفاده از الگوریتم سبال و ارزیابی دقت برآورد می‌باشد.

علاوه بر این، در تحقیقات مختلف، عمدتاً داده‌های لایسی‌متر به‌عنوان داده مرجع برای ارزیابی برآور مقدار تبخیر تعرق واقعی مورداستفاده قرار می‌گیرد. دسترسی به این داده‌ها محدود بوده و تنها به‌صورت نقطه‌ای در اختیار می‌باشد. همچنین، به‌کارگیری لایسی‌متر در باغ نیازمند به‌کارگیری تقریب‌های متعددی است که می‌تواند بر نتایج نهایی تأثیرگذار باشد. بنابراین در این تحقیق، از اندازه‌گیری روش مستقیم بیلان آبی با استفاده از داده‌های سنسورهای رطوبت خاک موجود در قسمت‌های مختلف باغ، برای ارزیابی دقت استفاده شده است. استفاده از این روش قابلیت اطمینان به نتایج و ارزیابی دقت انجام شده را افزایش می‌دهد. همچنین این تحقیق برای نخستین بار، در اراضی کشاورزی با سه سیستم آبیاری مختلف اجرا شده است و نتایج آن با یکدیگر مقایسه شده است.   

 

روش­ تحقیق  

معرفی منطقه موردمطالعه

واحد کشاورزی موردمطالعه با مساحت 800 هکتار در منطقه زرندیه استان مرکزی قرار دارد. آب مورد نیاز اراضی این واحد از شش حلقه چاه عمیق مجموعاً با آبدهی 63 لیتر در ثانیه تأمین می‌شود. این واحد دارای 180 هکتار باغ پسته با ارقام کله قوچی و فندقی است. سه مجموعه باغ با سیستم‌های آبیاری متفاوت غرقابی، قطره‌ای رو سطحی و قطره‌ای زیرسطحی به‌عنوان منطقه پایلوت این تحقیق انتخاب شده‌اند. شکل 1 موقعیت منطقه مطالعه و باغ‌های پایلوت را نشان می‌دهد. مساحت کل منطقه پایلوت معادل 20 هکتار بوده و شامل ارقام فندقی و کله قوچی می‌باشد. سن درختان در آبیاری غرقابی حدود 47-40 سال و در بخش آبیاری قطره‌ای حدود 25-22 سال بوده است.

شکل 1. موقعیت منطقه مطالعاتی و باغ‌های پایلوت

Fig 1. The location of study area

 

داده‌ها

به‌منظور برآورد تبخیرتعرق واقعی منطقه مطالعه از تصاویر ماهواره لندست 8 استفاده شده است. علاوه بر این از داده‌های هواشناسی ایستگاه سینوپتیک فرودگاه امام که نزدیکترین ایستگاه سینوپتیک به منطقه مطالعه بوده است، در زمان گذر ماهواره استفاده شده است. به‌منظور ارزیابی دقت نتایج از داده‌های سنسورهای رطوبت خاک نصب شده در سطح باغ استفاده شده است و همبستگی برآوردهای تبخیر تعرق با این داده‌ها ارزیابی شده است. در این بخش داده‌های مورداستفاده در تحقیق معرفی شده‌اند.

تصاویر ماهواره لندست 8  

نقشه‌های تبخیرتعرق واقعی با استفاده از تصاویر ماهواره لندست 8 تهیه شده است. ماهواره لندست 8 در سال 2013 در مدار قرار گرفته است و دوره بازدید مجدد آن 16 روز می‌باشد. ماهواره لندست 8، دو سنجنده ¹TIRS و ²OLI دارد. قدرت تفکیک مکانی تصاویر سنجنده TIRS 100 متر و تصاویر OLI 30 و 15 متر (باند پانکروماتیک) می‌باشد. جدول 1 مشخصات داده‌های دو سنجنده مرئی و حرارتی ماهواره لندست 8 را نشان می‌دهد و جدول2 تاریخ تصاویر ماهواره‌ای مورداستفاده را نشان می‌دهد.

 

جدول 1. مشخصات باندهای تصاویر لندست 8

Table 1. LandSat 8 Bands Properties

شماره باند	توان تفکیک مکانی (متر)	محدوده طول‌موج (نانومتر)
1	30	451 - 435
2	30	512 - 452
3	30	590 - 533
4	30	673 - 636
5	30	879 - 851
6	30	1651 - 1566
10	100	11190 - 10600
11	100	12510 - 11500
7	30	2294 - 2107
8	15	676 - 503
9	30	1384 - 1363

 

جدول2. تاریخ تصاویر ماهواره‌ای

Table 2. Date of satellite images 

شماره تصویر	تاریخ تصویربرداری	تاریخ شمسی
1	20190417	13980128
2	20190519	13980229
3	20190604	13980314
4	20190620	13980330
5	20190706	13980415
6	20190722	13980431

 

داده‌های هواشناسی

برای برآورد تبخیر تعرق واقعی نیاز به اطلاعات هواشناسی در زمان گذر ماهواره می‌باشد. این اطلاعات با استفاده از داده‌های نزدیک‌ترین ایستگاه سینوپتیک به منطقه مطالعاتی (ایستگاه فرودگاه امام خمینی) تهیه شد. جدول 3 نمونه‌ای از اطلاعات بکار برده شده را نشان می‌دهد.

جدول 3. نمونه‌ای از اطلاعات هواشناسی بکار برده شده

Table 3. a sample of used meteorological information 

تـاریخ	میانگین دمای لحظه گذر	میانگین دمای روزانه	رطوبت نسبی لحظه گذر (%)	رطوبت نسبی روزانه (%)	سرعت باد لحظه گذر	سرعت باد روزانه (متر بر ثانیه)	تعداد ساعات آفتابی
20190423	4/25	4/20	21	34	6	5/3	2/6
20190726	38	8/32	12	625/18	9	625/6	6/11

 

سنسورهای رطوبت خاک 

تعداد 28 سنسور اندازه‌گیری رطوبت خاک در قسمت‌های مختلف باغ نصب شده است. این سنسورها قادر هستند رطوبت خاک را در عمق‌های مختلف خاک که رطوبت در دسترس ریشه می‌باشد، ثبت نمایند. این سنسورها از طریق ارتباطات رادیویی، اطلاعات اخذ شده را به سیستم پردازش مرکزی انتقال می‌دهند. شکل 2 موقعیت این سنسورها را نشان داده است.

 

شکل 2. موقعیت سنسورهای رطوبت خاک در سطح باغات Fig 2. The location of soil moisture sensors

جدول 4 بصورت نمونه مقادیر رطوبت خاک اندازه‌گیری شده توسط تعدادی از سنسورها را در تاریخ 15 تیرماه 1398 در ساعت 10:30 صبح نشان می دهد.

جدول 4. نمونه‌ای از داده‌های اندازه‌گیری شده توسط سنسورهای رطوبت خاک

Table 4. a sample of data measured by soil moisture sensors 

شماره سنسور	موقعیت مکانی سنسور		رطوبت خاک
	y	x
1	35.32	50.38	11.30
2	35.32	50.39	33.51
3	35.32	50.38	24.12
4	35.32	50.38	31.13
5	35.32	50.38	27.39
6	35.32	50.38	34.58
7	35.32	50.38	56.14
8	35.32	50.38	22.21
9	35.31	50.38	16.77
10	35.32	50.38	9.20
11	35.31	50.39	11.26
12	35.32	50.38	5.85
13	35.31	50.38	30.60
14	35.32	50.38	66.92
15	35.32	50.39	31.71

 

برآورد تبخیرتعرق

براي تعیین تبخیرتعرق گیاه پسته در مراحل مختلف رشد از دو روش مستقیم و غیرمستقیم برآورد تبخیرتعرق استفاده شده است. در روش مستقیم از روش بیلان رطوبت و در روش غیرمستقیم از الگوریتم سبال استفاده شده است.

روش بیلان رطوبت

در روش مستقیم برآورد تبخیرتعرق از روش اندازه‌گیری بیلان رطوبت در ناحیه ریشه درخت استفاده شد. رابطه 1 اجزای بیلان رطوبت و روابط حاکم بین آن‌ها را نشان می‌دهد.

[1]

در این رابطه I حجم آب آبیاری، P بارندگی، D نفوذ عمقی،  تغییرات رطوبت خاک در دو آبیاری متوالی و  تبخیر تعرق واقعی گیاه برحسب میلی‌متر است.

الگوریتم سبال

تبخیر تعرق واقعی منطقه با استفاده از الگوریتم سبال و داده‌های ایستگاه هواشناسی فرودگاه امام خمینی در زمان گذر ماهواره محاسبه شده است. الگوریتم سبال توسط باستیانسن در سال 2000 ارائه شد (7). در این روش تبخیر تعرق به‌عنوان باقیمانده از معادله بیلان انرژی سطح زمین (رابطه 2) محاسبه می‌شود.

در این رابطه، ET  شار گرمای نهان تبخیر (وات بر مترمربع)، Rn شار تابش خالص (بیلان تابش موج‌کوتاه و موج‌بلند ورودی و خروجی به سطح زمین)، G شار گرمای خاک (وات بر مترمربع) و H شار گرمای محسوس (وات بر مترمربع) است. ازآنجایی‌که گرمای نهان یک واحد آب ثابت است می‌توان گرمای نهان را به واحد معادل آب تبدیل کرده و مقدار تبخیرتعرق را به دست آورد.

شار تابش خالص رسیده به سطح زمین (Rn) حاصل موازنه شار تابشی ورودی و خروجی است و بر اساس رابطه 3 محاسبه می‌شود (2).

 

[2]

که در آن تابش طول‌موج ‌کوتاه ورودی آلبدوی سطحی تابش طول‌موج بلند خروجی، تابش طول‌موج بلند ورودی و  درصد گسیلمندی حرارتی سطح زمین است. عبارت  معرف کسری از تابش طول‌موج بلند ورودی است که از سطح منعکس می­شود. این مقادیر با استفاده از اطلاعات باندهای مختلف لندست محاسبه شد. 

شار گرمای خاک (G)، میزان ذخیره گرما در خاک و پوشش گیاهی در اثر هدایت مولکولی است. این پارامتر تابعی از پوشش گیاهی و شاخص سطح برگ است. مقدار آن از رابطه 4 محاسبه می‌شود.

[3]

در این رابطه Ts دمای سطح زمین (درجه سانتی‌گراد)، α آلبدوی سطح خاک و NDVI شاخص تفاضلی پوشش گیاهی،  شار تابش خالص (وات بر مترمربع) و G شار گرمای خاک (وات بر مترمربع) می‌باشد (3). شاخص تفاضلی پوشش گیاهی با استفاده از مقادیر باندهای قرمز و مادون قرمز نزدیک تصویر در هر تاریخ محاسبه شد. مقدار دمای سطح زمین با استفاده از باندهای حرارتی تصویر محاسبه شد. 

شار گرمای محسوس نرخ از دست دادن گرما از خاک به‌وسیله همرفت و انتقال است که به دلیل اختلاف درجه حرارت رخ می­دهد. شار گرمای محسوس تابعی از گرادیان دما، زبری سطح و سرعت باد است و به‌صورت رابطه 5 محاسبه می‌شود(7).

[4]

در این رابطه، ρ چگالی هوا (کیلوگرم بر مترمکعب)، Cp گرمای ویژه هوا (1004 ژول بر کیلوگرم بر کلوین)، dT اختلاف دمایی بین دو ارتفاع برحسب کلوین و rah مقاومت آئرودینامیکی به انتقال گرما (s/m) است. برای حل این معادله از دو پیکسل سرد و گرم برای برآورد dT استفاده می‌شود. این رابطه دارای حل صریح نیست و به‌صورت تکراری جواب بهینه‌سازی می‌گردد.

با در دست داشتن شار گرمایی خاک (G)، شار گرمای محسوس (H) و شار تابش خالص (Rn)، شار گرمای نهان () با استفاده از رابطه 2 محاسبه می‌شود. گیاه برای دفع گرمای نهان و جلوگیری از خشکیدگی، معادل گرمای نهان، تبخیرتعرق انجام می­دهد. مقادیر اندازه­گیری شده با استفاده از تصویر ماهواره­ای، تبخیرتعرق لحظه عبور ماهواره را اندازه‌گیری می‌کنند. تبخیر تعرق لحظه‌ای با استفاده از رابطه 6 محاسبه می‌شود.

[5]

در این رابطه،  مقدار تبخیر تعرق لحظه‌ای (میلی‌متر بر ساعت)،  گرمای نهان تبخیر آب (ژول بر کیلوگرم) است. مقدار روزانه تبخیرتعرق از رابطه 7 محاسبه می‌شود.

[6]

در این رابطه    مقدار تبخیر تعرق 24 ساعته است. برای محاسبه تبخیر تعرق 24 ساعته فرض می‌شود، مقدار کسر تبخیرتعرق لحظه‌ای () در طول 24 ساعت ثابت است. مقدار  از رابطه 8 محاسبه می‌شود.

[7]

در این رابطه  معادل تبخیرتعرق مرجع می‌باشد.

انتخاب پیکسل سرد و گرم

برای انتخاب پیکسل سرد و گرم از روش پیشنهاد شده توسط اولمدو (17)، استفاده شده است. در این روش مجموعه‌ای از پیکسل‌های سرد و گرم به‌صورت اتوماتیک و با استفاده از برقراری شروط زیر انتخاب می‌شوند.

·       پیکسل در یک منطقه همگن قرار داشته باشد.

·       مقدار دمای سطح زمین، پوشش گیاهی و آلبدو آن با پیکسل‌های مجاور اختلاف فاحشی نداشته باشد.

·       با پیکسل‌های مجاور بیش از 5/1 درجه اختلاف دما نداشته باشد.

·       پوشش برف، ابر و سایه ابر نداشته باشد.

این روش به‌صورت تکراری پیکسل‌های دارای شرایط فوق را شناسایی می‌کند. پیکسل‌های سرد و گرم به کمک هیستوگرام دمای سطح زمین و مقدار شاخص تفاضلی نرمال شده پوشش گیاهی (Normalized Difference Vegetation Index) شناسایی می‌شوند. پیکسل‌های سرد دمای پایین و شاخص تفاضلی نرمال شده پوشش گیاهی بالا دارند و پیکسل‌های گرم دارای دمای بالا و پوشش گیاهی پایین می‌باشند. پیکسل‌های انتخاب شده به‌تدریج بهبود داده می‌شوند تا درنهایت ده پیکسل منتخب باقی بماند. آخرین مرحله انتخاب پیکسل‌ها بر اساس شرط فاصله از ایستگاه هواشناسی و منطقه موردمطالعه خواهد بود و نزدیک‌ترین پیکسل‌ها به‌عنوان پیکسل‌های سرد و گرم انتخاب می‌شوند.

 تبخیرتعرق مرجع

تبخیرتعرق یک سطح بدون کمبود آب، تبخیرتعرق مرجع نامیده شده و باETr  نشان داده می­شود. سطح مرجع، يك گياه مرجع چمن يا يونجه با ويژگي هاي مشخص است. سازمان فائو (نشریه 56)، روش پنمن مونتیث را به­عنوان روش استاندارد برآورد تبخیرتعرق گیاه مرجع معرفی نمود. در اين تحقيق، از روش پنمن مونتیث طبق رابطه 9 برای محاسبه تبخیرتعرق مرجع استفاده شده است (8).  

[8]

در معادله بالا Rn تابش خالص در سطح پوشش­گیاهی، T میانگین دمای هوا ، U سرعت باد در ارتفاع دو متری از سطح زمین، es-ea کمبود فشار بخار در ارتفاع دو متری،  شیب منحنی فشار بخار،  ضریب رطوبتی و G شار گرما به داخل خاک می­باشد (8). این اطلاعات به کمک داده های ایستگاه هواشناسی تهیه می شود.

 

نتایج

الگوریتم سبال

الگوریتم سبال برروي شش تصوير ماهواره لندست 8  منطقه مطالعه اجرا شد. پیکسل های سرد و گرم با استفاده از روش پیشنهاد شده توسط اولمدو (17) که در بخش مبانی نظری توضیح داده شد، برای هر یک از تاریخ های مطالعه انتخاب شدند. پيكسل سرد در مزارع يونجه شاداب، متراكم و آبياري شده و پيكسل گرم نيز در یک زمین آیش انتخاب شد. در نهایت مقدار تبخیرتعرق واقعی با استفاده از روابط 2 تا 8 محاسبه شد. شکل‌های 3 تا 6 نقشه‌های برآورد تبخیرتعرق واقعی منطقه مطالعه را در تاریخ‌های مختلف نشان می‌دهد. جدول 5 مقادیر تبخیرتعرق برآورد شده با الگوریتم سبال را نشان می‌دهد.

 

 

[9]

شکل 3. برآورد تبخیر تعرق منطقه در تاریخ 28 فروردین 1398 Fig 3. Estimated actual evapotranspiration in 20190417	شکل 4. برآورد تبخیر تعرق واقعی باغ در تاریخ 14 خرداد 1398 Fig 4. Estimated actual evapotranspiration in 20190604
شکل 5. برآورد تبخیر تعرق منطقه در تاریخ 15 تیر 1398 Fig 5. Estimated actual evapotranspiration in 20190706	شکل 6. برآورد تبخیر تعرق منطقه در تاریخ 30 تیر 1398 Fig 6. Estimated actual evapotranspiration in 20190722

روش بیلان آبی

برای برآورد تبخیر تعرق به روش بیلان آبی، اجزای بیلان آب با استفاده از سنسورهای رطوبت خاک نصب شده در باغ اندازه‌گیری شد. این سنسورها در دو جهت ردیف کاشت درختان در عمق‌های مختلف نصب شد. در هر بازه زمانی با اندازه‌گیری اجزاي بیلان آبی در ناحیه ریشه درخت، میزان تبخیرتعرق واقعی درخت با استفاده از رابطه 1 محاسبه گردید. عمق توسعه ریشه درختان در محدوده موردمطالعه حدود 80 سانتی‌متر تخمین زده شد. با استفاده از سنسورهاي نصب شده در خاك و همچنین حفر پروفیل کوچک در اطراف درخت، توسعه جبهه پیاز رطوبتی تا فاصله 5/1 متري از ساقه درخت و 20 سانتیمتر پایین‌تر از عمق توسعه ریشه (یک متر) مشاهده شد. تغییرات رطوبت خاک با تعیین درصد رطوبت از دو نمونه خاک، قبل از آبیاری متوالی که در بازه زمانی بین آن‌ها تصویر ماهواره‌ای برداشت شد، تعیین گردید و همچنین مقدار نفوذ عمقی از طریق سنسورهای رطوبت خاک اندازه‌گیری شد. با در اختیار داشتن داده‌های مورد نیاز، مقدار تبخیر تعرق واقعی با استفاده از رابطه 1 در روز عبور ماهواره به دست آمد و به‌عنوان معیار برای ارزیابی روش سبال بکار گرفته شد. جدول 5 مقادیر تبخیرتعرق برآورد شده به روش بیلان آبی را نشان می دهد. 

 

تبخیرتعرق مرجع 

بسیاری از تحقیقات انجام شده،  مقدار تبخیر تعرق واقعی برآورد شده توسط الگوریتم سبال را به کمک مقادیر تبخیرتعرق مرجع ارزیابی می‌کنند. بنابراین، در این تحقیق برای اینکه امکان مقایسه نتایج با سایر تحقیقات فراهم باشد، مقدار تبخیرتعرق مرجع نیز محاسبه شده است.  مقدار تبخیر تعرق مرجع با روش پنمن مونتیث مطابق رابطه 9 برآورد شد. جدول 5 مقادیر تبخیر تعرق واقعی و مرجع را در تاریخ های گذر ماهواره نشان می دهد. 

جدول 5. تبخیرتعرق مرجع و واقعی برآورد شده به میلیمتر بر روز

Table 5. Reference and Actual evapotranspiration Estimated in millimeters per day

تاریخ	روش پنمن مونتیث  (تبخیرتعرق مرجع)	الگوریتم سبال  (تبخیرتعرق واقعی)	روش بیلان آبی (تبخیرتعرق واقعی)
20190417	3.469	1.754	2.840
20190519	5.604	4.867	4.373
20190604	6.421	5.107	5.323
20190620	7.155	4.625	5.615
20190706	6.725	3.744	4.901
20190722	5.020	4.083	4.029

 

 

بحث و نتیجه­گیری‌

در این تحقیق مقدار تبخیر تعرق واقعی با استفاده از دو روش بیلان آبی و الگوریتم سبال برآورد شده است. از آنجاییکه در منطقه مورد مطالعه لایسی متر موجود نمی باشد و اینکه مقادیر اندازه گیری شده توسط لایسی متر متعلق به یک نقطه می باشد، در این تحقیق برای ارزیابی و مقایسه نتایج مقدار تبخیرتعرق واقعی با استفاده از روش بیلان آبی نیز محاسبه شد. همچنین، مقدار تبخیرتعرق مرجع به روش محاسبه شد و با نتایج حاصل از الگوریتم سبال مقایسه شده است.

علاوه بر این در تحقیق، تغییرات مقدار تبخیرتعرق در قسمت‌های مختلف باغ و نیز باغ‌های دارای سیستم‌های آبیاری مختلف غرقابی، قطره‌ای رو سطحی و قطره‌ای زیرسطحی بررسی شده است.

نتایج برآورد تبخیرتعرق به روش های مختلف در جدول 5 نشان داده شده است. مقایسه نتایج حاصل از الگوریتم سبال و روش بیلان آبی نشان داد که الگوریتم سبال توانسته است با خطای RMS 57/0مقدار تبخیر تعرق واقعی را در قسمت‌های مختلف باغ برآورد نماید. علاوه بر این همبستگی بین مقادیر برآورد شده توسط دو روش برابر 82/0 بوده است که نشان‌دهنده قابلیت مناسب الگوریتم سبال در برآورد مقادیر تبخیرتعرق می‌باشد. این نتایج با یافته های جعفری و همکاران (13) همخوانی دارد. جعفری و همکاران (13)، ضریب همبستگی 95/0 بین مقادیر تبخیرتعرق برآورد شده با الگوریتم سبال و روش بیلان آبی را در باغ زیتون در منطقه طارم بدست آوردند و نتیجه گرفتند که دقت برآورد الگوریتم سبال قابل قبول بوده است. 

همچنین، همبستگی بین مقدار تبخیرتعرق واقعی برآورد شده از مدل سبال و تبخیرتعرق مرجع برابر 76/0 به دست آمده است. نمودار شکل 7، مقدار تبخیرتعرق واقعی و مرجع را در تاریخ‌های مختلف نشان می‌دهد. 

 

 

شکل 7. نمودار تغییرات تبخیر تعرق مرجع و واقعی در زمان‌های گذر ماهواره در دوره رشد

Fig 7. Actual and reference evapotranspiration changes in growth season

 

همانطور که از شکل 7 دیده می‌شود، برآورد تبخیرتعرق با الگوریتم سبال و تبخیرتعرق مرجع همخوانی مناسبی با یکدیگر داشتند. لازم به ذکر است که در تمام تاریخ ها، مقادير تبخير وتعرق و اقعي همواره كمتر از تبخيروتعرق مرجع هستند كه اين يافته با نتايج اكبري و همكاران (2) نيز مطابقت دارد. از آنجاییکه ميزان تبخير و تعرق مرجع، حداكثر ظرفيت تبخير و تعرق را نشان مي‌دهد، نتايج به دست آمده در بسياري از منابع علمي نيز تاييد شده است. 

علاوه براین، زند پارسا و همکاران (27)، مقادیر تبخیر تعرق گیاه ذرت را به دو روش بیلان آبی و پنمن مونتیث ارزیابی نمودند و نتیجه گرفتند که روش بیلان آبی برای برآورد مقدار تبخیرتعرق مزرعه مناسب‌تر است. در این تحقیق نیز همبستگی میان مقادیر الگوریتم سبال با روش بیلان آبی بیشتر از روش تبخیر تعرق مرجع بوده است.

همانطور که اشاره شد، تغییرات مقدار تبخیرتعرق در قسمت‌های مختلف باغ و نیز باغ‌های دارای سیستم‌های آبیاری مختلف غرقابی، قطره‌ای رو سطحی و قطره‌ای زیرسطحی بررسی شده است. شکل های 3 تا 6 مقدار تبخیر تعرق واقعی برآورد شده با الگوریتم سبال را در قسمت های مختلف باغ‌ها با سیستم های آبیاری متفاوت نشان می دهند. از این شکل‌ها مشهود است، باغ دارای آبیاری زیرسطحی به‌طور متوسط کمترین میزان تبخیر تعرق را در تاریخ‌های مختلف از خود نشان داده است. با توجه به آنکه تبخیر تعرق معادل مجموع مقدار تبخیر از سطح خاک و تعرق از سطح گیاه است می‌توان، این مقدار کاهش را به کاهش تبخیر از سطح خاک نسبت داد. علاوه بر این، در همه تاریخ‌ها ناهمسانی تبخیر تعرق در قسمت‌های مختلف باغ‌های دارای سیستم آبیاری یکسان قابل مشاهده است. به‌عنوان نمونه در باغ با روش آبیاری غرقابی، بخش‌هایی از باغ تبخیر تعرق پایینی نشان می‌دهند که می‌تواند ناشی از عدم تسطیح سطح باغ و عدم دریافت رطوبت مناسب در این نواحی باشد. بدیهی است همین مقدار رطوبت در سایر بخش‌های باغ تجمع نموده و از طریق نفوذ عمقی از دسترس خارج می‌گردد. این توزیع غیریکنواخت در باغ با روش آبیاری رو سطحی نیز مشاهده می‌شود. به‌عنوان نمونه بخش میانی باغ دارای آبیاری رو سطحی همواره مقدار تبخیر تعرق بالاتری را نشان می‌دهد که می‌تواند نشان‌دهنده هدر رفت آب در این بخش از باغ، ناشی از عملکرد بیش از نیاز نازل‌های رطوبت باشد.

برای ارزیابی بهتر اختلاف تبخیر تعرق در روش‌های مختلف آبیاری، مقدار متوسط، حداقل، حداکثر و انحراف معیار مقادیر تبخیر تعرق در باغ‌های مربوط به سه سیستم آبیاری مختلف محاسبه شده و در جدول 6 نمایش داده شده است.

جدول 6. مقادیر متوسط، حداقل، حداکثر و انحراف معیار تبخیر تعرق واقعی سه سیستم آبیاری در تاریخ‌های مختلف

Table 6. Mean, Max, Min and standard deviation of actual evapotranspiration in different irrigation systems

تاریخ	سیستم آبیاری	حداقل	حداکثر	دامنه تغییرات	میانگین	انحراف معیار
20190417	غرقابی	0.43	3.26	2.83	1.95	0.64
	قطره‌ای سطحی	0.95	2.84	1.89	2.17	0.36
	قطره‌ای زیرسطحی	0.35	2.17	1.82	1.15	0.41
20190519	غرقابی	2.60	6.28	3.68	4.80	0.89
	قطره‌ای سطحی	3.26	6.31	3.05	5.36	0.55
	قطره‌ای زیرسطحی	3.32	6.10	2.78	4.44	0.77
20190604	غرقابی	1.76	6.29	4.53	4.96	1.04
	قطره‌ای سطحی	2.89	6.64	3.75	5.75	0.61
	قطره‌ای زیرسطحی	2.97	6.37	3.40	4.62	0.91
20190620	غرقابی	1.05	5.81	4.76	4.51	1.16
	قطره‌ای سطحی	2.12	6.12	4.00	5.34	0.62
	قطره‌ای زیرسطحی	2.26	5.98	3.72	4.03	1.01
20190706	غرقابی	1.18	5.55	4.37	3.90	1.05
	قطره‌ای سطحی	1.36	5.97	4.60	4.66	0.77
	قطره‌ای زیرسطحی	1.96	5.67	3.72	3.40	1.04
20190722	غرقابی	0.85	5.54	4.69	3.95	1.13
	قطره‌ای سطحی	1.57	6.05	4.48	4.94	0.74
	قطره‌ای زیرسطحی	1.52	5.46	3.94	3.36	1.03

 

همان‌طور که در جدول 6 مشاهده می‌شود در تمام تاریخ‌ها مقادیر دامنه تغییرات و انحراف معیار تبخیر تعرق در سیستم آبیاری غرقابی بیشتر از سایر روش‌ها بوده است که به‌خوبی نشان‌دهنده عدم آبیاری یکنواخت در سطح باغ می‌باشد. این امر امکان مدیریت مناسب و افزایش بهره‌وری منابع آبی را دشوار می‌کند. همچنین از این جدول مشاهده می‌شود که در تمام تاریخ‌ها، مقدار متوسط تبخیرتعرق در باغ دارای سیستم آبیاری قطره‌ای سطحی بیشتر از سیستم آبیاری غرقابی بوده است.

باغ‌های دارای سیستم آبیاری قطره‌ای (زیر و روسطحی) از دو جهت با باغ دارای سیستم غرقابی تفاوت دارند. نخست آنکه پوشش گیاهی در باغ‌های دارای سیستم آبیاری قطره‌ای متراکم تر است و دیگر آنکه سن درختان در باغ دارای سیستم آبیاری غرقابی بیشتر از سیستم آبیاری قطره‌ای می‌باشد. بنابراین، بخشی از اختلاف برآورد شده در تبخیرتعرق این دو سیستم آبیاری را می تون ناشی از این موارد دانست که می تواند در تحقیقات بعدی با تمرکز بیشتری مورد ارزیابی قرار گیرد. 

علاوه بر این، از این جدول مشاهده می‌شود که مقدار متوسط تبخیر تعرق در باغ دارای سیستم آبیاری قطره‌ای رو سطحی، در تمام تاریخ‌ها بیشتر از باغ با سیستم آبیاری قطره‌ای زیرسطحی بوده است. با توجه به مشابهت وضعیت پوشش گیاهی در این دو باغ، کاهش مقدار تبخیر تعرق در سیستم آبیاری زیرسطحی را می‌توان با عملکرد مناسب‌تر این سیستم آبیاری و افزایش بهره‌وری آبیاری مربوط دانست. نمودار شکل 8 مقادیر تبخیرتعرق واقعی برآورد شده در باغ‌های دارای سه سیستم آبیاری مختلف را در تاریخ‌های متفاوت فصل رویش نشان می‌دهد.

 

 

شکل 8. مقادیر تبخیرتعرق واقعی برآورد شده در باغ‌های دارای سه سیستم آبیاری مختلف

Fig 8. Actual evapotranspiration changes in different Irrigation systems

در نمودار شکل 8 مشاهده می‌شود که در تمام تاریخ‌ها، مقدار تبخیرتعرق در باغ دارای سیستم آبیاری زیرسطحی کمتر از آبیاری قطره‌ای سطحی بوده است. با توجه به برنامه آبیاری یکسان در این دو سیستم آبیاری، این امر نشان‌دهنده مزیت سیستم آبیاری زیرسطحی در کاهش هدر رفت منابع آب و بهره‌وری مناسب این سیستم در افزایش راندمان آبیاری بوده است. همچنین کمتر بودن مقدار تبخیرتعرق در سیستم آبیاری غرقابی در مقایسه با سیستم آبیاری قطره‌ای سطحی، به دلیل تراکم پوشش گیاهی کمتر در سیستم آبیاری غرقابی و همچنین برنامه آبیاری متفاوت این سیستم دانست.

در این تحقیق تبخیرتعرق واقعی باغات پسته با استفاده از تصاویر ماهواره‌ای و الگوریتم سبال برآورد شده است. نتایج تحقیق حاکی از دقت مناسب الگوریتم سبال در برآورد تبخیر تعرق واقعی باغات بوده است. به‌طوری‌که در مقایسه با روش بیلان آبی ضریب همبستگی82/0 و خطای 57/0 داشته است.

علاوه بر این، مقایسه وضعیت رطوبت در قسمت‌های مختلف باغ و نیز باغ‌های دارای سیستم آبیاری مختلف نشان داده است که با استفاده از برآورد تبخیرتعرق به کمک تصاویر ماهواره‌ای می‌توان اطلاعات مناسبی از نحوه توزیع رطوبت در سطح باغ دست‌یافت. این داده‌ها، اطلاعات ارزشمندی در خصوص مدیریت بهینه منابع آب و افزایش کارایی آبیاری فراهم می‌نماید.

از دیگر نتایج این تحقیق می‌توان به تفاوت قابل‌توجه روش‌های آبیاری قطره‌ای سطحی و زیرسطحی اشاره نمود. نتایج تحقیق نشان داده است که با استفاده از روش‌های آبیاری زیرسطحی می‌توان به‌صورت مؤثری هدر رفت آب آبیاری ناشی از تبخیر از سطح خاک را کاهش داد.

نتایج تحقیق نشان داده است که در مناطقی که دسترسی به اطلاعات سنسورهای رطوبت خاک و یا روش‌های اندازه‌گیری مستقیم تبخیرتعرق وجود ندارد، استفاده از الگوریتم سبال و روش‌های سنجش از دوری می‌تواند اطلاعات مناسبی را جهت مدیریت بهینه منابع آبی فراهم نماید.

 

 

منابع مورداستفاده 

1.       Abdelahi Ezatabadi M, Javanshah A.A. 2007. Economic Investigation Of The Possibility Of Using New Methods For Water Supply And Demand In Agriculture: A Case Study Of Pistachio Producers In Rafsanjan, Pajouhesh-Va-Sazandegi, 20(2): 113-126. (In Persian).

2.       Akbari M, Seif Z, Zare Abyane H. 2011. Estimation of Evapotranspiration by Remote Sensing Technique under Different Climate Condition. Journal of Water and Soil, 25 (4): 835-844. (In Persian).

3.       Allen, R.G., Pereira, L.S., Howell, T.A. and Jensen, M.E., 2011. Evapotranspiration information reporting: I. Factors governing measurement accuracy. Agricultural Water Management, 98(6):899-920. doi:https://doi.org/10.1016/j.agwat.2010.12.015. 

4.       Alizadeh A, Kamali G. 2007. Water Use of Plant in Iran. Astan Qods Publication, Mashhad. First Edition.

5.       Babran S, Honarbakhsh N. 2008. Water Crisis in in Iran and the World. Rahbord, 16(48): 193-212. (In Persian).

6.       Bagheri M, Moazzezi F. 2014. Investigation of Externalities o Groundwater Overexploitation on Pistachio Market of Iran. Journal of Agricultural Economics Research, 5(4): 145-166. (In Persian).

7.       Bastiaanssen, W.G., 2000. SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin,Turkey. Journal of hydrology, 229(1-2: 87-100. doi: https://doi.org/10.1016/S0022-1694(99)00202-4.

8.       Bastiaanssen, W.G.M., Noordman, E.J.M., Pelgrum, H., Davids, G., Thoreson, B.P. and Allen, R.G., 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. doi: https://doi.org/10.1061/(ASCE)0733-9437(2005)131:1(85).

9.       Chavez, J.L., Gowda, P.H., Evett, S.R., Colaizzi, P.D., Howell, T.A. and Marek, T., 2007. An application of METRIC for ET mapping in the Texas high plains. Trans ASABE. doi: https://doi.org/10.1061/(ASCE)0733-9437(2005)131:1(85).

10.       Du, J., Song, K., Wang, Z., Zhang, B. and Liu, D., 2013. Evapotranspiration estimation based on MODIS products and surface energy balance algorithms for land (SEBAL) model in Sanjiang Plain, Northeast China. Chinese geographical science, 23(1):73-91. doi: 10.1007/s11769-013-0587-8.

11.       Ehsani M, khaledi H. 2003. water productivity in Agriculture. Iranian National Committee on Irrigation And Drainage, Ministry of energy. (In Persian).

12.       Folhes, M.T., Rennó, C.D. and Soares, J.V., 2009. Remote sensing for irrigation water management in the semi-arid Northeast of Brazil. Agricultural Water Management, 96(10):1398-1408. doi: https://doi.org/10.1016/j.agwat.2009.04.021.

13.       Jafari H, Afrasiabi P, Delbari M, Taheri M. 2017. Determination of evapotranspiration and crop coefficient of olive in different growth stages using remote sensing techniques and moisture balance in Tarom Zanjan. Journal of Irrigation and Water Engineering, 7(3): 120-134. (In Persian).

14.       Karimi A, Farhadi Bansouleh B, Hesadi H. 2012. Estimation of Regional Evapotranspiration Using LANDSAT TM Images and SEBAL Algorithm. Iranian Journal of Irrigation & Drainage, 6(4): 353-364. (In Persian).

15.       Mahmoodi A, Jalali S. 2016. Iranian pistachio export competitiveness in world markets. Journal of Economic Research (Tahghighat- E- Eghtesadi), 51(4): 951-976. (In Persian).

16.       Miryaghoubzadeh M, Solaimani K, Habibnejad M, Shahedi  K, Abaspour K, Akhvan S. 2014. Estimation and assessment of actual evapotranspiration using remote sensing data (Case study: Tamar basin, Golestan province, Iran). Journal of Irrigation and Water Engineering, 4(15): 89-102. (In Persian).

17.       Olmedo, G.F., Ortega Farias, S., Fonseca Luengo, D. and Fuentes Peñailillo, F., 2016. Water: tools and functions to estimate actual evapotranspiración using Land Surface Energy Balance Models in R. doi: ISSN 2073-4859.

18.       Omidvar J, Noori S, Davari K, Farid Hosseini A. 2013. Estimation of actual evapotranspiration based on satellite images using two algorithms Sebal and Metric. Journal of Irrigation and Water Engineering, 3(4): 11-22. (In Persian).

19.       Pakravan M. R, Mehrabi Boshrabadi H, Esmaeely F, Gilanpour O. 2012. Studying Iranian Pistachio Export Position: Comparative Advantage and Trading Map Approach. Agricultural Economic and Development, 19(76): 1-26. (In Persian).

20.       Rawat, K.S., Bala, A., Singh, S.K. and Pal, R.K., 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.

21.       Sanaeinejad S.H, Noori S, Hasheminia S.M. 2011. Estimation of Evapotranspiration Using Satellite Image Data in Mashhad Area. Journal of Water and Soil (Agricultural Sciences And Technology), 25(3): 540- 547. (In Persian).

22.       Santos, C.A.C.D., Bezerra, B.G., Silva, B.B.D. and Rao, T.V.R., 2010. Assessment of daily actual evapotranspiration with SEBAL and S-SEBI algorithms in cotton crop. Revista Brasileira de Meteorologia, 25(3):383-392. doi: https://doi.org/10.1590/S0102-77862010000300010.

23.       Tasumi, M., Trezza, R., Allen, R.G. and Wright, J.L., 2005. Operational aspects of satellite-based energy balance models for irrigated crops in the semi-arid US. Irrigation and Drainage Systems, 19(3-4):355-376. doi: 10.1007/s10795-005-8138-9. 

24.       Tsouni, A., Kontoes, C., Koutsoyiannis, D., Elias, P. and Mamassis, N., 2008. Estimation of actual evapotranspiration by remote sensing: Application in Thessaly Plain, Greece. Sensors, 8(6): 3586-3600. doi: https://doi.org/10.3390/s8063586.

25.       Wagle, P., Bhattarai, N., Gowda, P.H. and Kakani, V.G., 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.

26.       Wagle, P., Gowda, P.H. and Northup, B.K., 2019. Dynamics of evapotranspiration over a non-irrigated alfalfa field in the Southern Great Plains of the United States. Agricultural Water Management, 223: 105727. doi: https://doi.org/10.1016/j.agwat.2019.105727.

27.       Zand Parsa Sh, Mahmoudian M, Majnooni A. 2015. Measurements of Standard Maize Evapotranspiration Using Water Balance Method and Variable Root Depth in An Arid and Semi-Arid Region. Journal of Water and Soil Science, 25(4): 169-180. (In Persian).

28.       Zhang, K., Kimball, J.S. and Running, S.W., 2016. A review of remote sensing based actual evapotranspiration estimation. Wiley Interdisciplinary Reviews: Water, 3(6): 834-853. doi: https://doi.org/10.1002/wat2.1168.

29.       Zhang, Y., Kong, D., Gan, R., Chiew, F.H., McVicar, T.R., Zhang, Q. and Yang, Y., 2019. Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross primary production in 2002–2017. Remote Sensing of Environment, 222: 165-182. doi: https://doi.org/10.1016/j.rse.2018.12.031.

 

 

 

 

 

 

 

 

 

 

 

 

 

Estimation of actual evapotranspiration in pistachio orchards using SEBAL algorithm in three Irrigation System

 

Abstract

By increasing irrigation efficiency, it is possible to increase yields and economic efficiency of agricultural activities and preserve water resources at the same time. In order to optimize irrigation, it is necessary to monitor the available moisture status of the plant and its distribution in the field, and during the growing season. Measuring the actual evapotranspiration provides a good criterion for monitoring of the plant available moisture status. The remote sensing technology is an efficient tool to estimate the actual evapotranspiration of vegetation. In this study, the actual transpiration of pistachio orchards was estimated using the Surface Energy Balance Algorithm for Land algorithm. For this purpose, LandSat 8 satellite images and meteorological data of Imam Khomeini Airport synoptic station were used. The results were evaluated using soil moisture information available in the area. The results showed that the SEBAL algorithm was able to estimate the amount of evapotranspiration in the orchard correctly. Also, expressed the moisture changes at the orchard, which could be used for irrigation management. The results of the accuracy assessment revealed a 0.82 correlation between the evapotranspiration data estimated from satellite images and evaporation estimated from water balance method which confirms the acceptable accuracy of the estimate.

 

Keywords: Pistachio, Evapotranspiration, Remote Sensing, Soil Moisture Sensor, Precision Agriculture.

 

 

 

چکیده مبسوط

برآورد تبخیر تعرق واقعی در باغات پسته با استفاده از الگوریتم سبال و مقایسه آن در سه سیستم آبیاری مختلف

طرح مسئله:

طی صد سال گذشته، حدود 90 درصد از سرانه آب تجدید پذیر کشور کاهش یافته است (4). از منابع آب تجدیدشونده کشور حدود 90 درصد آن به بخش کشاورزی اختصاص دارد (10). با افزایش سطح زیر کشت باغات پسته و افزایش تقاضا برای آب ازیک‌طرف و محدودتر شدن منابع آبی در منطقه، عدم تعادل بین عرضه و تقاضای آب به‌شدت در حال افزایش است (17). در این راستا، مهم‌ترین گام پیشگیری از هدر رفت آب، توزیع یکنواخت آب در سطح مزرعه، آبیاری بهینه و متناسب با نیاز آبی گیاه در هر مرحله از رشد می‌باشد. حدود 99 درصد آب جذب شده توسط گیاه صرف پدیده تبخیرتعرق می¬گردد. لذا، شناخت این پدیده و برآورد دقیق آن می¬تواند در تعیین نیاز آبی گیاهان نقش بسزایی داشته باشد (3 و 22). اندازه‌گیری تبخیر تعرق واقعی پوشش گیاهی، خارج از شرایط آزمایشگاهی دشوار است. روش‌های تجربی زیادی برای برآورد تبخیر تعرق واقعی و پتانسیل با استفاده از داده‌های هواشناسی و اقلیمی به وجود آمده است. اما اکثر این روش‌ها تنها قادر به برآورد تبخیر تعرق پتانسیل می‌باشند و مقدار واقعی تبخیر تعرق را برآورد نمی‌نمایند. در مقابل، روش‌های مبتنی بر سنجش از دور ایجاد شده است که راه‌حل مناسبی برای برآورد تبخیر تعرق واقعی در سطح پوشش گیاهی می‌باشند (20، 24، 25 و 26). تصاویر ماهواره‌ای با قابلیت پوشش سراسری و دید تکراری، امکان پایش تبخیر تعرق را در سطح مزارع و در طول دوره رویش گیاه فراهم آورده‌اند.

هدف:

همان‌طور که اشاره شد، تحقیقات مختلفی در داخل و خارج از کشور درزمینهٔ برآورد تبخیر تعرق واقعی اراضی کشاورزی با استفاده از تصاویر ماهواره‌ای انجام شده است، که حاکی از دقت قابل‌قبول این روش بوده است. اما عمده این تحقیقات در مربوط به مزارع کشاورزی است و تحقیقات قابل‌توجهی درزمینهٔ برآورد تبخیر تعرق در سطح باغ انجام نشده است. پوشش گیاهی در سطح مزارع در مقایسه با باغات یکدست و همگن می‌باشد، بنابراین برآورد شاخص پوشش گیاهی که از ورودی‌های مدل سبال می‌باشد در مزارع کشاورزی ساده‌تر از باغات انجام می‌گیرد که می‌تواند بر دقت نهایی تأثیرگذار باشد. بنابراین هدف اصلی این تحقیق برآورد مقدار تبخیر تعرق در سطح باغات با استفاده از الگوریتم سبال و ارزیابی دقت برآورد می‌باشد. علاوه بر این در این تحقیق، از اندازه‌گیری روش مستقیم بیلان آبی با استفاده از داده‌های سنسورهای رطوبت خاک موجود در قسمت‌های مختلف باغ، برای ارزیابی دقت استفاده شده است. استفاده از این روش قابلیت اطمینان به نتایج و ارزیابی دقت انجام شده را افزایش می‌دهد. همچنین این تحقیق برای نخستین بار، در اراضی کشاورزی با سه سیستم آبیاری مختلف اجرا شده است و نتایج آن با یکدیگر مقایسه شده است.

 

 

 

روش تحقیق:

تحقیق حاضر در باغات پسته شهرستان زرندیه استان مرکزی انجام شده است. باغ‌ها دارای سیستم‌های آبیاری غرقابی، قطره‌ای رو سطحی و قطره‌ای زیرسطحی بوده‌اند. تبخیرتعرق واقعی با استفاده از دو روش بیلان آبی و الگوریتم سبال برآورد شده است. از داده‌های هواشناسی ایستگاه سینوپتیک فرودگاه امام او تصاویر ماهواره‌ای لندست 8 برای برآورد تبخیر تعرق به کمک الگوریتم سبال استفاده شده است. تبخیرتعرق واقعی در زمان‌های گذر ماهواره در طول فصل رشد برآورد شده است. برای انتخاب پیکسل‌های سرد و گرم در الگوریتم سبال، از روش نیمه اتوماتیک پیشنهاد شده توسط اولمدو استفاده شده است که استفاده ازنظر کاربر را در انتخاب پیکسل‌های سرد و گرم به حداقل می‌رساند. برای ارزیابی دقت نتایج برآورد تبخیرتعرق، از اطلاعات سنسورهای رطوبت خاک موجود در سطح باغ استفاده شده است. تعداد 28 سنسور رطوبت خاک را در بخش‌های مختلف باغ اندازه‌گیری می‌نمایند. با استفاده از مقادیر رطوبت خاک سنسورها، مقدار تبخیر تعرق واقعی با استفاده از روش بیلان آبی برآورد شد و به‌عنوان مقدار مرجع مورداستفاده قرار گرفت.

نتایج و بحث:

مقایسه نتایج حاصل از الگوریتم سبال و روش بیلان آبی نشان داد که الگوریتم سبال توانسته است با خطای RMS 57/0مقدار تبخیر تعرق واقعی را در قسمت‌های مختلف باغ برآورد نماید. علاوه بر این همبستگی بین مقادیر برآورد شده توسط دو روش برابر 82/0 بوده است که نشان‌دهنده قابلیت مناسب الگوریتم سبال در برآورد مقادیر تبخیرتعرق می‌باشد. همبستگی بین مقدار تبخیرتعرق واقعی برآورد شده از مدل سبال و تبخیرتعرق مرجع برابر 76/0 به دست آمده است. علاوه بر این در تحقیق، تغییرات مقدار تبخیرتعرق در قسمت‌های مختلف باغ و نیز باغ‌های دارای سیستم‌های آبیاری مختلف غرقابی، قطره‌ای رو سطحی و قطره‌ای زیرسطحی بررسی شده است. نتایج نشان داده است، باغ دارای آبیاری زیرسطحی به‌طور متوسط کمترین میزان تبخیر تعرق را در تاریخ‌های مختلف از خود نشان داده است. با توجه به آنکه تبخیر تعرق معادل مجموع مقدار تبخیر از سطح خاک و تعرق از سطح گیاه است می‌توان، این مقدار کاهش را به کاهش تبخیر از سطح خاک نسبت داد. علاوه بر این، در همه تاریخ‌ها ناهمسانی تبخیر تعرق در قسمت‌های مختلف باغ‌های دارای سیستم آبیاری یکسان قابل مشاهده است. به‌عنوان نمونه در باغ با روش آبیاری غرقابی، بخش‌هایی از باغ تبخیر تعرق پایینی نشان می‌دهند که می‌تواند ناشی از عدم تسطیح سطح باغ و عدم دریافت رطوبت مناسب در این نواحی باشد. بدیهی است همین مقدار رطوبت در سایر بخش‌های باغ تجمع نموده و از طریق نفوذ عمقی از دسترس خارج می‌گردد. این توزیع غیریکنواخت در باغ با روش آبیاری رو سطحی نیز مشاهده می‌شود. به‌عنوان نمونه بخش میانی باغ دارای آبیاری رو سطحی همواره مقدار تبخیر تعرق بالاتری را نشان می‌دهد که می‌تواند نشان‌دهنده هدر رفت آب در این بخش از باغ، ناشی از عملکرد بیش از نیاز نازل‌های رطوبت باشد.

برای ارزیابی بهتر اختلاف تبخیر تعرق در روش‌های مختلف آبیاری، مقدار متوسط، حداقل، حداکثر و انحراف معیار مقادیر تبخیر تعرق در باغ‌های مربوط به سه سیستم آبیاری مختلف محاسبه شده است. نتایج نشان داد در تمام تاریخ‌ها مقادیر دامنه تغییرات و انحراف معیار تبخیر تعرق در سیستم آبیاری غرقابی بیشتر از سایر روش‌ها بوده است که به‌خوبی نشان‌دهنده عدم آبیاری یکنواخت در سطح باغ می‌باشد. همچنین در تمام تاریخ‌ها، مقدار متوسط تبخیرتعرق در باغ دارای سیستم آبیاری قطره‌ای سطحی بیشتر از سیستم آبیاری غرقابی بوده است. با توجه به وضعیت متراکم‌تر پوشش گیاهی در باغ‌های دارای سیستم آبیاری قطره‌ای (رو و زیرسطحی)، در مقایسه با سیستم آبیاری غرقابی، افزایش مقدار تبخیر تعرق در سیستم آبیاری قطره‌ای رو سطحی، در مقایسه با سیستم آبیاری غرقابی را می‌توان ناشی از درصد پوشش گیاهی بیشتر دانست.

 

نتیجه­گیری:

در این تحقیق تبخیرتعرق واقعی باغات پسته با استفاده از تصاویر ماهواره‌ای و الگوریتم سبال برآورد شده است. نتایج تحقیق حاکی از دقت مناسب الگوریتم سبال در برآورد تبخیر تعرق واقعی باغات بوده است. به‌طوری‌که در مقایسه با روش بیلان آبی همبستگی82/0 و خطای 57/0 داشته است. علاوه بر این، مقایسه وضعیت رطوبت در قسمت‌های مختلف باغ و نیز باغ‌های دارای سیستم آبیاری مختلف نشان داده است که با استفاده از برآورد تبخیرتعرق به کمک تصاویر ماهواره‌ای می‌توان اطلاعات مناسبی از نحوه توزیع رطوبت در سطح باغ دست‌یافت. این داده‌ها، اطلاعات ارزشمندی در خصوص مدیریت بهینه منابع آب و افزایش کارایی آبیاری فراهم می‌نماید. از دیگر نتایج این تحقیق می‌توان به تفاوت قابل‌توجه روش‌های آبیاری قطره‌ای سطحی و زیرسطحی اشاره نمود. نتایج تحقیق نشان داده است که با استفاده از روش‌های آبیاری زیرسطحی می‌توان به‌صورت مؤثری هدر رفت آب آبیاری ناشی از تبخیر از سطح خاک را کاهش داد. نتایج تحقیق نشان داده است که در مناطقی که دسترسی به اطلاعات سنسورهای رطوبت خاک و یا روش‌های اندازه‌گیری مستقیم تبخیرتعرق وجود ندارد، استفاده از الگوریتم سبال و روش‌های سنجش از دوری می‌تواند اطلاعات مناسبی را جهت مدیریت بهینه منابع آبی فراهم نماید.

 

واژگان کلیدی: پسته، تبخیر تعرق، سنجش از دور، سنسور خاک، کشاورزی دقیق.

 

 

 

Estimation of actual evapotranspiration in pistachio orchards using SEBAL algorithm in three Irrigation System

 

 

Statement of the Problem:  

Over the past 100 years, the country has lost about 90 percent of its per capita renewable water. About 90% of the country's renewable water resources are allocated to the agricultural sector. With the increase in the area of pistachio orchards and the increase in demand for water on the one hand and the limited water resources in the region at the other hand, the imbalance between supply and demand for water is sharply increasing. In this regard, the most important step to prevent water loss is uniform distribution of water on the field, optimal at each stage of growth. About 99% of the water absorbed by the plant is used to evapotranspiration. Therefore, studding this phenomenon can play an important role in determining the water needs of plants. It is difficult to measure the actual evapotranspiration outside the laboratory. Many experimental methods have been developed to estimate actual and potential evapotranspiration using meteorological and climatic data. But most of these methods are only able to estimate potential evapotranspiration and do not estimate the actual amount of it. In contrast, remote sensing methods have been developed that are a good solution for estimating the actual evapotranspiration. Satellite imagery with global coverage and repetitive Acquisition has made it possible to monitor evapotranspiration at the field level and during plant growth.

Purpose:

Various studies have been conducted to estimate the actual evapotranspiration of agricultural area using satellite images, which indicate the acceptable accuracy of these methods. However, most of this research is related to agricultural fields and no significant research has been done to estimate evapotranspiration at the orchards. Vegetation at the farms are uniform and homogeneous compared to orchards, so the estimation of vegetation index, which is one of the inputs of SEBAL model in orchards is more difficult than agricultural fields, which can affect the final accuracy. Therefore, the main purpose of this study is to estimate the amount of evapotranspiration in the pistachio orchard using SEBAL algorithm and evaluate the accuracy of estimation. Also, this research has been conducted for the first time in agricultural lands with three different irrigation systems and the results have been compared with each other.

 

Methodology:

The present research has been carried out in pistachio orchards in Zarandieh city of Markazi province. The gardens had three different irrigation systems including flood irrigation systems, surface and subsurface drip irrigation system. Actual evapotranspiration is estimated using water balance and SEBAL algorithm. Meteorological data from Imam Airport Synoptic Station and Landsat 8 satellite imagery has been used to estimate evapotranspiration using the SEBAL algorithm. Actual evapotranspiration is estimated at satellite overpass times during the growing season. To select hot and cold pixels in the SEBAL algorithm, the semi-automatic method proposed by Oldmo is used, which minimizes user participation in the selection of hot and cold pixels. To evaluate the accuracy of evapotranspiration estimation, the information of soil moisture sensors in the orchard has been used. 28 sensors measure soil moisture in different parts of the orchard. Using the soil moisture values, the actual evapotranspiration was estimated using the water balance method and used as a reference value.

 

Results and discussion:

Comparison of the results of SEBAL algorithm and water balance method showed that SEBAl algorithm was able to estimate the actual evapotranspiration in different parts of the orchard with an RMS error of 0.57. In addition, the correlation between the values estimated by the two methods was equal to 0.82, which indicates the appropriate capability of the SEBAL algorithm in estimating evapotranspiration values. The correlation between the actual evapotranspiration estimated from the SEBAL model and the reference evapotranspiration is 0.76. In addition, in the research, changes in the evapotranspiration in different parts of the garden and also gardens with different irrigation systems including flood, surface and subsurface drips have been investigated. The results show that the orchard with subsurface irrigation had the lowest average of evapotranspiration in different dates. Considering that evapotranspiration is equal to the sum of evaporation from the soil surface and transpiration from the plant, this decrease can be attributed to the decrease in evaporation from the soil surface. In addition, evapotranspiration heterogeneity can be observed in all parts of orchards with the same irrigation system at all dates. For example, in the orchard with flood irrigation system, parts of the garden show low evapotranspiration, that can be due to the lack of smoothing of the surface and lack of proper moisture in these areas. Obviously, the same amount of moisture accumulates in other parts of the garden and is inaccessible through deep percolation. This uneven distribution is also observed in the garden with surface drip irrigation system. For example, the middle part of the garden with surface drip irrigation always shows a higher amount of evapotranspiration, which can indicate the loss of water in this part, due to miss-operation of dripper. To evaluate the difference in evapotranspiration in different irrigation systems, the average, minimum, maximum and standard deviation values evapotranspiration in orchards related to three different irrigation systems have been calculated. The results showed that in all dates, the ranges and standard deviation of evapotranspiration in the flood irrigation system were higher than other systems, which indicates the lack of uniform irrigation in the orchard. Also, in all dates, the average amount evapotranspiration in the orchard with surface drip irrigation system has been more than flood irrigation system. Vegetation in orchards with drip irrigation system (surface and subsurface) was denser compared to flood irrigation system. Therefore, the increase in the amount of evapotranspiration in the orchard with surface drip irrigation system, compared to the flood irrigation system, can be considered as higher percentage of vegetation

 

Conclusion:

In this study, the actual evapotranspiration of pistachio orchards has been estimated using satellite imagery and SEBAL algorithm. The results of the study indicate the appropriate accuracy of the SEBAL algorithm in estimating the actual evapotranspiration of the orchards. Compared with the water balance method, the correlation coefficient was 0.82 and the root mean square error was 0.57. In addition, comparing the moisture situation in different parts of the orchard and in orchards with different irrigation systems has shown that by estimating the actual evapotranspiration using satellite imagery, appropriate information can be obtained on how to distribute moisture in the garden. These information provide valuable information on the optimal management of water resources and increase irrigation efficiency. Other results of this research include the significant difference between surface and subsurface drip irrigation methods. The results show that using subsurface irrigation methods can effectively reduce irrigation water loss due to evaporation from the soil surface. The results show that in areas where there is no access to information from soil moisture sensors or direct measurements of evapotranspiration, the use of SEBAL algorithm and remote sensing methods can provide appropriate information for the optimal water managements.

 

Keywords: Evapotranspiration, Pistachio, Precision Agriculture, Remote Sensing, Soil Moisture Sensor. 

 

1

 

---

[1] - Thermal Infrared Sensor

[2] - Operational Land Imager

---