Estimating of evapotranspiration using remote sensing, artificial neural network and comparison with the experimental method (Penman-Monteith-FAO)
Subject Areas : Geospatial systems developmentAziz Azimi 1 , Kazem Rangzan 2 , Mostafa Kaboulizade 3 , Mohammad Khoramian 4
1 - MSc. student of Remote sensing and Geographic Information System, Shahid Chamran University of Ahvaz
2 - Assoc. Prof. College of Earth Sciences, Shahid Chamran University of Ahvaz
3 - Assis. Prof. College of Earth Sciences, Shahid Chamran University of Ahvaz
4 - PhD. of Irrigation, Safiabad Agricultural Research Center of Dezful
Keywords:
Abstract :
Evaporation waste of water is one of the most important factors. Because evapotranspiration is a complex phenomenon that depends on many factors and data, accurate estimation of evaporation and transpiration, is very difficult and costly. Therefore, the purpose of this study was to estimate evapotranspiration using the surface energy balance algorithm for land (SEBAL) and also evaluate the performance of artificial neural networks. To estimates the Evapotranspiration rate the method of SEBAL Algorithmby using satellite images was applied. For this purpose, four images of Landsat 8 in this study were used that by comparing the results from the two methods, Remote Sensing and Penman-Monteith- FAO Equation presented MSE and MAE as respectively 1.54 and 1.04 per day. To solve the complexity of the evaporation process, Artificial Neural Networks was used for forecasting evaporation pan based on meteorological data. Perceptron with Back-propagation algorithm was applied for training it in this study. It used daily climate data that collected during 13 years from a Safi Abad station in Dezful city for network training. The results showed that the best network was the network with all inputs along with a hidden layer and 28 Neurons in the middle layer. The implementation results of this network presented that statistical Indicators were as MSE (0.0032), MAE (0.0445), R2 (0.9609). Comparing the results from Artificial Neural Networks and Penman-Monteith- FAO as reference method showed that MSE and MAE were 1.11 and 0.52 mm per day, respectively. These results presents that the performance of Artificial Neural Networks was better than the remote sensing method in the estimation of evapotranspiration rate.
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.