کاربرد الگوریتم سبال در تعیین حداکثر سهم روزانه گندم دیم از منابع آب سبز با استفاده از تصاویر سنجنده مودیس (مطالعه موردی: شهرستان اهر)

محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداری

علی اشرف صدرالدینی ¹ , حامد سبزچی دهخوارقانی ² , امیرحسین ناظمی ³ , ابولفضل مجنونی هریس ⁴

1 - استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران
2 - دانشجوی دکتری مهندسی آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران
3 - استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران
4 - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران

تاریخ دریافت : 1398/07/19 تاریخ پذیرش : 1399/01/05 تاریخ انتشار : 1399/01/01

کلید واژه: اهر, گندم دیم, الگوریتم سبال, تبخیر و تعرق, تصاویر مودیس,

چکیده مقاله :

کاربرد تکنیک‌های سنجش از دور در برآورد مکانی و زمانی مقادیر تبخیر و تعرق جایگزینی برای اندازه‌گیری‌های‌ میدانی است. هدف از این مطالعه، تعیین حداکثر سهم روزانه گندم دیم از منابع آب سبز در شهرستان اهر با استفاده از اجرای الگوریتم سبال بر روی تصاویر مودیس است. در این پژوهش ابتدا کارایی الگوریتم سبال در برآورد تبخیر و تعرق گندم از مقایسه نتایج آن با روش الگامن افهولدر در اراضی گندم دیم و روش فائو پنمن مانتیث در اراضی گندم آبی ارزیابی شد و سپس حداکثر مقدار روزانه تبخیر و تعرق واقعی گندم دیم با استفاده از الگوریتم مذکور در سطح منطقه بدست آمد. از محصولات بازتاب سطحی و دمای سطح زمین سنجنده مودیس جهت رصد تغییرات مقادیر شاخص تفاضل گیاهی نرمال شده در طول دوره رشد گندم، تهیه نقشه اراضی گندم و برآورد مقادیر تبخیر و تعرق آن در سال 1389 در دوره خوشه رفتن تا طلایی شدن گندم استفاده شد. پس از ارزیابی کارایی الگوریتم سبال در دوره مذکور، حداکثر سهم روزانه گندم دیم از منابع آب سبز در 27 اردیبهشت سال 1398 محاسبه گردید. از مقایسه نتایج الگوریتم سبال با نتایج روش‌های محاسباتی در اراضی گندم میانگین خطای مطلق 0.61 میلی متر بر روز و ضریب همبستگی 0.9 بدست آمد. همچنین مشخص گردید که بیشترین میزان تبخیر و تعرق اراضی گندم در زمان به اوج رسیدن منحنی شاخص گیاهی آن می‌باشد که در این مقطع با استفاده از الگوریتم سبال حداکثر سهم روزانه گندم دیم از منابع آب سبز در سال 1398 حدود 0.93 میلیون مترمکعب برآورد گردید.

چکیده انگلیسی:

Remote sensing techniques have been applied to estimate the spatiotemporal distribution of evapotranspiration as an alternative for field measuring methods. The objective of this study is to estimate the maximum daily demand of rain-fed wheat from green water sources in Ahar county using the SEBAL algorithm and MODIS images. First, the results from the SEBAL algorithm were evaluated by comparing them to the results from the Eagleman-Affholder method in rain-fed wheat fields and to the results from Fao-Penman- Monteith method in irrigated wheat fields and then the wheat maximum daily evapotranspiration values were calculated in the study area. MODIS surface reflectance and land surface temperature images were used to monitor the variation of normalized difference vegetation index during the wheat growth period, to map wheat areas and to estimate wheat evapotranspiration during the wheat booting stage until the wheat yellowing stage in 2010. After evaluating the SEBAL algorithm during the mentioned period, the maximum daily demand of rain-fed wheat from green water sources was estimated on the 17th of July 2019. By comparing the wheat evapotranspiration values from SEBAL and from computational methods, the average absolute error and correlation were calculated as 0.61 mm/day and 0.9 respectively. It was also found that the wheat highest evapotranspiration occurred when the vegetation index curve had reached its peak. In this time, the wheat maximum daily water demand from the green water resources throughout the county in 2019 was estimated almost equal to 0.93 million cubic meters.

متن کامل:



کاربرد الگوریتم سبال در تعیین حداکثر سهم روزانه گندم دیم از منابع آب سبز با استفاده از تصاویر سنجنده مودیس (مطالعه موردی: شهرستان اهر)

 

چکیده

کاربرد تکنیک‌های سنجش از دور در برآورد مکانی و زمانی مقادیر تبخیر و تعرق جایگزینی برای اندازه‌گیری‌های‌ میدانی است. هدف از این مطالعه، تعیین حداکثر سهم روزانه گندم دیم از منابع آب سبز در شهرستان اهر با استفاده از اجرای الگوریتم سبال بر روی تصاویر مودیس می‌باشد. در این پژوهش ابتدا کارایی الگوریتم سبال در برآورد تبخیر و تعرق گندم از مقایسه نتایج آن با روش الگامن افهولدر در اراضی گندم دیم و روش فائو پنمن مانتیث در اراضی گندم آبی ارزیابی شد و سپس حداکثر مقدار روزانه تبخیر وتعرق واقعی گندم دیم با استفاده از الگوریتم مذکور در سطح منطقه بدست آمد. از محصولات بازتاب سطحی و دمای سطح زمین سنجنده مودیس جهت رصد تغییرات مقادیر شاخص تفاضل گیاهی نرمال شده در طول دوره رشد گندم، تهیه نقشه اراضی گندم و برآورد مقادیر تبخیر و تعرق آن در سال 1389 در دوره خوشه رفتن تا طلایی شدن گندم استفاده شد. پس از ارزیابی کارایی الگوریتم سبال در دوره مذکور، حداکثر سهم روزانه گندم دیم از منابع آب سبز در 27 اردیبهشت سال 1398 محاسبه گردید. از مقایسه نتایج الگوریتم سبال با نتایج روش‌های محاسباتی در اراضی گندم میانگین خطای مطلق 61/0 میلیمتر بر روز و ضریب همبستگی 9/0 بدست آمد. همچنین مشخص گردید که بیشترین میزان تبخیر و تعرق اراضی گندم در زمان به اوج رسیدن منحنی شاخص گیاهی آن می‌باشد که در این مقطع با استفاده از الگوریتم سبال حداکثر سهم روزانه گندم دیم از منابع آب سبز در سال 1398 حدود 93/0 میلیون مترمکعب برآورد گردید.

کلید واژه‌ها: تبخیر و تعرق، مودیس، سبال، برآورد مکانی و زمانی، ارزیابی صحت

 

 

 

 

 

 

 

 

 

 

 

 

Application of SEBAL algorithm in estimating maximum daily demand of rain-fed wheat from green water sources using MODIS images (case study: Ahar county)

Abstract

Remote sensing techniques have been applied to estimate the spatiotemporal distribution of evapotranspiration as an alternative for field measuring methods. The objective of this study is to estimate the maximum daily demand of rain-fed wheat from green water sources in Ahar county using the SEBAL algorithm and MODIS images. First, the results from the SEBAL algorithm were evaluated by comparing them to the results from the Eagleman-Affholder method in rain-fed wheat fields and to the results from Fao-Penman- Monteith method in irrigated wheat fields and then the wheat maximum daily evapotranspiration values were calculated in the study area. MODIS surface reflectance and land surface temperature images were used to monitor the variation of normalized difference vegetation index during the wheat growth period, to map wheat areas and to estimate wheat evapotranspiration during the wheat booting stage until the wheat yellowing stage in 2010. After evaluating the SEBAL algorithm during the mentioned period, the maximum daily demand of rain-fed wheat from green water sources was estimated on the 17th of July 2019. By comparing the wheat evapotranspiration values from SEBAL and from computational methods, the average absolute error and correlation were calculated as 0.61 mm/day and 0.9 respectively. It was also found that the wheat highest evapotranspiration occurred when the vegetation index curve had reached its peak. In this time, the wheat maximum daily water demand from the green water resources throughout the county in 2019 was estimated almost equal to 0.93 million cubic meters.

Key words: Evapotranspiration, MODIS, SEBAL, Spatiotemporal estimation, Accuracy Assessment

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه

با توسعه تکنیک‌های سیستم اطلاعات جغرافیایی (GIS) و سنجش از دور (RS) بخصوص در زمینه استفاده از تصاویری با قدرت تفکیک مکانی و زمانی بالا، بخش کشاورزی جزء بخش‌هایی است که از این تکنولوژی بیشترین بهره را در راستای تدوین استراتژی‌های نوین در مدیریت دقیق متغییرهای مزرعه برده است (35). از میان این متغییرها، تبخیر و تعرق نه تنها یکی از عوامل تعیین کننده در مدیریت آب کشاورزی است بلکه یکی از اجزاء مهم چرخه آب و انرژی می‌باشد (23 و 30). اندازه گیری میدانی تبخیر و تعرق با روش­هایی از قبیل برج‌های اندازه‌گیری شار گرمای اددی  (Eddy covariance tower)، نسبت باون (Bowen Ratio)، لایسیمتر (Lysimeter) و تشت تبخیر (Pan Evaporation) انجام می‌گیرد که نیازمند سنجنده‌های دقیق با قابلیت پاسخ‌دهی بسیار سریع در سیستم‌های اندازهگیری شار انرژی و فرآیند نگهداری روزانه در لایسمترهاست (6). از طرفی دامنه وسیع ارائه شده برای ضریب تشت تبخیر توسط محققین مختلف در نقاط مختلف جهان، بیانگر این موضوع می‌باشد که هر تشت تحت تاثیر عوامل محیطی و کاربری خود قرار دارد و چنین دامنه وسیعی تاکید بر ضعف کیفیت داده‌های تشت تبخیر دارد (36). بنابراین روش‌های تجربی زیادی برای تخمین تبخیر و تعرق در شرایط اقلیمی و جغرافیایی مختلف با استفاده از داده‌های هواشناسی توسعه داده شده‌اند. از میان این روش‌ها، روش فائو پنمن مانتیث (FAO Penman-Monteith) به عنوان یک روش استاندارد جهت برآورد تبخیر و تعرق گیاه مرجع بشمار می‌آید (10). لیکن تعداد زیاد پارامترهای ورودی در این روش و لزوم کیفیت بالا در فرآیند اندازه‌گیری آن‌ها، استفاده از این روش را پیچیده می‌سازد (20). با توجه به ماهیت نقطه‌ای و یا ایستگاهی روش‌های اندازه‌گیری میدانی تبخیر و تعرق و نیز دشواری‌های مربوط به تعیین ضرایب گیاهی در دوره‌های مختلف رشد و فرضیاتی مبنی بر همگن بودن برخی پارامتر‌های موثر در روش‌های محاسباتی آن، تحقیقات در زمینه برآورد تبخیر و تعرق در دهه‌های اخیر بر توسعه تکنیک‌های سنجش از دور متمرکز بوده است (34).

نقشه‌های تبخیر و تعرق حاصل از فنون سنجش از دور راهی برای بهبود تشخیص تنش آب زراعی ، تدقیق برنامه‌ریزی برای آبیاری و کمک به مدیریت منابع محدود آب است (40 و 44). همچنین این نقشه ها در سیستم‌های پیش‌بینی خشکسالی و نیز مدل سازی منابع آبی در مقیاس حوزه آبریز نیز کاربرد گسترده‌ای یافته‌است (24). مدل‌های مذکور که اغلب با استفاده از حل معادله بیلان انرژی سطح میزان تبخیر و تعرق واقعی را برای هر پیکسل محاسبه می نمایند، به دو گروه تک منبعی و دومنبعی تقسیم می‌‌شوند. مدل‌های بیلان انرژی تک منبعی تفکیکی بین گیاه و خاک قائل نبوده و از یک رابطه کلی برای محاسبه شار گرمای محسوس استفاده می‌کنند (46). این درحالی است که در مدل‌های دو منبعی شار گرمای محسوس به دو مولفه گیاه و خاک به طور مجزا تقسیم می‌گردد. از بین مدل‌های بیلان انرژی که تا کنون ارائه گردیده است، مدل شاخص بیلان انرژی ساده‌شده (Simplified Surface Energy Balance Index) (39) برای اقلیم مرطوب و الگوریتم بیلان انرژی سطح برای زمین (the Surface Energy Balance Algorithm for Land) (15) معروف به الگوریتم سبال (SEBAL) و روش پهنه‌بندی تبخیر و تعرق با قدرت تفکیک بالا و کالیبراسیون درونی (Mapping ET at high Resolution with Internalized) (11) معروف به الگوریتم متریک (METRIC) برای اقلیم خشک و نیمه خشک توصیه گردیده‌اند (17). در ایران نیز تا کنون در برخی مناطق از الگوریتم سبال (SEBAL) جهت تعیین اجزای معادله بیلان انرژی (3 و 5) و همچنین از تصاویر سنجنده مودیس در برآورد مولفه‌های تابش خورشیدی (1) استفاده گردیده است.

مطالعات سال‌های اخیر در ارتباط با استفاده از تکنیک‌های سنجش از دور در زمینه برآورد تبخیر و تعرق عموما متمرکز بر دو الگوریتم سبال (SEBAL) و متریک (METRIC) و با اهداف مختلف پژوهشی انجام شده است که از آن جمله به ارزیابی یکنواختی تامین آب در سیستم‌های بزرگ آبیاری اشاره نمود. در این راستا مطالعه‌ای در سال 2019 میلادی با استفاده تصاویر ماهواره لندست مربوط به دو دوره کشت گیاه قهوه در منطقه‌ای از کشور برزیل انجام گرفت که در آن با استفاده از الگوریتم سبال، متوسط میزان تبخیر و تعرق گیاه قهوه در پیکسل‌های تحت آبیاری برابر 95/3 میلی‌متر بر روز با انحراف معیار 78/0 بدست آمد. نتایج حاکی از تامین یکنواخت آب توسط سیستم آبیاری موجود در منطقه بود (19). یکی دیگر از اهداف مطالعات اخیر، تلاش در راستای خودکارسازی فرآیند انتخاب پیکسل‌های سرد و گرم از اراضی کشاورزی با استفاده از تبدیل معیار‌های انتخاب پیکسل‌های مذکور به زبان کامپیوتر بوده است. جهت کاهش دخالت کاربر در فرآیند اجرای مدل سبال (SEBAL) و متریک در سال 2017 میلادی، فرآیندی جهت خوکارسازی انتخاب پیکسل‌های سرد و گرم در الگوریتم سبال (SEBAL) و متریک در دو ایالات آمریکا مجهز به برج‌های اندازه‌گیری شار گرمای اددی، بر روی 134 تصویر لندست استفاده گردید که نتایج مقایسه مقادیر تبخیر و تعرق روزانه نشان داد، دقت مدل سبال (SEBAL) و متریک با معیار جزر میانگین مربعات خطا به ترتیب برابر با 23/0 و 35/0 میلی‌متر بر روز است (16). در همین راستا و در سال 2020 میلادی، طی مطالعه‌ای در کشور لبنان با استفاده از نسخه خودکار الگوریتم سبال (SEBAL) و تعداد 8 تصویر لندست در یک دوره کشت، مقادیر تبخیر و تعرق واقعی در طول فصل کشت با جزر میانگین مربعات خطا 32/21 میلی‌متر و ضریب همبستگی 4/88 محاسبه گردید (35). اخیرا توسعه تکنیک‌های سنجش از دور توانسته است با برآورد سری زمانی تبخیر و تعرق، تغییرات این پارامتر را به عنوان ورودی معادله بیلان آب زیرزمینی جهت تخمین میزان کاهش در سطح آب های زیرزمینی وارد کند که در مطالعه‌ای درسال 2020 میلادی در حوزه آبریزی در کشور لبنان مشخص گردید که این حوزه سالانه حدود 330 میلی‌متر کاهش در سطح آب‌های زیرزمینی خود را شاهد بوده است (29). تفکیک مقدار مصرف از منابع آب ذخیره شده باران در ناحیه ریشه که به عنوان منابع آب سبز شناخته می‌شود از اهمیت بسیاری برخوردار است (27) و از آنجایی که منابع آب سبز در کشاورزی صرف تبخیرو تعرق گیاهان کشت شده در سیستم دیم می‌گردد (47) برآورد آن می‌تواند یکی دیگر از اهداف کاربرد تکنیک‌های‌ سنجش از دور در بخش کشاورزی باشد که دراین راستا طی مطالعه‌ای در سال 2017 در کشور چین، از تصاویر سنجنده مودیس مربوط به سال 2008 و تکنیک‌های سنجش از دور جهت برآورد شاخص سطح پوشش گیاهی و تشعشع ورودی استفاده شد و این پارامترها به عنوان ورودی مدل فائو پنمن مانتیث برای محاسبه مقدار مصرف ماهانه از منابع آب سبز ناشی تبخیر و تعرق در اراضی کشاورزی بکار رفت. مقایسه نتایج با مقادیر اندازه‌گیری شده تبخیر و تعرق از برج‌های شار گرمای اددی نشان داد که مقادیر مشاهداتی و محاسباتی تبخیر و تعرق ماهانه در اراضی کشاورزی دارای ضریب همبستگی 96/0 می‌باشد (31).

 

با توجه به اهمیت منابع آب سبز که عمده مصرف آن در بخش کشاورزی دیم می‌باشد، هدف از این پژوهش اعمال الگوریتم سبال (SEBAL) به عنوان یک تکنیک متداول در سنجش از دور بر روی تصاویر سنجنده مودیس جهت برآورد حداکثر میزان روزانه مصرف آب در کشت گندم دیم است. جهت ارزیابی صحت نتایج الگوریتم سبال (SEBAL) در برآورد تبخیر و تعرق گندم در منطقه مورد مطالعه و به کمک تصاویر سنجنده مودیس، برای نخستین بار نتایج این الگوریتم با دو روش الگامن افهولدر (Eagleman-Affholder) و فائو پنمن مانتیث (FAO Penman-Monteith) در اراضی گندم مقایسه گردید. از پیکسل‌هایی که روند تغییرات شاخص تفاضل گیاهی نرمال شده (NDVI) در آنها مشابه با روند تغییرات این شاخص در اراضی نظارت شده گندم بود، جهت تولید نقشه اراضی گندم استفاده گردید. با توجه به اینکه روش فائو پنمن مانتیث (10) مقادیر تبخیر و تعرق را با فرض عدم وجود تنش آبی وارد شده به گیاه برآورد می‌نماید، روش اگلمن و آفهولدر (7 و 22) جهت ارزیابی نتایج سبال (SEBAL) در برآورد تبخیر و تعرق گندم دیم که عموما تحت تنش آبی می‌‌باشد، مورد استفاده قرار گرفت که برای این کار ابتدا نقشه خاک منطقه مورد مطالعه با استفاده از ترکیب داده‌های حاصل از بررسی پروفیل‌های حفر شده در در نقاط مختلف با نقشه خاک فائو تهیه گردید. با فرض اینکه تنش آبی وارده به گندم آبی به کمک عملیات آبیاری قابل توجه نیست، جهت مقایسه نتایج الگوریتم سبال (SEBAL) در برآورد تبخیر و تعرق گندم آبی از نتایج روش فائو پنمن مانتیث بهره گرفته شد. 

 

مواد و روش‌ها

منطقه مورد مطالعه

منطقه مورد مطالعه در این پژوهش که درشکل 1 نشان داده شده است، محدوده شهرستان اهر در شمال‌شرق استان آذربایجان‌شرقی می‌باشد و در مختصات جغرافیایی 46 درجه و 43  دقيقه  الی 47 درجه و 37 دقيقه  طول شرقي  و 38 درجه و 19 دقيقه دقيقه  الی 39 درجه و 6 دقيقه عرض شمالي قرار گرفته است. ترکیب رنگی باندهای مادون قرمز، قرمز و آبی ماهواره لندست8 با اعمال تصحیحات هندسی و رادیومتری در شکل 1 نشان می‌دهد که منطقه در حصار نواحی کوهستانی می‌باشد و بخش کشاورزی عمدتا واقع در نواحی مرکزی است. اقلیم غالب منطقه مورد مطالعه از نوع خشک و نیمه‌خشک می‌باشد و طبق آخرین اطلاعات آماری منتشر شده در سال 1394 حاصل از نتایج تفصیلی سرشماري کشاورزي (2) کشت زراعی غالب منطقه کشت گندم به وسعت 33839 هکتار شامل 31431 هکتار گندم دیم و 2408 هکتار گندم آبی می‌باشد.

 

  

شکل1. موقعیت جغرافیایی منطقه مورد مطالعه شامل شهرستان اهر واقع در استان آذربایجان شرقی. ترکیب رنگی تصویر ارائه شده برای شهرستان اهر، حاصل از باند‌های مادون قرمز، قرمز و آبی ماهواره لندست8 مربوط به تاریخ 5 تیرماه 1398 می باشد.

 

تقویم کشت گندم و دوره زمانی مورد مطالعه

طبق بررسی های صورت گرفته، گندم زمستانه در منطقه مورد در دهه اول مهر هر سال کاشت و در نیمه دوم خرداد سال آتی برداشت می‌گردد. مرحله خوشه رفتن تا طلایی شدن کامل گندم در منطقه مورد مطالعه حدودا طی روزهای 129 تا 161 ژولیوسی اتفاق می‌افتد که در مقطعی از این دوره که میزان شاخص‌های گیاهی نزدیک به اوج خود می‌باشد، بزرگی مقادیر شاخص گیاهی در میزان محصول نهایی گندم بسیار تعیین کننده است (28). روز ژولیوسی عدد صحیحی است که نشانگر تعداد روزهای گذرانده شده از اولین روز سال در تقویم میلادی می‌‌باشد. در این پژوهش ابتدا از اطلاعات هواشناسی و محصولات بازتاب سطحی و دمای سطح زمین سنجنده مودیس مربوط به سال 1389 شامل دوره آغازخوشه رفتن، گلدهی و سپس طلایی شدن گندم جهت ارزیابی صحت الگوریتم سبال (SEBAL) در منطقه مورد مطالعه، استفاده شد. پس از ارزیابی نتایج الگوریتم، با استفاده از محصولات جدید سنجنده مودیس در سال 1398 و الگوریتم سبال، حداکثر مقدار تبخیر و تعرق گندم دیم در سال مذکور در مقطعی حساس که مصادف با زمان اوج شاخص گیاهی می‌باشد، برآورد گردید. جهت محاسبه سهم گیاه گندم دیم از منابع آب سبز، میزان تبخیر و تعرق گندم در این مقطع، یعنی مابین مرحله خوشه رفتن تا گل‌دهی گندم در وسعت اراضی تحت کشت آن ضرب شد. طبق الگوریتم ارائه شده برای مدل سبال، از باندهای مرئی سنجنده‌ها جهت برآورد آلبدو و شاخص‌های گیاهی و از باندهای دمایی آنها به همراه شاخص‌های گیاهی محاسبه شده، جهت برآورد شار‌های گرمایی استفاده می‌شود (15). در این پژوهش نیز از محصولات MOD09Q1 و MOD09A1 که مقادیر بازتاب سطحی سنجنده مودیس می‌باشند برای محاسبه آلبدو و شاخص‌های گیاهی و از محصول MOD11A2 شامل مقادیر دمای سطح زمین است، برای محاسبه شارهای گرمایی استفاده شد. محصولات سنجنده مودیس مورد استفاده جهت اجرای مدل سبال (SEBAL) در این پژوهش، به شرح جدول 1 می‌باشد. این محصولات به صورت آماده و حاصل از اعمال تصحیحات مربوط به شرایط جوی بر روی تصاویر خام می‌باشند (45). جهت اعمال سیستم مختصات جغرافیایی مورد نظر از محیط نرم افزار ENVI استفاده شد . همچنین جهت تهیه نقشه اراضی تحت کشت گندم و نیاز به رصد روند تغییرات شاخص پوشش گیاهی در این اراضی، محصول بازتاب سطحی مودیس حاوی باند قرمز و مادون قرمز (MOD09Q1) در دوره زمانی طولانی‌‌تری استفاده گردید.    

 

جدول 1. محصولات سنجنده مودیس مورد استفاده جهت رصد روند تغییرات میزان سبزینگی گندم و نیز اجرای مدل سبال.     

نام محصول	تاریخ ژولیوسی تصاویر اخذ شده
محصولات 8 روزه بازتاب سطحی، دما و گسیلمندی سنجده مودیس، اصلاح شده برای شرایط اتمسفری:
-MOD09Q1: MODIS/Terra Surface Reflectance 8-Day L3 Global 250 m SIN Grid V006	تصاویر سال 1389: 81، 89، 97، 105، 121، 129، 137، 145، 153،161، 169، 177، 193، 201، 209، 217، 225، 233، 241، 249، 257 و 265 تصویر سال 1398: 137
-MOD09A1: MODIS/Terra Surface Reflectance 8-Day L3 Global 500 m SIN Grid V006	تصاویر سال 1389: 129، 137، 145، 153 و161 تصویر سال 1398: 137
-MOD11A2: MODIS/Terra Land Surface Temperature/Emissivity 8-Day L3 Global 1 km SIN Grid V006

 

تبخیر و تعرق مرجع، گیاهی و واقعی

تبخیر و تعرق گیاهی () میزان تبخیر و تعرقی است که توسط یک گونه گیاهی خاص که در پژوهش حاضر گیاه گندم می‌باشد، تحت شرایط استاندارد و بهینه از نظر نمایه‌های مدیریتی آب و خاک انجام شده باشد (42). در این شرایط تبخیر و تعرق گیاه گندم () طبق رابطه 1، پس از برآورد مقادیر تبخیر و تعرق گیاه مرجع () به روش فائو پنمن مانتیث، از ضرب مقادیر تبخیر و تعرق گیاه مرجع () در ضرایب گیاهی () ارائه شده در دوره‌های مختلف رشد گندم، محاسبه گردید (10، 21 و 25).

                                                                                                                                                                    [1]

محاسبه تبخیر و تعرق گیاه مرجع () با رابطه فائو پنمن مانتیث (FAO Penman-Monteith) نیاز به داده‌های تشعشع، دمای هوا، رطوبت هوا و سرعت باد دارد (10). در اقلیم خشک و نیمه‌خشک، تبخیر و تعرق گیاه گندم () از طریق عملیات آبیاری تامین می‌گردد. بنابرین در اراضی تحت کشت گندم آبی، عموما برنامه‌ریزی آبیاری به گونه‌ای است که گیاه تحت تنش آبی قرار نگیرد که با این فرض، مقادیر تبخیر و تعرق واقعی گندم () نزدیک به مقادیر تبخیر و تعرق محاسبه شده برای گیاه گندم () خواهد بود. لذا در اراضی تحت کشت گندم آبی، می‌توان مقادیر تبخیر و تعرق گیاه گندم () را که از روش فائو پنمن مانتیث (FAO Penman-Monteith) محاسبه گردیده است، با مقادیر بدست آمده از الگوریتم سبال (SEBAL) برای تبخیر و تعرق واقعی گیاه گندم ()، مقایسه نمود. اما چنین مقایسه‌ای جهت ارزیابی صحت نتایج الگوریتم سبال (SEBAL) در اراضی گندم دیم، به جهت تنش‌ آبی وارده به سیستم کشت دیم قابل اطمینان نمی‌باشد.

الگوریتم سبال (SEBAL)

مقادیر تبخیر و تعرق واقعی گیاه گندم ()، توسط الگوریتم سبال (SEBAL) مطابق فرآیند شکل 2 و با حل معادله بیلان انرژی بر اساس رابطه 2 محاسبه گردید (13). 

                                                                                                                                       [2]

که در این رابطه،   شار گرمای نهان،  تشعشع خالص،  شار گرمای خاک و  شار گرمای محسوس همگی بر حسب وات بر متر مربع (‌W.) می‌باشند. مقادیر شار گرمای نهان بر اساس رابطه 3 به مقادیر تبخیر و تعرق لحظه‌ای تبدیل شد (34). 

                                                                                                                                         [3]

که در این رابطه،  تبخیر و تعرق لحظه‌ای بر حسب میلی‌متر بر ساعت (mm.) و  گرمای نهان تبخیر آب بر حسب ژول بر کیلوگرم (J.) می‌باشد.

 

 

شکل2.  فرآیند اجرای الگوریتم سبال (SEBAL).

 

در فرآیند مذکور شار تشعشع خالص () با استفاده از رابطه 4 محاسبه شد (43).

                                                                                                  [4]

که در این رابطه،  آلبدوی سطح،  طول موج کوتاه ورودی،  طول موج بلند ورودی،  طول موج بلند خروجی و  گسیلمندی سطحی است. مقادیر آلبدو بر اساس رابطه 5 محاسبه گردید (11).

                                                                                                                               [5]

که در این رابطه،  آلبدوی بالای اتمسفر و  متوسط سهم تشعشع خورشیدی ورودی در تمام باندها می‌باشد که قبل از آن که به زمین برسد به سمت سنجنده پراکنده می‌شود.  قابلیت عبوردهی تشعشع در اتمسفر است و به صورت خطی با کدهای ارتفاعی موجود بر روی مدل ارتفاعی دیجیتال (DEM) در ارتباط است. مقادیر تشعشع ورودی طول موج کوتاه () از رابطه 6 محاسبه گردید (11).

                                                                                                          [6]                

که در این رابطه،  ثابت خورشیدی برابر 1367 بر حسب وات بر متر مربع ()،  کسینوس زاویه تابش خورشیدی و  مربع معکوس فاصله نسبی زمین به خورشید است. مقادیر تشعشع ورودی طول موج بلند () از رابطه 7 محاسبه شد (11).

                                                                                                                                                  [7] 

که در این رابطه،  گسیلمندی اتمسفری،  ثابت استفان بولتزمن برابر 8-10×67/5 بر حسب وات بر مترمربع بر درجه کلوین به توان چهار () می‌باشد و  دمای هوای نزدیک به سطح زمین بر حسب درجه کلوین () می‌باشد. مقادیر تشعشع خروجی طول موج بلند () بر اساس 8 محاسبه گردید (11).

                                                                                                                                  [8] 

که در این رابطه،  گسیلمندی سطحی و  دمای سطح بر حسب درجه کلوین () می‌باشد‌. مقادیر شار گرمای خاک از رابطه 9 محاسبه گردید (13).

                                                                             [9]

که در این رابطه،   دمای سطح بر حسب  می‌باشد. مقادیر شار گرمای محسوس () از رابطه 10 محاسبه شد (13).

                                                                                                                             [10]

 که در این رابطه،  دانسیته هوا بر حسب کیلوگرم بر متر مکعب ()،  گرمای مخصوص هوا برابر 1004 بر حسب ژول بر کیلوگرم بر درجه کلوین ()،  اختلاف دما بین دو ارتفاع  و  و  مقاومت ایرودینامیک در برابر انتقال گرما بر حسب ثانیه بر متر () می‌‌باشد. از آنجایی که برآورد دو پارامتر و  در رابطه فوق مشکل است، بنابرین در مدل سبال (SEBAL) از دو پیکسل سرد و گرم که در آنها می‌توان تخمین اولیه قابل اعتمادی برای شار گرمای محسوس () پیش‌بینی کرد، استفاده می‌شود (34).

 روش اگلمن-افهولدر

اراضی تحت کشت دیم واقع در اقیم خشک و نیمه‌خشک معمولا به دلیل الگوی نامنظم بارش و نیز مقادیر ناکافی آن تحت تنش آبی بوده و این تنش وارده موجب کاهش قابل توجه مقدار تبخیر و تعرق گیاه گندم () ‌گردد. در این شرایط مقایسه نتایج روش فائو پنمن مانتیث (FAO Penman-Monteith) والگوریتم سبال (SEBAL) بدون در نظر گرفتن اثر تنش آبی وارده به مقادیر تبخیر و تعرق گیاه گندم ()، صحیح نمی‌باشد. لذا در این پژوهش جهت محاسبه تبخیر و تعرق واقعی گیاه گندم () در شرایط تنش آبی وارده تحت کشت دیم، از روش اگلمن-افهولدر (Eagleman-Affholder) که نتایج آن قبلا در شمال شرق ایران برای گندم دیم مورد تایید قرار گرفته است (36)، به شرح رابطه 11 استفاده شد (7 و 22).

                                                                                                                                                         [11]                                                                          

که در این رابطه،   تبخیر و تعرق گیاه گندم بوده که از رابطه فائو پنمن مانتیث (FAO Penman-Monteith) برآورد می‌گردد.  نسبت رطوبت بوده و نشان دهنده میزان در دسترس بودن آب در عمقی از خاک است که بستری برای رشد ریشه‌های گیاه می‌باشد. نسبت رطوبت از رابطه 12 محاسبه می‌گردد و مقدارآن بین صفر تا یک متغییر است (37).

                                                                                                                                        [12]

که در این رابطه،   حداکثر ظرفیت نگهداری آب در خاک در ناحیه رشد ریشه و  بارش موثر در گام‌های زمانی مورد مطالعه می‌باشد. زمانی که مقدار بارش موثر () از میزان حداکثر ظرفیت نگهداری آب () تجاوز نماید، نسبت رطوبت () برابر یک خواهد بود. اجرای روش اگلمن-افهولدر (Eagleman-Affholder) بنحوی که بتوان توزیع مکانی تبخیر و تعرق واقعی گیاه گندم () را بدست آورد، نیاز به تهیه نقشه خاک منطقه مورد مطالعه دارد. از نقشه خصوصیات خاک منطقه، مقادیر حداکثر ظرفیت نگهداری آب () برای هر پیکسل گندم دیم قرائت گردید و با استفاده از آمار بارندگی روزانه، نسبت رطوبت در هر پیکسل گندم دیم محاسبه شد. در نهایت با استفاده از رابطه 11 مقادیر تبخیر و تعرق واقعی گیاه گندم () در هر پیکسل مربوط به سیستم کشت دیم محاسبه شد.

 نقشه خاک

جهت تولید نقشه خاک منطقه مورد مطالعه، ابتدا نقشه خاک فائو (FAO) برای محدوده منطقه مورد مطالعه برش داده شد و سپس با استفاده از اطلاعات مربوط بافت که در سال 1389 در دانشکده کشاورزی دانشگاه تبریز اندازه‌گیری شده بود، تدقیق گردید. اطلاعات مذکور شامل مقادیر درصد شن، رس و سیلت حاصل از تعداد 58 پروفیل حفر شده به عمق متوسط 120 سانتی‌متر در شبکه‌ای متمرکز بر قطب اصلی کشاورزی شهرستان اهر (مناطق مرکزی) می‌باشد. اطلاعات اندازه‌گیری شده به همراه اطلاعات موجود از بافت خاک در نقشه خاک فائو (FAO) وارد نرم افزار سیستم اطلاعات جغرافیایی () گردید و با استفاده از تکنیک درون‌یابی نزدیکترین همسایه نقشه دقیق‌تری از درصد شن، رس و سیلت برای منطقه مورد مطالعه تولید شد. سپس جهت مشخص نمودن پهنه‌های مربوط به انواع باف خاک در منطقه مورد مطالعه، نقشه اصلاح شده خاک فائو (FAO) با استفاده از ضوابط موجود در مثلث بافت خاک (41) در محیط نرم افزار سیستم اطلاعات جغرافیایی () بر اساس درصد شن، سیلت و رس اختصاص یافته به هر نقطه از آن طبقه‌بندی گردید. مقادیر متناظر حداکثر ظرفیت نگهداری آب () برای بافت‌های مختلف با استفاده از نرم افزار SPAW ارائه شده توسط دپارتمان کشاورزی ایالات متحده (USDA) تعیین شد.

نقشه اراضی گندم دیم و آبی

جهت برآورد مقادیر تبخیر و تعرق واقعی گیاه گندم () به روش سبال (SEBAL) و همچنین به روش روش اگلمن-افهولدر (Eagleman-Affholder) در پیکسل‌های گندم، نیاز به نقشه اراضی گندم دیم و آبی می‌باشد. در تهیه نقشه‌ مذکور از روند تغییرات زمانی شاخص‌ تفاضل گیاهی نرمال شده (NDVI) برای گندم دیم و گندم آبی استفاده گردید. شاخص گیاهی تفاضل نرمال شده (NDVI) برای تصاویر مودیس از رابطه 13 محاسبه شد (33).

[13]                                                                                                                                                                                              

که در این رابطه،  بازتابندگی ثبت شده در باند سرخ و  بازتابندگی ثبت شده در باند نزدیک فروسرخ می‌باشد. جهت تولید سری زمانی شاخص‌ تفاضل گیاهی نرمال شده (NDVI) گندم دیم و گندم آبی، مقادیر محاسبه شده این شاخص در هر تصویر برای پیکسل‌های نظارت شده گندم دیم و آبی میانگین‌گیری شد. از ترسیم مقادیر میانگین‌گیری شده حاصل از هر تصویر مودیس در مقابل محور زمان، سری زمانی شاخص مذکور برای گندم دیم و آبی تهیه شد. اطلاعات مربوط به مختصات جغرافیایی نواحی نظارت شده گندم با استفاده از دستگاه جی پی اس (GPS) در سال 1389 در 11 قطعه با متوسط مساحت 20 هکتار برداشت گردیده بود. در نهایت با استفاده از تطابق سری زمانی شاخص‌ تفاضل گیاهی نرمال شده (NDVI) هر پیکسل با سری زمانی میانگین‌گیری شده، پیکسل‌‌های گندم در سایر نقاط در منطقه مورد مطالعه، شناسایی شد. جهت ارزیابی صحت نقشه پهنه‌بندی گندم مقادیر شاخص ﻛﺎﭘﺎ و مقدار صحت کلی به ترتیب بر اساس رابطه 14 و 15 محاسبه گردید (18).

        [14]                                                                                                                                             

                                                                                                                                   [15]

که در آنها  صحت کلی،  مجموع اعضای قطر اصلی ماتریس خطا،  كل پيكسل‌هاي نظارت شده،  شاخص کاپا،  مجموع سطر i ام و  مجموع ستون i ام ماتریس خطا می‌باشند.

محصول تبخیر و تعرق سنجنده مودیس

محصول MOD09A1 سنجنده مودیس، مقادیر تبخیر و تعرق واقعی را در سطح جهانی و با قدرت تفکیک مکانی 500 متری و قدرت تفکیک زمانی 8 روزه ارائه می‌دهد. مقادیر تبخیر و تعرق برای هر پیکسل در این محصول از وارد کردن مقادیر شاخص‌های گیاهی و البدو حاصل از تصاویر مودیس درمعادله فائو پنمن مانتیث (FAO Penman-Monteith) محاسبه گردیده است. در این پژوهش مقادیر تبخیر و تعرق اراضی گندم از محصول MOD09A1 استخراج و با مقادیرحاصل از مدل سبال (SEBAL) مقایسه گردید. 

نتایج

شکل 3 نشان دهنده نقشه بافت خاک و نقشه حداکثر ظرفیت نگهداری آب () حاصل از بهبود نقشه خاک فائو (FAO) با استفاده از اطلاعات 58 پروفیل حفر شده در منطقه مورد مطالعه می‌باشد. همانگونه که در شکل 3 مشخص است مقادیرحداکثر ظرفیت نگهداری آب () در خاک منطقه مورد مطالعه بین 088/0 تا 175/0 سانتی‌متر بر سانتی‌متر متغییر است و در میان 6 کلاس خاک موجود در منطقه، محدوده بافت لوم رسی نسبت به سایر بافت‌ها از وسعت بیشتری برخوردار است.

 

 

شکل3. پهنه‌بندی شش کلاس بافت خاک و نقشه حداکثر ظرفیت نگهداری آب (AWC) در خاک منطقه مورد مطالعه حاصل از اصلاح نقشه خاک فائو (FAO) با استفاده از اطلاعات تعداد 58 پروفیل حفر شده در مناطق مرکزی شهرستان اهر.

 

شکل 4 نشان دهنده تغییرات شاخص تفاضل گیاهی نرمال شده (NDVI) در شهرستان اهر از روز 81 تا 265 ژولیوسی در سال 1389  حاصل از باندهای قرمز و مادون قرمز محصول بازتاب سطحی مودیس (MOD09Q1)، می‌باشد که شامل دوره پنجه زنی تا برداشت گندم و چند ماه پس از مرحله برداشت می‌باشد. همانطور که در شکل 4 مشخص است به طور کلی در سطح منطقه مورد مطالعه مقادیر شاخص تفاضل گیاهی نرمال شده (NDVI) در فصل بهار (12 تصویر اول) است، بیشتر از فصل تابستان (12 تصویر دوم) می‌باشد. همانطور که ازشکل 4 مشخص است، مقادیر شاخص مذکور در مناطق حاشیه‌ای شامل نواحی کوهستانی با پوشش جنگلی و در رگه‌هایی از مناطق مرکزی شامل باغات کشاورزی در دوره مورد مطالعه همواره بیشتر از سایر نواحی بوده است. شکل 5 نشان دهنده سری زمانی شاخص تفاضل گیاهی نرمال شده (NDVI) حاصل از میانگین‌گیری مقادیر شاخص مذکور برای پیکسل‌های نظارت شده گندم در شهرستان اهر می‌باشد که در نهایت منجر به تولید نقشه تحت کشت اراضی گندم دیم و آبی با قدرت تفکیک مکانی 250 متری گردید که این عدد برابر با رزولیشن باندهای قرمز و مادون قرمز محصول بازتاب سطحی مودیس است. با انجام آزمون و خطا مشخص گردید که اگر اختلاف شاخص‌ تفاضل گیاهی نرمال شده (NDVI) یک پیکسل در هر گام زمانی با مقدار میانگین‌گیری شده برای آن شاخص در اراضی نظارت شده گندم کمتر از 15 درصد باشد، می‌تواند به عنوان پیکسل گندم منظور گردد. مقادیر صحت کلی و شاخص کاپا برای روش استفاده شده در پهنه بندی اراضی گندم به ترتیب برابر با 81% و 68% بدست آمد که حاکی از دقت قابل قبول آن می‌باشد. همچنین سطح اراضی کشت گندم و آبی در منطقه مورد مطاله برابر با 33500 و 3556 هکتار بدست آمد که با آمار حاصل از سرشماری کشاورزی شهرستان اهر به خصوص برای گندم دیم مطابقت دارد (2). همانطور که در شکل 5 مشخص است نقطه اوج منحنی شاخص تفاضل گیاهی نرمال شده (NDVI) گندم در روز 137 ژولیوسی اتفاق افتاده است که مصادف با پس از دوره خوشه‌روی و قبل از مرحله گل‌دهی گیاه گندم در منطقه مورد مطالعه می‌باشد. مقدار شاخص تفاضل گیاهی نرمال شده (NDVI) گندم در این مرحله برای گندم دیم حدود 2/0 کمتر از گندم آبی است. سری زمانی شاخص تفاضل گیاهی نرمال شده (NDVI) در شکل 5 نشان می‌رهد که در مزارع گندم پس از برداشت محصول، مقدار این شاخص به عدد ثابتی حدود 15/0 رسیده است.

 

 

شکل4. تغییرات مکانی و زمانی شاخص تفاضل گیاهی نرمال شده (NDVI) در شهرستان اهر حاصل از باندهای قرمز و مادون قرمز سنجنده مودیس از روز 81 تا 265 ژولیوسی در بازه‌های 8 روزه در سال 1389.

   

شکل5. پیکسل‌های نظارت شده توسط دستگاه جی پی اس (GPS) از سطح مزارع گندم در شهرستان اهر و سری زمانی شاخص تفاضل گیاهی نرمال شده (NDVI) گندم دیم و آبی حاصل از آنها به همراه نقشه نهایی تولید شده از اراضی تحت کشت گندم دیم و آبی با استفاده از باندهای قرمز و مادون قرمز سنجنده مودیس در سال 1389.

 

 شکل 6 نشان دهنده نقشه‌های تغییرات مکانی و زمانی تبخیر و تعرق نقشه‌های تبخیر و تعرق واقعی () در سطح شهرستان اهر حاصل از الگوریتم سبال (SEBAL) و محصول  مودیس در یک دوره زمانی 32 روزه از روز ژولیوسی 129 تا روز 161 (19 اردیبهشت تا 20 خرداد) در سال 1389 می‌باشد که این دوره زمانی مراحل خوشه‌رفتن تا طلایی شدن گندم را در منطقه مورد مطالعه تحت پوشش قرار می‌دهد. نقشه‌های تبخیر و تعرق واقعی () حاصل از الگوریتم سبال (SEBAL) و محصول  نشان داد که مقادیر تبخیر و تعرق در طول دوره زمانی مطالعه شده در مناطق کوهستانی با پوشش جنگلی واقع در حاشه محدوده شهرستان بیشتر از سایر نواحی می‌باشد. عمده اختلاف مشهود در نقشه‌های مذکور مربوط به تاریخ روز ژولیوسی 137 می‌باشد که در این تاریخ، مقادیر تبخیر و تعرق تخمین زده شده توسط الگوریتم سبال (SEBAL) به طور میانگین به میزان 28/1 میلی‌متر بر روز بیشتر از میانگین بدست آمده از محصول  مودیس است.

 

شکل6. مقادیر تبخیر و تعرق واقعی () در سطح شهرستان اهر حاصل از الگوریتم سبال (SEBAL) و محصول  مودیس از روز ژولیوسی 129 تا روز ژولیوسی 161 (دوره خوشه رفتن تا طلایی شدن گندم) و در بازه‌های 8 روزه در سال 1389.

 

شکل 7 نشان دهنده نقشه‌های توزیع مکانی و زمانی مقادیر تبخیر و تعرق واقعی () در اراضی گندم دیم و آبی حاصل از الگوریتم سبال (SEBAL) به همراه نقشه‌های تبخیر و تعرق واقعی () در اراضی گندم دیم حاصل از روش اگلمن-افهولدر(Eagleman-Affholder) در دوره زمانی روزهای ژولیوسی 129 تا 161 مقارن با مراحل خوشه‌رفتن تا طلایی شدن گندم در سال 1389 می‌باشد. روند تغییرات مقادیر تبخیر و تعرق واقعی ()  در اراضی گندم دیم و گندم آبی حاصل از الگوریتم سبال (SEBAL) و اراضی گندم دیم حاصل روش اگلمن-افهولدر(Eagleman-Affholder)، نشان می‌دهد که این مقادیر در روز ژولیوسی 137 که مصادف با نقطه اوج منحنی شاخص تفاضل گیاهی نرمال شده (NDVI) می‌باشد، نسبت به سایر روزها بیشتر است. لذا در مورد گندم دیم، این دوره حساس از نظر منابع آب سبز نیزحائز اهمیت است چرا که گندم در این مقطع به بیشترین میزان از منابع آب سبز جهت انجام فرآیند تبخیر و تعرق نیازمند است. بازه تغییرات مقادیر تبخیر و تعرق واقعی گندم دیم () در نقشه‌های حاصل از الگوریتم سبال (SEBAL) بیشتر از بازه تغییرات در نقشه‌های حاصل روش اگلمن-افهولدر(Eagleman-Affholder) می‌باشد.

مقادیر میانگین تبخیر و تعرق واقعی () در اراضی گندم دیم و آبی ارائه شده در نمودار شکل 8 نشان می‌دهد که روند تغییرات تبخیر و تعرق واقعی () گندم دیم و گندم آبی حاصل از الگوریتم سبال (SEBAL) در مقایسه با روند مذکور بدست آمده از محصول ، تشابه بیشتری با روند تغییرات تبخیر و تعرق واقعی () گندم دیم حاصل از روش اگلمن-افهولدر(Eagleman-Affholder) و روند تغییرات تبخیر و تعرق گندم آبی () حاصل از روش فائو پنمن مانتیث (FAO Penman-Monteith) دارد. با توجه به نمودار ارائه شده در شکل 8، تشابه نتایج الگوریتم سبال (SEBAL) با نتایج روش فائو پنمن مانتیث (FAO Penman-Monteith) در صورت مقایسه این دو روش در ده درصد مزارع گندم آبی با بیشترین مقدار تبخیر و تعرق واقعی () افزایش قابل توجهی یافته است. چنین مقایسه‌ای نسبت به مقایسه مقادیر میانگین تبخیر و تعرق در تمامی مزارع گندم آبی منطقی‌تر است چرا که مقادیر ارائه شده توسط روش فائو پنمن مانتیث (FAO Penman-Monteith)، برای شرایط عدم وجود تنش‌‌های محدود کننده مقدار تبخیر و تعرق می‌باشد که وقوع چنین شرایطی در ده درصد مزارع گندم آبی با بیشترین مقدار تبخیر و تعرق واقعی () محتمل‌تر می‌باشد. همانطور که در شکل 9 نشان داده شده است، از ترسیم مقادیر تبخیر و تعرق واقعی () گندم دیم و گندم آبی حاصل از الگوریتم سبال (SEBAL) در مقابل مقادیر حاصل از روش‌های محاسباتی اگلمن-افهولدر(Eagleman-Affholder) و روش فائو پنمن مانتیث (FAO Penman-Monteith) مقدار ضریب همبستگی 9/0 بدست آمد.

 

 

شکل7. مقادیر تبخیر و تعرق واقعی () در سطح مزارع گندم دیم و گندم آبی شهرستان اهر حاصل از الگوریتم سبال (SEBAL) و روش اگلمن-افهولدر (Eagleman-Affholder) از روز ژولیوسی 129 تا روز ژولیوسی 161 (دوره خوشه رفتن تا طلایی شدن گندم) و در بازه‌های 8 روزه در سال 1389.

 

 

 

شکل8. نمودار‌های مقایسه مقادیر تبخیر و تعرق واقعی () در اراضی گندم دیم و آبی حاصل نتایج الگوریتم سبال (SEBAL)، محصول  مودیس و روش اگلمن-افهولدر (Eagleman-Affholder) در شهرستان اهر از روز ژولیوسی 129 تا روز ژولیوسی 161 (دوره خوشه رفتن تا طلایی شدن گندم) و در بازه‌های 8 روزه در سال 1389.

 

جدول 2 مقادیر میانگین، انحراف معیار و ضریب تغییرات را در نقشه‌های تبخیر و تعرق واقعی () تولید شده توسط الگوریتم سبال (SEBAL) و محصول  مودیس برای گندم دیم و آبی در سال 1389 نشان می‌دهد. همچنین مقادیر مذکور برای نقشه‌های تولید شده توسط روش اگلمن-افهولدر  (Eagleman-Affholder)در اراضی دیم نیز ارائه گردیده است. مقادیر خطای مطلق از مقایسه مقدار میانگین تبخیر و تعرق واقعی () حاصل از الگوریتم سبال (SEBAL) و محصول  مودیس با روش اگلمن-افهولدر (Eagleman-Affholder) برای گندم دیم و با روش فائو پنمن مانتیث (FAO Penman-Monteith) برای گندم آبی  محاسبه گردیده است. مقادیر جدول 2 نشان می دهد که الگوریتم سبال توانسته است مقدار حداکثر تبخیر و تعرق واقعی () گندم دیم را در روز ژولیوسی 137 به خوبی و با خطای مطلق 03/0 میلی‌متر بر روز در مقایسه با روش اگلمن-افهولدر  (Eagleman-Affholder)برآورد نماید. خطای مطلق الگوریتم سبال (SEBAL) در برآورد حداکثر تبخیر و تعرق واقعی () گندم آبی در این روز در مقایسه با روش فائو پنمن مانتیث (FAO Penman-Monteith) برابر 84/0 میلی‌متر بر روز بدست آمد. این در حالی است که محصول  مودیس در این روز با مقادیر خطای مطلق 12/1 و 74/2 به ترتیب برای گندم دیم و گندم آبی نتایج خوبی را ارائه نداده است. از میانگین‌گیری مقادیر خطای مطلق الگوریتم سبال (SEBAL) محاسبه شده برای گندم دیم و آبی در دوره زمانی مورد مطالعه، مقدار مذکور برابر 61/0 میلی‌متر در روز بدست آمد. پایین بودن ضریب تغییرات الگوریتم سبال (SEBAL) در مقایسه با محصول  مودیس در روز ژولیوسی 137 حاکی از یکنواختی بیشتر مقادیر تبخیر و تعرق واقعی () در اراضی گندم است که این یکنواختی در روز مذکور به جهت حداکثر بودن ظرفیت تبخیر و تعرق منطقی است. در سایر روزها ضریب تغییرات مقادیر تبخیر و تعرق واقعی () الگوریتم سبال (SEBAL) بیشتر از مقادیر بدست آمده از محصول  مودیس بوده است که حاکی از توانایی الگوریتم سبال (SEBAL) در تشخیص بهتر تفاوت‌های مکانی موثر در میزان تبخیر و تعرق در مزارع گندم دارد. علت پایین بودن ضریب تغییرات در مقادیر تبخیر و تعرق واقعی () حاصل از روش اگلمن-افهولدر  (Eagleman-Affholder)را می‌توان به این واقعیت نسبت داد که در اجرای این روش مقادیر بارش ثبت شده در ایستگاه هواشناسی شهرستان اهر به طور یکنواخت به اراضی گندم دیم در سطح این شهرستان اعمال شده است و در صورت داشتن اطلاعات توزیع مکانی بارندگی در سطح شهرستان این روش قادر خواهد بود توزیع دقیق‌تری از پراکندگی مقادیرتبخیر و تعرق واقعی () گندم دیم را ارائه نماید.

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول 2. میانگین، انحراف معیار و ضریب تغییرات مقادیر تبخیر و تعرق واقعی () در اراضی گندم شهرستان اهر حاصل از الگوریتم سبال (SEBAL) و محصول  مودیس و خطای مطلق آنها در مقایسه با روش اگلمن-افهولدر (Eagleman-Affholder)   برای گندم دیم و فائو پنمن مانتیث (FAO Penman-Monteith) برای گندم آبی در سال 1389.

 

 

پس از کسب اطمینان از کارایی الگوریتم سبال (SEBAL) در برآورد حداکثر میزان تبخیر و تعرق واقعی () گندم دیم که در برهه زمانی خوشه رفتن تا گل‌دهی گیاه گندم اتفاق می‌افتد و مصادف با نقطه اوج منحنی شاخص تفاضل گیاهی نرمال شده (NDVI) گندم می‌باشد، از این الگوریتم جهت برآورد توزیع مکانی مقادیر تبخیر و تعرق واقعی () گندم دیم در روز 137 ژولیوسی جهت محاسبه حداکثر میزان تبخیر و تعرق واقعی () گندم دیم و متعاقبا حداکثر سهم گندم دیم از منابع آب سبز شهرستان اهر استفاده گردید. شکل 9 علاوه بر نمایش نقشه توزیع مکانی مقادیر تبخیر و تعرق واقعی () در سطح شهرستان اهر که برای روز 137 ژولیوسی مصادف با 27 ام اردیبهشت سال 1398 تهیه شده است، نشان دهنده لایه‌های مختلف برآورد شده برای پارامتر‌های مختلف در فرآیند حل معادله بیلان انرژی توسط الگوریتم سبال (SEBAL) و نقشه توزیع مقادیر تبخیر و تعرق واقعی () در سطح اراضی گندم دیم می‌‌باشد. با توجه به اینکه الگوی کشت در اراضی آبی با توجه به در دست رس بودن منبع آب جهت انجام عملیات آبیاری هرساله می‌تواند دستخوش تغییرات بسیاری باشد، لذا نقشه اراضی گندم آبی می‌بایست هرساله بر اساس اراضی نظارت شده به روز رسانی گردد. لیکن با توجه به اینکه امکان تغییر الگوی کشت در اراضی دیم کمتر از اراضی آبی می‌باشد، با فرض آنکه تغییرات اساسی در سطح اراضی شهرستان اهر رخ نداده باشد، حداکثر سهم روزانه گندم دیم از منابع آب سبز شهرستان اهر از ضرب مقدار متوسط تبخیر و تعرق واقعی () گندم دیم حاصل از الگوریتم سبال (SEBAL) در روز 137 ژولیوسی سال 1398 (8/2 میلی‌متر بر روز) در مساحت اراضی آن (33500 هکتار) در حدود 93/0 میلیون متر مکعب محاسبه گردید

 

شکل9. نقشه توزیع مکانی مقادیر تبخیر و تعرق واقعی () در سطح شهرستان اهر و در سطح اراضی گندم دیم آن در روز 137 ژولیوسی سال 1398 (27 ام اردیبهشت سال 1398) به همراه لایه‌های مختلف استفاده شده در فرآیند حل معادله بیلان انرژی توسط الگوریتم سبال (SEBAL).

بحث و نتیجه گیری

هم راستا با سایر پژوهش‌های صورت گرفته در نقاط مختلف جهان که نتایج بدست آمده برای مقادیر تبخیر و تعرق واقعی () را با استفاده از الگوریتم سبال (SEBAL) و تصاویر لندست، نوا و مودیس در مقیاس منطقه‌ای رضایت‌بخش ارزیابی نموده‌اند (8، 9، 12، 13، 14، 26، 35 و 36)، در این پژوهش نیز کاربرد الگوریتم سبال (SEBAL) بر روی تصاویر مودیس در برآورد مقادیر تبخیر و تعرق واقعی () گندم دیم و گندم آبی مناسب ارزیابی شد. به طوری که میانگین مقادیر تبخیر و تعرق واقعی () گندم دیم حاصل از الگوریتم سبال (SEBAL) در زمان زمان اوج تبخیر و تعرق (روز 137 ژولیوسی) با میانگین حاصل از روش اگلمن-افهولدر (Eagleman-Affholder) نزدیک به صفر بود. همچنین مقایسه مقادیر میانگین حاصل از الگوریتم سبال (SEBAL) و روش فائو پنمن مانتیث (FAO Penman-Monteith) در اراضی گندم آبی و در روز مذکور کمتر از 20 درصد بود. معمول‌ترین روش برای صحت‌سنجی مدل‌های بیلان انرژی استفاده از نتایج برج‌های اندازه‌گیری شار گرمای اددی بوده است (32) لیکن با توجه عدم وجود چنین تجهیزاتی در منطقه مورد مطالعه، مقایسه نتایج الگوریتم سبال (SEBAL) با نتایج‌ روش‌های محاسباتی به خصوص با روش اگلمن-افهولدر (Eagleman-Affholder) در این پژوهش برای نخستین بار مورد بررسی قرار گرفت.

مقایسه نقشه برآورد مقادیر تبخیر و تعرق واقعی () حاصل از الگوریتم سبال (SEBAL) و محصول  مودیس در سطح شهرستان اهر نشان داد که اختلاف قابل توجهی بین این دو به خصوص در روز 137 ژولیوسی وجود دارد. بررسی دقیق‌تر نتایج ارائه شده توسط این دو روش در روز 137 ژولیوسی که مصادف با نقطه اوج شاخص گیاهی تفاضل نرمال شده (NDVI) گندم است، نشان داد که میانگین مقادیر تبخیر و تعرق واقعی () برآورد شده توسط محصول  مودیس در مقایسه با روش اگلمن-افهولدر (Eagleman-Affholder) برای گندم دیم و روش فائو پنمن مانتیث (FAO Penman-Monteith) برای گندم آبی بیش از 40 درصد است و به طور کلی این محصول حداکثر مقدار نیاز آبی گندم را کمتر از هر سه روش دیگر برآورد نموده است. عدم دقت قابل اتکا در نتایج محصول  مودیس در مطالعه‌ای که در جنوب آفریقا انجام گرفته بود نیز به اثبات رسیده است به طوری که در آن پژوهش استفاده از محصول   تنها برای رصد روند تغییرات تبخیر و تعرق در مقیاس جهانی توصیه گردیده است (38).

در این پژوهش روند تغییرات سری زمانی شاخص تفاضل گیاهی نرمال شده (NDVI) در مراحل رشد گندم با روند تغییرات شاخص‌های گیاهی گندم در کشور چین که در تحقیقی با استفاده از تصاویر سنجنده مودیس بررسی شده بود، مطابقت داشت (28). اوج منحنی شاخص‌های گیاهی در هر دو پژوهش در زمانی ما بین دو مرحله خوشه رفتن تا گل‌دهی گندم اتفاق افتاد. نتایج تحقیق حاضر نشان داد که کاربرد الگوریتم  با استفاده از تصاویر سنجنده  در دوره اوج منحنی شاخص گیاهی که مطابق با زمان اوج نیاز آبی گندم نیز می‌باشد، روشی مناسب و سریع جهت تعیین حداکثر سهم زراعت گندم دیم از منابع آب سبز در مقیاس شهرستان اهر می‌باشد که این موضوع می‌تواند در تهیه اطلاعات مورد نیاز برنامه ریزان عرصه مدیریت منابع آب حائز اهمیت باشد.

 

منابع

1.       تازیک، الف.، رضایی، ع.، آبکار، ع.، علوی‌پناه، س، ک.، جهانتاب، ز.، رحمتی. علیرضا.، 1394. برآورد تابش کل لحظه ای طول موج کوتاه خورشید با استفاده از تصاویر ماهواره ای سنجنده مودیس (مطالعة موردی: مناطق مرکزی ایران). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 6(1): 17-30.

2.       ذوقی ، ف.، 1394. نتایج تفصیلی سرشماري کشاورزي سال 1393 استان آذربایجان شرقی. سازمان مدیریت و برنامه ریزي استان آذربایجان شرقی. صفحه 71.  

3.       عظیمی، ع.، رنگزن، کاظم.، کابلی زاده، م،. خرمیان، م.، 1394. 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. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 6(4): 61-75.

4.       علیزاده الف.، کمالی غ، ع. 1382. نیاز آبی گیاهان در ایران. انتشارات دانشگاه امام رضا (ع)، مشهد.

5.       کریمی فیروزجایی، م.، کیاورز مقدم، م.، 1395. بررسی ارتباط بین دما، شار تابش خالص با خصوصیات بیوفیزیکی و کاربری اراضی با استفاده از تصاویر ماهواره ای لندست. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 7(4): 79-96.

6.       Abtew W, Melesse A. 2012. Evaporation and evapotranspiration: measurements and estimations. Springer Science & Business Media.

7.       Affholder FJFCR. 1997. Empirically modelling the interaction between intensification and climatic risk in semiarid regions. 52(1-2): 79-93.

8.       Ahmad M-D, Biggs T, Turral H, Scott CAJWS, Technology. 2006. Application of SEBAL approach and MODIS time-series to map vegetation water use patterns in the data scarce Krishna river basin of India. 53(10): 83-90.

9.       Allen RG, Morse A, Tasumi M. 2003. Application of SEBAL for western US water rights regulation and planning. In: Proc. ICID Int. Workshop on Remote Sensing.

10.       Allen RG, Pereira LS, Raes D, Smith MJF, Rome. 1998. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. 300(9): D05109.

11.       Allen RG, Tasumi M, Trezza RJJoi, engineering d. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)—Model. 133(4): 380-394.

12.       Bastiaanssen W, Noordman E, Pelgrum H, Davids G, Allen RJAJoI, Engineering D. 2005. SEBAL for spatially distributed ET under actual management and growing conditions. 131(1): 85-93.

13.       Bastiaanssen WG, Ahmad MuD, Chemin YJWRR. 2002. Satellite surveillance of evaporative depletion across the Indus Basin. 38(12): 9-1-9-9.

14.       Bastiaanssen WG, Bos MJI, systems d. 1999. Irrigation performance indicators based on remotely sensed data: a review of literature. 13(4): 291-311.

15.       Bastiaanssen WG, Menenti M, Feddes R, Holtslag AJJoh. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation. 212: 198-212.

16.       Bhattarai N, Quackenbush LJ, Im J, Shaw SBJRsoe. 2017. A new optimized algorithm for automating endmember pixel selection in the SEBAL and METRIC models. 196: 178-192.

17.       Bhattarai N, Shaw SB, Quackenbush LJ, Im J, Niraula RJIjoaeo, geoinformation. 2016. Evaluating five remote sensing based single-source surface energy balance models for estimating daily evapotranspiration in a humid subtropical climate. 49: 75-86.

18.       Congalton RGJRsoe. 1991. A review of assessing the accuracy of classifications of remotely sensed data. 37(1): 35-46.

19.       Costa JdO, Coelho RD, Wolff W, José JV, Folegatti MV, Ferraz SFdBJSA. 2019. Spatial variability of coffee plant water consumption based on the SEBAL algorithm. 76(2): 93-101.

20.       Cruz-Blanco M, Lorite I, Santos CJAwm. 2014. An innovative remote sensing based reference evapotranspiration method to support irrigation water management under semi-arid conditions. 131: 135-145.

21.       Doorenbos JJI, paper d. 1977. Crop water requirements. 24.

22.       Eagleman JRJAm. 1971. An experimentally derived model for actual evapotranspiration. 8: 385-394.

23.       Feng Y, Cui N, Gong D, Zhang Q, Zhao LJAWM. 2017. Evaluation of random forests and generalized regression neural networks for daily reference evapotranspiration modelling. 193: 163-173.

24.       French AN, Hunsaker DJ, Thorp KRJRSoE. 2015. Remote sensing of evapotranspiration over cotton using the TSEB and METRIC energy balance models. 158: 281-294.

25.       Frere M, Popov G. 1979. Agrometeorological crop monitoring and forecasting. FAO.

26.       Hamid SH, Mohamed AA, Mohamed YAJI, drainage. 2011. Towards a performance‐oriented management for large‐scale irrigation systems: case study, Rahad scheme, Sudan. 60(1): 20-34.

27.       Hoekstra AYJAiwr. 2019. Green-blue water accounting in a soil water balance. 129: 112-117.

28.       Huang J, Tian L, Liang S, Ma H, Becker-Reshef I, Huang Y, Su W, Zhang X, Zhu D, Wu WJA, Meteorology F. 2015. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model. 204: 106-121.

29.       Jaafar HH, Ahmad FAJRSoE. 2020. Time series trends of Landsat-based ET using automated calibration in METRIC and SEBAL: The Bekaa Valley, Lebanon. 238: 111034.

30.       Leng P, Li ZL, Duan SB, Tang R, Gao MFJJoGRA. 2017. A method for deriving all‐sky evapotranspiration from the synergistic use of remotely sensed images and meteorological data. 122(24): 13,263-213,277.

31.       Li F, Cao R, Zhao Y, Mu D, Fu C, Ping FJT, climatology a. 2017. Remote sensing Penman–Monteith model to estimate catchment evapotranspiration considering the vegetation diversity. 127(1-2): 111-121.

32.       Maltese A, Awada H, Capodici F, Ciraolo G, La Loggia G, Rallo GJRS. 2018. On the use of the eddy covariance latent heat flux and sap flow transpiration for the validation of a surface energy balance model. 10(2): 195.

33.       Matsushita B, Yang W, Chen J, Onda Y, Qiu GJS. 2007. Sensitivity of the enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest. 7(11): 2636-2651.

34.       McShane RR, Driscoll KP, Sando RJSIRR, VA: US Geological Survey. 19 p. 2017. A review of surface energy balance models for estimating actual evapotranspiration with remote sensing at high spatiotemporal resolution over large extents.

35.       Mhawej M, Caiserman A, Nasrallah A, Dawi A, Bachour R, Faour GJAWM. 2020. Automated evapotranspiration retrieval model with missing soil-related datasets: The proposal of SEBALI. 229: 105938.

36.       Mhawej M, Elias G, Nasrallah A, Faour GJAWM. 2020. Dynamic calibration for better SEBALI ET estimations: Validations and recommendations. 230: 105955.

37.       Mousavi-Baygi M, Bannayan M, Ashraf B, AsadiOskuei EJEi. 2016. Assessment of climatic indices limiting rainfed wheat yield. 62: 298-305.

38.       Ramoelo A, Majozi N, Mathieu R, Jovanovic N, Nickless A, Dzikiti SJRS. 2014. Validation of global evapotranspiration product (MOD16) using flux tower data in the African savanna, South Africa. 6(8): 7406-7423.

39.       Roerink G, Su Z, Menenti MJP, Chemistry of the Earth PBH, Oceans, Atmosphere. 2000. S-SEBI: A simple remote sensing algorithm to estimate the surface energy balance. 25(2): 147-157.

40.       Santos C, Lorite IJ, Tasumi M, Allen RG, Fereres EJIS. 2010. Performance assessment of an irrigation scheme using indicators determined with remote sensing techniques. 28(6): 461-477.

41.       Shirazi MA, Boersma LJSSSoAJ. 1984. A unifying quantitative analysis of soil texture. 48(1): 142-147.

42.       Sultan B, Bella‐Medjo M, Berg A, Quirion P, Janicot SJIJoCAJotRMS. 2010. Multi‐scales and multi‐sites analyses of the role of rainfall in cotton yields in West Africa. 30(1): 58-71.

43.       Teixeira AdC, Bastiaanssen WG, Ahmad M, Bos MJa, meteorology f. 2009. Reviewing SEBAL input parameters for assessing evapotranspiration and water productivity for the Low-Middle Sao Francisco River basin, Brazil: Part A: Calibration and validation. 149(3-4): 462-476.

44.       Van Dam J, Singh R, Bessembinder J, Leffelaar P, Bastiaanssen W, Jhorar R, Kroes J, Droogers PJWrd. 2006. Assessing options to increase water productivity in irrigated river basins using remote sensing and modelling tools. 22(1): 115-133.

45.       Vermote EF, Kotchenova SJJoGRA. 2008. Atmospheric correction for the monitoring of land surfaces. 113(D23).

46.       Xia T, Kustas WP, Anderson MC, Alfieri JG, Gao F, McKee L, Prueger JH, Geli HM, Neale CM, Sanchez L. 2016. Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes.

47.       Zhang Y, Zhang J-H, Tian Q, Liu Z-H, Zhang H-LJSotTE. 2018. Virtual water trade of agricultural products: A new perspective to explore the Belt and Road. 622: 988-996.

---