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

محورهای موضوعی : برنامه های کاربردی در مدیریت منابع آب

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

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

تاریخ دریافت : 1401/05/17 تاریخ پذیرش : 1401/07/09 تاریخ انتشار : 1403/07/08

کلید واژه: الگوریتم مثلثی, لندست 8, دشت مشهد, تبخیر-تعرق واقعی,

چکیده مقاله :

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

چکیده انگلیسی:

The estimation of spatially-variable actual evapotranspiration (AET) is a critical challenge to regional water resources management. Most of the available crop coefficient-based ET computation methods provide point-scale estimates which need up scaling to apply at the catchment or command area scale. A variety of remote sensing methods with varying complexity have been developed to generate regional AET estimates based on surface energy balance or vegetation status. The triangle method is used to estimate regional evapotranspiration (ET) in arid and semi-arid regions. In this study, for estimation, actual evapotranspiration was used Landsat 8 data in 2020 and triangle algorithm in Mashhad plain. The results of the triangle algorithm were verified with the evapotranspiration obtained from the FAO Penman-Monteith coupled crop coefficient in wheat and maize farms. The validation results showed high accuracy of the triangle algorithm in actual evapotranspiration estimation so that the correlation coefficient observed more than 0.7 and the maximum Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) was 1.67 and 1.48 mm per day, respectively.

منابع و مأخذ:

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