دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )
جلد 12 شماره 24 صفحات 227-217 |
برگشت به فهرست نسخه ها
پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران
چکیده: (2697 مشاهده)
چکیده مبسوط
مقدمه و هدف: تخمین دقیق تبخیر و تعرق واقعی (ETA) یا به عبارتی نیاز آبی یک محصول طی دوره رشد، از جمله موضوعات مهم در مدیریت تخصیص آب در مزرعه و بهبود راندمان آب مصرفی در هر منطقه می باشد. در تحقیق حاضر ETA برای محصول سورگوم با استفاده از الگوریتم بیلان انرژی در سطح زمین (SEBAL) و به کارگیری تصاویر ماهواره ای Landsat8، آمار هواشناسی و نقشه DEM منطقه محاسبه و با مقادیر اندازه گیری شده از لایسیمتر مقایسه گردیده است.
مواد و روشها: به منظور آنالیز حساسیت، پارامترهای ورودی کلیدی الگوریتم SEBAL در دامنه ±10 ، ±20 ، ±30، ±40 و ±50 تغییر یافته و میزان تغییرات ETA با توجه به کاهش و افزایش هر کدام از این پارامترها بررسی گردید. این تغییرات برای روزهای 206، 238 و 254 جولایی در هشت نقطه با تراکم های مختلف پوشش گیاهی مورد ارزیابی قرار گرفت.
یافتهها: نتایج نشان داد که مقادیر ETA محاسبه شده با الگوریتم SEBAL در قیاس با اندازه گیری های لایسیمتری، در سطح اطمینان 95% قابل قبول می باشند. همچنین نتایج آنالیز حساسیت حاکمی از آن بود که در الگوریتم SEBAL پارامترهای دمای سطحی و تابش طول موج کوتاه ورودی دارای حساسیت بالا به خصوص در مناطق با ET پایین می باشد. همچنین پارامترهای آلبیدو و سرعت باد دارای حساسیت متوسط تا زیاد بوده به نحوی که پارامتر آلبیدو در ET>10 حساسیت متوسط و در ET<10 حساسیت زیادی از خود نشان می دهد.
نتیجهگیری: در مجموع آلگوریتم SEBAL علاوه بر صرفه اقتصادی بالا نسبت به سایر روش های متداول، کارآیی خوبی در برآورد ET داشته است. همچنین انجام آنالیز حساسیت و تعیین پارامترهای کلیدی، ضمن افزایش دقت در اندازه گیری آن پارامترها، می تواند نتایج مدل سازی را تا حد زیادی بهبود دهد.
مقدمه و هدف: تخمین دقیق تبخیر و تعرق واقعی (ETA) یا به عبارتی نیاز آبی یک محصول طی دوره رشد، از جمله موضوعات مهم در مدیریت تخصیص آب در مزرعه و بهبود راندمان آب مصرفی در هر منطقه می باشد. در تحقیق حاضر ETA برای محصول سورگوم با استفاده از الگوریتم بیلان انرژی در سطح زمین (SEBAL) و به کارگیری تصاویر ماهواره ای Landsat8، آمار هواشناسی و نقشه DEM منطقه محاسبه و با مقادیر اندازه گیری شده از لایسیمتر مقایسه گردیده است.
مواد و روشها: به منظور آنالیز حساسیت، پارامترهای ورودی کلیدی الگوریتم SEBAL در دامنه ±10 ، ±20 ، ±30، ±40 و ±50 تغییر یافته و میزان تغییرات ETA با توجه به کاهش و افزایش هر کدام از این پارامترها بررسی گردید. این تغییرات برای روزهای 206، 238 و 254 جولایی در هشت نقطه با تراکم های مختلف پوشش گیاهی مورد ارزیابی قرار گرفت.
یافتهها: نتایج نشان داد که مقادیر ETA محاسبه شده با الگوریتم SEBAL در قیاس با اندازه گیری های لایسیمتری، در سطح اطمینان 95% قابل قبول می باشند. همچنین نتایج آنالیز حساسیت حاکمی از آن بود که در الگوریتم SEBAL پارامترهای دمای سطحی و تابش طول موج کوتاه ورودی دارای حساسیت بالا به خصوص در مناطق با ET پایین می باشد. همچنین پارامترهای آلبیدو و سرعت باد دارای حساسیت متوسط تا زیاد بوده به نحوی که پارامتر آلبیدو در ET>10 حساسیت متوسط و در ET<10 حساسیت زیادی از خود نشان می دهد.
نتیجهگیری: در مجموع آلگوریتم SEBAL علاوه بر صرفه اقتصادی بالا نسبت به سایر روش های متداول، کارآیی خوبی در برآورد ET داشته است. همچنین انجام آنالیز حساسیت و تعیین پارامترهای کلیدی، ضمن افزایش دقت در اندازه گیری آن پارامترها، می تواند نتایج مدل سازی را تا حد زیادی بهبود دهد.
نوع مطالعه: كاربردي |
موضوع مقاله:
ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1399/4/30 | ویرایش نهایی: 1400/12/4 | پذیرش: 1399/7/14 | انتشار: 1400/6/10
دریافت: 1399/4/30 | ویرایش نهایی: 1400/12/4 | پذیرش: 1399/7/14 | انتشار: 1400/6/10
فهرست منابع
1. Akbari, M. 2004. Improvement of irrigation water management by combining satellite and field data and using SWAP simulation model. Ph.D Thesis, Tarbiat Modares University, Tehran (In Persian).
2. Alizadeh, A. 2003. Principles of applied hydrology, Imam Reza University Press, 735 pp (In Persian).
3. Allen, R., R. Waters, M. Tasumi, R. Trezza W. Bastiaanssen. 2002. SEBAL, Surface energybalance algorithms for land, Idaho Implementation. Advanced Training and User's manual, version 1.0.
4. Allen, R.G. 2000. Using the FAO-56 dual crop coecient method over an irrigated region as part 5of an evapotranspiration intercomparison study, Jounal of Hydrology, 229: 27-41, doi:10.1016/s0022-1694(99): 194-8. [DOI:10.1016/S0022-1694(99)00194-8]
5. Allen, R.G. and W.O. Pruitt. 1991. FAO-24 reference Evapotranspiration factors. Journal of Irrigation and Drainage Engineering, ASCE, 117(5): 758-773. [DOI:10.1061/(ASCE)0733-9437(1991)117:5(758)]
6. Amiri, M. and H.R. Pourghasemi. 2019. Comparing different methods of potential evapotranspiration and studying temporal and spatial changes in the Mahrlou watershed using GIS. Journal of Watershed Management Research, 10(19): 22-35. [DOI:10.29252/jwmr.10.19.22]
7. Anvari S., S.J. Mousavi, S. Morid. 2017. Stochastic Dynamic Programming-Based Approach for Optimal Irrigation Scheduling under Restricted Water Availability Conditions. Journal of Irrigation and Drainage, 66(4): 492-500. [DOI:10.1002/ird.2130]
8. Babamiri. O. and Y. Dinpashoh. 2014. Comparison of Four Temperature Based Reference Crop Evapotranspiration Estimation Method at Urmia Lake Basin. Journal of Irrigation Science and Engineering, 37(1): 43-54.
9. Bastiaanssen, W.G.M., M. Menenti, R.A. Feddes, A.A.M. Holtslag, 1998a. A remotesensing Surface Energy Balance Algorithm for Land (SEBAL), Part 1: formulation. Journal of Hydrology, 212-213: 198-212. [DOI:10.1016/S0022-1694(98)00253-4]
10. Bastiaanssen, W.G.M., H. Pelgrum, J. Wang, Y. Ma, J. Moreno, G.J. Roerink, W. Vander. 1998b. The Surface Energy Balance Algorithm for Land (SEBAL), Part 2: validation. Journal of Hydrology, 212: 213-229. [DOI:10.1016/S0022-1694(98)00254-6]
11. 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:10.1016/S0022-1694(99)00202-4]
12. Bastiaanssen, W.G.M., E.J.M. Noordman, H. Pelgrum, G. Davids, B.P. Thoreson and R.G. Allen. 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: 10.1061/ (ASCE) 0733-, 131:1(85)]. [DOI:10.1061/(ASCE)0733-9437(2005)131:1(85)]
13. Dastorani, M.T., S. Poormohammadi, A.R. Massah Bavani and M.H. Rahimian. 2010. Evapotranspiration Condition in Yazd Station under Uncertainties of Different GHG Emission Scenarios and ET Estimation Models, Journal of Watershed Management Research, 1(2): 1-20 (In Persian).
14. Kerman Meteorological Organization, (http://www.irimo.ir).
15. Khavarian Nahzak, H. 2004. Estimation of evaporation using remote sensing, M.Sc. Thesis, Tarbiat Modares University, Tehran (In Persian).
16. Kite, G. and P. Droogers. 2000. Comparing evapotranspiration estimates from satellites, hydrological models and field data, Journal of Hydrology, 229(1-2): 1-2. [DOI:10.1016/S0022-1694(99)00193-6]
17. Long, D., V.P. Singh and Z.L. Li. 2011. How sensitive is SEBAL to changes in input variables, domain size and satellite sensor? Journal of Geophysical Research: Atmospheres, 116(D21). [DOI:10.1029/2011JD016542]
18. Malekinejhad, H. and S. Poormohammadi. 2008. Study the Role of Climatic Parameters in Evaporation Phenomenon at Heterogeneous Zones of Arid and Semi-Arid Regions of Iran. Water Resource Conference, Tabriz. 185 pp (In Persian).
19. Matalas, D. and J. Feyen. 1990. Defining homogenous precipitation regions means of principal component analysis, Journal of Applied Meteorology, 29(9): 892-901.
https://doi.org/10.1175/1520-0450(1990)029<0892:DHPRBM>2.0.CO;2 [DOI:10.1175/1520-0450(1990)0292.0.CO;2]
20. Mutiga, J., Z. Su and T. Woldai. 2010. Using satellite remote sensing to assess evapotranspiration: Case study of the upper Ewaso Ng'iro North Basin, Kenya. International Journal of Applied Earth Observation and Geoinformation, 12(S1): s100-s108. [DOI:10.1016/j.jag.2009.09.012]
21. Ramezani Khojeen, A., M.M. Kheirkhah Zarkesh, P. Daneshkar Arasteh, A. Moridi and R. Alimohammadi. 2016. Sensitivity Analysis of Calculated Evapotranspiration using Daily Energy Balance Model and comparing it with SEBAL Model. Iran-Water Resources Research, 185(1): 18-28 (In Persian).
22. Samadianfard, S. and S. Panahi. 2019. Estimating daily reference evapotranspiration using data mining methods of support vector regression and m5 model tree, Journal of Watershed Management Research, 9(18): 157-167 (In Persian). [DOI:10.29252/jwmr.9.18.157]
23. Sima, S. and M. Tajrishi. 2015. Estimation of Urmia Lake Evaporation Using Remote Sensing Data. Iran-Water Resources Research, 109(1): 32-48.
24. Su, H., E.F. Wood, R. Wojcik and M. McCabe. 2006. Sensitivity Analysis of Regional Scale Evapotranspiration Predictions to the Forcing Data, American Geophysical :union:, Fall Meeting 2007, abstract.
25. Yang, Y., S. Shang and L. Jiang. 2012. Remote sensing temporal and spatial patterns of evapotranspiration and the responses to water management in a large irrigation district of North China. Agricultural and Forest Meteorology, 164: (112-122). [DOI:10.1016/j.agrformet.2012.05.011]
26. Zhang, X., S. Kang, L. Zhang and J. Lu. 2010. Spatial variation of climatology monthly crop reference evapotranspiration and sensitivity coefficients in Shiyang river basin of northwest China. Agriculture Water Management 97: 1506-1516. [DOI:10.1016/j.agwat.2010.05.004]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |