نوع مقاله : مقاله پژوهشی
نویسندگان
چکیده
کلیدواژه‌ها
عنوان مقاله [English]
نویسندگان [English]
Precise estimate of evapotranspiration (ET) or crop water requirements crucial for improving water resources management and eventually increasing water use efficiency. Considering the vast varieties of crops cultivated on large scales, calculating precisely the crop water requirement from ordinary methods of estimating reference evapotranspiration is difficult and in some cases even impossible. Therefore, it is necessary to develop methods to compute crop water requirement in large areas with sufficient accuracy. One of such methods is to use remote sensing data which covers a much larger areas as compared with methods depending on field weather data. One of the most well known methods to compute actual ET from remote sensing data is SEBAL method (Surface Energy Balance Algorithm on Land). In SEBAL method, all fluxes of the energy balance at the earth's surface including net radiation, soil heat flux, and sensible heat flux are calculated from satellite images and finally actual ET is computed based on the energy balance at the earth's surface. It is intended to evaluate spatio-temporal variation of daily ET in Mirza Kochakkhan sugarcane Agro-Industry farms located in southern part of the Khosetan province using MODIS images for 10-day periods during a growing season in 2006-2007. The results obtained indicated that the SEBAL method was an efficient method to estimate actual ET during the growing season. Maps of actual ET generated by ERDAS and GIS software showed that fields which were well irrigated or had a good crop cover had the highest values of ET. However, actual ET decreased for areas with less crop cover or dry fields. The data obtained from the generated maps of actual ET were closer to the data obtained from the field with a coefficient of determination of R2=0.77.
کلیدواژه‌ها [English]
مقدمه
فرآیندی که به نام تبخیر- تعرق[1] شناخته میشود، در مدیریت منابع آب و کشاورزی از اهمیت بسزایی برخوردار است. محاسبه تبخیر - تعرق، بطریق عملی و آزمایشگاهی با دقت بسیار بالا و با استفاده از روشهای توزین، همبستگی تلاطمی[2] و یا تکنیک نسبـت باون[3] امکان پذیر است. اما این روشهـا تنها مـیتوانند میـزان تبخیر– تعرق را در یک نقطه و یا یک منطقـه کوچـک و بـرای زمانهایی مشخص تعیین کنند و برای ناحیههایی وسیعتر عملاً قابل استفاده نیست و بایستی از سایر روشها از جمله مدلهای برآورد تبخیر- تعرق استفاده گردد. این محدودیتها باعث ایجاد انگیزه در استفاده از دادههای ماهوارهای در تعیین تبخیر- تعرق در سطوح وسیع شده است. به بیانی جامعتر، سنجش از دور با بهرهگیری از دادههای ماهوارهای و حداقل استفاده از دادههای زمینی و الگوریتمهای متعدد، تخمین نسبتا دقیقی از میزان تبخیر- تعرق در مناطق بسیار وسیع ارائه میدهد (بستیانسن و چندراپالا 2003). یکی از الگوریتمهایی که جهت برآورد تبخیر– تعرق واقعی با استفاده از تصاویر ماهوارهای مورد توجه بسیار قرار گرفته الگوریتم سبال[4] میباشد. به منظور صحتیابی الگوریتم بیلان انرژی در سطح زمین، بستیانسن و همکاران (b1998) از اطلاعات موجود تبخیر– تعرق مزارع در مقیاس بزرگ در کشورهای چین، هند، اسپانیا و پاکستان استفاده نمودند و اندازهگیریهای مزرعهای تبخیر- تعرق را با نتایج حاصل از الگوریتم بیلان انرژی در سطح زمین (با استفاده از اطلاعات ماهوارهای) مقایسه کردند. نتایج نشان داد که در 85 درصد موارد دادههای حاصل از الگوریتم بیلان انرژی در سطح زمین با دادههای مزرعهای بدون هیچگونه واسنجی مطابقت داشته است. تکنیک سنجش از دور در مطالعات منابع آب، بارها توسط محققان مورد استفاده قرار گرفته است. تعییـن تبخیر– تعرق به عنوان پارامتر موثر در برنامه ریزی آبیاری گیاهان با بهرهگیری تکنیکهای مذکور نیز در سالهای اخیر مورد توجه محققان واقع شده و استفاده از آن رو به گسترش است.
ترزا (2003) نیاز آبی گیاهان را در منطقهای از آیداهو[5] از دادههای ماهواره لندست[6] با استفاده از الگوریتم سبال برآورد کرد و دقت این مدل را با دادههای لایسیمترهای وزنی واقع در موسسه تحقیقات کشاورزی کیمبرلی[7] آیداهو، مقایسه کرد. نتایج به این صورت بود که همبستگی بین مقادیر بدست آمده از روش سبال با نتایج حاصل از دادههای لایسیمترهای وزنی اختلافی کمتر از 5 درصد را نشان داد. همچنین تحقیقاتی در زمینه ارزیابی و برآورد نیاز آبی با استفاده از دادههای سنجش از دور و سامانه اطلاعات جغرافیایی، با استفاده از توسعه الگوریتم سبال در منطقه پینتینا- پلین ایتالیا صورت گرفته است. در این تحقیق با استفاده از طبقهبندی تصاویر لندست و مودیس، نقشههای توزیع مکانی ETC (تبخیر– تعرق واقعی گیاه) و ETO (تبخیر– تعرق گیاه مرجع) به صورت سالانه در نرمافزار سامانه اطلاعات جغرافیایی[8] بدست آمد و در نهایت نیاز آبی را برای کل سطح منطقه بدست آوردند (کاسا و همکاران 2008).
تبخیر- تعرق واقعی 10 روزه در سریلانکا از دادههای ماهواره نوآ و اطلاعات تکمیلی ایستگاههای هواشناسی از جمله سرعت باد، درجه حرارت هوا در زمان تصویر برداری و متوسط ساعات آفتابی در سال 1999 و 2000 برآورد گردید (چندراپالا و ویمالاسوریا 2003). محققین مذکور جهت برآورد تبخیر– تعرق واقعی در طی یک دوره 12 ماهه، تصاویر ماهوارهای 88 روز را با استفاده از روش بیلان انرژی پردازش و تبخیر– تعرق ده روزه را تعیین کـردنـد. برای تعیـین دقــت تبخیر– تعرق برآورد شده، این مقادیر با تبخیر- تعرق واقعی برآوردی با کاربرد دستگاه [9]Scintillometer مقایسه گردید. نتایج نشان داد که اختلاف بین مقادیر حاصله از مدل سبال و مقادیر اندازهگیری شده در دوره 10 روزه و ماهیانه بهترتیب 17 و 1 درصد میباشد.
هرب و همکاران (2008) طی تحقیقی در 3 منطقه مختلف در آمریکا دمای سطح زمین با کاربریهای مختلف را با استفاده از روابط شار گرمایی استخراج نمودند. نتایج نشان داد که تعیین دمای سطح خاک عاری از پوشش گیاهی (لخت) از دقت کمتری نسبت به اراضی دارای پوشش گیاهی برخوردار است.
هونگ و همکاران (2009) تبخیر– تعرق روزانه را با استفاده از الگوریتم سبال، برای دو تصویر لندست و مودیس[10] در نیومکزیکو بدست آوردند، هدف این مطالعه تست پایداری الگوریتم سبال برای سنجندههای مختلف ماهواره لندست و مودیس بود. نتایج نشان داد تبخیر- تعرق روزانه حاصل از تصویر لندست دارای انحراف معیار بالاتر و استانداردتر از تصاویر مودیس میباشد اما متوسط مقادیر تبخیر- تعرق روزانه برای دو تصویر خیلی مشابه است که تفاوت این دو مقدار در دقت مکانی، هندسی و رادیومتریک این دو تصویر است. اکبری (1383) به منظور مدیریت شبکههای آبیاری در حوضه زایندهرود، از الگوریتم سبال برای برآورد تبخیرتعرق با استفاده از دادههای ماهواره لندست ونوا[11] استفاده کردند و سپس ضریب بازتابش پوشش سطح زمین و شاخصهای گیاهی تفاضل نرمال شده گیاهی[12]، شاخص تعدیل شده گیاهی برای خاک[13] و شاخص سطح برگ[14] را تعیین کردند و به کمک این شاخصها، سطوح زیر کشت و عملکرد بیولوژیکی محصول و سودمندی آب تعیین شد.
مباشری و خاوریان نهزک (1385) با استفاده از تصاویر مودیس و الگوریتم سبال، مقدار تبخیر و تعرق واقعی برای ناحیه مزرعه نمونه ارتش واقع در استان گلستان در دو تاریخ 5 مه 7 ژوئن سال 2003 میلادی مطابق با 15 اردیبهشت و 17 خرداد سال 1382 برآورد کردند. نتایج نشان داد که با استفاده از باندهای 1 تا 5 و 7 تصویر مودیس نسبت به استفاده تنها از باندهای 1 و 2، برآورد دقیقتری از آلبیدوی سطحی بدست میآید و در الگوریتم سبال بعلت استفاده از پیکسلهای سرد و گرم برای تعیین مقدار تبخیـر- تعـرق سایر پیکسلها، محدوده مقادیر حاصله بطور نسبی منطقی بوده هر چند ممکن است با مقادیر حقیقی تفاوت داشته باشند. لذا این الگوریتم جهت مطالعات تفصیلی بعدی به عنوان یک الگوریتم کاملا موثر توصیه گردید. دراین تحقیق، نیاز آبی واقعی گیاه با استفاده از دادههای سنجش از دور و سامانه اطلاعات جغرافیایی، با در نظر گرفتن الگوریتم سبال برآورد گردید و عملکرد آن در مقیاس منطقهای ارزیابی شد.
مواد و روشها
منطقه مورد مطالعه
کشت و صنعت میرزا کوچک خان یکی از هفت شرکت توسعه کشت نیشکر و صنایع جانبی در منطقه جنوب استان خوزستان میباشد موقعیت جغرافیایی این واحد بدین شرح است: حد شمالی ́15 °31، حد جنوبی ́46 °30، حد شرقی ́30 °48 (رودخانه کارون)، حد غربی ́12 °48 (جاده اهواز- خرمشهر) میباشد. نزدیکترین ایستگاه سینوپتیک به منطقه مورد مطالعه، ایستگاه سینوپتیک اهواز میباشد. کل مساحت کشت و صنعت میرزا کوچک خان در حدود 14000 هکتار است که نزدیک به 12000 هکتار آن به مزارع 25 هکتاری شبکهبندی شده است. شکل شماره 1 موقعیت جغرافیایی محل این کشت و صنعت نشان داده شده است.
شکل1- موقعیت جغرافیایی مزارع شرکت کشت و صنعت میرزا کوچک خان
تصاویر و امکانات مورد استفاده
تصاویر ماهوارهای مورد استفاده در تحقیق شامل تصاویر MODIS به صورت سری زمانی 10 روزه در سال 2006- 2007 میلادی مصادف با سال زراعی 1385، تهیه گردید. تاریخ و ساعت تصویربرداری ماهواره بکار رفته در این تحقیق در جدول 1 ارائه شده است. زمان تصویربرداری ماهواره برحسب زمان متوسط گرینویچ (GMT[15]) میباشد و بایستی به زمان محلی منطقه مورد مطالعه تبدیل شود. جهت پردازش سبال از رابطه زیر استفاده شد (مباشری 1385):
زمان تصویر (به وقت محلی) = زمان تصویر (GMT) + جزء تصحیح.
که درآن جزء تصحیح به زمان منطقهای[16] بستگی دارد. همچنین برای دستیابی به جزء تصحیح میتوان طول جغرافیائی مرکز منطقه زمانی را بر 15 تقسیم نمود. برای ایران این طول 5/52 درجه و در نتیجه مقدار تصحیح 5/3 ساعت خواهد بود (مباشری 1385). ایستگاه سینوپتیک اهواز (نزدیکترین ایستگاه به منطقه مورد مطالعه) بعنوان ایستگاه مبنا انتخاب گردید. پارامترهای هواشناسی (به صورت سه ساعته) شامل تابش خورشیدی، رطوبت نسبی، سرعت باد و دما در روزهای گذر ماهواره از اندازهگیریهای ثبت شده توسط این ایستگاه برای روزهای مورد نظر، استخراج گردید. البته فرض شد که تغییرات پارامترهای هواشناسی در دو زمان قبل و بعد از گذر ماهواره به صورت خطی تغییر میکند که دادههای هواشناسی در لحظه گذر ماهواره از میانگین سه ساعت قبل و سه ساعت بعد بدست آمد.
جدول 1- تاریخ (میلادی) و ساعت تصویربرداری (GMT)ماهواره TERRA با سنجنده MODIS
|
تاریخ تصویربرداری |
ساعت تصویربرداری (به وقت گرینویچ) |
تاریخ تصویربرداری |
ساعت تصویربرداری (به وقت گرینویچ) |
تاریخ تصویربرداری |
ساعت تصویربرداری (به وقت گرینویچ) |
|
23/3/2006 |
00: 8 |
4/8/2006 |
35 : 7 |
21/11/2006 |
20 : 7 |
|
31/3/2006 |
10 : 7 |
11/8/2006 |
41 : 7 |
26/11/2006 |
10 : 7 |
|
14/4/2006 |
25: 7 |
20/8/2006 |
25 : 7 |
19/12/2006 |
20 : 7 |
|
22/4/2006 |
20 : 7 |
3/9/2006 |
35 : 7 |
26/12/2006 |
25 : 7 |
|
30/4/2006 |
25 : 7 |
7/9/2006 |
22 : 7 |
4/1/2007 |
20 : 7 |
|
14/5/2006 |
35 : 7 |
19/9/2006 |
47 : 7 |
15/1/2007 |
00 : 7 |
|
23/5/2006 |
30 : 7 |
28/9/2006 |
30 : 7 |
27/1/2007 |
25 : 7 |
|
3/6/2006 |
22 : 7 |
7/10/2006 |
25 : 7 |
21/2/2007 |
20 : 7 |
|
21/6/2006 |
00 : 7 |
18/10/2006 |
05 : 7 |
4/3/2007 |
00 : 7 |
|
10/7/2006 |
41 : 7 |
6/11/2006 |
35 : 7 |
20/3/2007 |
00 : 7 |
در این تحقیق از نرمافزارهای سنجش از دور ([17]ERDAS) و سامانه اطلاعات جغرافیایی (GIS) استفاده شد. نرم افزار ERDASاز نرم افزار های معروف در زمینه پردازش تصاویر سنجندههای ماهوارهای میباشد که توسط شرکت ESRI طراحی شده است. قابلیتهای بالای موجود در این نرم افزار، به کاربران اجازه میدهد تا دادههای مختلف در فرمتهای متفاوت (رستری[18] و برداری[19]) را بطور همزمان مورد پردازش و تجزیه و تحلیل قرار دهند. از برتریهای دیگر این نرم افزار، قابلیت طراحی مدلهای سنجش از دور و GIS بصورت توابع گرافیکی و با زبان برنامه نویسی ساده میباشد.
الگوریتم بیلان انرژی
با صرفنظر کردن از مقدار جزئی انرژی که صرف فتوسنتز و ذخیره گرما در گیاه میشود معادله
بیلان انرژی را میتوان به صورت زیر بیان کرد (بستیانسن و چندراپالا 2003):
|
]1[ |
که تابش خالص، شار گرمای خاک، شار گرمای محسوس و شار گرمای نهان تبخیر است. تمامی واحدها بر حسب W/m2 است. میزان تابش خالص در سطح زمین و اجزای آن از رابطه زیر تعیین گردید (آلن و همکاران 2002):
|
]2[ |
که در آن آلبیدوی سطحی، تابش موج کوتاه (3/0 تا 3 میکرومتر) ورودی (W/m2)، تابش موج بلند (3 تا 100 میکرومتر) ورودی (W/m2)، تابش موج بلند خروجی (W/m2)، گسیلمندی سطحی عریض باند میباشد. تشعشع خورشید در طول روز سبب گرم شدن خاک میشود. در این تحقیق با استفاده از معادله تجربی پیشنهادی بستیانسن و همکاران (a1998) به شرح زیر استفاده گردید:
|
]3[ |
که در آن دمای سطحی (°C) وآلبیدوی سطحی و شاخص تفاضل نرمال شده گیاهی میباشد. شار گرمای محسوس، میزان انتقال گرما به هوا به وسیله همرفت و هدایت مولکولی به علت اختلاف دما میباشد که با استفاده از معادله زیر محاسبه گردید (آلن و همکاران 2002):
|
]4[ |
که در آن چگالی هوا (kg/m3)، گرمای ویژه هوا (°J/kg/K)، اختلاف دمای بین دو ارتفاع (K°) و مقاومت آیرودینامیکی برای انتقال گرما (s/m) میباشد. تابعی از گرادیان دما، زبری سطح و سرعت باد است. در معادله فوق دو مجهول و وجود دارد که حل آن را دشوار ساخته است. برای ساده سازی محاسبات، از دو پیکسل سرد و گرم استفاده گردید که ارزیابی محدودهای از تفاوتهای دمای هوا در نزدیکی سطح را امکانپذیر میسازد. پس از آن، دمای سطحی با فرض خطی بودن رابطه بین دمای سطحی و شیب انتقال حرارت در راستای قائم در لایههای مجاور با لایههای مرزی زمین– اتمسفر جهت تفسیر تغییرات عمودی دمای هوا در منطقه به کار میرود. برای تصحیح انتقال متلاطم گرما بر اثر نیروی ارشمیدس[20] از تئوری مشابهت مونین– ابوخوف[21] استفاده گردیده است. در نتیجه برآورد اولیهای از شارگرمای محسوس بدست میآید که با وارد شدن در فرایند تکرار، مقدار بهینه شار گرمای محسوس حاصل میشود. در پایان، مقادیر اصلاح شده نهایی برای شار گرمای محسوس () در هر پیکسل محاسبه شد و در معادله بیلان انرژی برای محاسبه لحظهای در هر پیکسل مورد استفاده قرار گرفت. شار گرمای نهان، میزان تلفات گرما از سطح به علت تبخیر- تعرق را نشان میدهد که برای هر پیکسل با توجه به رابطه زیر محاسبه گردید:
|
]5[ |
که مقدار لحظهای شار گرمای نهان برای زمان گذر ماهواره میباشد (W/m2) . میزان لحظهای به صورت عمق تبخیر به صورت زیر محاسبه شد:
|
]6[ |
تبخیر- تعرق لحظهای (mm/hr)، گرمای نهان بخار آب یا میزان گرمای جذب شده هنگامی‌که یک کیلوگرم آب بخار میشود (J/kg) و عدد 3600 برای تبدیل زمان ثانیه به ساعـت میباشد. جهـت بـرآورد تبخیر- تعرق روزانه از تبخیر- تعرق لحظهای، از مفهوم تبخیر- تعرق گیاه مرجع استفاده شد. به این منظور تبخیر- تعرق گیاه مرجع در مقیاس ساعتی در لحظه گذر ماهواره () و همچنین میزان آن در مقیاس روزانه () برای ایستگاه هواشناسی معرف منطقه محاسبه گردید. سپس نسبت تبخیر- تعرق لحظهای محاسبه شده از مدل سبال به تبخیر- تعرق گیاه مرجع در مقیاس ساعتی در لحظه گذر ماهواره تعیین شد. حاصلضرب این نسبت در تبخیر- تعرق روزانه گیاه مرجع، میزان تبخیر- تعرق واقعی روزانه () را نشان میدهد که از رابطه زیر برآورد گردید:
|
]7[ |
در این تحقیق جهت انتخاب پیکسلهای سرد و گرم، از دو فاکتور دما و شاخص سطح برگ ((LAI استفاده شد. بدین صورت که پیکسل سرد باید دارای دمای پایین و LAI بالا و پیکسل گرم هم باید دارای دمای بالا و LAI پایین باشد. در تحقیق حاضر بر اساس اطلاعات زمینی میتوان زمینهای با پوشش گیاهی کامل و نیز زمینهای آیش و خشک را بر روی تصاویر ماهوارهای مشخص کرد. به علت عدم آگاهی از زمانهای آبیاری در منطقه، برای مشخص کردن پیکسل سرد از شرط پایین بودن دما استفاده شد. بنابراین پیکسل سرد از بین مزارع نیشکر با پوشش کامل و پیکسل گرم از میان اراضی کشاورزی شخم زده و خشک انتخاب شدند.
نتایج و بحث
تبخیر – تعرق مرجع
در این تحقیق تبخیر– تعرق مرجع ایستگاه هواشناسی اهواز توسط نرمافزار Ref- ETبر اساس رابطه فائو-پنمن-مانتیث[22] محاسبه گردید. تبخیر– تعرق گیاه نیز از ضرب تبخیر– تعرق مرجع برآورد شده در ضریب گیاهی به صورت زیر بدست آمد:
|
]8[ |
جدول2 تبخیر– تعرق گیاه در روزهای گذر ماهواره (روز ژولیانی) سال 2007- 2006 (مصادف با سال 1385 شمسی) را نشان میدهد. در تحقیقی که توسط برومند نسب و همکاران (1385) در اراضی کشت و صنعت نیشکر هفت تپه خوزستان انجام دادند نتایج مشابهی از تبخیر– تعرق گیاه بدست آمد.
مقدار آلبیدوی سطحی، تابش خالص، شار گرمای خاک و شار گرمای محسوس محاسبه شده برای پیکسلهای سرد و گرم در تاریخ 20/5/1385 در جدول 3 نشان داده شده است.
این مقادیر بدست آمده برای پیکسل سرد و گرم در تاریخ 20/5/1385 با تحقیق هونگ و همکاران(2009) مطابقت دارد.
برآورد تبخیر – تعرق لحظهای ()
با به کارگیری رابطه 5 و6 در نرمافزار ERDAS و GIS نقشه تبخیر – تعرق لحظهای () تولید شد که نمونهای از آن در شکل 2 در تاریخ 20/5/1385 نشان داده شده است. آنچه که از نقشه نهایی بر میآید آن است که متوسط تبخیر – تعرق لحظهای در منطقه مورد مطالعه در تاریخ مذکور 37/0 میلیمتر بر ساعت برآورد گردید. در جدول 4 متوسط مقادیر تبخیر – تعرق لحظهای (mm/hr) را در سال 85 در مزارع کشت و صنعت نیشکر ارائه شده است.
برآورد تبخیر – تعرق روزانه
جهـت بـرآورد تبخیر- تعرق روزانه از رابطه 7 استفاده شد. در جدول 5 مقادیر تبخیر– تعرق واقعی برآورد شده از مدل سبال در تاریخهای گذر ماهواره ارائه شده است. نقشه تبخیر– تعرق روزانه که در 5 کلاس طبقهبندی گردید، توسط نرمافزار GIS تولید شد
که به عنوان نمونه نقشه تبخیر– تعرق روزانه برای تاریخ 20/5/1385 در شکل 3 ارائه شده است. مقدار متوسط تبخیر– تعرق روزانه استخراج شده در منطقه مورد مطالعه در تاریخ20/5/1385 مطابق با روز ژولیانی 216 سال 2006، مقدار 4/7 میلیمتر را نشان داد.
جدول2- مقادیر برآورد شده تبخیر– تعرق گیاه (ETc (P-M در تاریخهای گذر ماهواره سال 2007 - 2006
|
تاریخ گذر ماهواره |
(ETc (P-M (mm/d) |
تاریخ گذر ماهواره |
(ETc (P-M (mm/d) |
تاریخ گذر ماهواره |
(ETc (P-M (mm/d) |
تاریخ گذر ماهواره |
(ETc (P-M (mm/d) |
||
|
3/1/1385 |
2/5 |
20/4/1385 |
6/8 |
26/7/1385 |
8/5 |
7/11/1385 |
5/1 |
||
|
11/1/1385 |
6/4 |
30/4/1385 |
9/9 |
11/8/1385 |
8/3 |
17/11/1385 |
5/2 |
||
|
25/1/1385 |
8/5 |
13/5/1385 |
7/7 |
15/8/1385 |
0/3 |
23/11/1385 |
6/2 |
||
|
3/2/1385 |
1/6 |
20/5/1385 |
3/8 |
30/8/1385 |
2/4 |
2/12/1385 |
6/2 |
||
|
10/2/1385 |
7/5 |
29/5/1385 |
5/7 |
5/9/1385 |
9/2 |
13/12/1385 |
6/3 |
||
|
24/2/1385 |
2/9 |
12/6/1385 |
7/8 |
13/9/1385 |
9/1 |
29/12/1385 |
3/4 |
||
|
2/3/1385 |
7/8 |
16/6/1385 |
3/7 |
28/9/1385 |
1/1 |
|
|
||
|
13/3/1385 |
6/7 |
28/6/1385 |
3/6 |
5/10/1385 |
1/1 |
|
|
||
|
23/3/1385 |
3/7 |
6/7/1385 |
2/5 |
14/10/1385 |
2/1 |
|
|
||
|
11/4/1385 |
6/8 |
15/7/1385 |
2/6 |
25/10/1385 |
6/1 |
|
|
||
|
*شروع سال 2007 میلادی
|
|||||||||
|
جدول3- مقادیر آلبیدو، تابش خالص، شار گرمای خاک و شار گرمای محسوس محاسبه شده برای پیکسلهای سرد و گرم |
|||
|
آلبیدو( پیکسل گرم) |
آلبیدو( پیکسل سرد) |
تاریخ تصویر |
|
|
429/0 |
298/0 |
20/5/1385 |
|
|
تابش خالص (پیکسل گرم) |
تابش خالص (پیکسل سرد) |
|
|
|
598/311 |
562/533 |
|
|
|
شار گرمای خاک(پیکسل گرم) |
شار گرمای خاک(پیکسل سرد) |
|
|
|
134/108 |
8/99 |
|
|
|
شار گرمای محسوس(پیکسل گرم) |
شار گرمای محسوس (پیکسل سرد) |
|
|
|
047/120 |
628/117 |
|
|
شکل 2- تبخیر– تعرق لحظهای (mm/hr) مزارع نیشکر واحد میرزا کوچک خان در تاریخ 20/5/1385
جدول 4- تبخیر – تعرق لحظهای (mm/hr) در تاریخهای گذر ماهواره
|
تاریخ تصاویر |
ETinst(mm/hr) |
تاریخ تصاویر |
ETinst(mm/hr) |
تاریخ تصاویر |
ETinst(mm/hr) |
|
3/1/1385 |
45/0 |
13/5/1385 |
23/0 |
30/8/1385 |
21/0 |
|
11/1/1385 |
24/0 |
20/5/1385 |
34/0 |
5/9/1385 |
29/0 |
|
25/1/1385 |
30/0 |
29/5/1385 |
15/0 |
28/9/1385 |
28/0 |
|
3/2/1385 |
36/0 |
12/6/1385 |
33/0 |
5/10/1385 |
44/0 |
|
10/2/1385 |
19/0 |
16/6/1385 |
23/0 |
14/10/1385 |
40/0 |
|
24/2/1385 |
19/0 |
28/6/1385 |
34/0 |
25/10/1385 |
45/0 |
|
2/3/1385 |
37/0 |
6/7/1385 |
14/0 |
7/11/1385 |
58/0 |
|
13/3/1385 |
25/0 |
15/7/1385 |
06/0 |
2/12/1385 |
41/0 |
|
31/3/1385 |
20/0 |
26/7/1385 |
17/0 |
13/12/1385 |
37/0 |
|
20/4/1385 |
33/0 |
15/8/1385 |
13/0 |
29/12/1385 |
50/0 |
شکل3- تبخیر– تعرق روزانه (24 ساعته) مزارع نیشکر واحد میرزا کوچک خان در تاریخ 20/5/1385
نقشههای تولید شده بیانگر این مطلب هستند که زمینهای خیس (خوب آبیاری شده) بالاترین میزان تبخیر- تعـرق را نشــان میدهند. با دور شدن از زمینهای کشاورزی و نزدیک شدن به سطوح با پوشـشهای گیاهی کم، میزان تبخـیر- تعرق بسیار کاهش مییابد. البته تغییر در میزان تبخیر- تعرق میتواند به دلیل تغییر در بافت و شوری خاک نیز ایجاد شده باشد. طول دوره رشد با توجه به سری زمانی NDVI محاسبه شده و اطلاعات زمینی برای نیشکر معمولاً از اوایل فروردین ماه شروع میشود و تا مهر ماه ادامه پیدا میکند.
مقدار تبخیر– تعرق گیاه در منطقه مورد مطالعه در دهه دوم مرداد ماه برابر 5/7 میلیمتر بر روز را نشان داد که با مقدار برآورد شده از الگوریتم سبال در تاریخ گذر ماهواره (مطابق با دهه دوم مرداد ماه) همخوانی دارد )جدول 2).
جدول5- نتایج تبخیر– تعرق واقعی (میلیمتر بر روز) مدل سبال در روزهای گذر ماهواره سال 2007 - 2006
|
زمان (روز ژولیانی) |
ETa(R-S) (mm/d) |
زمان (روز ژولیانی) |
ETa(R-S) (mm/d) |
زمان (روز ژولیانی) |
ETa(R-S) (mm/d) |
زمان (روز ژولیانی) |
ETa(R-S) (mm/d) |
|||||||
|
82 |
60/7 |
182 |
43/4 |
280 |
12/2 |
15 |
29/3 |
|||||||
|
90 |
20/3 |
191 |
53/4 |
291 |
95/1 |
27 |
97/3 |
|||||||
|
104 |
85/4 |
202 |
62/4 |
306 |
78/1 |
34 |
32/4 |
|||||||
|
113 |
1/6 |
216 |
49/7 |
310 |
40/2 |
43 |
66/4 |
|||||||
|
120 |
85/2 |
223 |
32/3 |
321 |
05/5 |
52 |
68/5 |
|||||||
|
134 |
03/3 |
232 |
96/7 |
330 |
40/4 |
63 |
25/7 |
|||||||
|
143 |
75/4 |
246 |
12/4 |
338 |
75/3 |
|
|
|||||||
|
154 |
54/4 |
250 |
28/5 |
353 |
19/6 |
|
|
|||||||
|
162 |
14/4 |
262 |
18/2 |
360 |
27/4 |
|
|
|||||||
|
172 |
08/4 |
271 |
5/1 |
4* |
79/6 |
|
|
|||||||
|
*شروع سال 2007 میلادی جدول 6- نتایج مقایسه برآوردهای تبخیر – تعرق گیاه (P-M) و مدل سبال (R-S)
|
|
|||||||||||||
|
SSE |
R2 |
dfe |
Adj R2 |
RMSE |
|
|||||||||
|
6/7 |
87/0 |
17 |
71/0 |
66/0 |
|
|||||||||
مقایسه نتایج مدل سبال ETa(R-S) و تبخیر- تعرق گیاه ETc (P-M) در فصل رشد در جدول 6 ارائه شده است. به منظور آنالیز ارتباط میان مقادیر میانگین تبخیر– تعرق گیاه (ETc-PM) به عنوان ثابت و مدل سبال(ETa-RS) به عنوان متغیر در سطح احتمال وقوع 95 درصد از برنامه MATLAB استفاده شد که نتایج نشان داد مقادیر حاصل از مدل سبال پراکندگی بسیار کمی را داشتند (جدول 6). آنالیزهای آماری انجام شده نیز نشان داد که با توجه به مقادیر کم [23]RMSE و [24]SSE و مقدار نسبتاً بالای R2، مدل سبال از دقت خوبی برخوردار میباشد.
در فصل رشد به دلیل پوشش گیاهی خوب، انتخاب پیکسل سرد و گرم از دقت بالاتری نسبت به دیگر زمانها برخوردار است که دلیل خوبی برای دقت بالای مدل سبال میباشد.
در پروژه تحقیقاتی که توسط مباشری (1385) تحت عنوان "برآورد میزان تبخیر- تعرق روزانه و ماهانه در دشتهای مرکزی و شمالی خوزستان با استفاده از تصاویر ماهوارهای لندست در ماههای خرداد، مرداد و دی" صورت گرفت نتایج مشابهی بدست آمد. در تحقیق مذکور بدین صورت نتیجهگیری شد که تبخیر- تعرق در روزها و ماههای مذکور از همبستگی قابل قبولی برخوردار میباشد.
نتیجهگیری کلی
استخراج میزان تبخیر– تعرق از دادههای ماهوارهای راهکاری مناسب برای ارتقاء مدیریت منابع آب است. موارد زیر نتیجهگیری کلی از این تحقیق را نشان میدهد:
1- در این تحقیق به علت استفاده مناسب از تصاویر مودیس و پیکسلهای سرد و گرم جهت تعیین مقدار تبخیر – تعرق سایر پیکسلها، محدوده مقادیر حاصل
از سبال در فصل رشد منطقی و از همبستگی بسیار خوبی برخوردار بود.
2- مقایسه مدل سبال و تبخیر – تعرق گیاه محاسبه شده توسط معادله فائو- پنمن- مانتیث نشان داد که نتایج حاصل از مدل سبال برآورد کمتری را نسبت به تبخیر – تعرق گیاه در فصل رشد ارائه میدهد. دلیل آن را میتوان به این صورت بیان کرد که الگوریتم سبال از دادههای هواشناسی ساعتی (در لحظه گذر ماهواره) جهت برآورد تبخیر – تعرق واقعی استفاده میکند در حالیکه جهت محاسبه تبخیر – تعرق گیاه مرجع از متوسط دادههای روزانه استفاده میشود. از آنجا که تبخیر– تعرق تابعی از دما و سرعت باد است، تأثیر این پارامترها در لحظه گذر ماهواره نقش بسیار مهمی را در برآورد تبخیر– تعرق لحظهای ایفا میکند. نتایج بدست آمده از این تحقیق از صحت کافی بر خوردار بوده و تا حدود زیادی قابل استناد است و همچنین با نتایج تروسن و همکاران (2009) مطابقت دارد.
3- با استفاده از نقشههای بدست آمده در نرمافزارهای ERDAS و GISمیتوان نواحی مختلف موجود در منطقه را از لحاظ داشتن تبخیر– تعرق بیشتر یا کمتر نسبت به سایر نواحی مشخص کرد.
سپاسگزاری
بدین وسیله از مسئولین محترم شرکت کشت و صنعت نیشکر میرزا کوچکخان جهت در اختیار گذاشتن اطلاعات ارزشمند در مورد منطقه مورد مطالعه و همچنین از مسئولین محترم سازمان فضایی ایران به خاطر در اختیار قراردادن تصاویر ماهوارهای مودیس و سازمان هواشناسی کشور تشکر میکنیم.
1 Evapotranspiration
2 Eddy correlation
3Bawen ratio technique
4 Surface energy balance algorithm for land (SEBAL(
5Idaho
6Landsat
7Kimberly
8 Geographic information system (GIS)
1 دستگاهی است که برای اندازه گیری شار گرمای محسوس از سطح زمین به هوا بکار میرود لذا این دستگاه یک مولفه از معادله بیلان انرژی را اندازه میگیرد و با توجه مقادیر سایر مولفه ها تبخیر - تعرق واقعی برآورد می شود.
2 Modis
[11] Noaa
4Normalized difference vegetation index
5 Soil adjusted vegetation index
6 Leaf area index
1Greenwich mean time
2Time zone
1 Earth resources data analysis system
2Raster
3Vector
1 Buoyancy effect
2 Monin-Obukhov
[22] FAO-Penman-Montith
[23] Root mean square error
[24] Sum of square
)