Estimating Actual Evapotranspiration of Sugarcane by Remote Sensing. (A Case Study: Mirza Kochakkhan Sugarcane Agro-Industry Company Farms)

Document Type : Research Paper

Authors

Abstract

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.

Keywords

Full Text

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[

  

انتخاب پیکسل سرد و گرم

     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

References

منابع مورد استفاده
اکبری م، 1383. بهبود مدیریت آبیاری مزارع با استفاده از تلفیق اطلاعات ماهـواره­ای، مزرعـه­ای و مـدل شبیه­سازی SWAP. رساله دکتری (PhD) علوم و مهندسی آبیاری ، دانشکده کشاورزی، دانشگاه تربیت مدرس. تهران. 193 صفحه.
برومندنسب س، کشکولی ح و خالدیان م، 1385. تعیین نیازآبی و ضرایب گیاهی نیشکر در اراضی کشت و صنعت هفت تپه خوزستان. همایش ملی مدیریت شبکه های آبیاری و زهکشی، اردیبهشت 1385. دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز. صفحه­های 1 تا 7.
مباشری م، 1385. برآورد میزان تبخیر- تعرق در دشت­های مرکزی و شمالی خوزستان با استفاده از تصاویر ماهواره­ای لندست ETM+7. گزارش­های نهائی طرح پژوهشی، سازمان آب و برق خوزستان 1385. صفحه های 110 تا 118.
مباشری م و خاوریان نهزک ح، 1385. تجزیه و تحلیل روش­های استفاده از ماهواره در تعیین میزان تبخیر- تعرق. مجله علوم جغرافیا. دانشگاه تربیت معلم تهران. جلد 3،  شماره 3. صفحه­های 85 تا 95.
Allen RG, Morse A, tasumi M, and  Trezza R, 2002. Evapotranspiration from a satellite-based surface energy balance for the Snake Plain Aquifer in Idaho.Pp. 167-178.  Proc USCID Conference, July 2002. San Luis Obispo.
Bastiaanssen WGM, and Chandrapala L, 2003. Water balance variability across Sri Lanka for assessing agricultural and environmental water use. Agric Water Manag 58(2): 171–192.
Bastiaanssen WGM, Menenti M, Feddes R A and Holtslag AAM. (1998a). A remote sensing surface energy balance algorithm for land (SEBAL), Part 1: Formulation. J Hydrol 212-213: 198–212.
 
Bastiaanssen WGM, Pelgrum H, Wang J, Ma Y, Moreno J, Roerink GJ and van der Wal T, 1998b. The surface energy balance algorithm for land (SEBAL), Part 2: Validation J Hydrol 212-213: 213–229.
Casa R, Rossi M, Sappa G and Trotta A, 2008. Assessing crop water demand by remote sensing and GIS for the Pontina Plain, Central Italy. Springer Science + Business Media BV 23:1685–1712.
Chandrapala L, Wimalasuriya M, 2003. Satellite measurement supplemented with meteorological data to operationally estimate actual evaporation of Sri Lanka. J Agric Water Manage 58: 89–107.
Herb WR, Janke B, Mohseni O and Stefan HG, 2008. Ground surface temperature simulation for different land covers. J of Hydrol 356: 327– 343.
Hong SH, Hendrickx J and Borchers B, 2009. Up-scaling of SEBAL derived evapotranspiration maps from Landsat (30 m) to MODIS (250 m) scale. J of Hydrol 370: 122–138.
Trezza R, 2003. Evapotranspiration using a satellite-based surface energy balance with standardized ground control. PhD thesis, Department of Biological and Irrigation Engineering, Utah State Univ., Utah.
Thoreson B, Clark B, Soppe R, Keller A, Bastiaanssen W and Eckhardt J, 2009. Comparison of evapotranspiration estimates from Remote Sensing (SEBAL), water balance and crop coefficient approaches. Pp. 4346-4360.World Environmental and Water Resources Congress: May 17-21,Kansas City, Missouri.
 
 
 

Files

Share

How to cite

Statistics