اخبار و اعلانات

 آمار

تعداد نشریات286
تعداد نشریات سازمان84
تعداد شماره‌ها2,846
تعداد مقالات32,300
تعداد مشاهده مقاله41,387,207
تعداد دریافت فایل اصل مقاله18,562,202
میان آبادی, آمنه, علیزاده, امین, ثنایی نژاد, سیدحسین, قهرمان, بیژن, داوری, کامران. (1395). ارزیابی الگوریتم سبال برای تخمین تبخیر- تعرق واقعی حوضه نیشابور-رخ با استفاده از مدل SWAT. سامانه مدیریت نشریات علمی, 30(4), 525-541. doi: 10.22092/jwra.2017.109014
آمنه میان آبادی; امین علیزاده; سیدحسین ثنایی نژاد; بیژن قهرمان; کامران داوری. "ارزیابی الگوریتم سبال برای تخمین تبخیر- تعرق واقعی حوضه نیشابور-رخ با استفاده از مدل SWAT". سامانه مدیریت نشریات علمی, 30, 4, 1395, 525-541. doi: 10.22092/jwra.2017.109014
میان آبادی, آمنه, علیزاده, امین, ثنایی نژاد, سیدحسین, قهرمان, بیژن, داوری, کامران. (1395). 'ارزیابی الگوریتم سبال برای تخمین تبخیر- تعرق واقعی حوضه نیشابور-رخ با استفاده از مدل SWAT', سامانه مدیریت نشریات علمی, 30(4), pp. 525-541. doi: 10.22092/jwra.2017.109014
میان آبادی, آمنه, علیزاده, امین, ثنایی نژاد, سیدحسین, قهرمان, بیژن, داوری, کامران. ارزیابی الگوریتم سبال برای تخمین تبخیر- تعرق واقعی حوضه نیشابور-رخ با استفاده از مدل SWAT. سامانه مدیریت نشریات علمی, 1395; 30(4): 525-541. doi: 10.22092/jwra.2017.109014

ارزیابی الگوریتم سبال برای تخمین تبخیر- تعرق واقعی حوضه نیشابور-رخ با استفاده از مدل SWAT

پژوهش آب در کشاورزی
مقاله 8، دوره 30، شماره 4، دی 1395، صفحه 525-541    اصل مقاله (1.38 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/jwra.2017.109014
نویسندگان
آمنه میان آبادی1؛ امین علیزاده* 2؛ سیدحسین ثنایی نژاد3؛ بیژن قهرمان4؛ کامران داوری5
1دانشجوی دکترای گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد.
2استاد گروه مهندسی آب دانشگاه فردوسی مشهد
3دانشیار گروه مهندسی آب-دانشگاه فردوسی مشهد
4استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد.
5عضو هیئت علمی گروه مهندسی آب- دانشگاه فردوسی مشهد
چکیده
الگوریتم سبال ابزاری است که از آن برای تخمین توزیع مکانی تبخیر- تعرق واقعی با استفاده از تصاویر ماهواره­ای از جمله مودیسو لندست استفاده می­شود. اگرچه تصاویر لندست دارای توان تفکیک مکانی بالاتری نسبت به تصاویر مودیس هستند (30 متر در برابر 1000 متر)، اما توان تفکیک زمانی آن­ها نسبت به تصاویر مودیس کمتر است (هر 16 روز در برابر هر روز). از طرف دیگر، تصاویر هر روزه مودیس به دلیل مشکلاتی از قبیل ابرناکی ممکن است همیشه قابل استفاده نباشد و همچنین تفسیر تصاویر متعدد به شدت زمان بر است. در این مطالعه از بین تصاویر هر روزه مودیس تصاویری انتخاب شد که بتواند تغییرات ناگهانی جوی و بارش­های رخداده را پایش نموده تا بتوان با کاهش زمان مورد نیاز برای تفسیر تصاویر ماهواره­ای بدون از دست دادن اطلاعات مفید تصاویر، به تخمینی بهتر از تبخیر-تعرق واقعی دست یافت. با توجه به اهمیت انتخاب پیکسل های سرد و گرم و به دلیل اینکه انتخاب این پیکسل­ها نیاز به مهارت زیادی دارد و زمانبر می­باشد، در این مطالعه از الگوریتم انتخاب خودکار پیکسل سرد و گرم (بدون دخالت کاربر) با کمک تصاویر لندست استفاده شد. در نهایت برای تخمین تبخیر- تعرق سالانه از روی تصاویر روزانه، علاوه بر استفاده از روش درون­یابی خطی بین تصاویر، از روش خطی- لگاریتمی نیز استفاده شد. تبخیر- تعرق به دست آمده از الگوریتم سبال با شرایط توصیف شده در بالا، با تبخیر- تعرق حاصل از معادله بیلان آب و خروجی مدل SWAT برای سه سال تر (1384-1383)، نرمال (1385-1384) و خشک (1387-1386) در حوضه نیشابور- رخ مقایسه شد. همچنین برای صحت­سنجی نتایج از چارچوب بادیکو نیز استفاده شد. بر اساس نتایج به دست آمده، در مقایسه با مدل SWAT، روش خطی- لگاریتمی نتایج بهتری ارائه داد (RMSE، MBE و MAE برای روش خطی-لگاریتمی به ترتیب 4/20، 09/0 و 4/18 میلیمتر در سال و برای روش خطی به ترتیب 8/21، 4/2-، 8/20 میلیمتر در سال بود). نتایج همچنین نشان داد که انتخاب خودکار پیکسل سرد و گرم در الگوریتم سبال ، نتایج قابل قبولی برای تخمین تبخیر- تعرق واقعی در مقیاس زمانی سالانه و مقیاس مکانی کل حوضه به همراه دارد. اما در مقیاس­های کوچکتر مکانی (واحدهای پاسخ هیدرولوژیکی) و زمانی (ماهانه) نتایج الگوریتم سبال با خروجی مدل SWAT همبستگی خوبی ندارد. نتایج همچنین گواهی داد که با وارد کردن عمق آبیاری در منحنی­های بادیکو، تبخیر به دست آمده توسط الگوریتم سبال و مدل SWAT از چارچوب بادیکو تبعیت می­کند.
کلیدواژه‌ها
بادیکو؛ درون‌یابی؛ لندست؛ مودیس
عنوان مقاله [English]
Assessment of the SEBAL Algorithm to Estimate Actual Evapotranspiration in Neishaboor-Rokh Watershed Using SWAT Model
نویسندگان [English]
Ameneh Miananadi1؛ a a2؛ Hossein Sanaeinejad3؛ b gh4؛ kamran davary5
چکیده [English]
The SEBAL algorithm is used to estimate spatial distribution of actual evapotranspiration using remote sensing imageries of MODIS or Landsat. Despite having a better spatial resolution than MODIS imageries (30 m instead of 1000 m), Landsat imageries do not have an appropriate temporal resolution (every 16 days instead of daily). On the other hand, the daily imageries of MODIS can be difficult to use under cloudy condition. Additionally, it is also a time-consuming process to interpret all the imageries. In this research, we chose the appropriate imageries from MODIS to be able to monitor the sudden weather changes as well as rainfall events and to reduce the interpretation time, while keeping the important information of the daily MODIS imageries in order to obtain the better actual evapotranspiration estimates. Due to the importance of hot and cold pixel selection, whose selection needs time and proficiency, we applied the automated method of hot and cold pixel selection (without user-intervention) using Landsat imageries. To integrate evapotranspiration over time, we used linear-logarithmic interpolation method in addition to linear interpolation method. The estimated actual evapotranspiration by SEBAL was compared to the estimated actual evapotranspiration from water balance equation and SWAT model for 3 years including a wet year (2004-2005), a normal year (2005-2006) and a dry year (2007-2008) in the Neishaboor-Rokh watershed. Furthermore, we used the Budyko framework to validate the evapotranspiration estimated by SEBAL and SWAT. The results showed that in comparison to SWAT, the linear-logarithmic interpolation method performed better than the linear method to estimate evapotranspiration. For linear-logarithmic method, RMSE, MBE, and MAE were 20.4, 0.09, and 18.4 mm year-1, respectively; and for the linear method, they were 21.8, -2.4, and 20.8 mm year-1, respectively. The results also demonstrated that the SEBAL algorithm with automated cold and hot pixel selection is able to have a good estimate of actual evapotranspiration at annual time scale and watershed scale. But, the algorithm does not perform well at HRUs and monthly scale in comparison to SWAT model. Results showed that by taking irrigation into account, evaporation estimated by SEBAL and SWAT follows the Budyko framework.
کلیدواژه‌ها [English]
Budyko, Interpolation, Landsat, MODIS
مراجع
  1. آزاد مرزآبادی، م.ر. 1393. مقایسه الگوریتم­هایSEBAL و S-SEBI در برآورد تبخیر – تعرق در دشت نیشابور با استفاده از تصاویر سنجندهMODIS. پایان نامه کارشناسی ارشد گروه مهندسی آب. دانشکده کشاورزی. دانشگاه فردوسی مشهد.
  2. ایزدی، ع.ا. 1392. کاربرد و ارزیابی یک مدل توسعه یافته تلفیقی آب زیرزمینی- آب سطحی در حوضه آبریز نیشابور. رساله دکتری گروه مهندسی آب. دانشکده کشاورزی. دانشگاه فردوسی مشهد.
  3. شرکت آب منطقه­ای خراسان رضوی. 1377. گزارش محاسبه بیلان منابع آب حوضه آبریز نیشابور.
  4. موذن زاده، ر. 1392. پایش سیستم هیدرولوژیک حوضه آبریز نیشابور با استفاده از تکنیک سنجش از دور. رساله دکتری. گروه مهندسی آب. دانشکده کشاورزی. دانشگاه فردوسی مشهد.
  5. مهندسین مشاورساز آب شرق.1387.مطالعات بهم پیوسته منابع آب حوضه نیشابور.گزارش­های هواشناسی، هیدرولوژی و خاکشناسی. مشهد.
  6. یاوری، م. 1392. ارزیابی روش­های تجربی برآورد تبخیر- تعرق واقعی سالانه در مقیاس بزرگ به کمک تبخیر- تعرق برآوردی از روش سبال در دشت نیشابور. پایان نامه کارشناسی ارشد گروه مهندسی آب. دانشکده کشاورزی. دانشگاه فردوسی مشهد.

 

  1. Allen, R.G., B. Burnett, W. Kramber, J. Huntington, J. Kjaersgaard, A. Kilic, C. Kelly and R. Trezza. 2013. Automated calibration of the METRIC-Landsat evapotranspiration process. J. Am. Water Resour. Assoc. 49(3): 563–576.
  2. Allen, R.G., M. Tasumi  and R. Trezza. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)—Applications. J. Irrig. Drain. Eng 133(4): 395–406.
  3. Allen, R. Morse, A. Tasumi, M. 2003.”Application of SEBAL for western US water rights regulation and planning”. ICID workshop on remote sensing of ET for large regions.
  4. Arnold, J.G., R. Srinivasan, R.S. Muttiah and J.R. Williams. 1998.  Large area hydrologic modeling and assessment, part 1: model development. J Am Water Resour Assoc (JAWRA) 34:73–89
  5. Arora, V.K. 2002. The use of the aridity index to assess climate change effect on annual runoff. J. Hydrol. 265(1-4): 164–177.
  6. Budyko, M. I. 1974. Climate and Life. Academic Press. Orlando, Florida. 508 pp.
  7. 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 condition. J. Irrig. Drain Eng. 131( 1): 85-93.
  8. Bastiaanssen, W.G.M. 2000. SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin, Turkey. J. Hydrol. 229(1-2): 87–100.
  9. Bastiaanssen, W.G.M., M. Menenti, R.A. Feddes, and A.A.M. Holtslag. 1998a. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation. J. Hydrol. 212-213(1-4): 198–212.
  10. Bastiaanssen, W.G.M., H. Pelgrum, J. Wang, Y. Ma, J.F. Moreno, G.J. Roerink, and T. van der Wal. 1998b. A remote sensing surface energy balance algorithm for land (SEBAL). 2. Validation. J. Hydrol. 212-213: 213–229.
  11. Fu, B.P. 1981. On the calculation of the evaporation from land surface. Scientia Atmospherica Sinica. 5: 23–31.
  12. Gao, Y., and D. Long. 2008. Intercomparison of remote sensing-based models for estimation of evapotranspiration and accuracy assessment based on SWAT. Hydrol. Process.  22(25): 4850–4869.
  13. Han, S., H. Hu, D. Yang, and Q. Liu. 2011. Irrigation impact on annual water balance of the oases in Tarim Basin, Northwest China. Hydrol. Process. 25(2): 167–174.
  14. Izady, A., K. Davary, A. Alizadeh, A. N. Ziaei, S. Akhavan,  A. Alipoor, A. Joodavi, and M.L. Brusseau. 2015. Groundwater conceptualization and modeling using distributed SWAT-based recharge for the semi-arid agricultural Neishaboor plain, Iran. Hydrogeol. J. 23(1): 47–68.
  15. Kite, G.W., and P. Droogers. 2000. Comparing evapotranspiration estimates from satellites, hydrological models and field data. J. Hydrol. 229(1-2): 3–18.
  16. Kustas, W.P., and J.M. Norman. 1999. Evaluation of soil and vegetation heat flux predictions using a simple two-source model with radiometric temperatures for partial canopy cover. Agric. For. Meteorol. 94(1): 13–29.
  17. Liang, S. 2005. Quantitative Remote Sensing of Land Surfaces. John Wiley and Sons, Inc, pp 449.
  18. Menenti, M., and B. Choudhury. 1993. Parameterization of land surface evaporation by means of location dependent potential evaporation and surface temperature range. Proceding, (212): 561–568.
  19. McKee T.B., N.J. Doesken, and J. Kleist. 1995. Drought Monitoring with Multiple Time Scales. Proceeding of the Ninth Conference on Applied Climatology. American Meteorological Society: Boston.
  20. Moene, A.F., D. Schüttemeyer, and H.A.R. De Bruin. 2007. Basin-wide, year-round estimation of actual evaporation for the Volta Basin using remote sensing.Geophysical Research Abstracts of the European Geosciences Union General Assembly, 15-20 April 2007, Vienna, Austria.
  21. Neitsch, S.L., J.G. Arnold, J.R. Kiniry, J.R. Williams, and K.W. King. 2009. Soil and Water Assessment Tool. In: Theoretical Documentation: Version 2009. TWRI TR-191, College Station, TX.
  22. Norman, J.M., W. P. Kustas, and K. S. Humes. 1995. Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature. Agric. For. Meteorol. 77(3-4): 263–293.
  23. Ol’dekop, E.M. 1911. On evaporation from the surface of river basins.Trans. Meteorol. Obs. 4, 200.
  24. Pike, J.G. 1964. The estimation of annual runoff from meteorological data in a tropical climate. J. Hydrol. 2: 116– 123.
  25. Qiu, G.Y., and J. Ben-Asher. 2010. Experimental Determination of Soil Evaporation Stages with Soil Surface Temperature. Soil Sci. Soc. Am. J.  74(1): 13-22.
  26. Roerink, G.J., Z. Su, and M. Menenti. 2000. S-SEBI: A simple remote sensing algorithm to estimate the surface energy balance. P&S. Chem .Earth (B). 25(2): 147–157.
  27. Ruhoff, A., A. Paz, W. Collischonn, L. Aragao, H. Rocha, Y. Malhi. 2012. A MODIS-based energybalance to estimate evapotranspiration for clear-sky days in Brazilian tropical savannas. RemoteSens.  4: 703–725
  28. Schreiber, P. 1904. About the relationship between the precipitation and the water management of the river in Central Europe. Z. Meteorol.21(10): 441– 452.
  29. Shuttleworth, W.J., and J.S. Wallace. 1985. Evaporation from sparse crops-an energy combination theory. Q. J. R. Meteorol. Soc.  111(469): 839–855.
  30. Su, Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrol. Earth Syst. Sci. 6(1): 85–100.
  31. Tasumi, M., R.G. Allen, and R. Trezza. 2008. At-surface albedo from Landsat and MODIS satellites for use in energy balance studies of evapotranspiration. J. Hydrol. Eng. 13: 51–63.
  32. Trezza, R., R.G. Allen, and M. Tasumi. 2013. Estimation of actual evapotranspiration along the Middle Rio Grande of New Mexico using MODIS and landsat imagery with the METRIC model. Remote Sens.  5(10): 5397–5423.
  33. Waters, R., R.G. Allen, M. Tasumi, R. Trezza, W. Bastiaanssen. 2002. SEBAL, Surface Energy Balance Algorithms for Land, Advanced Training and Users Manual, Version 1, the Idaho Department of Water Resources.
  34. Yang, Y., Shang, S., Jiang, L. 2012. Remote sensing temporal and spatial patterns of evapotranspiration
    and the responses to water management in a large irrigation district of North China. Agric. For. Meteorol. 164: 112–122.
  35. Zhao, S., Y. Yang, G. Qiu, Q. Qin, Y. Yao, Y. Xiong, and C. Li. 2010. Remote detection of bare soil moisture using a surface-temperature-based soil evaporation transfer coefficient. Int. J. Appl. Earth Obs. Geoinf.  12(5): 351–358. 
آمار
تعداد مشاهده مقاله: 1,252
تعداد دریافت فایل اصل مقاله: 1,299


counter
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب