sebal algorithm
در نشریات گروه منابع طبیعی-
نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال یازدهم شماره 1 (بهار 1399)، صص 1 -28
کاربرد تکنیک های سنجش از دور در برآورد مکانی و زمانی مقادیر تبخیر و تعرق جایگزینی برای اندازه گیری های میدانی است. هدف از این مطالعه، تعیین حداکثر سهم روزانه گندم دیم از منابع آب سبز در شهرستان اهر با استفاده از اجرای الگوریتم سبال بر روی تصاویر مودیس است. در این پژوهش ابتدا کارایی الگوریتم سبال در برآورد تبخیر و تعرق گندم از مقایسه نتایج آن با روش الگامن افهولدر در اراضی گندم دیم و روش فایو پنمن مانتیث در اراضی گندم آبی ارزیابی شد و سپس حداکثر مقدار روزانه تبخیر و تعرق واقعی گندم دیم با استفاده از الگوریتم مذکور در سطح منطقه بدست آمد. از محصولات بازتاب سطحی و دمای سطح زمین سنجنده مودیس جهت رصد تغییرات مقادیر شاخص تفاضل گیاهی نرمال شده در طول دوره رشد گندم، تهیه نقشه اراضی گندم و برآورد مقادیر تبخیر و تعرق آن در سال 1389 در دوره خوشه رفتن تا طلایی شدن گندم استفاده شد. پس از ارزیابی کارایی الگوریتم سبال در دوره مذکور، حداکثر سهم روزانه گندم دیم از منابع آب سبز در 27 اردیبهشت سال 1398 محاسبه گردید. از مقایسه نتایج الگوریتم سبال با نتایج روش های محاسباتی در اراضی گندم میانگین خطای مطلق 0.61 میلی متر بر روز و ضریب همبستگی 0.9 بدست آمد. همچنین مشخص گردید که بیشترین میزان تبخیر و تعرق اراضی گندم در زمان به اوج رسیدن منحنی شاخص گیاهی آن می باشد که در این مقطع با استفاده از الگوریتم سبال حداکثر سهم روزانه گندم دیم از منابع آب سبز در سال 1398 حدود 0.93 میلیون مترمکعب برآورد گردید.
کلید واژگان: تبخیر و تعرق، تصاویر مودیس، الگوریتم سبال، گندم دیم، اهرRemote sensing techniques have been applied to estimate the spatiotemporal distribution of evapotranspiration as an alternative for field measuring methods. The objective of this study is to estimate the maximum daily demand of rain-fed wheat from green water sources in Ahar county using the SEBAL algorithm and MODIS images. First, the results from the SEBAL algorithm were evaluated by comparing them to the results from the Eagleman-Affholder method in rain-fed wheat fields and to the results from Fao-Penman- Monteith method in irrigated wheat fields and then the wheat maximum daily evapotranspiration values were calculated in the study area. MODIS surface reflectance and land surface temperature images were used to monitor the variation of normalized difference vegetation index during the wheat growth period, to map wheat areas and to estimate wheat evapotranspiration during the wheat booting stage until the wheat yellowing stage in 2010. After evaluating the SEBAL algorithm during the mentioned period, the maximum daily demand of rain-fed wheat from green water sources was estimated on the 17th of July 2019. By comparing the wheat evapotranspiration values from SEBAL and from computational methods, the average absolute error and correlation were calculated as 0.61 mm/day and 0.9 respectively. It was also found that the wheat highest evapotranspiration occurred when the vegetation index curve had reached its peak. In this time, the wheat maximum daily water demand from the green water resources throughout the county in 2019 was estimated almost equal to 0.93 million cubic meters.
Keywords: evapotranspiration, MODIS images, SEBAL Algorithm, Rain-fed wheat, Ahar -
نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال ششم شماره 4 (زمستان 1394)، صص 61 -75تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انرژی سطحی برای زمین (سبال) و همچنین ارزیابی عملکرد شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق می باشد. جهت محاسبه میزان سبال تبخیر و تعرق، روش الگوریتم سبال بوسیله تصاویر ماهواره ای مورد استفاده قرار گردید. در این تحقیق از چهار تصویر لندست 8 استفاده شد که مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتیث- فائو، نشان می دهد که میانگین مربعات خطا (MSE) 54/1 و میانگین خطای مطلق (MAE) 04/1 میلیمتر در روز می باشد. برای حل پیچیدگی فرآیند تبخیر، از شبکه های عصبی مصنوعی برای پیش بینی تبخیر از تشت بر اساس داده های هواشناسی استفاده گردید. در این تحقیق شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده های اقلیمی روزانه 13 ساله ایستگاه صفی آباد دزفول استفاده شد. نتایج حاصل از محاسبات نشان داد بهترین شبکه، شبکه ای با همه ورودی ها، با یک لایه پنهان و 28 نرون در لایه میانی می باشد. نتایج پیاده سازی این شبکه نشان دهنده، شاخص های آماری معیارهای میانگین مربعات خطا (MSE) 0032/0، میانگین خطای مطلق (MAE) 0445/0 و ضریب تبین (R2) 9609/0 می باشد. مقایسه نتایج بدست آمده از روش شبکه های عصبی مصنوعی با روش پنمن- مانتیث- فائو نشان می دهد که میانگین مربعات خطا (MSE) 11/1 و میانگین خطای مطلق (MAE) 52/0 میلی متر در روز می باشد. این نتایج، بیانگرعملکرد بهتر شبکه های عصبی مصنوعی نسبت به روش سنجش از دور در برآورد میزان تبخیر و تعرق می باشد.
کلید واژگان: تبخیر و تعرق، سنجش از دور، الگوریتم سبال، شبکه های عصبی مصنوعی، معادله پنمن، مانتیث، فائوEvaporation waste of water is one of the most important factors. Because evapotranspiration is a complex phenomenon that depends on many factors and data, accurate estimation of evaporation and transpiration, is very difficult and costly. Therefore, the purpose of this study was to estimate evapotranspiration using the surface energy balance algorithm for land (SEBAL) and also evaluate the performance of artificial neural networks. To estimates the Evapotranspiration rate the method of SEBAL Algorithmby using satellite images was applied. For this purpose, four images of Landsat 8 in this study were used that by comparing the results from the two methods, Remote Sensing and Penman-Monteith- FAO Equation presented MSE and MAE as respectively 1.54 and 1.04 per day. To solve the complexity of the evaporation process, Artificial Neural Networks was used for forecasting evaporation pan based on meteorological data. Perceptron with Back-propagation algorithm was applied for training it in this study. It used daily climate data that collected during 13 years from a Safi Abad station in Dezful city for network training. The results showed that the best network was the network with all inputs along with a hidden layer and 28 Neurons in the middle layer. The implementation results of this network presented that statistical Indicators were as MSE (0.0032), MAE (0.0445), R2 (0.9609). Comparing the results from Artificial Neural Networks and Penman-Monteith- FAO as reference method showed that MSE and MAE were 1.11 and 0.52 mm per day, respectively. These results presents that the performance of Artificial Neural Networks was better than the remote sensing method in the estimation of evapotranspiration rate.Keywords: Evapotranspiration, Remote sensing, SEBAL algorithm, Artificial neural networks (ANN), Penman, Monteith, FAO equation
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.