
تعداد نشریات | 13 |
تعداد شمارهها | 626 |
تعداد مقالات | 6,517 |
تعداد مشاهده مقاله | 8,747,003 |
تعداد دریافت فایل اصل مقاله | 8,317,602 |
ارزیابی تبخیر-تعرق سنجنده مودیس با تبخیر-تعرق پنمن-مانتیث فائو 56 و پریستلی-تیلور در اقلیم-های متفاوت ایران | ||
مجله پژوهشهای حفاظت آب و خاک | ||
دوره 28، شماره 1، فروردین 1400، صفحه 201-218 اصل مقاله (1.07 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2021.18734.3425 | ||
نویسندگان | ||
مهرانه خدامرادپور* 1؛ لیلا قوی2 | ||
1دانشیار گروه علوم و مهندسی آب، دانشگاه بوعلیسینا | ||
2دانشآموخته کارشناسیارشد گروه علوم و مهندسی آب، دانشگاه بوعلیسینا | ||
چکیده | ||
چکیده سابقه و هدف: تبخیر-تعرق از مهمترین مؤلفهها در بخش زمینی چرخه هیدرولوژی است که بهعنوان رابط چرخه آب و انرژی، در برهمکنش جو و سطح نقش مهمی را بر عهده دارد. دسترسی به تصاویر سنجشازدور امکان مطالعات مکانی و زمانی تبخیر-تعرق شامل: تبخیر-تعرق واقعی (AET) و پتانسیل (PET) را بهخوبی فراهم کرده است. تبخیر-تعرق محصول MOD16A2 سنجنده مودیس در بین تصاویر سنجشازدور، بهدلیل توان تفکیکهای بسیار مناسب مکانی (500 متر) و زمانی (8 روزه) در مطالعات منطقهای در نواحی فاقد داده میتواند بسیار مفید باشد. مواد و روشها: این پژوهش محصول تبخیر-تعرق پتانسیل زمینی جهانی سنجنده مودیس (MOD16A2) را با دو روش تبخیر-تعرق مرجع پنمن-مانتیث فائو 56 و پریستلی-تیلور در ایستگاههای هواشناسی در دوره زمانی 2001 تا 2018 مورد ارزیابی قرارداد. محدوده موردمطالعه واقع در استانهای جنوب غرب ایران (خوزستان و بوشهر)، غرب ایران (استانهای همدان و کرمانشاه) و شمال ایران (استانهای گیلان و مازندران) است که بر اساس روش یونسکو از خشک تا خیلی مرطوب طبقهبندی شد. سپس تبخیر-تعرق مرجع پنمن- مانتیث فائو 56 و پریستلی-تیلور با استفاده از دادههای هواشناسی با پکیج Evapotranspiration در نرمافزار R و دادههای تبخیر-تعرق پتانسیل محصول MOD16A2 از سامانه Google Earth Engine آماده شدند. سپس این داده-ها بر اساس شاخصهای ارزیابی در اقلیمهای متفاوت با یکدیگر مقایسه شدند. یافتهها: محصول MOD16A2 تبخیر-تعرق را نسبت به هر دو روش پنمن مانتیث فائو 56 و پریستلی-تیلور در تمام تیپهای اقلیمی بیش برآورد میکند و دارای واریانس بیشتری در دادهها است. ویژگیهای آماری MOD16A2 شامل: چارکهای اول و سوم در اقلیمهای خشک و نیمهخشک با تبخیر-تعرق پنمن-مانتیث فائو 56 اختلاف کمتری نسبت به روش پریستلی-تیلور دارد، درحالیکه چارکهای اول و سوم MOD16A2 در اقلیمهای نیمه مرطوب، مرطوب و خیلی مرطوب شباهت بیشتری به تبخیر-تعرق پریستلی-تیلور دارد. همچنین MOD16A2 چرخه فصلی تبخیر-تعرق را بهخوبی برآورد میکند، اما تاریخ وقوع بیشینههای MOD16A2 در تمام تیپهای اقلیمی، اکثراً با یک هفته تقدم رخ میدهد. تبخیر-تعرق محصول MOD16A2 در برآورد تبخیر-تعرق پنمن-مانتیث (پریستلی-تیلور) در اقلیمهای خشک و نیمهخشک (نیمه مرطوب تا خیلی مرطوب)، بهویژه نیمهخشک با زمستان سرد و تابستان گرم (خیلی مرطوب)، بهدلیل خطاهای کوچک مدل شامل PBIAS و RMSE به ترتیب در محدوده 5/46-3/40 درصد وmm/8d 6/19-4/14 (محدوده 97-5/72 درصد وmm/8d 5/24-6/18) و ضرایب بالای توافق اصلاحشده در محدوده 61/0-5/0 (5/0-37/0)، تبین وزنی در محدوده 63/0-55/0 (51/0-44/0) موفق است. همچنین رابطه خطی قوی بین MOD16A2 تبخیر-تعرق پریستلی-تیلور و پنمن-مانتیث در اکثر تیپهای اقلیمی، بهدلیل ضرایب همبستگی بالا (بیشتر از 85/0) وجود دارد. نتیجهگیری: نتایج این پژوهش بیانگر عدم قطعیت کمتر تبخیر-تعرق محصول MOD16A2 با تبخیر-تعرق پنمن مانتیث فائو 56 در اقلیمهای خشک و نیمهخشک، بهویژه نیمهخشک است، درحالیکه در اقلیمهای نیمه مرطوب تا مرطوب MOD16A2 عدم قطعیت کمتری در تبخیر-تعرق پریستلی-تیلور دارد. همچنین تبخیر-تعرق سنجنده مودیس با روش پنمن-مانتیث فائو 56 و در اقلیمهای نیمهخشک کمترین عدم قطعیت را با توجه به کمترین خطاها دارد؛ بنابراین با توجه به تغییرات اقلیمی اخیر در خصوص افزایش دما و درنتیجه افزایش تبخیر-تعرق، بهویژه در نواحی خشک و نیمهخشک جهان و پیشنهاد روش پنمن-مانتیث فائو 56 بهعنوان روش استاندارد برآورد تبخیر-تعرق توسط فائو، تبخیر-تعرق MOD16A2 میتواند نقش کلیدی را در برنامهریزیهای آبیاری، مدیریت منابع آب و پایش خشکسالی در نواحی فاقد داده واقع در اقلیمهای خشک و نیمهخشک (بهویژه نیمهخشک) ایفا کند. | ||
کلیدواژهها | ||
سنجنده مودیس؛ MOD16A2؛ تبخیر-تعرق پتانسیل؛ تبخیر-تعرق پنمن-مانتیث فائو 56؛ تبخیر-تعرق پریستلی-تیلور | ||
مراجع | ||
1.Allen, R.G., Smith, M., Perrier, A., and Pereira, L. 1994. An Update for the Definition of Reference Evapotranspiration AND An Update for the Calculation of Reference Evapotranspiration. ICID Bull Int Comm Irrig Drain. Pp: 1-34.
2.Allen, R.G., Pereira, L.S., Raes, D., Smith, M., and Ab, W. 1998.Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. Fao, Rome.
3.Allen, R.G., Pruitt, W.O., Wright, J.L., Howell, T.A., Ventura, F., Snyder, R.,et al. 2006. A recommendation on standardized surface resistance for hourly calculation of reference ETo by the FAO56 Penman-Monteith method. Agric. Water Manag. 81: 1-2. 1-22.
4.Anabalón, A., and Sharma, A. 2017. On the divergence of potential and actual evapotranspiration trends: An assessment across alternate global datasets. Earths Future. 5: 9. 905-917.
5.Cleugh, H.A., Leuning, R., Mu, Q.,and Running, SW. 2007. Regional evaporation estimates from flux tower and MODIS satellite data. Remote Sens. Environ. 106: 3. 285-304.
6.Courault, D., Seguin, B., and Olioso,A. 2005. Review on estimation of evapotranspiration from remote sensing data: From empirical to numerical modeling approaches. Irrig. Drain. Syst. 19: 3. 223-249.
7.Eichinger, W.E., Parlange, M.B., and Stricker, H. 1996. On the concept of equilibrium evaporation and the value of the Priestley-Taylor coefficient. Water Resour. Res. 32: 1. 161-164.
8.Ghaffari, V., Ghasemi, V.R., and Pauw, E. 2015. Agro climatically zoning of Iran by UNESCO approach. J. Dryland Agric. 4: 1. 63-74. (In Persian)
9.Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., and Moore, R. 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens Environ. 202: 18-27.
10.Hu, G., Jia, L., and Menenti, M. 2015. Comparison of MOD16 and LSA–SAF MSG evapo- transpiration products over Europe for 2011. Remote Sens. Environ. 156: 510-526.
11 Jabloun, M., and Sahli, A. 2008. Evaluation of FAO-56 methodology for estimating reference evapotranspiration using limited climatic data. Agric Water Manag. 95: 6. 707-715.
12.Jovanovic, N., Mu, Q., Bugan, R.,and Zhao, M. 2015. Dynamics of MODIS evapotranspiration in South Africa. Water SA. 41: 1. 79-91.
13.Krause, P., Boyle, D.P., and Bäse, F. 2005. Comparison of different efficiency criteria for hydrological model assessment. Adv. Geosci. 5: 89-97.
14 Khan, M.S., Liaqat, U.W., Baik, J., and Choi, M. 2018. Stand-alone uncertainty characterization of GLEAM, GLDAS and MOD16 evapotranspiration products using an extended triple collocation approach. Agric. For. Meteorol. 25: 256-268.
15.Martens, B., Miralles, D.G., Lievens, H., van der Schalie, R., de Jeu, RAM., Fernández-Prieto, D., et al. 2017. GLEAM v3: satellite-based land evaporation and root-zone soil moisture. Geosci Model Dev. 10: 5. 1903-1925.
16.Mehdizadeh, S., Saadatnejadgharahassanlou, H., and Behmanesh, J. 2017. Calibration of Hargreaves–Samani and Priestley–Taylor equations in estimating reference evapotranspiration in the Northwestof Iran. Arch. Agron. Soil Sci.63: 7. 942-955.
17.Moradi, F., Kamali, G., and Vazifedoost M. 2015. Evaluation of Potential Evapotranspiration from MODIS Product Using Synoptic Stations of Zanjan Province. Res Climatol. Pp: 39-49. (In Persian)
18.Moraes, V.H., Giongo, P.R., Arantes, B.H.T, Costa, E.M., Ventura, M.V.A., Cavalcante, T.J., et al. 2019. Evaluation of Precipitation and Evapotranspiration Obtained by Remote Sensing With Meteorological Stations in the State of Goiás. J. Agric. Sci. 11: 4. 356-36.
19.Mu, Q., Heinsch, F.A., Zhao, M., and Running, S.W. 2007. Development of a global evapotranspiration algorithm based on MODIS and global meteorology data. Remote Sens Environ. 111: 4. 519-536.
20.Mu, Q., Zhao, M., and Running, S.W. 2011. Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote Sens. Environ. 115: 8. 1781-1800.
21.Nadzri, M.I., and Hashim, M. 2014. Validation of MODIS Data for Localized Spatio-Temporal Evapotranspiration Mapping. IOP Conference Series:Earth and Environmental Science.18: 1. 012183.
22.Pachauri, R.K., Allen, M.R., Barros, V.R., Broome J., Cramer, W., Christ, R., et al. 2014. Climate change 2014: synthesis report. Contribution of Working Groups I, II and III to the fifth assessment report of the Intergovernmental Panel on Climate Change. IPCC 2014.
23.Priestley, C., and Taylor, R.J. 1972.On the Assessment of Surface HeatFlux and Evaporation Using Large- Scale Parameters. Mon. Weather Rev. 100: 2. 81-92.
24.Reyes-González, A., Kjaersgaard, J., Trooien, T., Hay, C., and Ahiablame,L. 2018. Estimation of Crop Evapotranspiration Using Satellite Remote Sensing-Based Vegetation Index. Adv. Meteorol. 2018: 1. 1-12.
25.Ruhoff, A.L., Paz, A.R., Aragao, L., Mu, Q., Malhi, Y., Collischonn, W.,et al. 2013. Assessment of the MODIS global evapotranspiration algorithm using eddy covariance measurements and hydrological modeling in theRio Grande basin. Hydrol. Sci. J.58: 8. 1658-1676.
26.Running, S.W., Mu, Q., Zhao, M., and Moreno, A. 2019. User’s Guide MODIS Global Terrestrial Evapotranspiration (ET) Product (MOD16A2/A3 and Year-end Gap-filled MOD16A2GF/A3GF) NASA Earth Observing System MODIS Land Algorithm (For Collection 6).
27.Senay, G.B., Budde, M.E., and Verdin, J.P. 2010. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: Validation with the METRIC model. Agric. Water Manag. 98: 4. 606-618.
28.Sullivan, R.C., Cook, D.R., Ghate, V.P., Kotamarthi, V.R., and Feng, Y. 2019. Improved spatiotemporal representativeness and bias reduction of satellite‐based evapotranspiration retrievals via use of in situ meteorology and constrained canopy surface resistance. J. Geophys. Res. Biogeosci. 124: 2. 342-352.
29.Westerhoff, R.S. 2015. Remote Sensing of Environment Using uncertainty of Penman and Penman – Monteith methods in combined satellite and ground-based evapotranspiration estimates. Remote Sens Environ.169: 102-112.
30.Willmott, C.J. 1984. On the Evaluation of Model Performance in Physical Geography. Spatial statistics and models. Springer, Dordrecht, Pp: 443-460.
31.Xu, T., Guo, Z., Xia, Y., Ferreira, V.G., Liu, S., Wang, K., Yao, Y., Zhang, X. and Zhao, C. 2019. Evaluation of twelve evapotranspiration products from machine learning, remote sensing, and land surface models over the conterminous United States. J. Hydrol. 578: 12405. 32.Zhang, K., Kimball, J.S., and Running, S.W. 2016. A review of remote sensing based actual evapotranspiration estimation. Wiley Interdiscip. Rev. Water. 3: 6. 834-853.
33.Zhang, K., Zhu, G., Ma, J., Yang, Y., Shang, S., and Gu, C. 2019. Parameter Analysis and Estimates for the MODIS Evapotranspiration Algorithm and Multiscale Verification. Water Resour. Res. 55: 3. 2211-2231. | ||
آمار تعداد مشاهده مقاله: 823 تعداد دریافت فایل اصل مقاله: 509 |