سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

Login
PapersConferencesJournals

روش جدید مبتنی بر تصاویر ماهواره لندست ۸ و سنجنده مادیس برای تخمین تبخیر و تعرق مرجع ماهانه در دو اقلیم خشک و نیمه خشک

Publish place: Modeling and Managing Water and Soil، Vol: 3، Issue: 3
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 188

This Paper With 16 Page And PDF Format Ready To Download

DOWNLOAD Paper

Export:

Link to this Paper:
https://civilica.com/doc/1715162

Document National Code:

JR_MMWS-3-3_013

Index date: 6 August 2023

روش جدید مبتنی بر تصاویر ماهواره لندست ۸ و سنجنده مادیس برای تخمین تبخیر و تعرق مرجع ماهانه در دو اقلیم خشک و نیمه خشک abstract

مدیریت آب کشاورزی و برنامه ریزی آبیاری به برآورد دقیق تبخیر و تعرق مرجع (ET۰) وابسته هستند. با استفاده از تصاویر ماهواره ای می توان در مناطق فاقد ایستگاه هواشناسی، کمبود اطلاعات آب و هوایی را جبران کرد. بنابراین، در این مطالعه، الگوریتم های جنگل تصادفی (RF) و پرسپترون چندلایه (MLP) برای برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه های اهواز (اقلیم خشک) و تبریز (اقلیم نیمه خشک) با استفاده از پارامترهای استخراج شده از تصاویر ماهواره لندست ۸ و سنجنده مادیس اجرا شده است. لازم به ذکر است که پایگاه داده بر اساس داده های تصاویر ماهواره ای جمع آوری شده از سال ۱۳۹۲ تا ۱۴۰۰ ایجاد شد. هم چنین برای توسعه مدل های مذکور، از داده های سال های ۱۳۹۲-۱۳۹۸ (۷۵ درصد) برای آموزش مدل و داده های باقی مانده (۲۵ درصد) برای آزمایش مدل استفاده شد. علاوه بر این، متغیر های ورودی، شامل دمای سطح زمین لندست (LSTLand)، دمای سطح زمین مادیس (LSTMOD)، شاخص نرمال شده تفاوت پوشش گیاهی ماهواره لندست (NDVILand) و شاخص نرمال شدی تفاوت پوشش گیاهی سنجنده مادیس (NDVIMOD) برای تخمین ET۰ ماهانه استفاده شد. هم چنین، سه شاخص عملکرد ضریب تعیین (R۲)، ریشه میانگین مربعات خطا (RMSE) و ضریب نش-ساتکلیف (NS) به منظور تعیین توانایی مدل های اجرا شده مورد استفاده قرار گرفت. نتایج نشان داد که دقت برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه اهواز و تبریز با سناریوی ۴ شامل پارامترهای ورودی LSTMOD و NDVIMOD بهتر از سایر سناریوهای مورد بررسی است. هم چنین برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه اهواز و تبریز به ترتیب با مدل (R۲=۰/۹۸۳، RMSE=۰/۲۷۹ و ۰/۹۶۲=NS) RF-۴ و (R۲ R۲=۰/۹۸۸، RMSE=۰/۲۹۹ و ۰/۹۳۵=NS) MLP-۴ بهترین عملکرد را داشته است. در نهایت چنین نتیجه گیری شد که کاربرد داده های حاصل از تصاویر سنجنده مادیس نسبت به ماهواره لندست ۸ در برآورد تبخیر و تعرق مرجع ماهانه دقیق تر است.

روش جدید مبتنی بر تصاویر ماهواره لندست ۸ و سنجنده مادیس برای تخمین تبخیر و تعرق مرجع ماهانه در دو اقلیم خشک و نیمه خشک Keywords:

روش جدید مبتنی بر تصاویر ماهواره لندست ۸ و سنجنده مادیس برای تخمین تبخیر و تعرق مرجع ماهانه در دو اقلیم خشک و نیمه خشک authors

حامد طالبی

دانشجوی دکتری/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

سعید صمدیان فرد

دانشیار/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

خلیل ولیزاده کامران

استاد/ گروه سنجش از دور، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
پناهی، س.، کرباسی، م.، و نیکبخت، ج. (۱۳۹۵). پیش بینی ...
دهقانی، ت.، احمدپری، ه.، و امینی، ع. (۱۴۰۲). ارزیابی تغییرات ...
برآورد تبخیر- تعرق مرجع روزانه با استفاده از روش های داده کاوی رگرسیون بردار پشتیبان و مدل درختی M۵ [مقاله ژورنالی]
طافی، ش.، پیغان، خ.، باقری خانقاهی، م.، صالحی پور باورصاد، ...
Alipour, A., Yarahmadi, J., & Mahdavi, M. (۲۰۱۴). Comparative study ...
Allen, R.G., Pereira, L.S., Raes, D., & Smith, M. (۱۹۹۸). ...
Antonopoulos, V.Z., & Antonopoulos, A.V. (۲۰۱۷). Daily reference evapotranspiration estimates ...
Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵(۱), ۵-۳۲ ...
Caudill, M., & Butler, C. (۱۹۹۲). Understanding neural networks; Computer ...
Chen, G., Long, T., Xiong, J., & Bai, Y. (۲۰۱۷). ...
Chia, M. Y., Huang, Y. F., Koo, C.H., & Fung, ...
Dehghani, T., Ahmadpari, H., & Amini, A. (۲۰۲۲). Assessment of ...
Djaman, K., Balde, A.B., Sow, A., Muller, B., Irmak, S., ...
Eslamian, S., Khordadi, M.J., & Abedi-Koupai, J. (۲۰۱۱). Effects of ...
Fawzy, H. E.D., Sakr, A., El-Enany, M., & Moghazy, H.M. ...
Hadadi, F., Moazenzadeh, R., & Mohammadi, B. (۲۰۲۲). Estimation of ...
Hargreaves, G.H., & Samani, Z.A. (۱۹۸۵). Reference crop evapotranspiration from ...
Huang, G., Wu, L., Ma, X., Zhang, W., Fan, J., ...
Kim, N., Kim, K., Lee, S., Cho, J., & Lee, ...
Koch, J., Berger, H., Henriksen, H. J., & Sonnenborg, T.O. ...
Kumar, B.P., Babu, K.R., Anusha, B., & Rajasekhar, M. (۲۰۲۲). ...
Kumar, B.P., Babu, K.R., Ramachandra, M., Krupavathi, C., Swamy, B. ...
Moore, R., & Hansen, M. (۲۰۱۱). Google Earth Engine: a ...
Pagano, T.S., & Durham, R.M. (۱۹۹۳). Moderate resolution imaging spectroradiometer ...
Panahi, S., Karbasi, M., & Nikbakht, J. (۲۰۱۶). Forecasting of ...
Priestley, C.H.B., & Taylor, R.J. (۱۹۷۲). On the assessment of ...
Raju, K.S., Kumar, D.N., & Duckstein, L. (۲۰۰۶). Artificial neural ...
Samadianfard, S., & Panahi, S. (۲۰۱۹). Estimating daily reference evapotranspiration ...
Sattari, M.T., Apaydin, H., Band, S.S., Mosavi, A., & Prasad, ...
Shrestha, N., Geerts, S., Raes, D., Horemans, S., Soentjens, S., ...
Sutariya, S., Ankur, H., & Tiwari, M. (۲۰۲۲). Development of ...
Tabari, H., & Hosseinzadeh Talaee, P. (۲۰۱۳). Multilayer perceptron for ...
Tafi, S., Peyghan, K., Bagheri Khaneghahi, M., Salehipour Bavarsad, T., ...
Talaee, P.H., Heydari, M., Fathi, P., Marofi, S., & Tabari, ...
Talebi, H., Samadianfard, S., & Kamran, K.V. (۲۰۲۳). Investigating the ...
Valipour, M. (۲۰۱۶). How much meteorological information is necessary to ...
Wu, L., Peng, Y., Fan, J., Wang, Y., & Huang, ...
Wu, M., Feng, Q., Wen, X., Deo, R.C., Yin, Z., ...
Yurtseven, I., & Serengil, Y. (۲۰۲۱). Comparison of different empirical ...
Zhang, Z., Gong, Y., & Wang, Z. (۲۰۱۸). Accessible remote ...
نمایش کامل مراجع