مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

کاربرد تخمین های تبخیر و تعرق بالقوه بهبود یافته مبتنی بر MODIS در حوضه آبخیز برانتاس استوایی مرطوب – پیامدهایی برای مدیریت آب کشاورزی

مقالات کاربرد تخمین های تبخیر و تعرق بالقوه بهبود یافته مبتنی بر MODIS در حوضه آبخیز برانتاس استوایی مرطوب - پیامدهایی برای مدیریت آب کشاورزی

اتکا به تبخیر و تعرق بالقوه PET (PET) بومی MODIS-16 در مناطقی که داده‌های کمیاب دارند، در میان مطالعات اکو هیدرولوژیکی در حال افزایش است، با این حال اطلاعات مربوط به عملکرد آن محدود یا ناشناخته است زیرا مطالعات اعتبار سنجی عمدتاً در کشورهای توسعه‌یافته متمرکز شده‌اند. این مطالعه با هدف ارزیابی عملکرد آن در سطح ماهانه با استفاده از چهار اندازه‌گیری زمینی در یک سیستم حوضه آبخیز گرمسیری با توپوگرافی پیچیده، استفاده از یک شبکه عصبی مصنوعی یادگیری ماشین (ANN) برای بهبود برآوردها، و با استفاده از MODIS-16 PET تنظیم‌شده با ANN انجام شد. توصیف الگوهای مکانی-زمانی PET در حوضه آبخیز برانتاس، و همچنین درک الگوهای ماهانه کمبود آب در مناطق زیر هشت پوشش گیاهی مختلف. نتایج نشان داد که PET بومی MODIS-16 با RMSE 37-66 میلی‌متر در ماه و NRSME تا ۳۳ درصد برآورد بیش از حد را تجربه کرد. عملکرد در دوره های خشک تر کاهش یافت. تنظیم مبتنی بر ANN با استفاده از تنها یک متغیر، تخمین‌های بهبود یافته‌ای را با کاهش RSME به تنها ۱۴ میلی‌متر و کمتر از ۱۰ درصد NRMSE نشان داد. الگوهای ساری-زمانی PET در حوضه برانتاس نشان داد که خصوصیات PET یکنواخت نیستند. بخش جنوبی حوضه آبخیز برانتاس دارای مناطقی با PET نسبتاً کمتر است که در نتیجه بیشتر در معرض کمبود آب هستند. توپوگرافی پیچیده و شیب های آب و هوایی درون حوضه ظاهراً به چند کنترل کننده تغییرات PET تبدیل شدند. تفاوت در پوشش گیاهی نیز بر مقادیر کمبود آب تأثیر گذاشت. عملکرد در دوره های خشک تر کاهش یافت. تنظیم مبتنی بر ANN با استفاده از تنها یک متغیر، تخمین‌های بهبود یافته‌ای را با کاهش RSME به تنها ۱۴ میلی‌متر و کمتر از ۱۰ درصد NRMSE نشان داد. الگوهای ساری-زمانی PET در حوضه برانتاس نشان داد که خصوصیات PET یکنواخت نیستند. بخش جنوبی حوضه آبخیز برانتاس دارای مناطقی با PET نسبتاً کمتر است که در نتیجه بیشتر در معرض کمبود آب هستند. توپوگرافی پیچیده و شیب های آب و هوایی درون حوضه ظاهراً به چند کنترل کننده تغییرات PET تبدیل شدند. تفاوت در پوشش گیاهی نیز بر مقادیر کمبود آب تأثیر گذاشت. عملکرد در دوره های خشک تر کاهش یافت. تنظیم مبتنی بر ANN با استفاده از تنها یک متغیر، تخمین‌های بهبود یافته‌ای را با کاهش RSME به تنها ۱۴ میلی‌متر و کمتر از ۱۰ درصد NRMSE نشان داد. الگوهای ساری-زمانی PET در حوضه برانتاس نشان داد که خصوصیات PET یکنواخت نیستند. بخش جنوبی حوضه آبخیز برانتاس دارای مناطقی با PET نسبتاً کمتر است که در نتیجه بیشتر در معرض کمبود آب هستند. توپوگرافی پیچیده و شیب های آب و هوایی درون حوضه ظاهراً به چند کنترل کننده تغییرات PET تبدیل شدند. تفاوت در پوشش گیاهی نیز بر مقادیر کمبود آب تأثیر گذاشت. الگوهای ساری-زمانی PET در حوضه برانتاس نشان داد که خصوصیات PET یکنواخت نیستند. بخش جنوبی حوضه آبخیز برانتاس دارای مناطقی با PET نسبتاً کمتر است که در نتیجه بیشتر در معرض کمبود آب هستند. توپوگرافی پیچیده و شیب های آب و هوایی درون حوضه ظاهراً به چند کنترل کننده تغییرات PET تبدیل شدند. تفاوت در پوشش گیاهی نیز بر مقادیر کمبود آب تأثیر گذاشت. الگوهای ساری-زمانی PET در حوضه برانتاس نشان داد که خصوصیات PET یکنواخت نیستند. بخش جنوبی حوضه آبخیز برانتاس دارای مناطقی با PET نسبتاً کمتر است که در نتیجه بیشتر در معرض کمبود آب هستند. توپوگرافی پیچیده و شیب های آب و هوایی درون حوضه ظاهراً به چند کنترل کننده تغییرات PET تبدیل شدند. تفاوت در پوشش گیاهی نیز بر مقادیر کمبود آب تأثیر گذاشت.

کلید واژه ها:

MOD-16 ET ; تبخیر و تعرق بالقوه حوضه آبریز برانتاس

۱٫ مقدمه

تبخیر و تعرق اغلب به عنوان یکی از متغیرهای اقلیمی در نظر گرفته می شود که بر تنوع زیستی، اکولوژی جغرافیایی، مخاطرات اقلیمی و بهره وری زمین تأثیر زیادی دارد [ ۱ ، ۲ ، ۳ ، ۴ ]. در مناطق پر بارندگی مانند مناطق استوایی، تبخیر و تعرق اغلب برای درک بهتر واکنش‌های هیدرولوژیکی، مدیریت محصول و آبیاری و ویژگی‌های جنگل‌های استوایی مورد بررسی قرار می‌گیرد [ ۵ ، ۶ ، ۷ ]]. با توجه به این اهمیت، تبخیر و تعرق در انواع مختلف اندازه گیری مانند تبخیر و تعرق مرجع (ETo)، تبخیر و تعرق واقعی (AET) و تبخیر و تعرق بالقوه (PET) کمی سازی شده است. PET به مقدار آبی که از طریق خشکی یا آب به اتمسفر حرکت می کند، بیانگر تبخیر و تعرق ترکیبی از اجزای مختلف – خاک و گیاهان – و نشان دهنده روند معکوس بارش است [ ۸ ]. هدف اولیه از توسعه PET نشان دادن حداکثر مقدار آب تبخیر شده بود، با این حال، PET در توسعه اخیر خود تنظیمات و الگوریتم های مختلفی را تجربه کرده است. ادبیات جامع اخیر در مورد PET و تاریخچه، توسعه و الگوریتم های آن در مطالعه ای توسط Xiang و همکاران، ۲۰۲۰ مثال زده شده است [ ۹ ]]. در مطالعات قبلی، PET عمدتاً برای اهداف هواشناسی و هیدرولوژیکی ارزیابی شده است [ ۱۰ ، ۱۱ ، ۱۲ ]. در دوره‌های اخیر، این کاربرد به حوزه‌های دیگری مانند مدیریت محصول، پایش خشکسالی، و استفاده از هوش مصنوعی برای تخمین داده‌های PET سنجش از دور گسترش یافته است [ ۱۳ ، ۱۴ ، ۱۵ ، ۱۶ ].
با توجه به این اهمیت، پایش متغیرهای اقلیمی مرتبط با تبخیر و تعرق بالقوه در ایستگاه های اقلیمی صحرایی استاندارد شده است. داده های تبخیر و تعرق بالقوه به طور سنتی با استفاده از اندازه گیری های آب و هوایی گسترده به دست آمده از این ایستگاه ها محاسبه می شود [ ۱۷ ، ۱۸]. با این حال، این پارامترها اغلب به دلیل سنسورهای پرهزینه، هزینه های عملیاتی بالا و کمبود نیروی انسانی ماهر در پشت مدیریت ایستگاه، در دسترس نیستند. در نتیجه، پوشش داده‌های تبخیر و تعرق با پوشش ایستگاه‌های هواشناسی که تمام پارامترهای مورد نیاز را اندازه‌گیری می‌کنند، بسیار محدود می‌شود. به منظور به دست آوردن PET برای مناطق نظارت نشده، تخمین معمولاً از طریق روش‌های مختلف مانند درونیابی از ایستگاه‌های آب‌وهوا مانند میانگین حسابی، چندضلعی تیسن و آمار زمین استفاده می‌شود [ ۱۹ ، ۲۰ ]. متأسفانه، این رویکردها به نقاط رصد ایستگاه های هواشناسی گسترده و معرف نیاز دارند. عدم توجه به این نیاز به این معنی است که تخمین ها اغلب دچار خطاهای بزرگ و عدم اطمینان بالا می شوند.
تلاش‌هایی برای ارائه مجموعه داده‌های تبخیر و تعرق دقیق‌تر انجام شده است. پیشرفت در یادگیری ماشین برای ارائه تخمین بهتر از تبخیر و تعرق در مقیاس های مختلف از ساعتی تا ماهانه گسترش یافته است [ ۲۱ ، ۲۲ ، ۲۳ ]. برخی از مطالعات اولیه از حالت‌های انتشار پیش‌خور یا بازخورد با مدل‌های شبکه عصبی مصنوعی خالص (ANN) استفاده کردند [ ۲۲ ، ۲۴ ، ۲۵ ]. مطالعات بعدی الگوریتم‌ها را با استفاده از مدل‌های پیچیده‌تر و رویکردهای ترکیبی پیشرفته‌تر کردند [ ۲۶ , ۲۷ , ۲۸]. بر اساس متغیرهای مورد استفاده در مدل‌ها، بین مطالعات تفاوت‌هایی وجود داشته است. برخی از مطالعات شامل تعدادی متغیر است که بیشتر مربوط به متغیرهای آب و هوایی مانند تابش خورشیدی، دما، رطوبت نسبی، شار گرما و سرعت باد [ ۲۶ ، ۲۹ ] است که عموماً در اکثر مناطق در دسترس نیستند. این مدل‌ها به دلیل ارتباط متغیرهای اقلیمی با فرآیند تبخیر و تعرق، درک فیزیکی بیشتری دارند. با این حال، برخی دیگر برای عملی بودن به متغیرهای ساده تری تکیه کردند [ ۳۰ ، ۳۱]. اینها ممکن است لزوماً به فرآیند فیزیکی مرتبط نباشند زیرا ماهیت یک شبکه عصبی نیازی به درک فیزیکی ندارد. علیرغم رویکردهای متفاوت مورد استفاده در این مطالعات، یکی از وجوه مشترک عملکرد بالای مدل‌ها است که استفاده بالقوه از شبکه‌های عصبی را در تخمین تبخیر و تعرق تأیید می‌کند.
پیشرفت فن‌آوری‌های سنجش از دور باعث داده‌های ماهواره‌ای عملیاتی فزاینده‌ای شده است که پارامترهای آب و هوایی متفاوتی را در مقیاس‌های مختلف ارائه می‌کنند. برآوردهای مبتنی بر ماهواره، پتانسیلی را برای ارائه داده های مورد نیاز برای پشتیبانی از کاربردهای مختلف مانند پایش خشکسالی، مدیریت محصول و ارزیابی تعادل آب ارائه می دهد [ ۱۵ ، ۳۲ ، ۳۳ ]. با این حال، علیرغم مزیت در دستیابی به پوشش کامل داده ها، تخمین های PET مبتنی بر ماهواره در معرض درجه ای از خطا هستند. درک خطاهای تخمینی از این جهت ضروری است که به کاربران امکان می دهد مناسب ترین محصولات را تشخیص دهند و خطاها را در تجزیه و تحلیل متوالی بگنجانند [ ۳۴ ، ۳۵ ].
داده های دقیق PET برای حمایت از برنامه ریزی کشاورزی و منابع آب و همچنین برای درک تأثیرات آب و هوا بر سیستم های زمین مهم است. داده‌های شبکه‌بندی شده PET متفاوتی در مقیاس‌های مختلف در سطح جهانی در دسترس است، مانند تبخیر زمین ماهانه آمستردام مدل GLEAM، با وضوح ۰٫۲۵ درجه [ ۳۶ ]. تبخیر و تعرق/شار حرارتی سطح زمین مبتنی بر فرآیند، P-LSH در ۰٫۵ درجه [ ۳۷ ] و مجموعه داده‌های تبخیر و تعرق تصویربرداری با وضوح متوسط ​​۸ روزه و ماهانه (MODIS-16) [ ۳۸ ]]، در وضوح ۵۰۰ متر موجود است. امروزه، PET مبتنی بر MODIS تنها مجموعه داده موجود با وضوح مکانی و زمانی خوب است که برای کاربردهای در مقیاس کوچک مناسب است. در مقایسه با سایر پارامترهای اقلیمی، ارزیابی محصولات تبخیر و تعرق بالقوه مبتنی بر ماهواره بسیار محدودتر است. چندین مطالعه نمونه کار بر روی ارزیابی تبخیر- تعرق مبتنی بر MODIS مانند ایالات متحده آمریکا، استرالیا، اروپا، آفریقا و آسیای شرقی است [ ۳۹ ، ۴۰ ، ۴۱ ، ۴۲]. این مطالعات نشان می‌دهد که عملکرد MODIS می‌تواند در هر مکان با دلایل بالقوه متفاوت متفاوت باشد. این یافته نیاز به ارزیابی نماینده‌ای در مناطق جغرافیایی مختلف را برای بهبود قابلیت استفاده محصولات PET مبتنی بر سنجش از دور ایجاد می‌کند. تا آنجا که ما می‌دانیم، در این مرحله نمی‌توانیم مطالعات ارزیابی شده از تبخیر و تعرق MODIS را در منطقه مرطوب اندونزی پیدا کنیم. بیشتر مطالعات مبتنی بر آسیا در چین متمرکز شده است که به دلیل داده های آب و هوایی گسترده خود شناخته شده است.
اندونزی یک کشور مجمع الجزایری بزرگ است که در بیشتر مناطق تأثیر بادهای موسمی دارد. وجود رشته‌های کوهستانی عظیم و جنگل‌های استوایی، همراه با افزایش انرژی بارندگی، اهمیت شرایط اقلیمی را برای کشور نشان می‌دهد. علیرغم روند رو به کاهش آن به دلیل توسعه صنعت، کشاورزی همچنان بخش اولیه و کاربری زمین [ ۴۳ ] با منابع آبی متفاوت از آبیاری تا کشاورزی دیم است [ ۴۴ ]. عدم قطعیت هشدار دهنده آب و هوا آسیب پذیری سیستم کشاورزی دیم را افزایش داده است [ ۴۵ ]]. با توجه به این موضوع، اطلاعات در مورد ویژگی های تبخیر و تعرق ضروری تر شده است. چنین کمی سازی الگوهای مکانی-زمانی PET در سیستم های کشاورزی کشاورزی اندونزی به ندرت مورد بررسی قرار گرفته است، زیرا داده های آب و هوایی موجود با پارامترهای کافی برای تخمین بزرگی PET وجود ندارد. گزارش‌های مربوط به مسائل مربوط به منابع آب به طور فزاینده‌ای به داده‌های اقلیمی نماینده از جمله PET با پوشش مکانی-زمانی کافی برای اهداف مختلف مانند مدل‌سازی خشکسالی، مدیریت محصول و ارزیابی تامین آب نیاز دارند. بنابراین این مطالعه با هدف:
  • اعتبارسنجی ماهانه تبخیر و تعرق بالقوه MODIS مبتنی بر ماهواره با استفاده از داده های آب و هوا.
  • استفاده از یک شبکه عصبی مصنوعی (ANN) برای بهبود تخمین PET ماهانه.
  • ارزیابی PET ماهانه تعدیل شده MODIS-16 در توصیف الگوی مکانی- زمانی بودجه آب حوضه.
  • استفاده از PET ماهانه تنظیم شده MODIS-16 برای توصیف الگوهای PET در کاربری های مختلف کشاورزی.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

به عنوان یکی از حوضه های آبخیز اولیه در اندونزی، برانتاس به دلیل عملکردهای اقتصادی و زیست محیطی خود به رسمیت شناخته شده است. بیش از ۲۰ میلیون ساکن در برانتاس تقریباً ۱۵ درصد از کل جمعیت پرجمعیت ترین استان جاوه شرقی را تشکیل می دهند [ ۴۶ ]]. برانتاس که در منطقه گرمسیری قرار دارد، تأثیر موسمی قابل توجهی را با میانگین بارندگی سالانه بلندمدت از ۱۲۰۰ تا ۳۶۰۰ میلی متر با تأثیرات کوه نگاری آشکار نشان می دهد. هفت رشته کوه پیچیدگی توپوگرافی در حوضه آبخیز را نشان می دهد تا یک شیب ارتفاعی از ۰ متر بالاتر از سطح دریا تا ۳۶۰۰ متر از سطح دریا ایجاد کند. برانتاس، علیرغم روندهای شهرنشینی فزاینده، همچنان یک حوزه آبخیز تحت سلطه استفاده از زمین های کشاورزی است. داده‌های استفاده‌های جهانی نشان می‌دهد که در سال ۲۰۱۹، بیش از ۳۵ درصد از حوزه آبخیز توسط زمین‌های کشاورزی – از تالاب (کشاورزی برنج) تا سیستم‌های کشاورزی دیم مانند محصولات زراعی، درختان، باغ‌ها، باغداری و جنگل‌های تولیدی اشغال شده است. در دهه‌های اخیر، برانتاس در نقش کشاورزی خود از نظر تولید، نیروی کار و سهم کل محصولات داخلی بخش‌های کشاورزی کاهش یافته است.۴۷ ]. اخیراً، در جاوا، گزارش‌های فزاینده‌ای از مسائل مربوط به بهره‌وری کشاورزی از افزایش رواناب گرفته تا وقوع خشکسالی تشدید شده وجود دارد [ ۴۸ ، ۴۹ ]. Brantas توسط عوامل فیزیکی مختلف کنترل می شود – از آب و هوا تا ژئومورفولوژی ( شکل ۱ ). با شکل‌های غالب آتشفشانی از حوضه میانی تا فوقانی، تا خاک آبرفتی در دشت، و بخش کوچکی از کارست و فلوویو-دریایی، برانتاس طبقات مختلف خاک را از خاک‌های بسیار ریز تا خاک‌های درشت جوان نشان می‌دهد.

۲٫۲٫ اکتساب داده ها و ارزیابی دقت

ما ماهانه MODIS-16 PET را با استفاده از پلتفرم موتور Google استخراج کردیم. MODIS-16 PET یکی از محصولات MODIS-16 PET است که در باندهای مختلف و وضوح ۵۰۰ متر عرضه می شود. ما بر روی محصولات ماهانه تمرکز کردیم تا ویژگی‌های تعادل آب را نشان دهیم. مجموعه داده شبکه‌ای MODIS-16 PET به تبخیر و تعرق بالقوه اندازه‌گیری شده با استفاده از فرمول Penman-Monteith اشاره دارد که اولین مجموعه داده ET در سطح جهانی بود که به طور منظم از سال ۲۰۰۱ در دسترس بود و نگرانی‌های فزاینده‌ای را در جامعه علمی ایجاد می‌کرد. تحت تمام شرایط آسمان برای داده های ET مکانی-زمانی یکپارچه در مناطق پوشش گیاهی تولید شد [ ۴۱ ، ۵۰ ]. الگوریتم MODIS-16 PET از الگوریتم قبلی بر اساس فرمول Penman-Monteith به شرح زیر بازنگری شد:

جایی که PET مشاهده شده توسط ایستگاه هواشناسی و PET برآورد شده توسط MODIS-16 PET هستند و R ۲ به ضریب تعیین PET MODIS-16 به PET زمینی اشاره دارد.

۲٫۳٫ تنظیم معماری ANN

در سال‌های اخیر، تلاش‌ها برای بهبود تخمین‌های تبخیر و تعرق بر مدل‌های فیزیکی یا فقط استفاده از یادگیری ماشین تکیه کرده است [ ۱۶ ، ۵۱ ، ۵۲ ]. اولی اغلب به دلیل نیاز به پارامترهای داده گسترده که به راحتی در دسترس نیستند مانع می شود، در حالی که دومی ممکن است در معرض ناتوانی در ارائه یک درک فیزیکی باشد و ممکن است به دلیل ناهنجاری ها یا شرایط شدید شکست بخورد. MODIS-16 PET با ترکیب پارامترهای مختلف، که با توسعه الگوریتم آن، ساختار رویشی مانند تاج پوشش گیاه را در نظر می گیرد، همانطور که توضیح داده شد، توسعه یافت [ ۵۰ ]]. مطالعات اخیر سعی در بهبود کیفیت با ترکیب پارامترهای مختلف مانند شاخص سطح برگ، باد و سایر پارامترهای اقلیمی مانند دما، تابش خورشیدی و باد داشتند [ ۵۲ ، ۵۳ ] و برخی از مطالعات به این نتیجه رسیدند که استفاده از داده های سنجش از دور می‌تواند نیاز مدل‌های منطقه‌ای را در مناطق کمیاب داده‌ها برآورده کند [ ۵۴ ]. در ابتدا، ما چهار پارامتر را شامل ارتفاع، دما، و شاخص پوشش گیاهی تفاوت نرمال شده و همچنین PET MODIS-16 به عنوان لایه ورودی و زمین-PET به عنوان لایه خروجی با معماری، مانند زیر ( شکل ۲ ) قرار دادیم:
ما روش انتشار بازخورد را با دو، سه و چهار لایه پنهان آزمایش کردیم. ما مدل خطی را به عنوان تابع آموزشی انتخاب کردیم و از سیگموئید به عنوان تابع انتقال استفاده کردیم. با توجه به نسبت داده ها، هیچ توافق دقیقی در مورد تخصیص برای آموزش، آزمایش، یا اعتبارسنجی وجود نداشت. در این مطالعه، ما ترکیب‌های مختلف را ارزیابی کردیم – ۶۰:۲۰:۲۰ و ۷۰:۱۵:۱۵ تست آموزشی – زیرا ظاهراً این دو معمولاً در مطالعات مختلف استفاده می‌شوند [ ۱۶ ، ۵۵ ، ۵۶ ]]. ما از r، RMSE و NRMSE به عنوان ارزیابی عملکرد استفاده کردیم. مدل انتخاب شده به دلیل عملکرد کمی بهتر از مجموعه داده ۶۰:۲۰:۲۰ از ۷۰:۱۵:۱۵ گرفته شد. ما الگوریتم آموزشی Levenberg-Marquardt (LM) را به کار بردیم، یک تکنیک بهینه‌سازی مرتبه دوم که به طور گسترده در مدل‌سازی تبخیر و تعرق با استفاده از شبکه‌های عصبی مصنوعی به دلیل هم‌گرایی سریع معروف آن به کار گرفته شده است، به این معنی که به چرخه‌های یادگیری کمتری نیاز دارد [ ۲۴ ]. دو لایه پنهان در پایان به دلیل نتایج دقت بهتر انتخاب شدند و معیار توقف زمانی بود که عملکرد اعتبارسنجی بهبود نیافت. ما بهترین عملکرد را انتخاب کردیم و معماری تایید شده را روی داده های ماهانه MODIS-16 PET اعمال کردیم.

۲٫۴٫ توصیف الگوهای تعادل آب در سطح حوضه

سپس PET تنظیم شده با ANN ماهانه برای ترسیم الگوی فضایی تعادل آب ماهانه وارد شد. تعادل آب ماهانه به سادگی از ترکیب بارندگی ماهانه برای پیکسل های PET MODIS-16 مربوطه به دست آمد. ما رویکرد ساده شده فائو [ ۱۵ ] را برای نشان دادن تعادل آب اقلیمی (CWB) به عنوان شاخص از دست دادن آب در شرایط خشکسالی اتخاذ کردیم که می تواند به صورت خلاصه بیان شود:

CWB i = Pi – PET i

جایی که CWB iبه بیلان آب اقلیمی ماه i در نتیجه بارش کل ماه i و کل تبخیر و تعرق بالقوه ماه i که توسط MODIS-16 PET تخمین زده می شود اشاره دارد. بارندگی ماه من از بارندگی فیلتر شده روزانه غربال شده از ۲۰۱ ایستگاه موجود در سراسر حوضه محاسبه شد. برای به دست آوردن داده های ماهانه شبکه ای، بارندگی کل ماهانه از داده های درونیابی شده از ۲۰۱ ایستگاه به بارش شبکه ۵۰۰ متری برآورد شد. برای ترسیم طول دوره‌های متاثر از تلفات آب، ما CWBi را برای ۱۲ ماه محاسبه کردیم و یک کد ۰-۱ برای هر پیکسل اعمال کردیم، که در آن ۱ به شرایطی اشاره دارد که PETi بالاتر از Pi یا کمبود آب و هوایی است و ۰ شرط عدم کسری است. ما ۱۲ ماه را در یک سال جمع‌بندی کردیم و نتیجه جمع‌بندی تعداد ماه‌هایی را نشان داد که یک پیکسل از کمبود آب رنج می‌برد.

برای درک روندهای PET در منطقه مورد مطالعه در ۲۰ سال گذشته، ما PET را به PET سالانه تجمیع کردیم تا کل PET را برای هر سال بدست آوریم که منجر به ۲۰ تصویر از کل PET سالانه شد. سپس تصاویر برای پردازش بیشتر با استفاده از تحلیل شطرنجی سری زمانی Mann-Kendall روی هم چیده شدند و هر پیکسل را به عنوان نمایشی از روند در یک نقطه خاص در نظر گرفت. آزمون Mann-Kendall یک آزمون ناپارامتریک و یک روش پرکاربرد برای ارزیابی روندها در مجموعه‌های داده شطرنجی سنجش از دور سری زمانی است [ ۵۷ ، ۵۸ ]. این آزمایش در ترکیب با تخمین‌گر شیب سن امکان تشخیص دقیق‌تر تغییرپذیری فضایی چنین روندهایی را فراهم می‌کند و به طور گسترده برای نظارت بر پویایی متغیرهای اکولوژیکی استفاده شده است [ ۵۹ ,۶۰ ، ۶۱ ]. محاسبات با استفاده از پلتفرم R اجرا شد و پروتکل‌ها را برای تجزیه و تحلیل تصویر شطرنجی سری زمانی از Pironkova و همکاران، ۲۰۱۸ [ ۵۸ ] اصلاح کرد. خروجی های تجزیه و تحلیل سری زمانی در هر پیکسل شامل شطرنجی آماری Mann-Kendall tau، یک رستر p-value متناظر ، و یک شطرنجی شیب سن است که نشان دهنده ویژگی های سری زمانی هر پیکسل است [ ۵۸ ].]. مقادیر پیکسل تاو Mann–Kendall از -۱ تا +۱ متغیر است، به این معنی که یک روند صعودی برای مقادیر مثبت و یک روند نزولی برای مقادیر منفی است. علاوه بر این، زمانی که روند شناسایی شده خطی به نظر می رسید، قدرت روند با مقدار شیب سن برآورد شد. این به عنوان جایگزینی برای خط رگرسیون پارامتری عمل می کند و میزان تغییر را برای هر پیکسل کمیت می کند [ ۵۸ ]. از نظر عددی، شیب سن به عنوان مقدار میانه تمام شیب های ممکن بین دو نقطه مشاهده در دوره معین به صورت زیر تعریف می شود:

که در آن Q شیب است، و مقادیر در زمان j و i هستند و N تعداد دوره‌ها است که تعداد مشاهدات در سال را نشان می‌دهد [ ۶۱ ]. به همین ترتیب، شطرنجی p -value تخمین‌های احتمال و اهمیت روند را نشان می‌دهد – هر چه مقدار کوچکتر باشد، اطمینان آماری بالاتر است.

۲٫۵٫ توصیف الگوهای تعادل آب تحت پنج کاربری مختلف زمین کشاورزی

همانطور که توضیح داده شد، برانتاس، علیرغم روند رو به افزایش شهرنشینی، حوزه آبخیز تحت سلطه کاربری های کشاورزی است. از امروز، اطلاعات محدودی در مورد الگوهای تعادل آب برای استفاده از زمین های کشاورزی معمولی در حوزه آبخیز برانتاس وجود دارد. ما پنج منطقه نسبتاً بزرگ (۲ کیلومتر مربع) از کاربری کشاورزی همگن را در مکان‌های تأیید شده انتخاب کردیم – مجتمع ساج، مزرعه برنج، نیشکر، جنگل تامان هوتان رایا، و درختچه‌های برومو-ساوانا. دو سایت آخر از نظر اکولوژیکی کاربری های مهم زمین هستند که مستعد خشکسالی و آتش سوزی جنگل هستند [ ۵۴ ، ۶۲]. این کاربری‌ها نشان‌دهنده کاربری‌های معمولی کشاورزی و انواع کاربری‌های اکولوژیکی مهم هستند که فراتر از پوشش نزدیک‌ترین ایستگاه‌های هواشناسی هستند. میانگین بلندمدت ماهانه PET و بارش (۲۰۰۱-۲۰۲۰) محاسبه شد و ارزیابی مقایسه ای انجام شد.

۳٫ نتایج

۳٫۱٫ عملکرد اعتبارسنجی MOD-16 ET و یک مدل ANN برای بهبود تخمین PET در حوضه آبخیز برانتاس

با استفاده از تمام داده های ماهانه از شش ایستگاه هواشناسی، عملکرد MODIS-16 PET در شکل ۳ و جدول ۱ خلاصه شده است . به طور کلی، نتایج اعتبار سنجی رضایت بخش بود. در هر دو فصل خشک و مرطوب، عملکرد نسبتا مشابه بود، و در نتیجه RMSE نرمال شده (NRMSE) از ۲۰ تا ۳۳٪ و RMSE در محدوده ۳۷ تا ۶۶ میلی متر بود. عملکرد در فصل خشک ضعیف تر از فصل مرطوب بود. شکل ۳A تراکم توزیع ماهانه PET را از دو منبع نشان می دهد که منبع بالقوه اختلاف را نشان می دهد. در هر دو فصل خشک و مرطوب، PET بومی MODIS-16 خطاهای قابل توجهی را تجربه کرد که بیشتر به دلیل عدم توانایی در تخمین PET کمتر از ۱۵۰ میلی متر بود. با این حال، در بزرگی های ماهانه PET بالاتر، PET بومی MODIS-16 تمایل داشت بیش از حد تخمین زده شود. شکل ۳ B انحراف بزرگتر را در نمودار پراکندگی ۱:۱ پس از فراتر رفتن PET از ۱۵۰ میلی متر نشان می دهد.
استفاده از یادگیری ماشین از طریق یک مدل ANN تخمین MODIS-16 PET را بهبود بخشیده است. فقط با استفاده از PET بومی MODIS-16 و دمای متوسط ​​۸ روزه از دمای سطح زمین MODIS، عملکرد به محدوده مقدار r 0.92-0.94 افزایش یافت ( شکل ۴ ). این بهترین عملکرد با طرح نمونه برداری ۷۰:۱۵:۱۵ بود. مدل‌های دیگر که از متغیرهای اضافی مانند NDVI و بارندگی استفاده می‌کنند، نتوانستند بهترین کیفیت عملکرد را به دست آورند.
جدول ۲ بیشتر معیارهای عملکرد هر مجموعه داده را خلاصه می کند. همه مجموعه‌های داده عملکرد خوبی با محدوده MAE از ۱۱ تا ۱۳ میلی‌متر در سطح ماهانه نشان دادند، با مقادیر NRSME که همگی کمتر از ۱۰٪ از محدوده داده‌های داده شده است. این نتیجه از فرصت استفاده از داده های شبکه ای اصلاح شده برای ارزیابی مکانی-زمانی در مقیاس بزرگتر، به عنوان مثال، در مقیاس حوضه پشتیبانی می کند.
ما الگوی ماهانه PET را از هر ایستگاه هواشناسی بررسی کردیم و آنها را با PET بومی MODIS-16 و PET اصلاح شده MODIS-16 حاصل از ANN بالا مقایسه کردیم. شکل ۵ نشان می دهد که تغییرات ماهانه الگوی PET به خوبی توسط MODIS-16 PET اصلاح شده با ANN (PET_MOD ANN)، که با PET ایستگاه های هواشناسی همسو بود (PET اندازه گیری شده) به خوبی ثبت شد. در چهار مکان، مقادیر PET_MOD ANN در تطابق خوبی با PET اندازه‌گیری شده بود و توانست انحراف را که در ماه‌های خشک‌تر (مارس تا اکتبر) بزرگ‌تر می‌شد، سرکوب کند.

۳٫۲٫ الگوهای کمبود آب در سطح آبخیز

۳٫۲٫۱٫ الگوهای مکانی- زمانی کمبود حوضه ۲۰۰۱-۲۰۲۰

معماری ANN تایید شده سپس برای تمام داده‌های PET شبکه‌بندی شده از MODIS-16 PET از سال ۲۰۰۱ تا ۲۰۲۰ برای بررسی تغییرات مکانی-زمانی PET ماهانه در حوضه آبخیز Brantas استفاده شد. از شکل ۶ نمایان می شودکه حوضه در رابطه با مؤلفه کمبود تعادل آب، شرایط نوسانی را تجربه کرده است. تغییرات بین سالانه کل PET از مجموعه داده های ۲۰۰۱ تا ۲۰۲۰ مشاهده شد. نقشه های CWB از سال ۲۰۰۱ تا ۲۰۲۰ نشان می دهد که در هر سال، حوضه ممکن است دچار یک وضعیت کمبود شود که در آن P کل (بارش) کمتر از کل PET باشد. سال ۲۰۱۲ سالی بود که حوضه کمبود طولانی مدتی را تجربه کرد که در بیشتر نواحی نارنجی تا قرمز (قرمز به معنی منطقه ای است که کمبود ۱۲ ماهه را تجربه می کند) در داخل حوضه مشخص شده است. این وضعیت تقریباً یکنواخت بود و مناطق کمتر شدید عمدتاً مناطق پست بود. در سال ۲۰۱۹، تقریباً تمام مناطق در حوضه آبخیز کمبود کوتاه‌تری را تجربه کردند که با پیکسل‌های آبی تا سبز مشخص شد.
ارزیابی مجموعه داده‌های بلندمدت الگوهای فضایی ویژگی‌های PET را در حوضه آبخیز برانتاس نشان می‌دهد. تغییرات PET در حوضه آبخیز برانتاس از نظر مکانی به تنظیمات توپوگرافی مرتبط است ( شکل ۷ ). مناطق در مناطق کوهستانی در شکل ۷ A-C مناطقی هستند که نسبتاً کمترین PET را برای همه دسته ها دارند – دوره های سالانه و فصلی. این الگوها کنترل توپوگرافی و سایر متغیرهای آب و هوایی را در پویایی PET نشان می‌دهند. برانتاس حوضه ای با توپوگرافی پیچیده است. هفت مجموعه کوهستانی در حوضه آبخیز، شیب ها را در ارتفاعات و بارش های کوه نگاری شکل داده اند. این، تا حدی، تغییرات فضایی در PET را توضیح می دهد. شکل ۷B,C نشان دهنده الگوی فصلی PET است که در آن فصل خشک با نرخ PET بالا مشخص می شود. میانگین ماهانه PET در فصل خشک نزدیک به ۳۰ درصد بیشتر از PET در فصل مرطوب بود. این را می توان به نقش افزایش دما در طول فصل خشک که منجر به تشدید تبخیر و تعرق می شود نسبت داد. به همین ترتیب، ابرهای تشدید شده که در فصل مرطوب ایجاد شده اند، نشان دهنده افزایش رطوبت و سرکوب شدت آب خروجی به جو است.
۳٫۲٫۲٫ دینامیک تبخیر و تعرق و کمبود حوضه ۲۰۰۱-۲۰۲۰
PET بلند مدت همانطور که توسط آزمون Mann-Kendall در شکل ۸ مشاهده شد ، تنوع مکانی جهت روند و اهمیت روند را در طول ۲۰ سال گذشته نشان می دهد. شکل ۸ الف نشان می دهد که بیشتر پیکسل ها مقادیر شیب Sen مثبت (روندهای صعودی) را نشان می دهند. مناطق با شیب سن منفی بیشتر در قسمت میانی تا جنوبی حوضه یافت می شوند که از نظر اقلیمی مرطوب تر و بارندگی بیشتر هستند. مقادیر معنی‌داری چنین روندهایی در شکل ۸ B نشان می‌دهد که در ۲۰ سال گذشته، تنها بخش کوچکی از منطقه (تقریبا ۳۰ درصد از منطقه) روند آماری معنی‌داری ( ۰۵/۰ p-value ≤ کمتر) را در تبخیر و تعرق مشاهده کرده است. حوضه آبخیز
طبقه بندی سالانه دوره های کمبود آب از سال ۲۰۰۱ تا ۲۰۲۰ در شکل ۹ نشان داده شده است. در اینجا، روند مناطقی که کمبود آب را در دوره‌های مختلف تجربه می‌کنند، ترسیم کردیم. به طور کلی، یک دوره کمبود کوتاه (۳-۶ ماه) در دوره های اولیه (۲۰۰۱-۲۰۰۸) و (۲۰۱۴-۲۰۲۱) بر حوضه غالب بود. تنها در سال های ۲۰۰۹-۲۰۱۳، حوضه تحت سلطه کمبود طولانی مدت (۶-۹ ماه) بود. لازم به ذکر است که تعداد پیکسل های مورد استفاده در این تجزیه و تحلیل تحت تأثیر تعداد پیکسل های معتبر است که ممکن است بر محاسبه نسبت مناطق تحت تأثیر تأثیر بگذارد.
۳٫۲٫۳٫ الگوهای ماهیانه تعادل آب تحت نه کاربری مختلف پوشش گیاهی
حوضه آبخیز برانتاس، برای مدت طولانی، یک حوزه آبخیز تحت سلطه کشاورزی بوده است. با وجود افزایش شهرنشینی، نقش زمین های کشاورزی همچنان مهم است. در حال حاضر، اطلاعاتی درباره الگوهای PET که مختص محصول هستند در دسترس نیست. شکل ۱۰استفاده از PET اصلاح شده با ANN را برای بررسی الگوهای ماهیانه تعادل آب از مناطق مختلف پوشش گیاهی بررسی می کند. به طور کلی، دوره های کسری برای ۴ تا ۶ ماه به طول انجامید که PET معمولاً در سپتامبر به اوج خود می رسد. در زیر هشت پوشش مختلف، هیچ الگوی مشخصی از کمبود آب وجود نداشت. ماه ۵ (مه) معمولاً شروع کمبود بود و در ماه ۱۰ به پایان رسید. اختلاف بین پوشش ها عمدتاً به دلیل الگوها و بزرگی های مختلف باران بود. به عنوان مثال، جنگل خشک (DRF) کوچکترین منطقه را در تقاطع بین PET و P تجربه کرد که نشان دهنده کمترین کمبود شدید است. این شبیه به مناطق تحت پوشش درختان بلند (املاک صنعتی/HTI) بود. از سوی دیگر، مناطق منحنی کمبود به طور کلی در سایت‌های تحت پوشش گیاهی کم نظیر کشاورزی دیم (مخلوط محصولات) بزرگ‌تر بودند. باغبانی (سبزیجات)، ساوانا و ساج. دو پوشش آخر نمایانگر پوشش گیاهی کم و برخی دوره های برگریز است.
مکان‌هایی که در شکل ۱۰ انتخاب شده‌اند، مکان‌هایی با سابقه طولانی در انواع کاربری‌های زمین بودند. کاربری‌ها از نظر تاریخی دائمی هستند و برخی از آنها دارای فصول رشد متعددی مانند باغداری، برنج‌کاری و کشاورزی دیم هستند. الگوهای ماهیانه بیلان آب در شکل ۱۰ می تواند برای شناسایی دوره های بحرانی تامین آب مفید باشد و از این رو از اجرای برنامه های آبیاری برنامه ریزی شده حمایت کند.

۴٫ بحث

عملکرد داده های بومی MODIS-16 PET در منطقه مورد مطالعه با RMSE ماهانه ۳۷ تا ۵۴ میلی متر در ماه تا حدودی رضایت بخش نبود. این مقدار کمتر از مقادیر در چندین مطالعه بود که PET ماهانه MOD-16 را بررسی می کرد، به عنوان مثال، PET معتبر MOD-16 در چین با RMSE ماهانه ۲۶ میلی متر در ماه [ ۶۳ ]. استفاده از یادگیری ماشین از طریق مدل‌سازی ANN در این مطالعه برای ارائه تخمین‌های بهبود یافته از مقادیر PET با کاهش RMSE نشان داده شد. تخمین های بهبود یافته در مقایسه با سایر تخمین های مبتنی بر ANN در مکان های دیگر مانند چین با RMSE 18-19 میلی متر بسیار خوب در نظر گرفته می شوند [ ۱۶ ]]. این واقعیت که استفاده از NDVI به اندازه دما منجر به بهبود قابل توجهی نشد، ممکن است نشان دهد که الگوریتم MOD-16 PET به اندازه دما به تغییرات پوشش رویشی در مناطق گرمسیری حساس نیست. استفاده از متغیرهای توضیحی کمتر در این مطالعه توانست نتایج رضایت بخشی را ایجاد کند که برای مناطق آسیب دیده در مناطق گرمسیری مفید بود. با این نتیجه، چالش بعدی این است که چگونه می توان چنین برآوردهایی را کاهش داد تا برای ارزیابی در سطح میدانی مناسب باشند.
در چهار مکان، MOD-16 PET بومی برآورد بیش از حد را نشان می‌دهد، که در ماه‌های خشک‌تر بزرگ‌تر شد. این را می توان به دو علت بالقوه نسبت داد. اولین مورد در مناطق استوایی رایج است – فصول خشک روزهای گرم تری را نشان می دهند و باعث افزایش تبخیر و تعرق می شوند. دومی به طور بالقوه به دلیل ماهیت الگوریتم MODIS-16 PET است. PET ماهانه از MODIS-16 PET با استفاده از الگوریتم مبتنی بر Penman-Monteith با استفاده از MODIS-LAI [ ۵۰ ] به دست آمد. مطالعه در شرق آسیا [ ۶۴] نقش مناطق غیر کوچک ابری را در تخمین بیش از حد MODIS-16 ET، به دلیل تخمین بیش از حد LAI در این مناطق، برجسته کرد. این برآورد بیش از حد در مناطق گرمسیری شدیدتر از مناطق با عرض جغرافیایی بالاتر است. استفاده از یادگیری ماشین در بهبود تخمین‌های PET و استفاده از متغیرهای کمتر با وضوح فضایی بهتر می‌تواند PET شبکه‌بندی شده MODIS-16 را برای تجزیه و تحلیل دقیق‌تر قابل استفاده‌تر کند.
الگوی فضایی سالانه CWB با استفاده از PET تنظیم‌شده MODIS-16 و داده‌های بارندگی زمینی شبکه‌بندی شده نشان می‌دهد که BRB از نظر اقلیمی یکنواخت نیست. این نشان می دهد که کنترل کمبود آب می تواند در سراسر حوزه متفاوت باشد. بخش جنوبی BRB عموماً مستعد چنین کمبودی است. از نظر اقلیمی، این مناطق نیز مناطق نسبتاً خشک تری هستند. بخش‌های جنوبی نیز با تغییر شکل زمین مشخص می‌شوند که منجر به ایجاد مناطق محدب می‌شود که در آن، پس از تبخیر آب، آب اطراف به این مکان‌ها کشیده می‌شود و PET پایین‌تری باقی می‌ماند. در این مطالعه، PET اصلاح شده برای بررسی الگوی ماهانه مناطق زیر هشت پوشش گیاهی مختلف در سال ۲۰۲۰ استفاده شد. هشت منطقه در شکل ۱۰مناطقی از نوع کاربری دائمی/پوشش زمین انتخاب شدند. تفاوت در الگوی کمبود در میان انواع کاربری/پوشش زمین معنی‌دار نبود. در سیستم های برنجکاری، الگوی ماهانه PET در کمک به تخصیص آبیاری مفید است. با سه فصل رشد، نیاز به تامین آب بحرانی تر می شود. شناسایی الگوهای کمبود آب فضایی به اولویت بندی تخصیص آب به مناطقی که الگوهای کشت بیشتر است کمک می کند.

۵٫ نتیجه گیری ها

داده های بومی MODIS-16 PET برای ارائه اطلاعات شبکه بندی شده مکانی-زمانی مفید هستند. با این مجموعه داده، ارزیابی نیاز آب در سطح منطقه ای حوضه می تواند دقیق تر شود. با این حال، اعتبارسنجی زمینی از چهار سایت گرمسیری نشان می‌دهد که MODIS-16 PET بیش از حد برآورد شده است، که در ماه‌های خشک‌تر شدیدتر است. استفاده از یادگیری ماشین ANN تنها با یک متغیر دما با وضوح فضایی قابل مقایسه می‌تواند تخمین را بهبود بخشد و RMSE را در همه سایت‌ها کاهش دهد. استفاده بیشتر از PET شبکه ای تنظیم شده می تواند به شناسایی الگوی فضایی PET و کمبودهای مربوط به آب کمک کند. الگوهای زمانی PET در هشت پوشش گیاهی متفاوت، تفاوت‌ها را در دوره‌های کمبود آب نشان داد. در این مطالعه، عملکرد کلی تبخیر و تعرق ماهانه رضایت بخش بود، با این حال، بهبود مدل باید برای مسیرهای آینده در نظر گرفته شود. این می‌تواند شامل تلاش‌هایی برای کاهش مقیاس به وضوح زمانی روزانه یا هفتگی و به وضوح فضایی دقیق‌تر باشد. از نظر توسعه الگوریتم، استفاده از رویکرد مدل‌سازی شبکه عصبی پیشرفته‌تر باید در نظر گرفته شود، مشروط بر اینکه پیشرفت در منابع محاسباتی وجود داشته باشد. همه اینها در استفاده از پتانسیل داده های سنجش از دور در دسترس عموم برای حمایت از منابع آب، به ویژه در مناطقی که اطلاعات کمیاب دارند، مفید خواهد بود. مشروط بر اینکه پیشرفت در منابع محاسباتی وجود داشته باشد. همه اینها در استفاده از پتانسیل داده های سنجش از دور در دسترس عموم برای حمایت از منابع آب، به ویژه در مناطقی که اطلاعات کمیاب دارند، مفید خواهد بود. مشروط بر اینکه پیشرفت در منابع محاسباتی وجود داشته باشد. همه اینها در استفاده از پتانسیل داده های سنجش از دور در دسترس عموم برای حمایت از منابع آب، به ویژه در مناطقی که اطلاعات کمیاب دارند، مفید خواهد بود.

منابع

  1. یانگ، اچ. لو، پی. وانگ، جی. مو، سی. مو، ال. وانگ، ز. فو، ی. لین، اچ. یانگ، ی. تبخیر و تعرق اکوسیستم باتا، LD به عنوان پاسخی به تغییرات آب و هوا و پوشش گیاهی در شمال غربی یوننان، چین. PLoS ONE ۲۰۱۵ , ۱۰ , e0134795. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. یو، م. لی، کیو. هیز، ام جی. Svoboda، MD; هیم، RR آیا خشکسالی ها در چین بر اساس شاخص استاندارد تبخیر و تعرق بارش: ۱۹۵۱-۲۰۱۰ مکرر یا شدیدتر می شوند؟ بین المللی جی.کلیماتول. ۲۰۱۴ ، ۳۴ ، ۵۴۵-۵۵۸٫ [ Google Scholar ] [ CrossRef ]
  3. کاترجی، ن. کامپی، پی. Mastrorilli، M. بهره وری، تبخیر و تعرق، و بهره وری مصرف آب محصولات ذرت و گوجه فرنگی شبیه سازی شده توسط AquaCrop تحت شرایط متضاد تنش آبی در منطقه مدیترانه. کشاورزی مدیریت آب. ۲۰۱۳ ، ۱۳۰ ، ۱۴-۲۶٫ [ Google Scholar ] [ CrossRef ]
  4. فیشر، جی بی. Whittaker، RJ; Malhi, Y. ET بازگشت به خانه: تبخیر و تعرق بالقوه در اکولوژی جغرافیایی. گلوب. Ecol. Biogeogr. ۲۰۱۱ ، ۲۰ ، ۱-۱۸٫ [ Google Scholar ] [ CrossRef ]
  5. Teluguntla، P. ریو، دی. جورج، بی. واکر، جی پی تأثیر شالیزار برنج غرقابی بر تبخیر و تعرق سنجش از راه دور در حوضه رودخانه کریشنا، هند. هیدرول. روند. ۲۰۲۰ ، ۳۴ ، ۲۱۹۰-۲۱۹۹٫ [ Google Scholar ] [ CrossRef ]
  6. برومن، کالیفرنیا؛ Freyberg، DL; روزانه، GC تبخیر و تعرق بالقوه از جنگل و مرتع در مناطق استوایی: مطالعه موردی در کونا، هاوایی. جی هیدرول. ۲۰۱۲ ، ۴۴۰-۴۴۱٫ [ Google Scholar ] [ CrossRef ]
  7. Setegn، SG; Chowdary، VM; Mal, BC; یوهانس، اف. کونو، ی. مطالعه تعادل آب و استراتژی های آبیاری برای مدیریت پایدار یک دریاچه گرمسیری اتیوپی: مطالعه موردی دریاچه آلمایا. منبع آب مدیریت ۲۰۱۱ ، ۲۵ ، ۲۰۸۱-۲۱۰۷٫ [ Google Scholar ] [ CrossRef ]
  8. ویلم، HG; Thornthwaite، CW گزارش کمیته تبخیر و تعرق، ۱۹۴۶-۱۹۴۷٫ Eos Trans. صبح. ژئوفیز. اتحادیه ۱۹۴۸ ، ۲۹ ، ۲۵۸-۲۶۲٫ [ Google Scholar ] [ CrossRef ]
  9. شیانگ، ک. لی، ی. هورتون، آر. Feng, H. شباهت و تفاوت تبخیر و تعرق بالقوه و تبخیر و تعرق گیاه مرجع – بررسی. کشاورزی مدیریت آب. ۲۰۲۰ , ۲۳۲ , ۱۰۶۰۴۳٫ [ Google Scholar ] [ CrossRef ]
  10. Riou, C. مطالعه تجربی تبخیر و تعرق بالقوه (PET) در آفریقای مرکزی. جی هیدرول. ۱۹۸۴ ، ۷۲ ، ۲۷۵-۲۸۸٫ [ Google Scholar ] [ CrossRef ]
  11. لات، RB; Hunt, RJ برآورد تبخیر و تعرق در تالاب های طبیعی و ساخته شده. Wetlands ۲۰۰۱ , ۲۱ , ۶۱۴-۶۲۸٫ [ Google Scholar ] [ CrossRef ]
  12. لو، جی. سان، جی. مک نالتی، اس جی; آماتیا، DM مقایسه شش روش بالقوه تبخیر و تعرق برای استفاده منطقه ای در جنوب شرقی ایالات متحده. مربا. منبع آب دانشیار ۲۰۰۵ ، ۴۱ ، ۶۲۱-۶۳۳٫ [ Google Scholar ] [ CrossRef ]
  13. لی، اس. کانگ، اس. ژانگ، ال. ژانگ، جی. دو، تی. تانگ، ال. Ding, R. ارزیابی شش مدل تبخیر و تعرق بالقوه برای تخمین پتانسیل محصول و تبخیر و تعرق واقعی در مناطق خشک. جی هیدرول. ۲۰۱۶ ، ۵۴۳ ، ۴۵۰-۴۶۱٫ [ Google Scholar ] [ CrossRef ]
  14. راجب، ع. مرواد، وی. Yu, Z. منطق و اثربخشی جذب تبخیر و تعرق بالقوه سنجش از دور برای کاهش عدم قطعیت مدل‌های هیدرولوژیکی. منبع آب Res. ۲۰۱۸ ، ۵۴ ، ۴۶۱۵-۴۶۳۷٫ [ Google Scholar ] [ CrossRef ]
  15. Szewczak، K. لوش، اچ. پودلکو، آر. دوروسفسکی، آ. گلوبا، Ł. لوکوفسکی، ام. Rafalska-Przysucha، A.; اسلومینسکی، جی. Usowicz، B. نظارت بر خشکسالی کشاورزی با استفاده از داده های سنجش از راه دور تبخیر و تعرق بالقوه تغییر. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۴۱۱٫ [ Google Scholar ] [ CrossRef ]
  16. لیو، ی. ژانگ، اس. ژانگ، جی. تانگ، ال. Bai, Y. استفاده از الگوریتم شبکه عصبی مصنوعی و شاخص پوشش گیاهی سنجش از دور، دقت معادله penman-monteith را برای تخمین تبخیر و تعرق زمین‌های زراعی بهبود می‌بخشد. Appl. علمی ۲۰۲۱ ، ۱۱ ، ۸۶۴۹٫ [ Google Scholar ] [ CrossRef ]
  17. ار-راکی، س. چهبونی، ع. خبا، س. سیمونو، وی. جارلان، ال. اولدبا، ع. رودریگز، جی سی. آلن، آر. ارزیابی روش های تبخیر و تعرق مرجع در مناطق نیمه خشک: آیا می توان از داده های پیش بینی آب و هوا به عنوان جایگزین پارامترهای هواشناسی زمینی استفاده کرد؟ J. محیط خشک. ۲۰۱۰ ، ۷۴ ، ۱۵۸۷-۱۵۹۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. ها، دبلیو. Kolb، TE; Springer، AE; دور، اس. اودانل، اف سی؛ مارتینز مورالس، آر. ماسک لوپز، اس. مقایسه تبخیر و تعرق Koch، GW بین اندازه‌گیری‌های کوواریانس گردابی و مدل‌های مبتنی بر هواشناسی و سنجش از دور در جنگل‌های کاج پوندروسا آشفته. Ecohydrology ۲۰۱۵ ، ۸ ، ۱۳۳۵-۱۳۵۰٫ [ Google Scholar ] [ CrossRef ]
  19. پاپاداوید، گ. هاجیمیتسیس، دی. مایکلیدس، اس. Nisantzi، A. برآورد تبخیر و تعرق محصول با استفاده از سنجش از دور و شبکه موجود ایستگاه های هواشناسی در قبرس. Adv. Geosci. ۲۰۱۱ ، ۳۰ ، ۳۹-۴۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. کمالی، MI; نظری، ر. فریدحسینی، ع. انصاری، ح. اسلامیان، س. تعیین تبخیر و تعرق مرجع برای نقشه برداری توزیع فضایی با استفاده از زمین آمار. منبع آب مدیریت ۲۰۱۵ ، ۲۹ ، ۳۹۲۹-۳۹۴۰٫ [ Google Scholar ] [ CrossRef ]
  21. Kisi، O. مدل‌سازی تبخیر و تعرق از داده‌های اقلیمی با استفاده از تکنیک محاسبات عصبی. هیدرول. روند. ۲۰۰۷ ، ۲۱ ، ۱۹۲۵-۱۹۳۴٫ [ Google Scholar ] [ CrossRef ]
  22. کومار، م. راغوانشی، NS; سینگ، آر. رویکرد شبکه های عصبی مصنوعی در مدل سازی تبخیر و تعرق: یک بررسی. آبیاری علمی ۲۰۱۱ ، ۲۹ ، ۱۱-۲۵٫ [ Google Scholar ] [ CrossRef ]
  23. تراژکوویچ، اس. تودوروویچ، بی. Stankovic، M. پیش بینی تبخیر و تعرق مرجع توسط شبکه های عصبی مصنوعی. جی. آیریگ. زه کشی. مهندس ۲۰۰۳ ، ۶ ، ۴۵۴-۴۵۷٫ [ Google Scholar ] [ CrossRef ]
  24. زانتی، اس.اس. سوزا، EF; اولیویرا، معاون; Almeida، FT; برناردو، اس. برآورد تبخیر و تعرق با استفاده از شبکه عصبی مصنوعی و حداقل داده های اقلیمی. جی. آیریگ. زه کشی. مهندس ۲۰۰۷ ، ۲ ، ۸۳-۸۹٫ [ Google Scholar ] [ CrossRef ]
  25. لابودی، ع. موهوش، بی. Draoui, B. رویکرد شبکه عصبی برای مدل‌سازی تبخیر و تعرق مرجع از داده‌های اقلیمی محدود در مناطق خشک. بین المللی J. Biometeorol. ۲۰۱۲ ، ۵۶ ، ۸۳۱-۸۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. محمدی، ب. مهدی زاده، س. مدلسازی تبخیر و تعرق مرجع روزانه با رویکردی جدید مبتنی بر رگرسیون بردار پشتیبان همراه با الگوریتم بهینه سازی نهنگ. کشاورزی مدیریت آب. ۲۰۲۰ , ۲۳۷ , ۱۰۶۱۴۵٫ [ Google Scholar ] [ CrossRef ]
  27. گراناتا، اف. Di Nunno, F. پیش بینی تبخیر و تعرق در اقلیم های مختلف با استفاده از مجموعه ای از شبکه های عصبی مکرر. کشاورزی مدیریت آب. ۲۰۲۱ ، ۲۵۵ ، ۱۰۷۰۴۰٫ [ Google Scholar ] [ CrossRef ]
  28. بای، ی. ژانگ، اس. بهاتارای، ن. مالیک، ک. لیو، کیو. تانگ، ال. من، جی. گوا، ال. Zhang, J. در مورد استفاده از رویکردهای مجموعه مبتنی بر یادگیری ماشین برای بهبود تخمین تبخیر و تعرق از زمین‌های زراعی در یک گرادیان محیطی گسترده. برای. هواشناسی ۲۰۲۱ ، ۲۹۸ ، ۱۰۸۳۰۸٫ [ Google Scholar ] [ CrossRef ]
  29. فنگ، ی. کوی، ن. گونگ، دی. ژانگ، Q. Zhao، L. ارزیابی جنگل های تصادفی و شبکه های عصبی رگرسیون تعمیم یافته برای مدل سازی تبخیر و تعرق مرجع روزانه. کشاورزی مدیریت آب. ۲۰۱۷ ، ۱۹۳ ، ۱۶۳-۱۷۳٫ [ Google Scholar ] [ CrossRef ]
  30. کیسی، او. سانیخانی، ح. زونمت کرمانی، م. نیازی، ف. مدل سازی تبخیر و تعرق ماهانه بلند مدت با چندین روش مبتنی بر داده بدون داده های اقلیمی. محاسبه کنید. الکترون. کشاورزی ۲۰۱۵ ، ۱۱۵ ، ۶۶-۷۷٫ [ Google Scholar ] [ CrossRef ]
  31. فنگ، ی. پنگ، ی. کوی، ن. گونگ، دی. Zhang، K. مدلسازی تبخیر و تعرق مرجع با استفاده از ماشین یادگیری افراطی و شبکه عصبی رگرسیون تعمیم یافته تنها با داده های دما. محاسبه کنید. الکترون. کشاورزی ۲۰۱۷ ، ۱۳۶ ، ۷۱-۷۸٫ [ Google Scholar ] [ CrossRef ]
  32. دورجسورن، م. لیو، YA; Cheng، CH سری زمانی MODIS و تجزیه و تحلیل داده‌های درجا برای خشکسالی مغولستان. Remote Sens. ۲۰۱۶ , ۸ , ۵۰۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. شفیعیون، ا. قیصری، م. خیادانی، م. کوپای، ج.ا. شجاعی، پ. Moomkesh, M. ارزیابی تبخیر و تعرق مرجع در یک محیط شهری خشک با سیستم پایش داده ضعیف. هیدرول. روند. ۲۰۲۰ ، ۳۴ ، ۴۰۰۰–۴۰۱۶٫ [ Google Scholar ] [ CrossRef ]
  34. گمیتزی، ا. عجمی، ح. Richnow، HH توسعه معادلات تجربی ماهانه تغذیه آب زیرزمینی بر اساس مدل‌سازی و داده‌های سنجش از دور – مدل‌سازی تغذیه آب‌های زیرزمینی آینده برای پیش‌بینی اثرات بالقوه تغییرات آب و هوایی. جی هیدرول. ۲۰۱۷ ، ۵۴۶ ، ۱-۱۳٫ [ Google Scholar ] [ CrossRef ]
  35. کیم، ن. کیم، ک. لی، اس. چو، جی. لی، ی. بازیابی تبخیر و تعرق مرجع روزانه برای زمین‌های زراعی در کره جنوبی با استفاده از یادگیری ماشین با تصاویر ماهواره‌ای و داده‌های عددی پیش‌بینی آب و هوا. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۶۴۲٫ [ Google Scholar ] [ CrossRef ]
  36. مارتنز، بی. Miralles، DG; لیونز، اچ. ون در شالی، آر. De Jeu، RAM؛ فرناندز-پریتو، دی. بک، او؛ دوریگو، WA; Verhoest، NEC GLEAM v3: تبخیر زمین مبتنی بر ماهواره و رطوبت خاک ناحیه ریشه. Geosci. مدل. توسعه دهنده ۲۰۱۷ ، ۱۰ ، ۱۹۰۳-۱۹۲۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. ژانگ، ک. کیمبال، جی اس. Running, SW مروری بر تخمین تبخیر و تعرق واقعی مبتنی بر سنجش از دور. وایلی اینتردیسیپ. Rev. Water ۲۰۱۶ , ۳ , ۸۳۴-۸۵۳٫ [ Google Scholar ] [ CrossRef ]
  38. مو، کیو. ژائو، ام. در حال اجرا، S. معرفی مختصر به مجموعه داده تبخیر و تعرق MODIS (MOD16). منبع آب Res. ۲۰۰۵ ، ۴۵ ، ۱-۴٫ [ Google Scholar ]
  39. کیم، جی. هاگ، ارزیابی TS یک محصول تبخیر و تعرق بالقوه مبتنی بر MODIS در مقیاس نقطه ای. J. Hydrometeorol. ۲۰۰۸ ، ۹ ، ۴۴۴-۴۶۰٫ [ Google Scholar ] [ CrossRef ]
  40. راموئلو، ا. ماجوزی، ن. متیو، آر. یووانوویچ، ن. نیکلس، ا. Dzikiti، S. اعتبار سنجی محصول تبخیر و تعرق جهانی (MOD16) با استفاده از داده های برج شار در ساوانای آفریقا. اس افر. Remote Sens. ۲۰۱۴ , ۶ , ۷۴۰۶–۷۴۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. در آغوش گرفتن.؛ جیا، ال. Menenti، M. مقایسه محصولات تبخیر و تعرق MOD16 و LSA-SAF MSG در اروپا برای سال ۲۰۱۱٫ سنسور از راه دور محیط زیست. ۲۰۱۵ ، ۱۵۶ ، ۵۱۰-۵۲۶٫ [ Google Scholar ] [ CrossRef ]
  42. بایک، جی. لیاقت، UW; چوی، ام. ارزیابی محصولات تبخیر و تعرق مبتنی بر ماهواره و تحلیل مجدد با دو رویکرد ترکیبی بر روی مناظر پیچیده و آب و هوای استرالیا. کشاورزی برای. هواشناسی ۲۰۱۸ ، ۲۶۳ ، ۳۸۸-۳۹۸٫ [ Google Scholar ] [ CrossRef ]
  43. جینتینگ، ای. آجی، ص. خلاصه تحلیل اقتصادی اندونزی . گزارش بانک توسعه آسیایی؛ بانک توسعه آسیایی: ماندالویونگ، فیلیپین، ۲۰۱۵; در دسترس آنلاین: https://www.adb.org/sites/default/files/publication/177010/ino-paper-02-2015.pdf (دسترسی در ۱۸ ژانویه ۲۰۲۲).
  44. دیوندرا، سی. کشاورزی دیم: اهمیت و پتانسیل آن در امنیت غذایی جهانی. UTAR Agric. علمی J. ۲۰۱۶ , ۲ . در دسترس آنلاین: http://eprints.utar.edu.my/2005/1/Rainfed_agriculture_-_its_importance_and_potential_in_global_food_security.pdf (دسترسی در ۱۸ ژانویه ۲۰۲۲).
  45. هایاشی، ک. لورکا، ال. روستینی، س. ستیانتو، پ. زینی، ز. کاهش آسیب پذیری کشاورزی دیم از طریق پیش بینی آب و هوای فصلی: مطالعه موردی بر روی تولید برنج دیم در جنوب شرقی آسیا. کشاورزی سیستم ۲۰۱۸ ، ۱۶۲ ، ۶۶-۷۶٫ [ Google Scholar ] [ CrossRef ]
  46. BPS استانی جوا برات/BPS-آمار استان جوا برات. استان جاوا برات دالام آنگکا — استان جاوا برات در ارقام ۲۰۲۰ ; BPS Provinsi Jawa Barat/BPS-Statistics of Jawa Barat Province: Bandung، اندونزی، ۲۰۲۰٫ [ Google Scholar ]
  47. روسلیادی، م. لیبین، دبلیو. برنامه های توسعه کشاورزی برای کاهش فقر شواهد از اندونزی و چین – مورد مطالعه تطبیقی. آسیایی جی. کشاورزی. توسعه روستایی ۲۰۱۸ ، ۸ ، ۱۰۴-۱۱۸٫ [ Google Scholar ] [ CrossRef ]
  48. Boling، AA; Tuong، TP; ون کولن، اچ. بومن، بام; سوگاندا، اچ. Spiertz، JHJ شکاف عملکرد برنج دیم در مزارع کشاورزان در جاوه مرکزی، اندونزی. کشاورزی سیستم ۲۰۱۰ ، ۱۰۳ ، ۳۰۷-۳۱۵٫ [ Google Scholar ] [ CrossRef ]
  49. سکارانوم، AB; نورجانی، ا. Nucifera، F. سازگاری با تغییرات آب و هوایی کشاورزی در Kebumen، جاوه مرکزی، اندونزی. پایداری ۲۰۲۱ ، ۱۳ ، ۷۰۶۹٫ [ Google Scholar ] [ CrossRef ]
  50. در حال اجرا، SW; مو، کیو. ژائو، ام. Moreno، A. MODIS تبخیر و تعرق جهانی زمینی (ET) محصول (NASA MOD16A2/A3) سیستم مشاهده زمین ناسا الگوریتم زمین MODIS ; ناسا: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۷٫ [ Google Scholar ]
  51. طبری، ح. طلایی، کالیبراسیون موضعی PH معادلات هارگریوز و پریستلی-تیلور برای تخمین تبخیر و تعرق مرجع در اقلیم های خشک و سرد ایران بر اساس مدل پنمن-مانتیث. جی هیدرول. مهندس ۲۰۱۱ ، ۱۶ ، ۸۳۷-۸۴۵٫ [ Google Scholar ] [ CrossRef ]
  52. یان، اچ. وانگ، اس کیو. بیلسباخ، دی. اوچل، دبلیو. ژانگ، جی اچ. مایرز، تی. مارتین، TA; ماتامالا، ر. بالدوکی، دی. بوهرر، جی. و همکاران برآورد جهانی تبخیر و تعرق با استفاده از یک مدل انرژی سطحی و تعادل آب مبتنی بر شاخص سطح برگ. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۴ ، ۵۸۱-۵۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. بهاتارای، ن. مالیک، ک. استوارت، جی. Vishwakarma، BD; نیراولا، آر. سن، اس. جین، ام. چارچوب نقشه برداری تبخیر و تعرق چند مدل خودکار با استفاده از داده های سنجش از راه دور و تحلیل مجدد. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۲۹ ، ۶۹–۹۲٫ [ Google Scholar ] [ CrossRef ]
  54. ون بالن، اس. نجمان، وی. Sözer, R. توزیع و حفاظت از جوان شاهین عقاب Spizaetus bartelsi. محافظ پرندگان بین المللی ۱۹۹۹ ، ۹ ، ۳۳۳-۳۴۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. باتاچارجی، NV; Tollner, EW بهبود مدیریت سیستم‌های کمپوست پنجره‌ای با مدل‌سازی دینامیک کیفیت آب رواناب با استفاده از شبکه عصبی مکرر. Ecol. مدل. ۲۰۱۶ ، ۳۳۹ ، ۶۸-۷۶٫ [ Google Scholar ] [ CrossRef ]
  56. مهدی زاده، س. برآورد تبخیر و تعرق مرجع روزانه (ETo) با استفاده از روش‌های هوش مصنوعی: ارائه یک رویکرد جدید برای مدل‌سازی مبتنی بر داده ETo با تاخیر. جی هیدرول. ۲۰۱۸ ، ۵۵۹ ، ۷۹۴-۸۱۲٫ [ Google Scholar ] [ CrossRef ]
  57. فریزر، RH; اولتوف، آی. کریر، ام. دشان، آ. Pouliot, D. تشخیص تغییرات طولانی مدت در پوشش گیاهی در شمال کانادا با استفاده از آرشیو تصاویر ماهواره ای Landsat. محیط زیست Res. Lett. ۲۰۱۱ ، ۶ ، ۴۵-۵۰۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. پیرونکووا، ز. ویلی، آر. Lan، K. تجزیه و تحلیل سری زمانی کامپوزیت های Landsat NDVI با موتور Google Earth و R: راهنمای کاربر. در راهنمای فنی علوم و تحقیقات TM-06 ; وزارت منابع طبیعی و جنگلداری انتاریو، شاخه علوم و تحقیقات: Peterborough، ON، کانادا، ۲۰۱۸٫ [ Google Scholar ]
  59. اراسمی، س. شوکنخت، آ. باربوسا، نماینده مجلس؛ Matschullat، J. سبزی پوشش گیاهی در شمال شرقی برزیل و ارتباط آن با رویدادهای گرم ENSO. Remote Sens. ۲۰۱۴ , ۶ , ۳۰۴۱–۳۰۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. Fassnacht، FE; شیلر، سی. کاتنبورن، تی. ژائو، ایکس. Qu, J. محصول روند پوشش گیاهی مبتنی بر Landsat فلات تبت برای دوره زمانی ۱۹۹۰-۲۰۱۸٫ علمی داده ۲۰۱۹ ، ۶ ، ۷۸٫ [ Google Scholar ] [ CrossRef ]
  61. تورس-باتلو، جی. مارتی-کاردونا، بی. Pillco-Zolá، R. نقشه برداری از روند تبخیر و تعرق، پوشش گیاهی و بارش در حوضه آبریز دریاچه Poopó در حال کاهش. Remote Sens. ۲۰۲۰ , ۱۲ , ۷۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. پامونگکاس، دبلیو. جونز، مناطق حفاظت شده کوهستانی اندونزی: پارک های ملی و گردشگری مبتنی بر طبیعت. در گردشگری طبیعت محور در مناطق حفاظت شده کوهستانی آسیا ؛ Springer: Cham، آلمان، ۲۰۲۱٫ [ Google Scholar ]
  63. لی، ام. چو، آر. اسلام، ARMT; Shen, S. ویژگی های تبخیر و تعرق سطحی و پاسخ آن به آب و هوا و استفاده از زمین و پوشش زمین در حوضه رودخانه Huai در شرق چین. محیط زیست علمی آلودگی Res. ۲۰۲۱ ، ۲۸ ، ۶۸۳-۶۹۹٫ [ Google Scholar ] [ CrossRef ]
  64. وانگ، ی. لی، آر. هو، جی. وانگ، ایکس. کابجا، سی. Min، Q. Wang, Y. ارزیابی‌های MODIS و محصولات تبخیر و تعرق ماهواره‌ای مبتنی بر مایکروویو تحت شرایط ابری متنوع در جنگل‌های آسیای شرقی. سنسور از راه دور محیط. ۲۰۲۱ ، ۲۶۴ ، ۱۱۲۶۰۶٫ [ Google Scholar ] [ CrossRef ]
Ijgi 11 00182 g001 550
شکل ۱٫ منطقه مطالعه حوضه برانتاس و توزیع مکان های اعتبارسنجی (دایره های سبز).
Ijgi 11 00182 g002 550
شکل ۲٫ نمودار شماتیک یک شبکه عصبی مصنوعی، با n نشان دهنده تعداد لایه ها و X نشان دهنده متغیرهای ورودی است.
Ijgi 11 00182 g003a 550 Ijgi 11 00182 g003b 550
شکل ۳٫ توزیع احتمال PET ماهانه از PET بومی MODIS-16 (MOD) و اندازه گیری میدانی (MET). ( A ) نمودارهای اعتبارسنجی PET ماهانه از فصل خشک و فصول مرطوب، و ترکیبی ( B ) و الگوهای خطای مطلق با کلاس های PET اندازه گیری شده ( C ).
Ijgi 11 00182 g004a 550 Ijgi 11 00182 g004b 550
شکل ۴٫ عملکرد مدل ANN PET تنظیم شده MODIS-16 از مجموعه داده های مختلف: با استفاده از تمام مجموعه داده ها ( A ). فقط از مجموعه داده آموزشی ( B )؛ مجموعه داده آزمایشی ( C ) و مجموعه داده اعتبارسنجی ( D ).
Ijgi 11 00182 g005 550
شکل ۵٫ الگوهای PET ماهانه از PET بومی MODIS-16 (PET_MODIS)، ANN-PET (PET_MOD ANN)، و PET اندازه گیری شده در چهار مکان آب و هوایی (PET_Measured).
Ijgi 11 00182 g006 550
شکل ۶٫ روندها و الگوهای مدت زمان کمبود آب در حوضه آبخیز برانتاس ۲۰۰۱-۲۰۲۰٫ آبی: ۱ ماه – قرمز: ۱۲ ماه.
Ijgi 11 00182 g007 550
شکل ۷٫ الگوهای فضایی PET بلندمدت در سه مقیاس زمانی مختلف: میانگین بلندمدت کل PET سالانه ( A )، میانگین بلندمدت ماهانه فصل خشک ( B ) و میانگین بلند مدت ماهانه فصل خشک ( ج )، از ۲۰۰۱ تا ۲۰۲۰٫
Ijgi 11 00182 g008 550
شکل ۸٫ شیب سن ( A ) و مقادیر p ( B ) آزمون Mann-Kendall که روی PET سالانه بلندمدت ۲۰۰۱-۲۰۲۱ در حوضه آبخیز برانتاس انجام شد.
Ijgi 11 00182 g009 550
شکل ۹٫ تغییرات بین سالی مناطقی که کمبود آب در حوضه آبخیز برانتاس را از سال ۲۰۰۱ تا ۲۰۰۱ تجربه می کنند، همانطور که توسط ANN-PET تنظیم شده و داده های بارندگی میدانی مشاهده شده است.
Ijgi 11 00182 g010a 550 Ijgi 11 00182 g010b 550
شکل ۱۰٫ پوشش زمین و الگوی ماهیانه تعادل آب در کاربری های مختلف پوشش گیاهی در برانتاس: ساج ( A , B ); مزارع نیشکر ( C , D ); مزرعه برنج ( E , F ); کشاورزی دیم ( G , H ); ساوانا ( I , J )؛ شهرک صنعتی ( K , L ); جنگل خشک ( M , N ); باغبانی (سبزیجات) ( O , P ).

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما