کلید واژه ها:
MOD-16 ET ; تبخیر و تعرق بالقوه حوضه آبریز برانتاس
۱٫ مقدمه
-
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
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
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:
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
۳٫ نتایج
۳٫۱٫ عملکرد اعتبارسنجی MOD-16 ET و یک مدل ANN برای بهبود تخمین PET در حوضه آبخیز برانتاس
۳٫۲٫ الگوهای کمبود آب در سطح آبخیز
۳٫۲٫۱٫ الگوهای مکانی- زمانی کمبود حوضه ۲۰۰۱-۲۰۲۰
۳٫۲٫۲٫ دینامیک تبخیر و تعرق و کمبود حوضه ۲۰۰۱-۲۰۲۰
۳٫۲٫۳٫ الگوهای ماهیانه تعادل آب تحت نه کاربری مختلف پوشش گیاهی
۴٫ بحث
۵٫ نتیجه گیری ها
منابع
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- ویلم، HG; Thornthwaite، CW گزارش کمیته تبخیر و تعرق، ۱۹۴۶-۱۹۴۷٫ Eos Trans. صبح. ژئوفیز. اتحادیه ۱۹۴۸ ، ۲۹ ، ۲۵۸-۲۶۲٫ [ Google Scholar ] [ CrossRef ]
- 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 ]
- Riou, C. مطالعه تجربی تبخیر و تعرق بالقوه (PET) در آفریقای مرکزی. جی هیدرول. ۱۹۸۴ ، ۷۲ ، ۲۷۵-۲۸۸٫ [ Google Scholar ] [ CrossRef ]
- لات، RB; Hunt, RJ برآورد تبخیر و تعرق در تالاب های طبیعی و ساخته شده. Wetlands ۲۰۰۱ , ۲۱ , ۶۱۴-۶۲۸٫ [ Google Scholar ] [ CrossRef ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- Kisi، O. مدلسازی تبخیر و تعرق از دادههای اقلیمی با استفاده از تکنیک محاسبات عصبی. هیدرول. روند. ۲۰۰۷ ، ۲۱ ، ۱۹۲۵-۱۹۳۴٫ [ Google Scholar ] [ CrossRef ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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).
- 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).
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
- 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 ]
بدون دیدگاه