بهاره بهمن آبادی؛ عباس کاویانی
چکیده
شناخت و ارزیابی تبخیر و تعرق از سطوح گیاهی یک ابزار اساسی در محاسبه بیلان آب و تخمین نیاز آبی و دسترسی به آن است. در این تحقیق بهمنظور بررسی توزیع مکانی تبخیروتعرق و رابطه آن با سنجش از دور در مقابل دادههای لایسیمتری به عنوان شاهد در منطقه برازجان واقع در استان بوشهر، ایران انجام شد. در این پژوهش از 46 تصویر بدون ابر و روزانه از سنجنده ...
بیشتر
شناخت و ارزیابی تبخیر و تعرق از سطوح گیاهی یک ابزار اساسی در محاسبه بیلان آب و تخمین نیاز آبی و دسترسی به آن است. در این تحقیق بهمنظور بررسی توزیع مکانی تبخیروتعرق و رابطه آن با سنجش از دور در مقابل دادههای لایسیمتری به عنوان شاهد در منطقه برازجان واقع در استان بوشهر، ایران انجام شد. در این پژوهش از 46 تصویر بدون ابر و روزانه از سنجنده MODIS، 7 تصویر از سنجنده ETM+ و 7 تصویر از سنجنده TM در طول فصل رشد از ماه فروردین تا شهریور در خلال سال‌های 80 تا 82 استفاده شده است. براساس نتایج بدست آمده از اجرای سه مدل SEBAL، SSEB و TSEB در هر سه ماهواره، سنجنده MODIS دارای کمترین میزان خطا بوده (بهترتیب برای هر سه الگوریتم RMSE=0.856,1.385,2.7mm/day) و پس از آن ماهواره لندست 7 با قدرت تفکیک مکانی بالاتر در رده دوم قرار میگیرد (بهترتیب برای هر سه الگوریتم RMSE=1.042,1.56,2.76 mm/day) و در نهایت ماهواره لندست 5 بیشترین میزان خطا را به خود اختصاص میدهد (بهترتیب برای هر سه الگوریتم RMSE=1.14, 1.97, 3.06 mm/day). در بررسی وضعیت پوشش گیاهی براساس شاخص نرمال شده تفاوت پوشش گیاهی، در ابتدای دوره کشت به دلیل جوانهزنی و تنک بودن پوشش گیاهی، این شاخص در پایینترین حد خود قرار دارد و بهترتیب با افزایش دمای هوا و میزان پوشش گیاهی، این شاخص رو به افزایش است. فاکتور L اهمیت بهسزایی در برآورد شاخص پوشش گیاهی تعدیل شده برحسب خاک و در نهایت، صحتسنجی برآوردهای بدست آمده تبخیروتعرق برای منطقه مورد مطالعه دارد که به پوشش منطقه وابسته است. در این تحقیق برای منطقه مورد مطالعه مقدار L=0.6 تخمین زده شد که در مقایسه با دیگر مقادیر مورد بررسی، دارای کمترین مقدار خطا بود ((RMSE=0.6. الگوریتم SEBAL نسبت به سه الگوریتم دیگر به دادههای لایسیمتری نزدیکتر بوده و از دقت بالاتری برخوردار است. عملکرد مناسب الگوریتم SEBAL به دلیل جزئی‌نگری در فرمولاسیون و اجرای این الگوریتم بوده است. الگوریتم SSEB براساس تئوری سادهتر و برمبنای انرژی حرارتی سطح زمین بوده که نسبت به الگوریتم SEBAL در رده دوم قرار میگیرد. الگوریتم دومنبعی ضعیفترین نتایج را در میان الگوریتم‌ها از خود نشان داد. در مقایسه عملکرد تصاویر ماهوارهای بطورکلی سنجنده MODIS به دلیل قدرت تفکیک زمانی مناسب و تعدد تصاویر نسبت به دو سنجنده ETM+ و TM و ارائه سری زمانی بیشتر، برای برآورد تبخیروتعرق در مقیاس منطقهای مناسب میباشد.
لاله پرویز
چکیده
تقاضای روزافزون به آب و تغییرات اقلیمی منجر به ایجاد فشار جهت استفاده کارآمد آب در بخش کشاورزی شده است. بنابراین آگاهی از نیاز آبی گیاه جهت افزایش بازده آبیاری لازم میباشد. در این راستا یازده شاخص گیاهی حاصل از تصاویر ماهوارهای سنجنده MODIS در بازه زمانی 2013- 2016 برای محصول سیب‌زمینی در محدوده بین شهرستان‌های بستان آباد و تبریز استخراج ...
بیشتر
تقاضای روزافزون به آب و تغییرات اقلیمی منجر به ایجاد فشار جهت استفاده کارآمد آب در بخش کشاورزی شده است. بنابراین آگاهی از نیاز آبی گیاه جهت افزایش بازده آبیاری لازم میباشد. در این راستا یازده شاخص گیاهی حاصل از تصاویر ماهوارهای سنجنده MODIS در بازه زمانی 2013- 2016 برای محصول سیب‌زمینی در محدوده بین شهرستان‌های بستان آباد و تبریز استخراج شدند. جهت انتخاب شاخص‌های گیاهی مؤثر از تحلیل مؤلفه‌های اصلی استفاده شد که برای این منظور شبکه عصبی مصنوعی برای مدلسازی مؤلفه‌های حاصل از تحلیل و ضریب گیاهی بکار برده شد. از بین مؤلفه‌های مورد بررسی، سه مولفه اول با در اختیار داشتن 45/85 درصد واریانس کل انتخاب شدند. در سه بررسی انجام شده در مورد نوع مؤلفه‌های روش تحلیل مؤلفه‌های اصلی، به‌طور متوسط بررسی اول نسبت به بررسی دوم و سوم منجر به کاهش 75/55 درصد RMSE شد. شاخص‌های حاصل از باندهای انعکاسی مانند شاخص NDVI و شاخص‌های بهبود یافته براساس منطقه مورد مطالعه مانند شاخص‌های SAVI و MSAVI از کارایی قابل قبولی برخوردار بودند. کاهش 66/66 درصد ضریب LST از مولفه سوم به اول حاکی از افزایش دقت نتایج شاخص‌های باندهای حرارتی در صورت ترکیب با شاخص‌های باندهای انعکاسی مانند شاخص TVX بود. برآورد ضریب گیاهی با شاخص‌های گیاهی حاصل از تحلیل مؤلفه‌های اصلی در مدلسازی شبکه عصبی دارای تخمین کم‌برآوردی حدود یک درصد در دوره صحتسنجی بوده است.
