آمنه میان آبادی؛ امین علیزاده؛ سیدحسین ثنایی نژاد؛ بیژن قهرمان؛ کامران داوری
چکیده
الگوریتم سبال ابزاری است که از آن برای تخمین توزیع مکانی تبخیر- تعرق واقعی با استفاده از تصاویر ماهوارهای از جمله مودیسو لندست استفاده میشود. اگرچه تصاویر لندست دارای توان تفکیک مکانی بالاتری نسبت به تصاویر مودیس هستند (30 متر در برابر 1000 متر)، اما توان تفکیک زمانی آنها نسبت به تصاویر مودیس کمتر است (هر 16 روز در برابر هر روز). ...
بیشتر
الگوریتم سبال ابزاری است که از آن برای تخمین توزیع مکانی تبخیر- تعرق واقعی با استفاده از تصاویر ماهوارهای از جمله مودیسو لندست استفاده میشود. اگرچه تصاویر لندست دارای توان تفکیک مکانی بالاتری نسبت به تصاویر مودیس هستند (30 متر در برابر 1000 متر)، اما توان تفکیک زمانی آنها نسبت به تصاویر مودیس کمتر است (هر 16 روز در برابر هر روز). از طرف دیگر، تصاویر هر روزه مودیس به دلیل مشکلاتی از قبیل ابرناکی ممکن است همیشه قابل استفاده نباشد و همچنین تفسیر تصاویر متعدد به شدت زمان بر است. در این مطالعه از بین تصاویر هر روزه مودیس تصاویری انتخاب شد که بتواند تغییرات ناگهانی جوی و بارشهای رخداده را پایش نموده تا بتوان با کاهش زمان مورد نیاز برای تفسیر تصاویر ماهوارهای بدون از دست دادن اطلاعات مفید تصاویر، به تخمینی بهتر از تبخیر-تعرق واقعی دست یافت. با توجه به اهمیت انتخاب پیکسل های سرد و گرم و به دلیل اینکه انتخاب این پیکسلها نیاز به مهارت زیادی دارد و زمانبر میباشد، در این مطالعه از الگوریتم انتخاب خودکار پیکسل سرد و گرم (بدون دخالت کاربر) با کمک تصاویر لندست استفاده شد. در نهایت برای تخمین تبخیر- تعرق سالانه از روی تصاویر روزانه، علاوه بر استفاده از روش درونیابی خطی بین تصاویر، از روش خطی- لگاریتمی نیز استفاده شد. تبخیر- تعرق به دست آمده از الگوریتم سبال با شرایط توصیف شده در بالا، با تبخیر- تعرق حاصل از معادله بیلان آب و خروجی مدل SWAT برای سه سال تر (1384-1383)، نرمال (1385-1384) و خشک (1387-1386) در حوضه نیشابور- رخ مقایسه شد. همچنین برای صحتسنجی نتایج از چارچوب بادیکو نیز استفاده شد. بر اساس نتایج به دست آمده، در مقایسه با مدل SWAT، روش خطی- لگاریتمی نتایج بهتری ارائه داد (RMSE، MBE و MAE برای روش خطی-لگاریتمی به ترتیب 4/20، 09/0 و 4/18 میلیمتر در سال و برای روش خطی به ترتیب 8/21، 4/2-، 8/20 میلیمتر در سال بود). نتایج همچنین نشان داد که انتخاب خودکار پیکسل سرد و گرم در الگوریتم سبال ، نتایج قابل قبولی برای تخمین تبخیر- تعرق واقعی در مقیاس زمانی سالانه و مقیاس مکانی کل حوضه به همراه دارد. اما در مقیاسهای کوچکتر مکانی (واحدهای پاسخ هیدرولوژیکی) و زمانی (ماهانه) نتایج الگوریتم سبال با خروجی مدل SWAT همبستگی خوبی ندارد. نتایج همچنین گواهی داد که با وارد کردن عمق آبیاری در منحنیهای بادیکو، تبخیر به دست آمده توسط الگوریتم سبال و مدل SWAT از چارچوب بادیکو تبعیت میکند.