مدیریت آب در کشاورزی

مدیریت آب در کشاورزی

برآورد بارش موثر با بکارگیری سنجش از دور و مدل‌سازی آن با متغیرهای هواشناسی تحت الگوریتم‌های یادگیری پرکاربرد و شبکه عصبی پیشخور

نوع مقاله : مقاله پژوهشی

نویسندگان
سهیلا محتشمی 1
زهرا آقاشریعتمداری 2
1 دانشکده کشاورزی و منابع طبیعی دانشگاه تهران
2 استادیار/گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
چکیده
بارش یکی از مهم‌ترین اجزای جریان‌های هیدرولوژیکی به حساب می‌آید که میزان موثر و قابل استفاده آن برای گیاه در بخش کشاورزی و به ویژه کشت دیم از اهمیت بالایی برخوردار است. در این پژوهش، باران مؤثر در اراضی تحت کشت گندم دیم شهرستان خمین با به‌کارگیری سنجش از دور و اجرای الگوریتم سبال بر روی 28 تصویر موجود از لندست 8 در سال‌های زراعی 1394-1393 تا 1401-1400 برآورد گردید. برای ارزیابی دقت الگوریتم سبال از روش‌ پنمن مانتیث استفاده شد. سپس، به منظور توسعه یک مدل از تخمین بارش موثر به کمک شبکه عصبی و داده‌های هوشناسی ابتدا، میزان هم‌بستگی میان متغیرهای هواشناسی و درجه حرارت رشد روزانه (GDD) با بارش مؤثر به روش هم‌بستگی پیرسون بررسی و با توجه به نتایج هم‌بستگی‌ها، متغیرها از نظر میزان هم‌بستگی اولویت‌بندی شدند. از داده‌های هواشناسی سه ایستگاه از نزدیک‌ترین ایستگاه‌های همدید به منطقه مورد مطالعه برای درونیابی متغیرهای هواشناسی با روش عکس فاصله استفاده شد. با توجه به نتایج هم‌بستگی‌ها، متغیر دمای متوسط با هم‌بستگی 92/0 و متغیرهای GDD و حداکثر رطوبت نسبی به‌ترتیب با هم‌بستگی 86/0 و 77/0- به عنوان متغیرهای موثر در برآورد بارش مؤثر شناخته شدند. در مرحله بعد متغیرهای موثر تحت سناریوهای مختلف برای آموزش شبکه‌ها به‌کار گرفته شدند و عملکرد شبکه‌ها با استفاده از معیار خطای RMSE و MBE ارزیابی شد. نتایج نشان داد که می‌توان با به‌کارگیری الگوریتم یادگیری Bayesian regularization و با داشتن متغیرهای دمای روزانه و GDD با دقت بسیار خوبی میزان بارش مؤثر را برای منطقه مورد نظر پیش‌بینی نمود. مقدارRMSE این مدل 1899/0 میلی‌متر و MBE آن 0115/0- میلی‌متر برآورد شد. با استفاده از مدل ارائه شده می‌توان تنها با داشتن متغیرهای ساده‌ی هواشناسی، تبخیر تعرق واقعی و در نهایت بارش مؤثر منطقه دیم مورد نظر را بدون نیاز به حل الگوریتم‌های پیچیده (نظیر سبال) با دقت مناسبی تخمین زد.
کلیدواژه‌ها
الگوریتم سبال
الگوریتم‌های یادگیری
بارش موثر
تبخیر تعرق
شبکه عصبی

عنوان مقاله English

Estimating effective precipitation using remote sensing and its modeling with meteorological variables under commonly used learning algorithms and FFNN

نویسندگان English

soheila mohtashami 1
Zahra Aghashariatmadari 2
1 university of tehran
2 Assistant Prof., Irrigation & Reclamation Engrg. Dept. University of Tehran Karaj, Iran. Tel/Fax:+98-263-2241119
چکیده English

Precipitation is considered one of the most important components of hydrological cycle, and its effective and usable amount for plants is of great importance in the agricultural sector, especially rainfed cultivation. In this research, the effective precipitation (EP) in dry wheat fields of Khomein city was estimated by using RS and SEBAL on 28 available images from Landsat8 in the crop years 2014 to 2022. Penman-Monteith-Fao method was used to evaluate the accuracy of SEBAL. Then, a model of EP estimation was developed with ANN and meteorological data. For this purpose, the correlation between meteorological data and Growin Degree Days (GDD) with EP was investigated by Pearson's correlation method. the meteorological data of three stations from the closest synoptic stations to the study area were used and The meteorological data of the study area were interpolated using the Inverse Distance Weighting method (IDW). According to the results of the correlations, the average temperature parameter with a correlation of 0.92 and the GDD and the maximum relative humidity respectively with a correlation of 0.86 and -0.77 as effective variables in estimating EP. In the next step, the most effective parameters were used for modeling. the networks were trained under different scenarios, and the performance of the networks was evaluated using the RMSE and MBE error criteria. The results showed that by using the BR learning algorithm and having the variables of daily temperature and GDD, it is possible to predict the amount of EP for the target area with very good accuracy. The RMSE value of this model was 0.1899 mm and MBE was estimated as -0.0115 mm. By using the presented model, with simple meteorological variables, the actual evapotranspiration and finally the EP of the desired area can be determined with appropriate accuracy without the need to solve complex algorithms.

کلیدواژه‌ها English

SEBAL
Effective precipitation
Evapotranspiration
Learning algorithm
Feedforward Neural network
پورغلام آمیجی، م.، هوشمند، م.، رجا، ا. و لیاقت، م. 1398. پهنه­بندی باران مؤثر در استان خوزستان تحت کشت گندم دیم پاییزه. مدیریت آب و آبیاری. 9 (2): 230-211.
ثنایی نژاد، س. ح.، نوری، س. و هاشمی نیا، س. م. 1390. برآورد تبخیر و تعرق واقعی با استفاده از تصاویر ماهواره‌ای در منطقه مشهد. نشریه آب و خاک، 25 (3): 547-540.
صحراگرد، س.، و ناصری، ع.، و الباجی، م.، و کابلی زاده، م. 1399. برآورد تبخیر و تعرق واقعی با الگوریتم توازن انرژی سطحی سبال و تصاویر تلفیق‌شده‌ی ماهواره‌ای لندست 8 و سنتینل 2 (مطالعه موردی: کشت و صنعت نیشکر میرزا کوچک خان). آبیاری و زهکشی ایران. 14(1 ): 167-156.
طاهری، پ.، افضل، ع. و طاهری، پ. 1389. مطالعه عملکرد شبکه­های عصبی مصنوعی و رگرسیون نمایی در پیش­بینی باران مؤثر. مهندسی آب. 1(1): 83-75.
عظیمی، ع.، رنگزن، ک.، کابلی زاده، م. و خرمیان، م. 1394. برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه‌های عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی (کاربرد سنجش از دور و GIS در علوم منابع طبیعی). 6 (4): 61-75.
عظیمی، و.، شیخعلیپور، ز. و طباطبایی، س.م. 1391. برآورد باران مؤثر با استفاده از سیستم استنتاج تطبیقی عصبی- فازی.ANFIS سومین همایش ملی مدیریت جامع منابع آب، 20 و 21 شهریور ماه 1391، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری.
محتشمی، س. و لیاقت، ع. 1401. برآورد بارش مؤثر به روش حل معکوس و تخمین آن با به‌کارگیری هوش مصنوعی (مطالعه موردی: استان کرمانشاه). مدل­سازی و مدیریت آب و خاک. 3(1): 249-261.
ملک­پور، م.، بابازاده، ح.، کاوه، ف. و ابراهیمی پاک، ن. ع. 1395. برآورد تبخیر تعرق واقعی بهره­وری آب گندم با استفاده از الگوریتم سبال و تصاویر ماهواره­ای لندست 5 در دشت قزوین. نشریه پژوهش آب در کشاورزی. 30 (4): 582-570.
میرمحمدصادقی، ا.، قبادی نیا، م. و رحیمیان، م. 1398. برآورد تبخیر از سطح آزاد دریاچه سد زاینده­رود با استفاده از سبال و مقایسه با روش­های تجربی. نشریه آب و خاک. 4 (33): 548-537.
میریعقوب زاده، م.، سلیمانی، ک.، حبیب نژادروشن، م.، شاهدی، ک.، عباس پور، ک. و اخوان، س. 1393. تعیین و ارزیابی تبخیر و تعرق واقعی با استفاده از داده­های سنجش از دور؛ مطالعه موردی حوزه آبخیز تمر, گلستان. مهندسی آبیاری و آب ایران. 4 (15): 102-89.
هژبر، ح. 1391. مقایسه تبخیر و تعرق پتانسیل با روش پنمن مانتیث اصلاح‌شده، مدل­سازی شبکه عصبی مصنوعی و سیستم فازی با داده­های لایسیمتری. پایان­نامه کارشناسی ارشد، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.
Allen, R., Irmak, A., Trezza, R., Hendrickx, J. M. H., Bastiaanssen, W., & Kjaersgaard, J. 2011. Satellite-based ET estimation in agriculture using SEBAL and METRIC. Hydrological Processes, 25(26): 4011–4027.
Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. 1998. Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements-FAO Irrigation and Drainage Paper 56. FAO, Rome. 300 (9): D05109.
Brouwer, C. and Heibloem, M. 1986. Irrigation Water Management: Irrigation Water Needs. Training Manual, Food and Agriculture Organization of the United Nations, Rome, 3.
David, M. 1977. Geostatistical Ore Reserve Estimation, Elsevier Scintific Publishing Co.364 .
Estimation in Agriculture Using SEBAL and METRIC.” Hydrological Processes 25 (26): 4011–4027.
Fawzy, H. E.-D., A. Sakr, M. El-Enany, and H. M. Moghazy. 2021. Spatiotemporal Assessment of Actual Evapotranspiration Using Satellite Remote Sensing Technique in the Nile Delta, Egypt. Alexandria Engineering Journal. 60 (1): 1421–1432.
Jakson, R. D., Hatfield, J. L., Reginato, S. B. and Pinter, Jr. 1983. Estimation of daily evapotranspiration from one time-of-day measurements. Agriculture water management, 7: 351-362.
Jamshidi, S., Zand-Parsa, Sh. and Niyogi, D. 2021. Assessing Crop Water Stress Index of Citrus Using In-Situ Measurements, Landsat, and Sentinel-2 Data. International Journal of Remote Sensing. 42 (5): 1893-1916.
Jiang, Y. and Liu, Zh. 2022. Simulation of actual evapotranspiration and evaluation of three complementary relationships in three parallel river basins. Research Square. Doi: 10.21203/rs.3.rs-1641674/v1.
Kişi, Ö. and Öztürk, Ö. 2007. Adaptive neurofuzzy computing technique for evapotranspiration estimation. Journal of Irrigation and Drainage Engineering. 133 (4): 368-379.
Kochhar, S. and Gujral, S. 2020. Transpiration. Plant Physiology: Theory and Applications. Cambridge: Cambridge University Press. 75-99. doi:10.1017/9781108486392.006
Laaboudi, A., Mouhouche, B. and Draoui, B. 2011. Neural network approach to reference evapotranspiration modeling from limited climatic data in arid regions. International Journal of Biometeorology. 56(5): 831–841.
Lavine, B. K. and Blank, T. R. 2009. Feed-Forward Neural Networks. Comprehensive Chemometrics. 571–586. doi:10.1016/b978-044452701-1.00026-0.
Okut, H. 2016. Bayesian Regularized Neural Networks for Small n Big p Data. Artificial Neural Networks - Models and Applications. doi:10.5772/63256
Paul, G., Gowda, P., Prasad, V., Howel, T. and Staggenborg, S. 2013. Lysimetric evaluation of SEBAL using high resolution airborne imagery
 
from BEAREX08. Advances in Water Resources. 59 (1): 157-168.
Puig-Arnavat, M. and Bruno, J. C. 2015. Artificial Neural Networks for Thermochemical Conversion of Biomass. Recent Advances in Thermo-Chemical Conversion of Biomass. 133–156. doi:10.1016/b978-0-444-63289-0.00005-3
Qian, N. 1999. On the momentum term in gradient descent learning algorithms. Neural Networks. 12(1): 145–151. doi:10.1016/s0893-6080(98)00116-6
Silva, B., Mercante, E., Vilas Boas, M. and Costa Wrublack, S. 2018. Satellite-based ET estimation using Landsat 8 images and SEBAL model1. Scientific Article. 2(49): 221-227.
Tasumi, M., Trezza, R., Allen, R.G. and Wright, J.L. 2003. US Validation Tests on the SEBAL
Model for Evapotranspiration Via Satellite. ICID Workshop on Remote Sensing of ET for Large Regions.
 Trezza, R. 2002. Evapotranspiration Using a Satellite-Based Surface Energy Balance with Standardized Ground Control. All Graduate Theses and Dissertations. 715.
Waters, R., Allen, R., Tasumi, M., Trezza, R. and Bastiaanssen, W. 2002. Surface Energy Balance Algorithms for Land. Idaho Implementation. Advanced Training and Users Manual. Idaho Department of Water Resources.
Zamani Losgedaragh, S. and Rahimzadegan, M. 2018. Evaluation of SEBS, SEBAL, and METRIC models in estimation of the evaporation from the freshwater lakes (Case study: amirkabir dam, Iran). Journal of Hydrology. 561: 523–531.