ارزیابی کارایی مدل های برآورد تبخیر مبتنی بر داده های سنجش از دور و تجربی در دریاچه ارومیه (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تبخیر یکی از عوامل اصلی هدررفت آب در دریاچه ارومیه است که نقش مهمی در بیلان آب آن دارد . با پیشرفت سنجنده های ماهواره ای، تصاویر ماهواره ای متعددی در دسترس قرار گرفته است که استفاده از آن ها در برآورد تبخیر از سطح دریاچه ارومیه نیاز به بررسی دارد؛ بنابراین، هدف این پژوهش، برآورد تبخیر روزانه از سطح دریاچه ارومیه با استفاده از ترکیب تصاویر ماهواره ای لندست 8 و 9 در سال 2022 و مقایسه عملکرد مدل های فیزیکی، تجربی و سنجش از دوری است . برای این منظور، از 21 تصویر ماهواره ای استفاده شد و مدل های FAO56-PM ، Priestley-Taylor و Hargreaves-Samani و مدل های سنجش از دوری surface energy balance algorithm for land (SEBAL) و Mapping Evapotranspiration at high Resolution and with Internalized Calibration (METRIC) در محیط Google Earth Engine پیاده سازی شدند . برای ارزیابی نتایج مدل ها، از اندازه گیری های تشت تبخیر ایستگاه هواشناسی ارومیه به عنوان داده زمینی استفاده شد. نتایج نشان داد که مدل SEBAL بدون اعمال ضریب اصلاحی، بهترین عملکرد را با Root mean square error (RMSE) و Nash-Sutcliffe efficiency (NSE) به ترتیب 83/0 میلی متر در روز و 48/0 نشان داد. با اعمال ضریب اصلاحی، مدل FAO56-PM با RMSE برابر با 04/1 میلی متر در روز و NSE معادل 18/0 بهترین نتیجه را داشت. در مجموع، مدل SEBAL به دلیل استفاده از تصاویر ماهواره ای، توانایی بهتری در برآورد تبخیر داشت. علاوه بر این، ترکیب تصاویر ماهواره ای و مدل های تجربی، می تواند در مدیریت منابع آب دریاچه ارومیه مؤثر باشد .Performance Assessment of Remote Sensing and Empirical Evaporation Models in Lake Urmia
Evaporation serves as a significant factor in the hydrological deficit experienced by Lake Urmia, thereby exerting a vital influence on its overall water equilibrium. The evolution of satellite sensor technology has facilitated the acquisition of a comprehensive range of satellite imagery, underscoring the necessity for meticulous evaluation in the assessment of lake evaporation. This research endeavor is designed to quantify daily evaporation rates from Lake Urmia through the integration of Landsat 8 and 9 imagery from the year 2022, while concurrently assessing the efficacy of physical, empirical, and remote sensing methodologies. A comprehensive analysis was conducted on a total of 21 satellite images, wherein the FAO56-PM, Priestley-Taylor, and Hargreaves-Samani models, in conjunction with the remote sensing techniques of the Surface Energy Balance Algorithm for Land (SEBAL) and Mapping Evapotranspiration at High Resolution and with Internalized Calibration (METRIC), were executed within the Google Earth Engine (GEE) framework. The resultant model outputs were corroborated against pan evaporation data obtained from the Urmia meteorological station, which served as the reference ground truth dataset. The analysis indicated that SEBAL, when utilized without a correction factor, exhibited superior accuracy, achieving a Root Mean Square Error (RMSE) of 0.83 mm/day and a Nash-Sutcliffe Efficiency (NSE) value of 0.48. Upon the implementation of a correction factor, the FAO56-PM model produced optimal outcomes, with an RMSE of 1.04 mm/day and an NSE of 0.18. In summary, SEBAL surpassed the performance of the other models, attributable to its dependence on satellite-derived imagery. Moreover, the amalgamation of satellite data with empirical modeling approaches holds significant potential for enhancing water resource management strategies within the context of Lake Urmia.
تبلیغات
