روش جدید مبتنی بر تصاویر ماهواره لندست 8 و سنجنده مادیس برای تخمین تبخیر و تعرق مرجع ماهانه در دو اقلیم خشک و نیمه‌خشک

مدیریت آب کشاورزی و برنامه‌‌ریزی آبیاری به برآورد دقیق تبخیر و تعرق مرجع (et0) وابسته هستند. با استفاده از تصاویر ماهواره‌ای می‌‌توان در مناطق فاقد ایستگاه هواشناسی، کمبود اطلاعات آب و هوایی را جبران کرد. بنابراین، در این مطالعه، الگوریتم‌های جنگل تصادفی (rf) و پرسپترون چندلایه (mlp) برای برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه‌های اهواز (اقلیم ‌خشک) و تبریز (اقلیم نیمه‌خشک) با استفاده از پارامترهای استخراج شده از تصاویر ماهواره لندست 8 و سنجنده مادیس اجرا شده است. لازم به ذکر است که پایگاه داده بر اساس داده‌های تصاویر ماهواره‌ای جمع‌آوری شده از سال 1392 تا 1400 ایجاد شد. هم‌چنین برای توسعه مدل‌های مذکور، از داده‌های سال‌‌های 1392-1398 (75 درصد) برای آموزش مدل و داده‌های باقی‌مانده (25 درصد) برای آزمایش مدل استفاده شد. علاوه بر این، متغیر‌های ورودی، شامل دمای سطح زمین لندست (lstland)، دمای سطح زمین مادیس (lstmod)، شاخص نرمال شده تفاوت پوشش گیاهی ماهواره لندست (ndviland) و شاخص نرمال شدی تفاوت پوشش گیاهی سنجنده مادیس (ndvimod) برای تخمین et0 ماهانه استفاده شد. هم‌چنین، سه شاخص عملکرد ضریب تعیین (r2)، ریشه میانگین مربعات خطا (rmse) و ضریب نش-ساتکلیف (ns) به‌منظور تعیین توانایی مدل‌های اجرا شده مورد استفاده قرار گرفت. نتایج نشان داد که دقت برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه اهواز و تبریز با سناریوی 4 شامل پارامترهای ورودی lstmod و ndvimod بهتر از سایر سناریوهای مورد بررسی است. هم‌چنین برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه اهواز و تبریز به‌ترتیب با مدل (r2=0/983، rmse=0/279 و 0/962=ns) rf-4 و (r2 r2=0/988، rmse=0/299 و 0/935=ns) mlp-4 بهترین عملکرد را داشته است. در نهایت چنین نتیجه‌‌گیری شد که کاربرد داده‌های حاصل از تصاویر سنجنده مادیس نسبت به ماهواره لندست 8 در برآورد تبخیر و تعرق مرجع ماهانه دقیق‌تر است.

a novel method based on landsat 8 and modis satellite images to estimate monthly reference evapotranspiration in arid and semi-arid climates

introduction accurate estimation of reference evapotranspiration (et0) is essential in water management in the agricultural sector, especially for arid and semi-arid climates. et0 plays a vital role in the water and energy cycle and is an essential link between ecological and hydrological processes. therefore, accurately estimating et0 is a major issue for understanding the water cycle in continuous soil-plant-atmosphere systems. the traditional et0 estimation methods are mainly based on physical principles, such as priestley-taylor, hargreaves, and samani, which have many limitations in accurate et0 estimation in cases of minimum meteorological parameters (such as radiation solar, wind speed, and air temperature). numerous studies have focused on et0 estimation using terrestrial data. however, in the case of a lack of meteorological stations, the conventional methods of estimating et0 using ground data will be inefficient, so remote sensing (rs) provides the possibility to fill such a gap, in such conditions, satellite images are the most effectivefor evaluating et0 in large areas. because satellite images have a suitable spatial and temporal resolution, the time series of satellite images can be used to estimate et0. the successful estimation of et0 from satellite images paved the way for its prediction using artificial intelligence models. the primary satellite imagery sources can be obtained from landsat, moderate resolution imaging spectroradiometer (modis), and global land surface satellite (glass). remote sensing data provides the possibility of recording more information through satellite images. remote sensing methods can be used to extract vegetation information and different types of radiation, which help estimate et0. materials and methodsin the current research, two different agro-climatic locations including ahvaz and tabriz stations were selected. according to de martonne classification method, ahvaz was classified as dry climate and tabriz as semi-arid climate. in this research, random forest (rf) and multi-layer perceptron (mlp) algorithms have been used to estimate monthly et0 in ahvaz and tabriz stations. the input parameters were selected from landsat 8 and modis satellite images in the time period of 2014 to 2021. the utilized parameters were the monthly average, landsat land surface temperature (lstland), modis land surface temperature (lstmod), landsat satellite normalized difference vegetation index (ndviland) and modis normalized difference vegetation index (ndvimod). to evaluate the accuracy of the input parameters and models, the estimated monthly et0 was evaluated with the monthly et0 of the fao-penman-monteth equation. results and discussionthe input parameters for implemented models were landsat land surface temperature (lstland), modis land surface temperature (lstmod), landsat satellite normalized difference vegetation index (ndviland), and modis normalized difference vegetation index (ndvimod). six possible scenarios were defined to estimate monthly et0. the first two scenarios were considered as a single parameter (scenarios 1 and 2) and other scenarios were evaluated with two input parameters. scenarios 3 and 4 were evaluated based on the parameters of the landsat satellite and modis sensor, respectively. in scenarios 5 and 6, monthly et0 was estimated with landsat and modis ndvi and landsat and modis lst, respectively, to determine the effect of ndvi and lst values on et0 estimation. according to the obtained results, for the mlp and rf models in ahvaz station, the value of r2 ranges from 0.440 to 0.972 and 0.271 to 0.983, respectively. in ahvaz station, the lowest and highest rmse is 0.279 mm.month-1 (rf-5 model) and 1.396 mm.month-1 (rf-4 model), respectively.