بهبود قدرت تفکیک زمانی-مکانی داده های تبخیر-تعرق واقعی با استفاده از ترکیب داده های مادیس و لندست-۸
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 152
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IWRR-16-1_027
تاریخ نمایه سازی: 29 بهمن 1401
چکیده مقاله:
هدف این مطالعه تولید نقشه های تبخیر- تعرق روزانه با قدرت تفکیک مکانی ۳۰ متر و به صورت روزانه برای اراضی کشت و صنعت امیرکبیر با استفاده از دو سناریو می باشد. در سناریوی اول پارامترهای ورودی مورد نیاز الگوریتم سبال حاصل از تصاویر مادیس به قدرت تفکیک مکانی لندست-۸ ریزمقیاس شد، سپس با استفاده از الگوریتم سبال و پارامترهای ورودی ریزمقیاس شده، تبخیر- تعرق واقعی محاسبه شد. در سناریوی دوم تبخیر- تعرق واقعی بدست آمده از سنجنده مادیس به قدرت تفکیک مکانی لندست-۸ ریزمقیاس شد. در سناریوهای اول و دوم ریزمقیاس کردن داده ها با سه روش نسبت، رگرسیون و شبکه عصبی مصنوعی و با دو رویکرد مختلف انجام شد. در رویکرد اول فاصله زمانی بین تصویر پایه و تصویر ریزمقیاس شده از ۱ روز تا ۱۵ روز متغیر می باشد ولی در رویکرد دوم فاصله زمانی بین دو تصویر پایه و ریزمقیاس شده ۱ روز می باشد. با مقایسه تبخیر- تعرق های واقعی ریزمقیاس شده با مقادیر تبخیر- تعرق واقعی بدست آمده از تصویر لندست-۸ روش رگرسیون در سناریوی دوم با رویکرد اول با مجذور میانگین مربعات خطا ۸۷/۰ میلیمتر در روز دارای بهترین نتیجه و روش شبکه عصبی مصنوعی در سناریوی دوم با رویکرد دوم با مجذور میانگین مربعات خطا ۲۵/۲ میلیمتر در روز دارای بدترین نتیجه بود. اگرچه نتایج محاسبه تبخیر-تعرق واقعی حاصل از ریزمقیاس نمایی در تمامی روشها در هر دو سناریو و با هر دو رویکرد، نسبت به تبخیر- تعرق واقعی بدست آمده از تصویر مادیس با مجذور میانگین مربعات خطا ۱۹/۳ میلیمتر در روز دارای صحت بهتری بود.
کلیدواژه ها:
نویسندگان
حمید صالحی
کارشناس ارشد / مهندسی آبیاری و زهکشی، شرکت آب منطقه ای تهران.
علی شمس الدینی
استادیار / گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تربیت مدرس.
سید مجید میرلطیفی
دانشیار / گروه مهندسی آبیاری و زهکشی، دانشگاه تربیت مدرس.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :