تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

مقایسه و تخمین سپیدایی سطوح مختلف کاربری اراضی با استفاده از روش سبال و متریک

نویسندگان
مهدی اسدی 1
خلیل ولیزاده کامران 2
محمد باعقیده 3
حامد ادب 4
1 دانشجوی دکتری آب و هواشناسی کشاورزی دانشگاه حکیم سبزواری، سبزوار، ایران
2 دانشیار گروه سنجش از دور دانشگاه تبریز، تبریز، ایران
3 دانشیار اقلیم شناسی دانشگاه حکیم سبزواری، سبزوار، ایران
4 استادیار اقلیم شناسی دانشگاه حکیم سبزواری، سبزوار ایران
10.29252/jgs.20.59.157
چکیده
در این پژوهش با استفاده از تصاویر سنجنده لندست مربوط به تاریخ 10/08/2015 و روش‌های سبال و متریک مقادیر سپیدایی سطحی برای کاربری‌های اراضی مختلف در نیمه شمالی استان اردبیل برآورد گردید. همچنین برای انجام محاسبات از نرم‌افزارهای ENVI4.8 و ArcGIS10.3 و برای تعیین نوع کاربری سطوح مختلف از روش طبقه‌بندی الگوریتم حداکثر احتمال با ضریب کاپای 14/86 درصد و دقت کلی 63/92 درصد استفاده شد. نتایج بیانگر آن بود که سطوح آبی با مقدار میانگین 093/0 و 141/0 به ترتیب در روش­های سبال و متریک دارای کمترین میزان سپیدایی است. همچنین بر اساس خروجی حاصل از روش­های سبال و متریک میزان سپیدایی شهرها به ترتیب حدود 313/0 و 278/0 هست که این مقادیر بیشترین میزان سپیدایی در بین سطوح کاربری موردبررسی است. در این بررسی میزان سپیدایی مراتع بین 183/0 تا 266/0 در روش سبال و بین 237/0 تا 265/0 در روش متریک تعیین گردید. در ادامه میزان سپیدایی اراضی کشاورزی (240/0 بر اساس روش سبال و 247/0 بر اساس روش متریک) و جنگل (141/0 بر اساس روش سبال و 225/0 بر اساس روش متریک) نیز موردبررسی قرار گرفت. درنهایت با توجه به نتایج به‌دست‌آمده از مقادیر سپیدایی بر اساس روش‌های سبال و متریک می‌توان چنین نتیجه‌گیری کرد که با توجه به اختلاف انرژی دریافتی خالص در سطوح مختلف می‌توان میزان سپیدایی سطوح را برآورد نمود که در تخمین میزان تبخیر و تعرق با استفاده از روش‌های سنجش‌ازدور بسیار کارآمد است.

کلیدواژه‌ها
سپیدایی
سبال
متریک
سنجش‌ازدور
اردبیل

عنوان مقاله English

Comparison and Estimation of Surface Albedo of Various Levels of Land use by SEBAL and METRIC Methods

نویسندگان English

Mehdi Asadi 1
Khalil Valizadeh khamran 2
Mohammad Baaghdeh 3
Hamed Adab 4
1 Mehdi Asadi: Ph.D. Student, Agricultural Climatology, Hakim Sabzevari University, Sabzevar, Iran
2 Khalil, Valizadeh Kamran: Associate Professor, Department of Remote Sensing, Tabriz University, Tabriz, Iran
3 Mohammad baaghideh, Associate Professor of Climatology, Hakim Sabzevari University, Sabzevar, Iran
4 Hamed, Adab: Assistant Professor of Climatology, Hakim Sabzevari University, Sabzevar, Iran
چکیده English

Using Landsat satellite images taken in 2015/08/10 and also SEBAL and metric methods, surface albedo amounts for various land uses in the northern half of the Ardabil province was estimated. ENVI4.8 and ArcGIS10.3 softwares were also used. To determine the type of usage of different levels, the maximum likelihood algorithm classification method was used with Kappa coefficient of 86.14% and overall accuracy of 92.63%. The results indicated that the water levels with the mean value of 0.93 and 0.414, respectively, had the least amount of albedo in SEBAL and METRIC methods. Also, based on the results obtained from SEBAL and METRIC methods the city albedo is about 0.313 and 0.278 respectively. These values are the highest levels of albedo among Land use levels. In this study, the amount of albedo in rangelands was determined to be between 0.183 to 0.266 in the SEBAL method and between 0.237 and 0.265 in METRIC method. The amount of albedo was also examined in agricultural (0.240 based on SEBAL method and 0.247 based on METRIC method) and forest lands (0.149 based on SEBAL method and 0.225 based on METRIC method). Finally, according to the results of Albedo values based on SEBAL and METRIC methods, it was concluded that due to the difference in net energy received at different levels, it is possible to estimate the level of albedo levels, which is very effective in estimating evapotranspiration by remote sensing methods.


کلیدواژه‌ها English

albedo
SEBAL
METRIC
Remote Sensing
Ardabil
Allen, R. G., Tasumi, M., and Trezza, R. (2007). Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)—Applications. J. Irrig. Drain. Eng., 133(4): 395–406.
Allen, R. G., Tasumi, M., Trezza, R., Waters, R., & Bastiaanssen, W. (2002). SEBAL (Surface Energy Balance Algorithms for Land). Advance Training and User's Manual–Idaho Implementation, version, 1: 97 page.
Bastiaanssen, W. G. M. (2000). SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin, Turkey. J. Hydrol., 229: 87–100.
Dickinson, R. E. (1983). Land surface processes and climate surface albedos and energy balance. Advances in Geophysics, 25: 305–353.
Duffie, J. A., & Beckman, W. A. (2013). Solar engineering of thermal processes. John Wiley & Sons, 910 Page.
Geiger, B., Carrer, D., Franchistéguy, L., Roujean, J. L., & Meurey, C. (2008). Land surface albedo derived on a daily basis from Meteosat Second Generation observations. IEEE Transactions on Geoscience and Remote Sensing, 46(11): 3841-3856.
He, T., Liang, S., Wang, D., Cao, Y., Gao, F., Yu, Y., & Feng, M. (2018). Evaluating land surface albedo estimation from Landsat MSS, TM, ETM+, and OLI data based on the unified direct estimation approach. Remote Sensing of Environment, 204: 181-196.
He, T., Liang, S., Wang, D., Wu, H., Yu, Y., & Wang, J. (2012). Estimation of surface albedo and directional reflectance from Moderate Resolution Imaging Spector radiometer (MODIS) observations. Remote Sensing of Environment, 119: 286-300.
Horiguchi, I. (1992). Agricultural Meteorology, Buneidou, Tokyo, Japan
Houspanossian, J., Giménez, R., Jobbágy, E., & Nosetto, M. (2017). Surface albedo raise in the South American Chaco: Combined effects of deforestation and agricultural changes. Agricultural and Forest Meteorology, 232: 118-127.
Li, Z., & Garand, L. (1994). Estimation of surface albedo from space: A parameterization for global application. Journal of Geophysical Research: Atmospheres, 99(D4): 8335-8350.
Liang, S. (2005). Quantitative remote sensing of land surfaces (Vol. 30). John Wiley & Sons, 534 p.
Liang, S., Strahler, A. H., & Walthall, C. (1999). Retrieval of land surface albedo from satellite observations: A simulation study. Journal of Applied Meteorology, 38(6): 712-725.
Otukei, J. R., & Blaschke, T. (2010). Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation, 12: 27-31.
Papadavid, G., Neocleous, D., Kountios, G., Markou, M., Michailidis, A., Ragkos, A., & Hadjimitsis, D. (2017). Using SEBAL to Investigate How Variations in Climate Impact on Crop Evapotranspiration. Journal of Imaging, 3(3): 30.
Sharma, S., & Kumar, A. K. (2017). Effect of urban surface albedo enhancement in India on regional climate cooling. Remote Sensing Applications: Society and Environment, 8: 193-198.
Tasumi, M., Allen, R. G., & Trezza, R. (2008). At-surface reflectance and albedo from satellite for operational calculation of land surface energy balance. Journal of hydrologic engineering, 13(2): 51-63.
Wang, D., Liang, S., He, T., Yu, Y., Schaaf, C., & Wang, Z. (2015). Estimating daily mean land surface albedo from MODIS data. Journal of Geophysical Research: Atmospheres, 120(10): 4825-4841.