مقایسۀ روشهای سنجش از دور برآورد تبخیر و تعرق واقعی روزانه با استفاده از تصاویر چندطیفی لندست 8 | |
| نشریه سنجش از دور و GIS ایران | |
| مقاله 2، دوره 16، شماره 2 - شماره پیاپی 62، 1403، صفحه 19-42 اصل مقاله (5.86 M) | |
| نوع مقاله: مقاله پژوهشی | |
| شناسه دیجیتال (DOI): 10.48308/gisj.2024 | |
| نویسندگان | |
| فائزه سادات هاشمی* 1؛ محمدجواد ولدان زوج2؛ فهیمه یوسفی3 | |
| 1دانشجوی کارشناسی ارشد سنجش از دور، گروه فتوگرامتری و سنجش از دور، دانشکده نقشهبرداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | |
| 2استاد گروه فتوگرامتری و سنجش از دور، دانشکده نقشهبرداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | |
| 3دانشجوی دکتری سنجش از دور، گروه فتوگرامتری و سنجش از دور، دانشکده نقشهبرداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | |
| چکیده | |
| سابقه و هدف: کشاورزی سنگ بنای اقتصاد جهانی است و بهمثابة منبع اصلی غذا و مواد خام برای صنایع مختلف عمل میکند. بااینحال، تقاضای فزایندة غذا بهدلیل رشد جمعیت، تهدید قابل توجهی برای امنیت غذایی است، بهویژه زمانی که دسترسی محدود به منابع آب شیرین را در نظر بگیریم. شایان ذکر است که کشاورزی بهتنهایی حدود 70 درصد از منابع آب شیرین جهان را مصرف میکند، که بر نیاز حیاتی برای مدیریت و افزایش بهرهوری آبیاری برای تضمین تولید پایدار مواد غذایی تأکید دارد. در نتیجه مدیریت و افزایش بازده آبیاری امری ضروری است. در قلب تعیین نیاز آب آبیاری، مفهوم تبخیر و تعرق واقعی محصول (ETa) نهفته است، که نشاندهندة اتلاف آب، ترکیبی از تبخیر خاک و تعرق گیاه است. برآورد دقیق ETa در بهینهسازی روشهای آبیاری، به حداکثر رساندن عملکرد محصول و به حداقل رساندن مصرف آب بسیار مهم است. برای این منظور، مدلها و ابزارهای مختلفی برای تخمین ETa با هدف ارائه روشهای کاربرپسندتر و کارآمدتر برای کشاورزان و پژوهشگران ایجاد شدهاند. با توجه به مطالعات انجامشده و کاربرد وسیع مدلهای برآورد ET، لازم است تمرکز بر روشهای دقیق و سریع تعیین این پارامتر افزایش یابد. لذا هدف این مطالعه مقایسة روشهای برآورد سنجش از دوری ETa کاربرپسندانهتر، از جمله سامانة EEFLUX، ابزار METRICTOOL و روش انتخاب خودکار پیکسل سرد و گرم مدلهای SEBAL و METRIC است. مواد و روشها: Earth Engine Evapotranspiration Flux یا بهاختصار EEFLUX نسخهای از مدل METRIC است که بر روی سیستم موتور Google Earth کار میکند. METRICTOOL، ابزاری جدید در ArcGIS براساس مدل METRIC است. این ابزار پیشپردازش و شناسایی خودکار کالیبراسیون بالقوه و معرفی دادههای ورودی را تسهیل کرده، زمان محاسبات را تا ۵۰ درصد کاهش میدهد و جایگزینی کاربرپسندتر از دیگر پلتفرمهای موجود پیادهسازی مدل METRIC است. روش انتخاب خودکار پیکسل سرد و گرم شامل ایجاد یک نقشة باینری از پیکسلهای واجد شرایط که با استفاده از یک طبقهبندیکنندة سادة مبتنی بر قانون شناسایی میشوند، و استفاده از الگوریتم جستوجوی جامع برای شناسایی پیکسلهای گرم و سرد، مطابق با معیارهای تعریفشده است. برای برآورد ET با استفاده از روشهای نامبرده، از 6 تصویر ماهوارهای Landsat 8 در طول دورة کاشت محصول گندم زمستانة مزارع دانشگاه تهران واقع در محمدشهر کرج استفاده شد. ارزیابی روشهای مذکور با استفاده از تبخیر و تعرق مرجع یونجه (ETr) با استفاده از روش FAO-Penman–Monteith بهعنوان دادة مرجع انجام شد. نتایج و بحث: RMSE سامانة EEFLUX، ابزار METRICTOOL، SEBAL و METRIC خودکار بهترتیب 2.45، 0.33، 0.39 و 2.76 به دست آمد. با توجه به نتایج محصول تبخیر و تعرق سامانة EEFLUX بهرغم اختلاف عددی با دیگر روشها همبستگی معناداری با آنها داشت. مثلاً R2 بین ETa این سامانه و ابزار METRICTOOL 0.91 برآورد شد. نتیجه آن است که گرچه دادههای این سامانه بهدلیل استفاده از دادههای هواشناسی جهانی CFSV2 در ایران برای مطالعات محلی از دقت کافی برخوردار نیستند، اما در مطالعات مناطق با وسعت بالا یا جهانی نتایج قابل قبولی به دست میدهند. ابزار METRICTOOL و مدل METRIC خودکار بیشترین همبستگی (R2=0.99) و نزدیکی عددی را با یکدیگر داشتند و بهترتیب با RMSE 0.33 و 0.39 دقت بالاتری نسبت به مدل SEBAL خودکار دارند. نتیجهگیری: با توجه به نتایج عددی رویکرد انتخاب خودکار پیکسل سرد و گرم میتواند دقت مشابهی در مقایسه با ابزار METRICTOOL داشته باشد. بدینترتیب رویکرد خودکار کارایی مدل را از نظر زمان و بازده افزایش و میتواند خطای انسانی در تخمین تبخیر و تعرق را برای کاربران جدید یا بیتجربه کاهش دهد و این مدلها را در دسترس عموم کاربران قرار دهد. همچنین دادههای EEFLUX میتوانند در مطالعات با وسعت بالا برای اقدامات مدیریتی کارایی لازم را داشته باشند. | |
| کلیدواژهها | |
| امنیت غذایی؛ تبخیر و تعرق؛ سبال؛ متریک؛ سامانة EEFLUX | |
| عنوان مقاله [English] | |
| Comparison of Remote Sensing Methods for Estimating Actual Daily Evapotranspiration Using Landsat 8 Multispectral Images | |
| نویسندگان [English] | |
| Faezeh Sadat Hashemi1؛ Mohammad Javad Valadan Zoej2؛ Fahimeh Yousefi3 | |
| 1MSc student of Remote sensing, Department of photogrammetry and remote sensing, College of geodesy and geomatics, K.N.Toosi University, Tehran, Iran | |
| 2Professor in Department of photogrammetry and remote sensing, College of geodesy and geomatics, K.N.Toosi University, Tehran, Iran | |
| 3Ph.D. student of photogrammetry Department of photogrammetry and remote sensing, College of geodesy and geomatics, K.N.Toosi University, Tehran, Iran | |
| چکیده [English] | |
| Background and Purpose: Agriculture serves as the cornerstone of the global economy, providing the main source of food and raw materials for various industries. However, the rising demand for food as a consequence of population growth represents a considerable threat to food security, particularly in light of the limited access to freshwater resources. It is noteworthy that agriculture alone consumes about 70% of the world's freshwater resources, thereby emphasizing the critical need to manage and enhance irrigation efficiency to ensure sustainable food production. Therefore, the management and enhancement of irrigation efficiency are essential. At the core of determining irrigation water requirements lies the concept of actual crop evapotranspiration (ETa), which represents the combined water loss from soil evaporation and plant transpiration. Accurate estimation of ETa is crucial in optimizing irrigation methods, maximizing crop yield, and minimizing water consumption. Various models and tools have been developed to estimate ETa, aiming to provide more user-friendly and efficient methods for farmers and researchers. Given the extensive application of ET estimation models, there is a clear need to focus on the development of accurate and efficient methods for determining this parameter. Thus, this study aims to compare user-friendly ETa estimation methods, including the EEFLUX system, the METRICTOOL tool, and the automatic hot and cold pixel selection method of the SEBAL and METRIC models. Materials and Methods: The Earth Engine Evapotranspiration Flux (EEFLUX) is a version of the METRIC model that operates on the Google Earth Engine platform. METRICTOOL is a new tool in ArcGIS based on the METRIC model, offering enhanced pre-processing capabilities and automatic data identification. This tool reduces computation time by 50% and provides a user-friendly alternative to other existing METRIC model implementation platforms. The automatic hot and cold pixel selection method involves creating a binary map of eligible pixels using a rule-based classifier and a comprehensive search algorithm to identify hot and cold pixels based on defined criteria. To estimate ET using these methods, six Landsat 8 satellite images were utilized during the winter wheat crop planting period at Tehran University farms in Mohammadshahr Karaj. The evaluation of these methods was conducted using alfalfa reference evapotranspiration (ETr) calculated with the FAO-Penman-Monteith method as reference data. Results and Discussion: The Root Mean Square Error (RMSE) values for the EEFLUX system, METRICTOOL, SEBAL, and automatic METRIC tools were determined as 2.45, 0.33, 0.39, and 2.76, respectively. Despite numerical differences, the evaporation and transpiration product of the EEFLUX system showed significant correlations with other methods. For instance, the R2 between ETa estimates from the EEFLUX system and the METRICTOOL tool was found to be 0.91. Although the data from the EEFLUX system may not be precise enough for local studies due to the use of CFSV2 global meteorological data in Iran, they yield acceptable results in large or global-scale studies. The METRICTOOL tool and automatic METRIC model exhibited the highest correlation (R2=0.99) and numerical agreement with each other, with RMSE values of 0.33 and 0.39, respectively, indicating higher accuracy compared to the automatic SEBAL model. Conclusion: The results of the numerical analysis indicate that the automatic hot and cold pixel selection approach can achieve similar accuracy to that of the METRICTOOL tool. This automated approach enhances the efficiency of the model in terms of time and effectiveness, reducing the potential for human error in estimating evapotranspiration for new or inexperienced users, and making these models accessible to the public. Furthermore, EEFLUX data can be utilised for the implementation of management measures in large-scale studies. | |
| کلیدواژهها [English] | |
| Food security, Evapotranspiration, SEBAL, METRIC, EEFLUX | |
| مراجع | |
|
Allen, R. G., Morton, C., Kamble, B., Kilic, A., Huntington, J., Thau, D., . . . Robison, C. (2015, November). EEFlux: A Landsat-based Evapotranspiration mapping tool on the Google Earth Engine. 2015 ASABE / IA Irrigation Symposium: Emerging Technologies for Sustainable Irrigation - A Tribute to the Career of Terry Howell, Sr. Conference Proceedings. American Society of Agricultural and Biological Engineers. doi:10.13031/irrig.20152143511
|
|
|
Allen, R. G., Pereira, L. S., Raes, D., Smith, M., & others. (1998). Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. Fao, Rome, 300, D05109.
|
|
|
Allen, R. G., Morton, C., Kamble, B., Kilic, A., Huntington, J., Thau, D., . . . Robison, C. (2015, November).
|
|
|
Allen, R. G., Tasumi, M., & Trezza, R. (2007, August). Satellite-Based Energy Balance for Mapping Evapotranspiration with Internalized Calibration (METRIC)—Model. Journal of Irrigation and Drainage Engineering, 133, 380–394. doi:10.1061/(asce)0733-9437(2007)133:4(380)
|
|
|
Allen, R. G., Tasumi, M., Morse, A., Trezza, R., Wright, J. L., Bastiaanssen, W., . . . Robison, C. W. (2007, August). Satellite-Based Energy Balance for Mapping Evapotranspiration with Internalized Calibration (METRIC)—Applications. Journal of Irrigation and Drainage Engineering, 133, 395–406. doi:10.1061/(asce)0733-9437(2007)133:4(395)
|
|
|
Allen, R. G., Walter, I. A., Elliott, R., Howell, R., Itenfisu, D., & Jensen, M. (2005). RL Snyder, the ASCE standardized reference evapotranspiration equation. Environmental and Water Resources Institute of the American Society of Civil Engineers, 57.
|
|
|
Bastiaanssen, W. G. (2000, March). SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin, Turkey. Journal of Hydrology, 229, 87–100. doi:10.1016/s0022-1694(99)00202-4
|
|
|
Bastiaanssen, W. G., Pelgrum, H., Wang, J., Ma, Y., Moreno, J. F., Roerink, G. J., & van der Wal, T. (1998, December). A remote sensing surface energy balance algorithm for land (SEBAL). Journal of Hydrology, 212–213, 213–229. doi:10.1016/s0022-1694(98)00254-6
|
|
|
Bhattarai, N., Quackenbush, L. J., Im, J., & Shaw, S. B. (2017, July). A new optimized algorithm for automating endmember pixel selection in the SEBAL and METRIC models. Remote Sensing of Environment, 196, 178–192. doi:10.1016/j.rse.2017.05.009
|
|
|
Brutsaert, W., & Sugita, M. (1992, November). Application of self‐preservation in the diurnal evolution of the surface energy budget to determine daily evaporation. Journal of Geophysical Research: Atmospheres, 97, 18377–18382. doi:10.1029/92jd00255
|
|
|
Calzadilla, A., Rehdanz, K., Betts, R., Falloon, P., Wiltshire, A., & Tol, R. S. (2013, July). Climate change impacts on global agriculture. Climatic Change, 120, 357–374. doi:10.1007/s10584-013-0822-4
|
|
|
Chakraborty, S., & Newton, A. C. (2011, January). Climate change, plant diseases and food security: an overview. Plant Pathology, 60, 2–14. doi:10.1111/j.1365-3059.2010.02411.x
|
|
|
Crago, R. D. (1996, May). Conservation and variability of the evaporative fraction during the daytime. Journal of Hydrology, 180, 173–194. doi:10.1016/0022-1694(95)02903-6
|
|
|
Dang, C., Liu, Y., Yue, H., Qian, J., & Zhu, R. (2020, October). Autumn Crop Yield Prediction using Data-Driven Approaches:- Support Vector Machines, Random Forest, and Deep Neural Network Methods. Canadian Journal of Remote Sensing, 47, 162–181. doi:10.1080/07038992.2020.1833186
|
|
|
Derakhshandeh, M., & Tombul, M. (2021, November). Calibration of METRIC Modeling for Evapotranspiration Estimation Using Landsat 8 Imagery Data. Water Resources Management, 36, 315–339. doi:10.1007/s11269-021-03029-5
|
|
|
Eswar, R., Sekhar, M., & Bhattacharya, B. K. (2017, December). Comparison of three remote sensing based models for the estimation of latent heat flux over India. Hydrological Sciences Journal, 62, 2705–2719. doi:10.1080/02626667.2017.1404067
|
|
|
Farah, H. O. (2001). Estimation of regional evaporation using a detailed agro-hydrological model. Journal of Hydrology, 229, 50–58.
|
|
|
Farah, H. O., Bastiaanssen, W. G., & Feddes, R. A. (2004, May). Evaluation of the temporal variability of the evaporative fraction in a tropical watershed. International Journal of Applied Earth Observation and Geoinformation, 5, 129–140. doi:10.1016/j.jag.2004.01.003
|
|
|
Fitzgerald, R. W., & Lees, B. G. (1994, March). Assessing the classification accuracy of multisource remote sensing data. Remote Sensing of Environment, 47, 362–368. doi:10.1016/0034-4257(94)90103-1
|
|
|
Ghaderi, A., Dasineh, M., Shokri, M., & Abraham, J. (2020, June). Estimation of Actual Evapotranspiration Using the Remote Sensing Method and SEBAL Algorithm: A Case Study in Ein Khosh Plain, Iran. Hydrology, 7, 36. doi:10.3390/hydrology7020036
|
|
|
Hodgson, M. E., Li, X., & Cheng, Y. (2004, December). A Parameterization Model for Transportation Feature Extraction. Photogrammetric Engineering & Remote Sensing, 70, 1399–1404. doi:10.14358/pers.70.12.1399
|
|
|
Im, J., & Hodgson, M. E. (2009, July). Characteristics of Search Spaces for Identifying Optimum Thresholds in Change Detection Studies. GIScience & Remote Sensing, 46, 249–272. doi:10.2747/1548-1603.46.3.249
|
|
|
Jawad, L. A., & Mohamed, H. A. (2020). Integrative Use of Penman-Monteith Equation with Remote Sensing and Geographical Information System Techniques to Estimate Evapotranspiration Vriances in Iraq. The Iraqi Journal of Agricultural Science, 51, 530–541.
|
|
|
Kamali, M. I., & Nazari, R. (2018, October). Determination of maize water requirement using remote sensing data and SEBAL algorithm. Agricultural Water Management, 209, 197–205. doi:10.1016/j.agwat.2018.07.035
|
|
|
Khatibi, A., & Krauter, S. (2021, February). Validation and Performance of Satellite Meteorological Dataset MERRA-2 for Solar and Wind Applications. Energies, 14, 882. doi:10.3390/en14040882
|
|
|
Knipper, K. R., Kustas, W. P., Anderson, M. C., Alfieri, J. G., Prueger, J. H., Hain, C. R., . . . Sanchez, L. (2018, October). Evapotranspiration estimates derived using thermal-based satellite remote sensing and data fusion for irrigation management in California vineyards. Irrigation Science, 37, 431–449. doi:10.1007/s00271-018-0591-y
|
|
|
Kumar, L., & Mutanga, O. (2018, September). Google Earth Engine Applications Since Inception: Usage, Trends, and Potential. Remote Sensing, 10, 1509. doi:10.3390/rs10101509
|
|
|
Laipelt, L., Henrique Bloedow Kayser, R., Santos Fleischmann, A., Ruhoff, A., Bastiaanssen, W., Erickson, T. A., & Melton, F. (2021, August). Long-term monitoring of evapotranspiration using the SEBAL algorithm and Google Earth Engine cloud computing. ISPRS Journal of Photogrammetry and Remote Sensing, 178, 81–96. doi:10.1016/j.isprsjprs.2021.05.018
|
|
|
Mondal, I., Thakur, S., De, A., & De, T. K. (2022, March). Application of the METRIC model for mapping evapotranspiration over the Sundarban Biosphere Reserve, India. Ecological Indicators, 136, 108553. doi:10.1016/j.ecolind.2022.108553
|
|
|
Mountrakis, G., Im, J., & Ogole, C. (2011, May). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247–259. doi:10.1016/j.isprsjprs.2010.11.001
|
|
|
Mutanga, O., & Kumar, L. (2019, March). Google Earth Engine Applications. Remote Sensing, 11, 591. doi:10.3390/rs11050591
|
|
|
Nisa, Z., Khan, M. S., Govind, A., Marchetti, M., Lasserre, B., Magliulo, E., & Manco, A. (2021, February). Evaluation of SEBS, METRIC-EEFlux, and QWaterModel Actual Evapotranspiration for a Mediterranean Cropping System in Southern Italy. Agronomy, 11, 345. doi:10.3390/agronomy11020345
|
|
|
Norman, J. M., Kustas, W. P., & Humes, K. S. (1995, December). Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature. Agricultural and Forest Meteorology, 77, 263–293. doi:10.1016/0168-1923(95)02265-y
|
|
|
Ramírez-Cuesta, J. M., Allen, R. G., Intrigliolo, D. S., Kilic, A., Robison, C. W., Trezza, R., . . . Lorite, I. J. (2020, September). METRIC-GIS: An advanced energy balance model for computing crop evapotranspiration in a GIS environment. Environmental Modelling & Software, 131, 104770. doi:10.1016/j.envsoft.2020.104770
|
|
|
Ramírez-Cuesta, J. M., Allen, R. G., Zarco-Tejada, P. J., Kilic, A., Santos, C., & Lorite, I. J. (2019, February). Impact of the spatial resolution on the energy balance components on an open-canopy olive orchard. International Journal of Applied Earth Observation and Geoinformation, 74, 88–102. doi:10.1016/j.jag.2018.09.001
|
|
|
azagui, A., Abdeladim, K., Bouchouicha, K., Bachari, N., Semaoui, S., & Hadj Arab, A. (2021, June). A new approach to forecast solar irradiances using WRF and libRadtran models, validated with MERRA-2 reanalysis data and pyranometer measures. Solar Energy, 221, 148–161. doi:10.1016/j.solener.2021.04.024
|
|
|
Roerink, G. J., Su, Z., & Menenti, M. (2000, January). S-SEBI: A simple remote sensing algorithm to estimate the surface energy balance. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 25, 147–157. doi:10.1016/s1464-1909(99)00128-8
|
|
|
Saha, S. K., Ahmmed, R., & Jahan, N. (2022). Actual Evapotranspiration Estimation Using Remote Sensing: Comparison of Sebal and Metric Models. In Water Management: A View from Multidisciplinary Perspectives (pp. 365–383). Springer International Publishing. doi:10.1007/978-3-030-95722-3_18
|
|
|
Santos, C., Lorite, I. J., Tasumi, M., Allen, R. G., & Fereres, E. (2007, October). Integrating satellite-based evapotranspiration with simulation models for irrigation management at the scheme level. Irrigation Science, 26, 277–288. doi:10.1007/s00271-007-0093-9
|
|
|
Senay, G., Budde, M., Verdin, J., & Melesse, A. (2007, June). A Coupled Remote Sensing and Simplified Surface Energy Balance Approach to Estimate Actual Evapotranspiration from Irrigated Fields. Sensors, 7, 979–1000. doi:10.3390/s7060979
|
|
|
Shamloo, N., Taghi Sattari, M., Apaydin, H., Valizadeh Kamran, K., & Prasad, R. (2021, August). Evapotranspiration estimation using SEBAL algorithm integrated with remote sensing and experimental methods. International Journal of Digital Earth, 14, 1638–1658. doi:10.1080/17538947.2021.1962996
|
|
|
Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308–6325. doi:10.1109/jstars.2020.3026724
|
|
|
Sobrino, J. A., Souza da Rocha, N., Skoković, D., Suélen Käfer, P., López-Urrea, R., Jiménez-Muñoz, J. C., & Alves Rolim, S. B. (2021, September). Evapotranspiration Estimation with the S-SEBI Method from Landsat 8 Data against Lysimeter Measurements at the Barrax Site, Spain. Remote Sensing, 13, 3686. doi:10.3390/rs13183686
|
|
|
Su, Z. (2002, February). The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrology and Earth System Sciences, 6, 85–100. doi:10.5194/hess-6-85-2002
|
|
|
Sun, Z., Wei, B., Su, W., Shen, W., Wang, C., You, D., & Liu, Z. (2011, August). Evapotranspiration estimation based on the SEBAL model in the Nansi Lake Wetland of China. Mathematical and Computer Modelling, 54, 1086–1092. doi:10.1016/j.mcm.2010.11.039
|
|
|
Tasumi, M. (2003). Progress in operational estimation of regional evapotranspiration using satellite imagery. University of Idaho.
|
|
|
Tasumi, M., Trezza, R., Allen, R. G., & Wright, J. L. (2005, November). Operational aspects of satellite-based energy balance models for irrigated crops in the semi-arid U.S. Irrigation and Drainage Systems, 19, 355–376. doi:10.1007/s10795-005-8138-9
|
|
|
Thorp, K. R., Marek, G. W., DeJonge, K. C., Evett, S. R., & Lascano, R. J. (2019, September). Novel methodology to evaluate and compare evapotranspiration algorithms in an agroecosystem model. Environmental Modelling & Software, 119, 214–227. doi:10.1016/j.envsoft.2019.06.007
|
|
|
Tian, D., Asadi, P., Medina, H., Ortiz, B., & Kesikka, I. (2020, March). A Climate Smart Framework for Forecasting Field-level Potential Evapotranspiration and Irrigation Requirement with Numerical Weather Predictions and Satellite Remote Sensing. doi:10.5194/egusphere-egu2020-11756
|
|
|
Wagle, P., Bhattarai, N., Gowda, P. H., & Kakani, V. G. (2017, June). Performance of five surface energy balance models for estimating daily evapotranspiration in high biomass sorghum. ISPRS Journal of Photogrammetry and Remote Sensing, 128, 192–203. doi:10.1016/j.isprsjprs.2017.03.022
|
|
|
Wang, J., Li, H., & Lu, H. (2021, December). An estimation of the evapotranspiration of typical steppe areas using Landsat images and the METRIC model. Journal of Water and Climate Change, 13, 926–942. doi:10.2166/wcc.2021.432
|
|
|
Wickham, J. D., Stehman, S. V., Gass, L., Dewitz, J., Fry, J. A., & Wade, T. G. (2013, March). Accuracy assessment of NLCD 2006 land cover and impervious surface. Remote Sensing of Environment, 130, 294–304. doi:10.1016/j.rse.2012.12.001
|
|
|
Zagajewski, B., Kluczek, M., Raczko, E., Njegovec, A., Dabija, A., & Kycko, M. (2021, July). Comparison of Random Forest, Support Vector Machines, and Neural Networks for Post-Disaster Forest Species Mapping of the Krkonoše/Karkonosze Transboundary Biosphere Reserve. Remote Sensing, 13, 2581. doi:10.3390/rs13132581 |
|
|
Zhang, H., Anderson, R. G., & Wang, D. (2015, August). Satellite-based crop coefficient and regional water use estimates for Hawaiian sugarcane. Field Crops Research, 180, 143–154. doi:10.1016/j.fcr.2015.05.023
|
|
آمار
تعداد مشاهده مقاله: 3,907
تعداد دریافت فایل اصل مقاله: 1,917