کاربرد الگوریتم‌های‌ سنجش از دور در برآورد آب مصرفی واقعی برنج در روش‌های مدیریتی مختلف کاشت و آبیاری در حوضه کرخه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار پژوهشی مؤسسه تحقیقات فنی ومهندسی کشاورزی،سازمان تحقیقات،آموزش وترویج کشاورزی،کرج،ایران

2 دانشیار پژوهشی بخش تحقیقات اصلاح و تهیه نهال و بذر، مرکز تحقیقات کشاورزی و منابع طبیعی استان خوزستان، سازمان تحقیقات، آموزش و ترویج‌کشاورزی، اهواز، ایران.

3 دانش‌آموخته کارشناسی‌ارشد سنجش از دور و سامانه اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، ایران

4 استادیار پژوهشی بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خوزستان،سازمان تحقیقات،آموزش و ترویج کشاورزی، اهواز، ایران.

10.22092/jwra.2026.372930.1116

چکیده

پژوهش حاضر به‌منظور تخمین ETa در سطح حوضه کرخه (بخش خوزستان) برای دوره کشت برنج در سال زراعی 1403-1402 انجام شد. چهار مزرعه برنج با روش سنتی و چهار مزرعه دیگر با فناوری خشکه‌کاری انتخاب شد. در پایش مزارع، شاخص‌های مهمی همچون عمق آب آبیاری، زیست­توده، عملکرد محصول، راندمان آب در مزرعه، ETa، بهره‌وری آب آبیاری و بهره‌وری مصرف واقعی آب (WPET)، اندازه‌گیری و برآورد شد. .سپس با استفاده از  فناوری‌های سنجش از دور، الگوریتم‌های‌ ETLOOK و SEBAL درپلتفرم‌ گوگل ارث انجین(GEE)، ETa برای هر هشت مزرعه تحت پایش، تخمین زده شد. در گام بعدی ، نقشه گیاهی برنج  (RCM) با استفاده از مدل یادگیری ماشین (MLM) و الگوریتم جنگل تصادفی (RF) در سامانهGEE برای زیرحوضه مطالعاتی  و به‌طوری‌که مزارع برنج با کشت سنتی و خشکه‌کاری را از هم تفکیک کند، تهیه و تغییرات مکانی ETa و WPET در سطح حوضه مشخص شد. برپایه نتایج این پژوهش، دقت‌کلی تفکیک مزارع برنج برحسب روش کشت 99.65% و ضریب کاپای87% بود. در ارزیابی فناوری‌های سنجش از دور، نتایج ETa نشان داد که الگوریتم SEBAL تخمینی بسیار سازگار با اختلافی حدود  3% کمتر نسبت به داده‌های مزرعه‌ای داشت. در خصوص ETLOOK، هرچند این الگوریتم میزان ETa را به‌ترتیب برای فناوری خشکه‌کاری و روش سنتی، 32% و26%  کمتر نسبت به داده‌های صحرایی نشان داد، اما در تخمین WPET، سازگاری مناسبی با اختلافی کمتر از 5% داشت. براین اساس در سطح حوضه، روش خشکه‌کاری توانسته علاوه برکاهش برداشت از منابع آب (حدود 40%)، میزان ETa و WPET را نسبت به روش سنتی به‌ترتیب 13% کاهش و 19% ارتقا دهد. در بررسی نقشه‌های مکانی، نتایج نشان داد که میانگین وزنی ETa برنج در سطح زیرحوضه کرخه، 8500 مترمکعب بر هکتار بود، که با داشتن سطح زیرکشت بالغ بر 34000 هکتار، میزان مصرف واقعی آب (ETa) و برداشت از منابع آب (با راندمان متوسط آبیاری 28%) به‌ترتیب،300 و 1071 میلیون مترمکعب برای دوره کشت برنج در سطح حوضه بود. این پژوهش به‌صورت کمی نشان داد که فناوری سنجش‌ازدور می‌تواند اطلاعات دقیقی در مورد توزیع مکانی محصول، سطح کاشت، تولید و میزان مصرف منابع آب برای تصمیم‌گیرندگان در سطوح مختلف فراهم کند.

کلیدواژه‌ها

عنوان مقاله [English]

Application of Remote Sensing Algorithms to Estimate Rice Actual Water Consumption under Various Planting and Irrigation Methods in Karkheh Watershed

نویسندگان [English]

  • Ali Mokhtaran 1
  • Abdolali Gilani 2
  • Maryam Mohammady 3
  • Peyman Varjavand 4
1 Assistant Prof., Assistant Professor, AERI, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.
2 Associate Prof., Seed and Plant Improvement Research Department, Khuzestan Agricultural and Natural Resources Research and Education Center, AREEO, Ahwaz, Iran.
3 M.Sc.in Remote Sensing and GIS, Faculty of Geography, University of Tehran, Tehran, Iran.
4 Assistant Prof., Agricultural Engineering Research Department, Khuzestan Agricultural and Natural Resources Research and Education Center, (AREEO), Ahwaz, Iran.
چکیده [English]

The present study was conducted to estimate ETa in the Karkheh Basin (Khuzestan Province) for the rice cultivation period in the 2023-24 crop year. Four rice farms were selected using the traditional method and 4 other farms using Khoshkeh-kari technology. In farm monitoring, important indicators such as irrigation water depth, biomass, crop yield, field water efficiency, ETa, irrigation water productivity, and actual water use productivity (WPET) were measured and estimated. Then, using remote sensing technologies, ETLOOK and SEBAL algorithms in the Google Earth Engine (GEE) platform environment, ETa was estimated for each of the 8 monitored farms. A rice crop map (RCM) was prepared using a machine learning model (MLM) and a random forest (RF) algorithm in the GEE for the study sub-basin to separate traditional and Khoshkeh-kari rice fields, and the spatial changes of  ETa and WPET at the basin level were determined. Based on the results of this study, the overall accuracy of rice field separation according to cultivation method was 99.65% and the Kappa coefficient was 0.87. In evaluating remote sensing technology, ETa results showed that the SEBAL algorithm had a very consistent estimate with a difference of about 3% less than field data. Regarding ETLOOK, although this algorithm showed ETa rates 32% and 26% lower than the field data for Khoshkeh-kari technology and traditional method, respectively, it had a good agreement in estimating WPET with a difference of less than 5%. Accordingly, at the basin level, the Khoshkeh-kari method was able to reduce water resources withdrawal (about 40%) and increased ETa and WPET by 13% and 19%, respectively, compared to the traditional method. In examining spatial maps, the results showed that the weighted average ETa of rice in the Karkheh sub-basin was 8,500 cubic m3/ha, which, with a cultivated area of over 34,000 hectares, the actual water consumption (ETa) and withdrawal from water resources (with an average irrigation efficiency of 28%) were 300 and 1,071 Mm3, respectively, for the rice cultivation period at the basin level. This study quantitatively demonstrated that remote sensing technology can provide accurate information about the spatial distribution of crops, planting area, production, and water resource consumption for decision-makers at different levels.

کلیدواژه‌ها [English]

  • Real evapotranspiration
  • Rice cultivation
  • Intermittent irrigation management
  • SEBAL algorithm
  • ‌‌ETLOOK algorithm

مراجع

  1. گیلانی، عبدالعلی، 1398. مدیریت تولید برنج در روش خشکه‌کاری، موسسه تحقیقات برنج کشور، نشریه فنی، ش 41، 23 صص.
  2. مختاران، علی، گیلانی، عبدالعلی، جلالی، سامی، بهبهانی، لیلا، رضایی، مجتبی، و تجددی‌طلب، کبری، 1402. بررسی تأثیر دور آبیاری در سامانه قطره‌ای نواری بر عملکرد برنج و تغییرات شوری خاک با روش کشت مستقیم در بستر خشک در دشت خوزستان، نشریه پژوهش آب در کشاورزی،37 (2) ، صص.139-158. doi:10.22092/jwra.2023.359561.935
  3. مسکینی ویشکایی، فاطمه، گیلانی، عبدالعلی، و مختاران، علی، بررسی تأثیر شیوه کاشت برنج بر روی پشته‌های بلند بر مصرف آب و شوری خاک سطحی در روش خشکه‌کاری، هفدهمین کنگره علوم خاک ایران و چهارمین همایش ملی مدیریت آب در مزرعه، کرج، ایران.
  4. یعقوبی، بیژن، و رجبیان، مریم، مروری برکشت مستقیم برنج با تأکید بر مدیریت علف‌های هرز، موسسه تحقیقات برنج کشور، نشریه فنی، ش 37، 51 صص.
  5. یوسفی، حسین، کردی، فاطمه، محبتی، فرهاد، و قاسمی، لیلا، برآورد آب مصرفی بخش کشاورزی کشور ایران و ارزیابی نتایج به‌دست آمده از سامانه WaPOR با داده‌های زمینی، اکوهیدرولوژی، 8 (3)، صص. 839-8259. doi: 10.22059/ije.2021.324474.1512 
  6. Adamala, S., Rajwade, Y.A. and Reddy, Y.V.K., 2016. Estimation of wheat crop evapotranspiration using NDVI vegetation index. Journal of Applied and Natural Science, 8(1), PP. 159–166.
  7. Allen, R. G., Morse, A., tasumi, M. and Trezza, R., 2002. Evapotranspiration from a satellite-based surface energy balance for the Snake Plain Aquifer in Idaho.Pp. 167-178. Proc USCID San Luis Obispo.
  8. Allen, R. G., Pruitt, W. O., Wright, J. L. and Howell, T.A., 2006. A recommendation on standardized surface resistance for hourly calculation of reference ETo by the FAO56 Penman-Monteith method. Agricultural Water Management 81 (2006) 1–22. doi:10.1016/j.agwat.2005.03.007.
  9. ASCE-EWRI., 2005. The ASCE Standardized Reference Evapotranspiration Equation. Technical Committee report to the Environmental andWater Resources Institute of the American Society of Civil Engineers from the Task Committee on Standardization of Reference Evapotranspiration. ASCE-EWRI, 1801 Alexander Bell Drive, Reston, VA 20191-4400, 173 pp.
  10. Asghari Saraskanrood, S., Asadi, B. and Ghale, E., 2023. Caspian Journal of Environmental Sciences, 21(3), PP.725-735. doi: 10.22124/CJES.2023.6959.
  11. Ashourloo, D., Nematollahi, H., Huete, A., Aghighi, H., Azadbakht, M., Shahrabi, S. and Goodarzdashti, S., 2022. A new phenology-based method for mapping wheat and barley using time-series of Sentinel-2 images. Remote Sensing of Environment, 280, 113206.
  12. Ayoola, O., Emmanuel, O., Harald, K., Frank, A., Joel, A., Salisu, T., Luitpold, H. and Jan, B., 2018. Comparison of sebal estimated heat fluxes and evapotranspiration using field and remote sensing data in the sudanian savanna in West Africa. International journal of agriculture and Environmental Research. 22:2455-6939.
  13. Baboli, N., Ghamarnia, H. and Hafezparast Mavaddat, M., 2024. Estimating wheat evapotranspiration through remote sensing utilizing GeeSEBAL and comparing with lysimetric data. Appl Water Sci 14, 193 (2024).

https://doi.org/10.1007/s13201-024-02248-6.

  1. Bastiaanssen, W.G.M., Cheema, M.J.M., Immerzeel, W.W., Miltenburg, I.J. and Pelgrum, H., 2012. Surface energy balance and actual evapotranspiration of the transboundary Indus Basin estimated from satellite measurements and the ETLook model. Water Resources Research, 48, W11512.
  2. R.C., Hernandez. F.B.T., Gonçalves. I. Z., Neale. C.M.U. and Teixeira. A.H.C., 2022. Remote sensing based evapotranspiration modeling for sugarcane in Brazil using a hybrid approach. Agricultural Water Management. 271.107763.

doi.org/10.1016/j.agwat.2022.107763.

  1. Blatchford, M., M Mannaerts, C., Zeng, Y., Nouri, H. and Karimi, P., 2020. Influence of spatial resolution on remote sensing-based irrigation performance assessment using WaPOR data. Remote Sensing, 12(18), 2949.
  2. Bouman, B. A. M., Wang, H., Yang, X., Zhao, J. F. and Wang, C. G., 2002. Aerobic rice (Han Dao): a new way of growing rice in water-short areas, in Proceedings of the 12th InternationalSoil ConservationOrganization Conference (Beijing), PP. 175–181.
  3. Brown, C. F., Brumby, S.P., Guzder-Williams, B., Birch, T. and 2022. Dynamic World, near real-time global 10 m land use land cover mapping. Scientific Data. (2022)9:251/ https://doi.org/10.1038/s41597-022-01307-4.
  4. Cabangon, R. J. and Abdullah, N.B., 2002. Comparing water input and water productivity of transplanted and direct-seeded rice production systems.Agricultural Water Management, 57, PP. 11–31.
  5. Delegido, J., Verrelst, J., Rivera, J.P., Ruiz-Verdú, A. and Moreno, J., 2015. Brown and green LAI mapping through spectral indices. International Journal of Applied Earth Observation and Geoinformation, 35, PP. 350–358.

 doi: 10.1016/j.jag.2014.10.001.

  1. Dong, J., Fu, Y., Wang, J., Tian, H., Fu, S., Niu, Z. and Yuan, W., 2020. Early season mapping of winter wheat in China based on Landsat and Sentinel images. Earth System Science Data Discussions, 1-26.
  2. 2018. WaPOR Database Methodology: Level 1. Remote Sensing for Water Productivity Technical Report: Methodology Series. Rome, FAO. 72 P.
  3. 2020. WaPOR database methodology: Version2 release, Rome.
  4. Feyisa, G.L., Meilby, H., Fensholt, R. and Proud, S.R., 2014. AutomatedWater Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, PP. 23–35.

doi:10.1016/j.rse.2013.08.029.

  1. Gessner, U., Hirner, A., Asam, S., Wenzl, M. and Kuenzer, C., 2025. Combining Machine Learning and Spatio-Temporal Filtering to Map Crop Types of Germany for 7 Years. IEEE Geoscience and Remote Sensing Letters.
  2. Gopal, R., Jat, R.K., Kumar, V., Alam, M.M., Jat, M.L., Mazid, M.A., Saharawat, Y.S., Mcdonald, A. and Gupta, R., 2010. Direct dry seeded rice production technology and weed management in rice-based systems.
  3. Halder, K., Srivastava, A. K., Zheng, W., Alsafadi, K., Zhao, G., Maerker, M. and Ewert, F., 2025. A robust and scalable crop mapping framework using advanced machine learning and optical and SAR imageries. Smart Agricultural Technology, 101354. https://doi.org/https://doi.org/10.1016/j.atech.2025.101354.
  4. Huete, A., Didan, k., Miura, t., Rodriguez, E.P., Gao, X. and Ferreira. L.G., 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices.
  5. Javadian, M., Behrangi, A., Gholizadeh, M. and Tajrishy, M., 2019. METRIC and WaPOR estimates of evapotranspiration over the Lake Urmia Basin: comparative analysis and composite assessment. Water, 11(8), 1647.
  6. Inoue, S., Ito, A. and Yonezawa, C., 2020. Mapping Paddy fields in Japan by using Sentinel 1 SAR time series supplemented by Sentinel 2 images on Google Earth Engine, Remote Sensing. 12(10):1622.
  7. Kaplan, G. and Avdan, U., 2017. Water extraction technique in mountainous areas from satellite images, Journal of Applied Remote Sensing, 11(4), 046002.

doi: 10.1117/1.JRS.11.046002.

  1. Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V. R., Murayama, Y. and Ranagalage, M., 2020. Sentinel-2 Data for Land Cover/Use Mapping: A Review. Remote Sensing, 12(14), 2291. https://www.mdpi.com/2072-4292/12/14/2291 .
  2. Piaser, E., & Villa, P., 2023. Evaluating capabilities of machine learning algorithms for aquatic vegetation classification in temperate wetlands using multi-temporal Sentinel-2 data. International Journal of Applied Earth Observation and Geoinformation, 117, 103202.

https://doi.org/https://doi.org/10.1016/j.jag.2023.103202.

  1. Ratshiedana, P, E., Abd Elbasit, M, A, M., Adam, E. and Chirima, J, G., 2024. ‘Evaluation of remote sensing algorithms for estimating actual evapotranspiration in arid agricultural environments’. 10.5194/hess-2024-351.
  2. Remote Sensing Research Center (RSRC). 2017. Introducing and comparing the FAO Portal and the activities of the Remote Sensing Center in estimating productivity in agriculture sector. Sharif University of Technology.
  3. Remote Sensing Research Center (RSRC). 2015. Estimation of evapotranspiration, costs and the amount of water saving in agriculture (case study: Urmia Lake basin for 2010), EWRC in Sharif university of Technology.
  4. Rongali, G., Keshari, A.K., Gosain, A.K. and Khosa, R., 2018. SplitWindow Algorithm for Retrieval of Land Surface Temperature Using Landsat8 Thermal Infrared Data. Journal of Geovisualization and Spatial Analysis. 14(2), PP. 1-19. 

doi:10.1007/s41651-018-0021-y.

  1. Li, Y.H., Research and practiceof water-saving irrigation forrice in China, in Proceedings of an International Workshop, Water-Saving Irrigation for Rice, (Wuhan; Colombo: International Water Management Institute), 135–144.
  2. Liang, S., Chen, Y., Liu, J., Ma, H., Li, W., Sucharitakul, P. and Zhang, F., 2024. Mapping paddy rice cropping intensity and calendar in monsoon Asia at 20 m resolution between 2018 and 2021 from multi-source satellite data using a sample-free algorithm. Available at SSRN 4948283.
  3. Samain, B., Simons, G. W., Voogt, M. P., Defloor, W., Bink, N. J. and Pauwels, V. R. N., 2012. Consistency between hydrological model, large aperture scintillometer and remote sensing based evapotranspiration estimates for a heterogeneous catchment. Hydrology and Earth System Sciences, 16(7), pp. 2095-2107.
  4. Soltani, M. and Bahmanabadi, B., 2025. Analysis of Machine Learning Algorithms’ Performance in Multitemporal Image Classification for Agricultural Management (Case Study: Qazvin Plain). Water and Soil Management and Modelling, 5(3), pp. 54-73. https://doi.org/10.22098/mmws. 2025.16425.1532.
  5. Tabbal, D. F., Bouman, B. A. M., Bhuiyan, S. I., Sibayan, E. B. and Sattar, M. A., 2002. On-farm strategies for reducing water input in irrigated rice: case studies in the Philippines. Agric. Water Manag. 56, pp.93–112.

doi: 10.1016/S0378-3774(02)00007-0.

  1. Wang, H., Boumam, B. A. M., Zhao, D., Wang, C. and Moya, P. F., 2002. “Aerobic rice in northern China: opportunities and challenges,” in Proceedings of the International Workshop on Water-Wise Rice Production, Water-Wise Rice Production, 8-11 April, eds B. A. M. Bouman, H. Hengsdijk, B. Hardy, P. S. Bindraban, T. P. Tuong, and J. K. Ladha (Los Baños: International Rice Research Institute), PP. 143–154.
  2. Waters, R., Allen, R., Tasumi, M., Trezza, R. and Bastiaanssen, W., 2002. SEBAL: Surface Energy Balance Algorithms for Land – Idaho Implementation. Advanced training and users manual, Version 1.0. Kimberly, Idaho: University of Idaho.
  3. Yadav, S., Sharma, S., and Chaudhary, P., 2024. Review on Advancement in Machine Learning and Deep Learning Techniques for Crop Classification. pp. 593-610. https://doi.org/10.56155/978-81-955020-7-3-53.
  4. Zaka, M. M. and Samat, A., 2024. Advances in Remote Sensing and Machine Learning Methods for Invasive Plants Study: A Comprehensive Review. Remote Sensing, 16(20), 3781. https://www.mdpi.com/2072-4292/16/20/3781.
پژوهش آب در کشاورزی
دوره 40، شماره 1
جلد 40 شماره 1 با تاخیر در سامانه بارگذاری میگردد
مهر 1405
صفحه 97-121

فایل ها

هم رسانی

ارجاع به این مقاله

آمار