۱٫ معرفی

اگرچه این مطالعات به علم کمک کرده است، مطالعات جامعی وجود ندارد که تفاوت در دقت TSEB RS از ET را ارزیابی کند._آ الگوریتم هایی با استفاده از تصاویر چند طیفی از پلتفرم های چند مقیاسی RS مانند آنهایی که از حسگرهای پروگزیمال، هوابرد و فضابرد استفاده می کنند. مطالعات منتشر شده تنها بر روی چند سنسور یا پلتفرم RS متمرکز شده‌اند و اغلب تصاویر آنها را مجدداً نمونه‌برداری می‌کنند تا وضوح‌های مکانی پیکسلی متفاوتی تولید کنند. بنابراین، در این مطالعه، این فرضیه وجود دارد که بسته به منبع یک تصویر RS داده شده (به عنوان مثال، فضابرد، هوابرد، سکوهای پروگزیمال، نوع حسگر و تصحیحات پس از پردازش تصویر)، دقت ET_آ محصولات نقشه برداری برای یک RS معین از ET متفاوت خواهد بود_آ الگوریتم اگر فرضیه بیان شده معتبر باشد، تعیین رزولوشن بهینه طیفی و فضایی RS برای حفظ بهتر کشاورزی آبی با بهبود برآورد ET ضروری است (بحرانی)_آ هنگامی که پلتفرم های RS (داده ها) زیر بهینه با یک RS معین از ET استفاده می شود_آ الگوریتم

بنابراین، اهداف این مطالعه (الف) ارزیابی تأثیر (خطاها) بر ET ساعتی بود_آ تخمین مرتبط با استفاده از داده‌های RS با وضوح طیفی و فضایی مختلف از حسگرهای چندطیفی فضابردی، هوابرد و RS پروگزیمال و هنگام استفاده از دو الگوریتم مختلف TSEB، و (ب) شناسایی داده‌های طیفی و فضایی RS (رزولیشن) که دقیق‌ترین را ارائه می‌دهد. ذرت ET مبتنی بر TSEB_آ پیش بینی برای یک الگوریتم خاص

۴٫ بحث

نتایج مشاهده شده مربوط به تفاوت در انواع سنسور RS، مفروضات TSEB ET بود_آ مدل و عدم قطعیت ذاتی، و فرآیندهای فیزیکی پیچیده که انتقال گرما و بخار آب بین سطح و جو را به دست می‌آورند. با توجه به ویژگی های داده RS، وضوح فضایی به طور قابل توجهی بر دقت ET ذرت ساعتی تأثیر می گذارد._آ.

سکوهای RS با وضوح فضایی بالاتر (<10 متر) جزئیات ویژگی های سطحی ریزتری را در مزارع کشاورزی ثبت می کنند. این داده‌های با وضوح فضایی بالا پتانسیل توصیف بهتر تنوع فضایی در شرایط خاک و پوشش گیاهی را دارند که برای ET دقیق محصول ضروری است._آ برآورد با استفاده از TSEB RS از ET_آ الگوریتم حسگرهای RS با وضوح فضایی درشت، مانند Landsat-8 (30 متر)، محدودیت‌هایی در ارائه داده‌های چند طیفی مرتبط دارند که تغییرات محلی Ts و مقادیر بازتاب سطحی را برای مزارع کشاورزی کوچک‌تر نشان می‌دهد. این محدودیت‌ها می‌تواند منجر به افزایش عدم قطعیت در تخمین‌های ETa، به‌ویژه در مزارع کشت ردیفی شود.

نشان داده شده است که ادغام اندازه‌گیری‌های زمینی، مانند داده‌های Ts نادری IRT، دقت ET مبتنی بر RS را به طور قابل‌توجهی بهبود می‌بخشد._آ تخمین ها، به ویژه زمانی که داده های تفکیک فضایی Ts درشت نماینده شرایط میدانی محلی نیستند. دست کم گرفتن مشاهده شده از ET_آ تخمین، هنگام استفاده از داده‌های بازتاب سطحی RS پروگزیمال، هوابرد و فضابرد، ممکن است به عدم قطعیت در پارامترهای مدل TSEB و ساده‌سازی معادلات تعادل انرژی سطح مربوط باشد. چالش دیگر در مورد استفاده از سنسورهای مختلف RS، وضوح زمانی است. فرکانس‌های بازنگری محدود و اثرات جوی محلی (به عنوان مثال، ذرات معلق در هوا) می‌توانند باعث عدم قطعیت در کسب و کیفیت داده‌ها شوند و در نهایت بر ET تأثیر بگذارند._آ برآوردها

دقیقاً، ET مکانی-زمانی_آ پیش‌بینی‌ها برای افزایش بازده محصول و در عین حال کاهش مشکلات کمبود آب، که عاملی حیاتی در تضمین پایداری آب در طیف متنوعی از ذینفعان آب است، ضروری است. در حالی که داده های سنجش از دور، به ویژه از طریق مدل TSEB، به طور قابل توجهی درک ما از ET محصول را ارتقا داده است._آ، چالش ها در اجرای راه حل های پایدار در محیط های کشاورزی وجود دارد.

با وجود پتانسیل RS برای پیشبرد مدیریت پایدار آب در مزارع آبی، محدودیت هایی وجود دارد. داده‌های فضابردی مانند داده‌های Landsat-8، Sentinel-2، و Planet CubeSat اغلب فاقد دریافت تصاویر ثابت روزانه برای ET ایده‌آل هستند._آ شرایط مدل‌سازی و این ناهماهنگی می‌تواند چالش‌هایی را در اجرای برنامه‌ریزی آبیاری روزانه بر اساس داده‌های ورودی RS ایجاد کند. برای غلبه بر محدودیت‌ها، ما رویکردی را پیشنهاد می‌کنیم که تصاویر RS چند مقیاسی را از پلت‌فرم‌های مختلف برای تولید داده‌های RS به صورت روزانه با کیفیت رادیومتری مشابه به منظور تولید آسان برای ذینفعان آب (به عنوان مثال، مقامات مدیریت آب، مهندسان و کشاورزان) ادغام می‌کند. این رویکرد چند مقیاسی یکپارچه می تواند داده های RS روزانه ثابت را برای محاسبه ET محصول فراهم کند_آ و حمایت از تصمیمات مدیریت آب در مقیاس های محلی و بزرگ در محیط های کشاورزی.

فراتر از وضوح طیفی پلتفرم‌های RS، فرکانس بازبینی مجدد، و محدودیت‌ها و کالیبراسیون خاص حسگر، سایر عوامل برای درک جامع و پذیرش موثر فناوری‌های RS در کشاورزی قابل توجه هستند. متغیرهای جوی مانند رطوبت، دما، غلظت گازها، گرد و غبار و سرعت باد می توانند به طور قابل توجهی بر دقت داده های RS، به ویژه برای سنسورهای فضایی تأثیر بگذارند. با این وجود، تجزیه و تحلیل داده‌های RS چند منبعی می‌تواند محدودیت‌های سنسورها/سکوهای RS را جبران کند و چشم‌اندازی گسترده از نیازهای آب محصول را ارائه دهد که می‌تواند به شیوه‌های آبیاری پایدارتر در زمین‌های زراعی منجر شود.

۵٫ نتیجه گیری ها

این تحقیق در یک منطقه آب و هوایی نیمه خشک، در مزارع ذرت آبیاری شده با سیستم‌های آبیاری قطره‌ای و شیاری زیرسطحی، در دو سایت تحقیقاتی در شمال کلرادو، ایالات متحده انجام شد. هدف ما بررسی عملکرد دو سنجش از دور TSEB ET است_آ الگوریتم‌ها هنگام استفاده از داده‌های ورودی از سنسورها/پلتفرم‌های سنجش از راه دور مختلف (چند مقیاسی). فرضیه این بود که دقت RS از ET_آ تخمین هم به وضوح فضایی و هم طیفی/رادیومتری پیکسلی داده‌های چند طیفی مورد استفاده و هم به پارامترهای خاص در RS از ET بستگی داشت._آ الگوریتم ها نتیجه اولیه این است که برای هر دو رویکرد TSEB ارزیابی شده (TSEB_همتراز و TSEB_بودن) بهترین بازتاب سطحی مبتنی بر سنجش از دور و داده های دما برای پیش بینی ET ساعتی ذرت_آ آنهایی بودند که از رادیومتر دستی MSR5 بودند. دومین داده بهترین RS، تصاویر بازتابی سطح چندطیفی از سکوهای UAS، Planet و Sentinel-2 RS (به علاوه دمای سطح از حسگرهای ثابت IRT) بود. با این حال، استفاده از داده های RS از Landsat (نوری و TIRS) منجر به ET بزرگتر شد_آ خطاهای تخمینی

در حالی که امکان تخمین ET محصول وجود دارد_آ با استفاده از پلتفرم های مختلف سنجش از راه دور، مناسب ترین داده های RS را برای یک ET معین انتخاب می کنند_آ الگوریتم پتانسیل افزایش قابل توجه مدیریت آب آبیاری را با استفاده از ET دقیق تر دارد_آ برآوردها در این مطالعه مشخص شد که دقت ET_آ پیش‌بینی‌ها در سنسورهای مختلف سنجش از راه دور یکسان نبود.

استفاده از داده های سنجش از دور مناسب (یعنی MSR5) با سنجش از دور TSEB ET_آ الگوریتم‌ها، برای بهینه‌سازی برنامه‌ریزی آبیاری ذرت، سهم قابل‌توجهی را در پیشبرد پایداری در کشاورزی آبی نشان می‌دهند. ترکیبی از داده های چندطیفی و حرارتی MSR5 برای تعیین سهم اجزای خاک و پوشش گیاهی در ET_آ می تواند درک دقیق تری از مصرف آب در اکوسیستم های زمین های زراعی در مقایسه با رایج ترین استفاده از داده های Landsat ارائه دهد.

برای بهبود اثربخشی راه‌حل‌های پایدار با استفاده از داده‌های سنجش از راه دور، تحقیقات آینده در زمینه پایداری باید بر اصلاح الگوریتم‌های TSEB، ادغام مجموعه‌های داده متنوع در همان زمینه تحلیل داده‌ها، و پرداختن به چالش‌های مرتبط با مقیاس‌بندی از محلی (مثلاً مزارع) به منطقه‌ای تمرکز کند. به عنوان مثال، مناطق آبیاری و حوزه های آبخیز) سطوح.

این مطالعه نیاز به تحقیقات بیشتر با هدف بهبود کیفیت داده‌های سکوها/حسگرهای سنجش از راه دور زیر بهینه را زمانی که فقط آن داده‌ها در دسترس هستند، برجسته می‌کند. توسعه پروتکل‌های کالیبراسیون تصویر برای بهبود کیفیت داده‌های سنجش از راه دور مورد نیاز برای پیش‌بینی ET محصول بسیار مهم است._آ تحت شرایط مختلف سطحی و آب و هوایی این امر به امکان استفاده از مطلوب ترین داده های سنجش از دور با دقت بالا برای مدیریت موثر آب آبیاری کمک می کند. همچنین، ما نیاز به تحقیقات بیشتر از جمله طیف وسیع تری از محصولات تجاری را برای تقویت تحلیل نحوه عملکرد رویکردهای TSEB هنگام تخمین ET محصول تشخیص می دهیم._آ برای انواع دیگر محصولات

علاوه بر این، نقش تجزیه و تحلیل داده‌های مکانی پیشرفته و الگوریتم‌های یادگیری ماشین در پردازش و تفسیر داده‌های RS می‌تواند جایگزینی برای کاوش برای بهبود کیفیت داده‌های RS برای حسگرهایی باشد که عملکرد بهتری نسبت به MSR5 نداشتند. این فناوری‌ها می‌توانند چارچوبی ممکن برای پرداختن به الگوها و روابط پیچیده در مجموعه داده‌های تصویری بزرگ ارائه دهند و رویکردهای کاربردی‌تر و پیش‌بینی‌کننده‌تر برای استفاده از آب و سطوح تنش را تسهیل کنند. با استفاده از قابلیت‌های محاسباتی این مدل‌های هوش مصنوعی، محققان و پزشکان می‌توانند کاربرد الگوریتم‌های TSEB RS را اصلاح کنند و شیوه‌های برنامه‌ریزی آبیاری را برای برآوردن نیاز آبی محصولات خاص تحت شرایط مزرعه محلی تعیین کنند.