انجمن مهندسی آبیاری و آب ایرانهواشناسی کشاورزی2345-34196120180823Estimating actual evapotranspiration using OLI images and SEBAL algorithm (Case study: Dasht-e Naz, Sari)برآورد تبخیرتعرق واقعی با استفاده از تصاویر سنجنده OLI و الگوریتم سبال (مطالعه موردی: دشت ناز- ساری)186941910.22125/agmj.2018.147414.1033FAمحمود رائینی سرجازاستاد گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری6344 6306 0002 0000هدایت پیریدانشآموخته کارشناسی ارشد هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساریمحمدعلی غلامیدانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساریسحر خزاعیدانشجوی دکتری آبیاری و زهکشی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساریJournal Article20160830Estimation of evapotranspiration is,one of the main components of the hydrological cycle, and is essential for irrigation scheduling, water balance, irrigation system design and management and crop yields simulation. Unlike conventional methods remote sensing estimates evapotranspiration in different spatial scales. Therefore, the aim of this study is to estimate evapotranspiration using OLI sensor images and SEBAL algorithm in the Dasht-e-Naz area, Sari, Iran. To evaluate the results, evapotranspiration estimated by the reference method, Penman-Monteith-FAO, was compared with SEBAL algorithm. Strong and significant correlation was obtained between these two methods (R<sup>2</sup>=0.93), Low error of estimation by SEBAL compared with reference method (RMSE=1.14) and low absolute difference between the SEBAL and Penman-Monteith-FAO (MAE=0.96) indicates that there is a good match between estimated values by SEBAL algorithm and Penman-Monteith-FAO standard method. This study showed that OLI sensor images and SEBAL algorithm could satisfactorily estimate actual evapotranspiration in the Dasht-e-Naz area, Sari.تعیین تبخیرتعرق که یکی از بخشهای اصلی چرخه هیدرولوژی میباشد. در مواردی همچون برنامهریزی آبیاری، بیلان آب، طراحی و مدیریت سامانههای آبیاری و پیشبینی عملکرد محصول ضروری است. سنجش از دور بر خلاف روشهای رایج نقطهای، تبخیرتعرق را در مقیاسهای مختلف مکانی برآورد میکند. بنابراین هدف از این پژوهش برآورد تبخیرتعرق واقعی در منطقه دشت ناز ساری با استفاده از تصاویر سنجنده OLI و بهکارگیری الگوریتم تراز انرژی سطح خشکی (سبال) است. برای ارزیابی یافتهها، تبخیرتعرق برآورد شده از الگوریتم سبال با روش مرجع پنمن- مانتیث- فائو مقایسه شد. همبستگی نیرومند و معنیداری میان این دو روش (93/0 =R<sup>2</sup>) دیده شد. خطای کم برآورد الگوریتم سبال در مقایسه با روش مرجع (14/1 =RMSE) و کمی تفاضل مطلق بین مدل سبال و روش پنمن- مانتیث- فائو (96/0 =MAE) بیانگر این است که میان دادههای برآوردی از روش الگوریتم سبال و روش پنمن- مانتیث- فائو همخوانی خوبی وجود دارد. از این رو، این پژوهش نشان داد که تصاویر سنجنده OLI و الگوریتم سبال توانایی این را دارند تا مقدار تبخیرتعرق واقعی را در منطقه دشت ناز ساری به خوبی برآورد کند.https://www.agrimet.ir/article_69419_6e710562a5438154e991972f98fe9d85.pdfانجمن مهندسی آبیاری و آب ایرانهواشناسی کشاورزی2345-34196120180823Application of acceptance probability approach for determination of optimal rain gauge network density (Case study: South Khorasan province)کاربرد رهیافت احتمال پذیرش در تعیین تراکم بهینه ایستگاههای بارانسنجی استان خراسان جنوبی9186941310.22125/agmj.2018.141606.1023FAمحسن پوررضا بیلندیگروه علوم و مهندسی آب دانشگاه بیرجندمجتبی شفیعیاستادیار پژوهش، گروه هیدروانفورماتیک، مرکز پژوهشی آب و محیط زیست شرق (EWERI)، مشهد، ایران،فاطمه شهابی فرددفتر مطالعات، شرکت آب منطقهای خراسان جنوبی، بیرجندهدی موسی زادهدانشجوی دکتری رسوب شناسی و سنگ شناسی رسوبی واحد بین الملل دانشگاه فردوسی مشهد و مدیر محیط زیست و کیفیت منابع آب شرکت آب منطقه ای خراسان جنوبیJournal Article20171111For accurate estimation of rainfall, as a key element in agricultural and water balance studies, an optimum density of raingauges is required. Although many approaches based on geostatistic are developed to optimize raingauges network, but majority of them suffer from drawbacks. This study aimed to assess a newly developed method in geostatistic based on acceptance probability, for designing the raingauge network with least error in South Khorasan province. The linear moment method was used for testing the homogeneity of the study stations. Then, by choosing a suitable semi-variogram, the acceptance probability in the region was calculated. Based on the spatial pattern of annual rainfall, the acceptance probability was worked out for various parts of the province and the acceptance accuracy (AP) values were analyzed at different levels of probability. The results showed that 20 stations of existing network had no significant effect on estimating the rainfall and it can be recommended to shift their location in order to obtain an optimal network. Also, similar to the existing network of 63 stations, the remaining 43 stations could cover 36% of the province at the probability acceptance level of 80%. Besides, the results indicated that by adding 27 rain gauges to the locations specified in the optimal density, the performance of the optimized network will be approximately doubled comparing to previously existing one, which means 65% coverage of province.تخمین مقدار بارندگی به عنوان یک مؤلفه کلیدی در مطالعات کشاورزی و بیلان آب نیازمند یک شبکه بارانسنجی با تراکم بهینه میباشد. روشهای مختلفی مبتنی بر زمین آمار برای بهینهسازی شبکه ایستگاههای بارانسنجی تاکنون ارائه شدهاند که اکثراً دارای نقاط ضعف میباشند. هدف از این تحقیق کاربست یک روش نوین توسعه یافته بر پایه مفهوم احتمال پذیرش در زمین آمار، جهت طراحی بهینه شبکه بارانسنجی استان خراسان جنوبی با کمترین خطا میباشد. پس از آزمون همگنی شبکه فعلی متشکل از 63 ایستگاه منطقه به روش گشتاورهای خطی، با کمک واریوگرام مناسب ایستگاههای منتخب، احتمال پذیرش در سطح منطقه محاسبه گردید. بر اساس الگوی مکانی تغییرات بارندگی سالانه در منطقه و الگوریتم روش آماری به کار رفته، احتمال پذیرش در نقاط مختلف استان محاسبه و سپس دقت پذیرش در سطوح احتمال مختلف مورد تحلیل قرار گرفت. نتایج تحقیق نشان داد، 20 ایستگاه از شبکه موجود تأثیر زیادی در تخمین بارندگی استان نداشته و جا به جایی آنها در حصول به شبکه بهینه، پیشنهاد میشود. همچنین 43 ایستگاه باقیمانده نیز مانند شبکه اولیه (با 63 ایستگاه) میتوانند 36 درصد از مساحت استان را با سطح احتمال پذیرش 80 درصد، پوشش دهند. در انتها مشخص شد با افزودن 27 بارانسنج به مکانهای مشخص شده در شبکه بهینه کارایی پوشش شبکه به حدود دو برابر حالت فعلی یعنی 65 درصد سطح منطقه میرسد.https://www.agrimet.ir/article_69413_1f753aa38d785ddda126e4772b34e416.pdfانجمن مهندسی آبیاری و آب ایرانهواشناسی کشاورزی2345-34196120180823Evaluation of NMME seasonal temperature forecasts over Iran’s river basinsارزیابی برونداد دمای فصلی مدل های پیش بینی همادی آمریکای شمالی در حوضه های آبریز درجه دو ایران19306941710.22125/agmj.2018.113708.FAحسین نجفیدانشآموخته دکتری مهندسی منابع آب، پردیس ابوریحان، دانشگاه تهران، پاکدشت، ایرانعلیرضا مساح بوانیدانشیار، پردیس ابوریحان، دانشگاه تهران، پاکدشت، ایرانپرویز ایران نژاددانشیار، موئسسه ژئوفیزیک، دانشگاه تهران، تهران، ایراناندرو رابرتسونمدیر ارشد مطالعات اقلیمی، موئسسه پژوهشی بینالمللی برای اقلیم و جامعه، موئسسه زمین، دانشگاه کلمبیا واقع در نیویورک، ایالات متحده آمریکاJournal Article20170701The aim of this research is to evaluate the temperature outputs of climate forecasting systems over Iran. The analysis is provided based on Atmosphere-Ocean Coupled General Circulation Models from North America Multi Model Ensemble (NMME). The skill of NMME individual models are evaluated in different initializations, of lead times (0-month, 1-month and 2-month) for October-December (OND), December-February (DJF), and February-April (FMA) target seasons. Temperatures at 2m from Climate Research Unit (CRU) dataset are used as reference observation over 1982-2010. Pearson correlation, Mean Error and Root Mean Squared Error are calculated as deterministic verification criteria for seasonal forecast verification. In addition, Relative Operating Characteristic (ROC) score is calculated as a categorical measure for below-normal and above-normal conditions. The results suggest that correlation between NMME forecasts and CRU is higher in FMA (compared to DJF and OND). CFSv2 has a significant skill in the south of Iran in FMA (correlation ≥ 0.9, ROC≥ 0.7). Spatial pattern of NMME biases is similar in three target seasons. GFDL-FLOR-B01 bias is lowest among all evaluated NMME models. At longer lead times; skill of some models is dropped for forecasting temperature in some river basins in Iran. Given large temperature biases found in NMME individual models, applying Model Output Statistics is recommended. Developing Multi-model Ensemble (MME) can also help to improve seasonal forecasts in Iran’s river basins for agriculture and water resources management applications.هدف از این پژوهش، ارزیابی برونداد دمای سامانههای پیشبینی فصلی اقلیمی در پهنه کشور ایران است. این تحلیلها بر اساس مدلهای گردش کلی جفتشده جو-اقیانوس انجام شده است که در همادی مدلهای آمریکای شمالی مورد استفاده قرار گرفتهاند. مهارت هر یک از مدلهای آمریکای شمالی با آغازگریهای مختلف و در سه زمان انتظار صفر، یک و دو (ماه) برای سه فصل هدف (اکتبر-دسامبر)، (دسامبر-فوریه) و (فوریه-آوریل) بررسی شده است. بدین منظور از محصول دمای پایگاه CRU (دو متری سطح زمین) در دوره (1982-2010) به عنوان داده مرجع مشاهداتی استفاده شد. معیارهای صحتسنجی قطعی شامل همبستگی پیرسون، میانگین خطا و ریشه مربعات خطا است که برای ارزیابی پیشبینیهای فصلی محاسبه شدهاند. نمره ROC نیز به عنوان یک شاخص طبقهبندی برای کلیه مدلها در شرایط زیر نرمال و بیش از نرمال محاسبه شده است. نتایج نشان میدهد ضریب همبستگی بین سامانههای پیشبینی فصلی و پایگاه CRU در فصل FMA بیشتر از دو فصل DJF و OND است. مهارت مدل CFSv2 در جنوب کشور در OND قابل ملاحظه (همبستگی بالای 9/0 و ROC بیش از 7/0) میباشد. الگوی اریبی بر اساس موقعیت جغرافیایی در فصول هدف تقریباً مشابه است. کمترین تغییرات اریبی از لحاظ مقدار، مربوط به مدل GFDL-FLOR-B01 میباشد. با افزایش زمان انتظار، مهارت سامانههای پیشبینی فصلی در تعدادی از حوضههای آبریز کشور کاهش مییابد. با توجه به اریبی قابلملاحظه تعدادی از مدلهای همادی آمریکای شمالی، میتوان از روشهای پسپردازش مناسب برای حذف اریبی برونداد این مدلها استفاده نمود. همچنین میتوان با توسعه سامانههای همادی چندمدلی در سطح حوضههای آبریز در فصول مهم از منظر بخش کشاورزی و منابع آب بهره گرفت.https://www.agrimet.ir/article_69417_7a9ddbceeead91b0185eaec5ab3fe826.pdfانجمن مهندسی آبیاری و آب ایرانهواشناسی کشاورزی2345-34196120180823Comparative analyses of SPI and SPEI meteorological drought indices (Case study: Golestan province)تحلیل تطبیقی رفتار شاخصهای خشکسالی هواشناسی SPI و SPEI در ایستگاههای منتخب استان گلستان31406941810.22125/agmj.2018.113661.FAلاله رضائی قلعهدانشگاه علوم کشاورزی و منابع طبیعی گرگان0000-0001-8057-9793خلیل قربانیعلوم کشاورزی و منابع طبیعی گرگان0000-0002-1901-4045Journal Article20170404Precipitation-based drought indices including the SPI generally neglect the effect of other variables such as temperature and evapotranspiration on drought intensity. However, some studies have confirmed the systematic errors involved. Therefore, alternate indices like Standardized Precipitation Evapotranspiration Index (SPEI) have been proposed. The current comparative study was aimed to evaluate the SPI and SPEI indices’ skill for drought monitoring in different climatic regions of Golestan province. The results were analyzed in different seasons based on the correlation between SPI and SPEI indices classes in a 12-month window. The results showed that in more humid regions, the correlation between the two indices is higher. Similarly, in smaller time scales, the correlation was higher. The SPEI detects greater number of wet and dry spells comparing to SPI. Significant correlation between the two indices was observed at Ramyan station using Pearson's parametric test at 95% confidence level for 3 and 6 months time series. Seasonal frequency analysis of drought classes showed that both indices have more inter-classes variations in summer. Maximum number of severe and extreme drought events was observed at Ghaffar Haji station during summer using both indices. Also the comparison of SPI and SPEI time series showed that SPEI index detects longer wet and dry periods, but SPI index revealed bigger extreme values.عموماً شاخصهای پایش خشکسالی مبتنی بر متغیر بارش است و در نظر نگرفتن تأثیر سایر متغیرها- نظیر دما- خطاهایی سامانمند به همراه دارد. بر این اساس، در کنار نمایههای متداولی نظیر SPI، روشهای ترکیبی از جمله نمایه استاندارد شده بارش- تبخیرتعرق (SPEI) ارائه شده است. هدف از مطالعه حاضر، مقایسه تطبیقی دو نمایه SPEI و SPIجهت پایش خشکسالی در استان گلستان میباشد. مقایسات بر اساس میزان همبستگی و همچنین فراوانی طبقات خشکسالی در پنجرههای زمانی 12 ماهه و در فصول مختلف تحلیل شدند. نتایج نشان داد که هر چه اقلیم منطقه مرطوبتر باشد، به دلیل کاهش نقش تبخیرتعرق، همبستگی بین دو نمایه بیشتر میباشد. در خشکسالیهایی با پنجره زمانی کوچکتر نیز قوت این همبستگی، بیشتر است. همچنین، شاخص SPEI نسبت به SPI قادر است تعداد وقایع ترسالی و خشکسالی بیشتری را نشان دهد. همبستگی معنیداری بین دو شاخص با استفاده از آزمون پارامتری پیرسون در سطح اطمینان 95 درصد در ایستگاه رامیان در سری زمانی 3 و 6 ماهه مشاهده شد. تحلیل فراوانی طبقات خشکسالی در مقیاس فصلی هر دو شاخص بیشترین تغییرات را فصل تابستان نشان داد. بیشترین تعداد وقایع خشکسالی شدید و خیلی شدید توسط هر دو شاخص در ایستگاه غفارحاجی و در فصل تابستان مشاهده شد. همچنین، مقایسه نمودارهای سریهای زمانی شاخصهای خشکسالی SPI و SPEI نشان داد که شاخص SPEI دوره طولانیتری از خشکسالی و ترسالی و شاخص SPI وقایع حدی بزرگتری را نسبت به SPEI نشان میدهد.https://www.agrimet.ir/article_69418_f4e2bbe100cda91f8c910d33a104a621.pdfانجمن مهندسی آبیاری و آب ایرانهواشناسی کشاورزی2345-34196120180823Performance evaluation of the genetic programming and support vector machine models in reconstruction of missing precipitation dataارزیابی عملکرد رهیافتهای برنامهریزی ژنتیک و ماشین بردار پشتیبان در بازسازی دادههای گمشده بارش41496941510.22125/agmj.2018.113742.FAمصطفی کدخداحسینیدانشجوی دکتری مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکردرسول میرعباسی نجف آبادیاستادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد0000-0002-9897-0042حامد نوذریاستادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدانعلی اصغر رستمیدانشجوی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریزJournal Article20171021Incomplete rainfall datasets with missing gaps is a major challenge in climatology and water resource studies. In the present study, two intelligent models, namely Genetic Programing (GP) and Support Vector Machines (SVM) were used to reconstruct the monthly rainfall data of four rain-gauges located in Hamedan province, Iran during the period of 1992 to 2011. The incomplete rainfall data was reconstructed first by using the data of one, two and three stations respectively. The results showed that increasing the memory and the number of stations involved in the training phase, will improve the performance of the models. In reconstruction of monthly precipitation data of Sarabi and Maryanj stations, the Support Vector Machine method showed better performance with RMSE of 12.9 mm and 11.4 mm, and correlation coefficients (r) of 0.93 and 0.95, respectively. The corresponding values of RMSE for GP approach were 13 mm and 12.21 mm, which indicated the superior performance of SVM.فقدان یا گسست در سری زمانی دادههای بارش در بسیاری از ایستگاههای هواشناسی، یکی از محدودیتهای اصلی در مطالعات اقلیمشناسی و منابع آب است. در پژوهش حاضر از دو رهیافت هوشمند برنامهریزی ژنتیک و ماشین بردار پشتیبان به منظور بازسازی دادههای بارش ماهانه چهار ایستگاه بارانسنجی واقع در استان همدان، در دوره آماری 1370 تا 1389 استفاده شد. خلاء آماری ابتدا به کمک اطلاعات یک ایستگاه، سپس دو ایستگاه و در نهایت دادههای سه ایستگاه، بازسازی گردید. نتایج نشان داد که با افزایش حافظه و تعداد ایستگاههای دخیل در مرحله آموزش، عملکرد مدلها بهبود مییابد. همچنین رهیافت ماشین بردار پشتیبان در بازسازی دادههای بارش ماهانه ایستگاه سرابی و مریانج به ترتیب با ریشه میانگین مربعات خطا 9/12 و 4/11 میلیمتر و ضریب همبستگی 93/0 و 95/0 نسبت به روش برنامهریزی ژنتیک با ریشه میانگین مربعات خطای 13 و 2/12 میلیمتر و ضریب همبستگی 93/0 و 95/0 از عملکرد بهتری برخوردار بوده است.https://www.agrimet.ir/article_69415_df8f0ef63e394bfcad64fbce53d3d85d.pdfانجمن مهندسی آبیاری و آب ایرانهواشناسی کشاورزی2345-34196120180823Comparative study of three agroclimatic classification methods for determination of suitable regions of rainfed wheat cultivationمطالعه تطبیقی سه روش طبقه بندی اقلیمی جهت تعیین مناطق مطلوب کشت گندم دیم در استان کرمانشاه50616941610.22125/agmj.2018.113744.FAسعید بازگیراستادیار هواشناسی کشاورزی، دانشکده جغرافیا، دانشگاه تهرانحسین محمدیدانشگاه تهرانعرفان مؤمن پوردانشگاه تهرانJournal Article20171111The purpose of the current feasibility study was to compare three agroclimatic classification methods namely FAO, Papadakis and UNESCO for determination of suitable regions of rainfed wheat cultivation in Kermanshah province, west of Iran using observed data of five synoptic stations. Application of all three methods revealed that the most regions of the province are suitable for the crop cultivation. Based on FAO method, all study stations showed climatic suitability of wheat cultivation. Application of Papadakis method, on the other hand, showed that Sarpol Zahab weather station have a sub-tropical Mediterranean climate and, Kermanshah, Ravansar, Kangavar and Islamabad have continental Mediterranean climate, which are mainly suitable for rainfed wheat . In case of UNESCO climatic classification, the climate of all five study stations was recognized as semi-arid climate which indicates high climatic potential of the province for growing rainfed wheat. In general, all three method confirm the climatic suitability of the region with average yield of 1000 kg ha<sup>-1</sup>. <br /> هدف از انجام این تحقیق، مقایسه سه روش طبقهبندی اقلیمی کشاورزی فائو، پاپاداکیس و یونسکو جهت تعیین مناطق مناسب کشت گندم دیم در استان کرمانشاه است. به این منظور از دادههای مشاهداتی 5 ایستگاه همدیدی استان استفاده شد. مطابق یافتههای پژوهش، بر اساس هر سه روش منتخب، استان از مطلوبیت کشت دیم گندم برخوردار است، به طوری که بر اساس روش فائو، تمام ایستگاههای مورد مطالعه در از نظر کشت این محصول دارای پتانسیل اقلیمی مناسب بودند. همچنین در روش پاپاداکیس، ایستگاه سرپل ذهاب دارای اقلیم مدیترانهای جنب حارّه و چهار ایستگاه کرمانشاه، روانسر، کنگاور و اسلام آباد غرب دارای اقلیم مدیترانهای برّی هستند که مبین مطلوبیت جهت کشت دیم گندم میباشد. در روش یونسکو نیز تمام ایستگاهها براساس شاخص خشکی و رژیم رطوبتی در گروه اقلیم نیمه خشک قرار گرفتند که از این نظر محدودیت خاصی برای دیمکاری ایجاد نمیکند. در مجموع، نتایج حاصل از هر سه روش مؤید مطلوبیت اقلیمی استان جهت دیمکاری گندم با عملکردی قابل قیاس با متوسط کشور (حدود 1000 کیلوگرم در هکتار). میباشد.https://www.agrimet.ir/article_69416_5a3f69c4f3e45f5b5da0567cf50fbb42.pdf