کاربرد مدل متریک برای برآورد تبخیر-تعرق واقعی ماهانه حوزه آبخیز ونک با استفاده از تصاویر سنجنده مودیس
محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداری
مریم رضائی
1
(دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، ایران)
هدی قاسمیه
2
(دانشیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، ایران)
خدایار عبدالهی
3
(استادیار گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، ایران)
کلید واژه: بیلان انرژی, حوزه آبخیز ونک, سنجش‌ازدور, تغییرات زمانی-مکانی, تبخیر-تعرق واقعی,
چکیده مقاله :
پیشینه و هدف امروزه به‌منظور استفاده منطقی آب برای محصولات کشاورزی نیاز به درک و شناخت دقیق فرآیند تبخیر-تعرق وجود دارد. تبخیر-تعرق یکی از مهم‌ترین مؤلفه‌های بیلان آب است و ازاین‌رو یک متغیر کلیدی برای مدیریت بهینه منابع آب به شمار می‌آید. هدف از انجام پژوهش حاضر برآورد و تجزیه‌وتحلیل توزیع مکانی و زمانی تبخیر-تعرق واقعی در مقیاس زمانی ماهانه با استفاده از مدل متریک و مشاهدات ماهواره مودیس در حوزه آبخیز ونک و بررسی صحت نتایج متریک با الگوریتم بیلان انرژی سطحی برای زمین، سبال (SEBAL) است. مواد و روش هاروش های زیادی برای تخمین دقیق تبخیر-تعرق نقطه‌ای وجود دارد، ازجمله لایسیمترهای وزنی (Weighing lysimeter)، روش نسبت بوون (Bowen ratio technique) و روش ادی کوواریانس (Eddy covariance). نقطه‌ضعف روش‌های ذکرشده این است که، این روش‌ها فقط تبخیر-تعرق را برای یک مکان خاص برآورد می‌کنند و قادر به برآورد تبخیر-تعرق منطقه‌ای نیستند. مدل متریک توسط آلن و همکاران در سال 2007 بر اساس مدل شناخته‌شده سبال (باستیانسن، 1998)، ارائه گردیده است. مدل متریک، یک روش مبتنی بر سنجش‌ازدور است که تبخیر-تعرق واقعی را به‌عنوان باقیمانده معادله بیلان انرژی سطح برآورد می‌کند. در پژوهش حاضر، توزیع مکانی و زمانی تبخیر-تعرق واقعی حوضه ونک از آوریل تا نوامبر 2013 و 2014، با استفاده از مدل متریک برآورد شد و با استفاده از تصاویر سنجنده مودیس، امکان استفاده از متریک، موردبررسی قرار گرفت. حوزه آبخیز ونک در قسمت جنوب‌شرقی حوزه کارون شمالی قرارگرفته است و ازلحاظ جغرافیایی بین استان‌های چهارمحال و بختیاری و اصفهان قرارگرفته است. 60 تصویر سنجنده مودیس مربوط به شاخص سطح برگ (MOD15A2)، دمای سطح زمین (MOD11A2) و بازتاب سطحی (MOD09A1)، با فواصل زمانی هشت‌روزه استخراج گردید. تصاویر ذکرشده از وب‌سایت USGS دانلود گردید و سیستم مختصات تصاویر از حالت سینوسی به متریک (UTM) تبدیل شدند. فاکتور مقیاس مربوط به تصاویر LAI و LST و بازتاب سطحی به ترتیب 0.1، 0.02 و 0.0001 است. شروع تخمین تبخیر-تعرق در مدل متریک با معادله بیلان انرژی، است. مجموعه داده‌ها شامل مشاهدات مودیس و داده‌های هواشناسی ایستگاه‌های موجود در حوزه و اطراف آن به‌منظور محاسبه شارهای انرژی سطحی لحظه‌ای شامل؛ شار تابش خالص، شار گرمای خاک و شارگرمای محسوس در فن پردازش است. تبخیر-تعرق، در لحظه تصویر برای هر پیکسل، از تقسیم مقادیر شار گرمای نهان (LE) بر گرمای نهان تبخیر و چگالی آب، محاسبه شد.نتایج و بحث در طول این تحقیق، حد بالایی تبخیر-تعرق، افزایش تدریجی از آوریل تا جولای را در هر دو سال 2013 و 2014 نشان داد. با توجه به نتایج به‌دست‌آمده، حداکثر میزان تبخیر-تعرق واقعی در سال‌های 2013 و 2014 برای ماه جولای به ترتیب 244 و 263 میلی‌متر در ماه به‌دست‌آمد. به‌طورکلی نتایج به‌دست‌آمده از این مقاله می‌تواند به شناخت بهتر تغییرات تبخیر-تعرق منطقه‌ای کمک کند. مقایسه توزیع‌های مکانیAET، LAIوLST ، در منطقه مطالعاتی نتایج نشان داد که توزیع مکانیAET تحت تأثیر دو عاملLAI وLST ، قرارگرفته است که از آزمون همبستگی پیرسون برای بررسی رابطه دو متغیرLAI وLST با تبخیر-تعرق واقعی استفاده شد. نتایج به‌دست‌آمده، نواحی با پوشش گیاهی متراکم و دمای سطح زمین پایین دارای مقادیر بالای تبخیر-تعرق بوده و مناطق دارای دمای سطح بالا و پوشش گیاهی پراکنده و کم از مقدار تبخیر-تعرق کمیبرخوردارند.نتایج نشان داد که روند تغییرات میانگین دمای ماهانه، همسو با تبخیر-تعرق واقعی است، در مورد میانگین آلبیدو و شار تابش خالص نیز روند مشابهی دیده شد. لازم به ذکر است که عدم وجود اندازه‌گیری‌های زمینی برای مقایسه آن‌ها با مقادیر تبخیر-تعرق مدل، یک محدودیت بالقوه از پژوهش حاضر است. بااین‌حال، رویکرد پیشنهادی، ارزیابی برآوردهای تبخیر-تعرق به‌دست‌آمده از مدل متریک با برآوردهای تبخیر-تعرق حاصل از مدل سبال، (به‌عنوان روش استاندارد) است، که رویکردی است که به‌طور گسترده برای مقابله با چنین محدودیت‌هایی استفاده می‌شود. در گام دوم تجزیه‌وتحلیل، در پژوهش حاضر، مقادیر برآوردی تبخیر-تعرق ماهانه با استفاده از معادلات متریک در مقابل سبال برای حوزه ونک در سال 2014، مورد مقایسه قرار گرفت. نتایج مدل سبال به‌عنوان مرجعی برای مقایسه نتایج به‌دست‌آمده از مدل متریک مورداستفاده قرار گرفت. بررسی آماری به‌منظور تعیین اختلاف بین تبخیر-تعرق ماهانه استخراج‌شده از متریک در مقابل تبخیر-تعرق ماهانه استخراج‌شده از سبال صورت گرفت. از معیارهای ارزیابی ضریب نش-ساتکلیف (NS; Nash-Sutcliffe coefficient)، ضریب تبیینCoefficient of Determination و میانگین خطای مطلق (MAE; Mean Absolute Error)، استفاده شد. مقادیر بالای ضرایب R2و نش-ساتکلیف و مقادیر پایین MAE نشان داد که مدل متریک در بیشتر ماه‌ها با مدل سبال، ارتباط نزدیکی دارد. مقادیر تبخیر-تعرق ماهانه برآورد شده توسط مدل متریک در مقابل مقادیر تبخیر-تعرق ماهانه تخمین زده‌شده از مدل سبال، از آوریل تا نوامبر 2014 برای حوزه ونک ارزیابی و مقایسه گردید. بر اساس نتایج کلی نشان می دهد که پراکندگی برآوردها در یک حد قابل‌قبول است. در سال 2014، توافق خوبی بین مدل‌های متریک و سبال وجود داشت (R2 =0.96-0.99، NSE=0.93-0.99و MAE=1.3-7.53).در سال 2014، نتایج دیگر نشان داد که در هر دو مدل، حد بالایی تبخیر-تعرق، افزایش تدریجی از آوریل تا جولای را نشان داد.نتیجه گیری با توجه به نتایج به‌دست‌آمده، نواحی دارای شاخص پوشش گیاهی بالا (LAI) و دمای سطح زمین پایین نسبت به سایر نواحی که دارای شاخص پوشش گیاهی پایین و دمای سطح زمین بالا هستند از میزان تبخیر-تعرق بیشتری برخوردارند. روند تغییرات سری زمانی شاخص LAI و تبخیر-تعرق در این پژوهش، با روند تغییرات پارامترهای مذکور در تحقیقی که توسط ریزگونزانلس و همکاران (2019) با استفاده از مدل متریک در داکوتا بررسی‌شده بود، مطابقت داشت.
Background and ObjectiveNowadays, in order to logical use of water for agricultural products, an accurate understanding of the evapotranspiration process is needed. Evapotranspiration is one of the most significant components of water balance hence it is a key variable for the optimal management of water resources. In this paper, we aim to the analysis of the spatial and temporal and distribution of actual evapotranspiration (AET) at monthly time scale using the METRIC approach, driven by MODIS satellite observations over the Vanak Basin and check the accuracy of the METRIC results with (SEBAL, Surface Energy Balance Algorithm for Land). Materials and Methods There are many methods for correct estimation of point evapotranspiration, such as weighing lysimeters, the Bowen ratio, and the eddy correlation methods. The weakness of the mentioned methods is that these techniques only provide evapotranspiration for a specific site and they can't estimate regional evaporation. The METRIC model was developed by Allen et al., (2007) based on the well-known SEBAL model (Bastiaanssen, 1998). METRIC model is a remote sensing-based method that estimates actual evapotranspiration as a residual of the surface energy balance. Herein, the spatial and temporal distribution of actual evapotranspiration of the Vanak Basin from April to November 2013–2014 was estimated using the METRIC model and using MODIS satellite data, the feasibility of using METRIC was investigated. Vanak Basin is located in the southeastern part of the Northern Karoon Basin. It is geographically placed between Chaharmahal va Bakhtiari and Isfahan provinces. 60 MODIS products of Leaf Area Index (MOD15A2), land surface temperature LST (MOD11A2) and surface reflectance (MOD09A1) in 8-day time step were extracted. The mentioned images were downloaded from the USGS website and the images were re-projected from the Sinusoidal projection to UTM projection. The scale factor for LAI, LST and Surface Reflectance were 0.1,0,02 and 0.0001, respectively. Estimation of ET with the METRIC model begins with energy balance. Data sets such as MODIS observations and weather data from the stations in and near the Vanak Basin are used to calculate instantaneous surface energy fluxes including net radiation flux (Rn), soil heat flux (G) and sensible heat flux (H) in the processing technique. ET at the instant of the satellite image is computed for each pixel by dividing LE values by latent heat of vaporization and density of water. Results and Discussion Throughout this research, the upper limit of the variation of AET showed a gradual increase from April to July in both 2013 and 2014. According to the results, the maximum amount of actual evapotranspiration in 2013 and 2014 for the July month was obtained 244 and 263 mm per month respectively. In general, the results of this paper will help us better understand the variations of regional AET. Comparison of the spatial distributions of AET, LAI and LST in the study area showed that the spatial distribution of AET was affected by two factors, LAI and LST, that Pearson correlation test was used to assess the relationship between two variables LAI and LST with actual evapotranspiration. Based on the results, the regions which had dense vegetation and low land surface temperatures had high AET rates, while in the regions with sparse vegetation and high land surface temperatures, the AET rate was low. The results showed that the trend of changes in the mean monthly temperature is in line with the monthly actual evapotranspiration; the same trend was observed in the case of albedo and net radiation flux. It should be noted that the absence of ground measurements for comparing them to the modelled AET amounts was a potential limitation of the current study. However, our approach of evaluating AET estimates derived from the METRIC model with the AET estimates derived from SEBAL model is a widely used (as standard approach) approach to tackle such limitations. In the second step of the analysis, this paper compares the estimated monthly AET using the equations of the METRIC versus the SEBAL, for the Vanak Basin in 2014. The outcome of the SEBAL model was used as a reference to compare the results obtained from the METRIC model. The statistical analysis was performed to determine the differences between monthly AET derived from METRIC vs. monthly AET derived from SEBAL. The Nash–Sutcliffe model efficiency coefficient (NSE), Coefficient of Determination (R2) and Mean absolute error (MAE) are used, that the results showed high R2 values and NS coefficients and low MAE values indicate that METRIC is closely related to SEBAL Model in the most of the months. The monthly AET values estimated by the METRIC model versus the monthly AET values estimated from the SEBAL model were evaluated and compared for the Vanak Basin from April to November 2014. Based on the overall results the scatter of estimations is in an acceptable range. In 2014, there was good agreement between METRIC and SEBAL models (R2=0.96–0.99, NSE = 0.93–0.99 and MAE = 1.3–7.53 mm month−1). In 2014, other results indicated that in both models, the upper limit of the variation of AET showed a gradual increase from April to July. Conclusion According to the results, the regions with high leaf area index (LAI) and low land surface temperature have more evapotranspiration than other regions with low leaf area index and high land surface temperature. The trend of the time series of LAI index and evapotranspiration in this study was consistent with the trend of changes in the parameters mentioned in the study, which was described by Reyes-González et al (2019) that use of the METRIC model in Dacota.
Allen RG, Tasumi M, Trezza R. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-Model. Journal of irrigation and drainage engineering, 133(4): 380-394. doi:https://doi.org/10.1061/(ASCE)0733-9437(2007)133:4(380).
Ashraf Sadreddini A, Hamed Sabzchi Dehkharghani H, Nazemi A, Majnooni Heris A. 2020. Application of SEBAL algorithm in estimating maximum daily demand of rain-fed wheat from green water sources using MODIS images (Case study: Ahar county). Journal of RS and GIS for Natural Resources, 11(1): 1-28. (In Persian)
Bastiaanssen WGM, Menenti M, Feddes RA, Holtslag AAM. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation. Journal of Hydrology, 212-213: 198-212. doi:https://doi.org/10.1016/S0022-1694(98)00253-4.
Bayati S, Nasr EMA, Abdollahi K. 2018. Comparing the Response Characteristics and Volumetric Water Balance in Three Unit Hydrograph Methods (A case study: Vanak Basin). Iranian Journal of Eco Hydrology, 5(2): 373-385. (In Persian)
Carrillo-Rojas G, Silva B, Córdova M, Célleri R, Bendix J. 2016. Dynamic mapping of evapotranspiration using an energy balance-based model over an Andean páramo catchment of southern Ecuador. Remote Sensing, 8(2): 160. doi:https://doi.org/10.3390/rs8020160.
Esmaeili S, Khoshkhoo Y, Babaei KH, Y AO. 2018. Estimating Rice Actual Evapotranspiration Using METRIC Algorithm in a part of the North of Iran. Journal of Water and Soil Conservation, 24(6): 105-122. (In Persian)
Gebler S, Franssen HH, Pütz T, Post H, Schmidt M, Vereecken H. 2015. Actual evapotranspiration and precipitation measured by lysimeters: a comparison with eddy covariance and tipping bucket. Hydrology and Earth System Sciences, 19(5): 2145. doi:https://doi.org/10.5194/hess-19-2145-2015.
Glenn EP, Neale CM, Hunsaker DJ, Nagler PL. 2011. Vegetation index‐based crop coefficients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystems. Hydrological Processes, 25(26): 4050-4062. doi:https://doi.org/10.1002/hyp.8392.
Häusler M, Conceição N, Tezza L, Sánchez JM, Campagnolo ML, Häusler AJ, Silva JMN, Warneke T, Heygster G, Ferreira MI. 2018. Estimation and partitioning of actual daily evapotranspiration at an intensive olive grove using the STSEB model based on remote sensing. Agricultural Water Management, 201: 188-198.
doi:https://doi.org/10.1016/j.agwat.2018.01.027.
He R, Jin Y, Kandelous MM, Zaccaria D, Sanden BL, Snyder RL, Jiang J, Hopmans JW. 2017. Evapotranspiration estimate over an almond orchard using landsat satellite observations. Remote Sensing, 9(5): 436. doi:https://doi.org/10.3390/rs9050436.
Huntington TG. 2006. Evidence for intensification of the global water cycle: Review and synthesis. Journal of Hydrology, 319(1): 83-95. doi:https://doi.org/10.1016/j.jhydrol.2005.07.003.
Johnson LF, Trout TJ. 2012. Satellite NDVI assisted monitoring of vegetable crop evapotranspiration in California’s San Joaquin Valley. Remote Sensing, 4(2): 439-455.
doi:https://doi.org/10.3390/rs4020439.
Lian J, Huang M. 2016. Comparison of three remote sensing based models to estimate evapotranspiration in an oasis-desert region. Agricultural Water Management, 165: 153-162. doi:https://doi.org/10.1016/j.agwat.2015.12.001.
Liaqat UW, Choi M. 2017. Accuracy comparison of remotely sensed evapotranspiration products and their associated water stress footprints under different land cover types in Korean peninsula. Journal of Cleaner Production, 155: 93-104. doi:https://doi.org/10.1016/j.jclepro.2016.09.022.
Mobasheri MR, Khavarian H, Zeaiean P, Kamaly G. 2007. Evapo-transpiration assessment using Terra/MODIS images in the Gorgan general district. The Journal of Spatial Planning, 11(1): 121-142. (In Persian)
Rawat KS, Bala A, Singh SK, Pal RK. 2017. Quantification of wheat crop evapotranspiration and mapping: A case study from Bhiwani District of Haryana, India. Agricultural Water Management, 187: 200-209.
doi:https://doi.org/10.1016/j.agwat.2017.03.015.
Reyes-González A, Kjaersgaard J, Trooien T, Reta-Sánchez DG, Sánchez-Duarte JI, Preciado-Rangel P, Fortis-Hernández M. 2019. Comparison of Leaf Area Index, Surface Temperature, and Actual Evapotranspiration Estimated Using the METRIC Model and In Situ Measurements. Sensors, 19(8): 1857. doi:https://doi.org/10.3390/s19081857.
Senay GB, Budde ME, Verdin JP. 2011. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: Validation with the METRIC model. Agricultural Water Management, 98(4): 606-618. doi:https://doi.org/10.1016/j.agwat.2010.10.014.
Su Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrology and earth system sciences, 6(1): 85-99. doi:https://doi.org/10.5194/hess-6-85-2002.
Tasumi M. 2003. Progress in operational estimation of regional evapotranspiration using satellite imagery. Ph.D. dissertation, Univ. of Idaho, Moscow, Id. 216 p.
Trezza R, Allen RG, Tasumi M. 2013. Estimation of actual evapotranspiration along the Middle Rio Grande of New Mexico using MODIS and landsat imagery with the METRIC model. Remote Sensing, 5(10): 5397-5423. doi:https://doi.org/10.3390/rs5105397.
Vermote EF, Kotchenova S. 2008. Atmospheric correction for the monitoring of land surfaces. Journal of Geophysical Research: Atmospheres, 113(D23). doi:https://doi.org/10.1029/2007JD009662.
Wagle P, Bhattarai N, Gowda PH, Kakani VG. 2017. 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:https://doi.org/10.1016/j.isprsjprs.2017.03.022.
Wan Z, Zhang Y, Zhang Q, Li Z-l. 2002. Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spectroradiometer data. Remote Sensing of Environment, 83(1): 163-180. doi:https://doi.org/10.1016/S0034-4257(02)00093-7.
Waters R, Allen R, Tasumi M, Trezza R, Bastiaanssen W. 2002. SEBAL (Surface Energy Balance Algorithms for Land): advanced training and users manual. Department of Water Resources, University of Idaho, Kimberly, 98p.
Yang Y, Chen R, Song Y, Han C, Liu J, Liu Z. 2019. Sensitivity of potential evapotranspiration to meteorological factors and their elevational gradients in the Qilian Mountains, northwestern China. Journal of Hydrology, 568: 147-159. doi:https://doi.org/10.1016/j.jhydrol.2018.10.069.
Zamani Losgedaragh S, Rahimzadegan M. 2018. Evaluation of SEBS, SEBAL, and METRIC models in estimation of the evaporation from the freshwater lakes (Case study: Amirkabir dam, Iran). Journal of Hydrology, 561: 523-531. doi:https://doi.org/10.1016/j.jhydrol.2018.04.025.
Zhang Y, Yang S, Ouyang W, Zeng H, Cai M. 2010. Applying Multi-source Remote Sensing Data on Estimating Ecological Water Requirement of Grassland in Ungauged Region. Procedia Environmental Sciences, 2: 953-963. doi:https://doi.org/10.1016/j.proenv.2010.10.107.
Zhang X-c, Wu J-w, Wu H-y, Li Y. 2011. Simplified SEBAL method for estimating vast areal evapotranspiration with MODIS data. Water Science and Engineering, 4(1): 24-35. doi:https://doi.org/10.3882/j.issn.1674-2370.2011.01.003.
Zhang B, Chen H, Xu D, Li F. 2017. Methods to estimate daily evapotranspiration from hourly evapotranspiration. Biosystems Engineering, 153: 129-139. doi:https://doi.org/10.1016/j.biosystemseng.2016.11.008.
_||_Allen RG, Tasumi M, Trezza R. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-Model. Journal of irrigation and drainage engineering, 133(4): 380-394. doi:https://doi.org/10.1061/(ASCE)0733-9437(2007)133:4(380).
Ashraf Sadreddini A, Hamed Sabzchi Dehkharghani H, Nazemi A, Majnooni Heris A. 2020. Application of SEBAL algorithm in estimating maximum daily demand of rain-fed wheat from green water sources using MODIS images (Case study: Ahar county). Journal of RS and GIS for Natural Resources, 11(1): 1-28. (In Persian)
Bastiaanssen WGM, Menenti M, Feddes RA, Holtslag AAM. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation. Journal of Hydrology, 212-213: 198-212. doi:https://doi.org/10.1016/S0022-1694(98)00253-4.
Bayati S, Nasr EMA, Abdollahi K. 2018. Comparing the Response Characteristics and Volumetric Water Balance in Three Unit Hydrograph Methods (A case study: Vanak Basin). Iranian Journal of Eco Hydrology, 5(2): 373-385. (In Persian)
Carrillo-Rojas G, Silva B, Córdova M, Célleri R, Bendix J. 2016. Dynamic mapping of evapotranspiration using an energy balance-based model over an Andean páramo catchment of southern Ecuador. Remote Sensing, 8(2): 160. doi:https://doi.org/10.3390/rs8020160.
Esmaeili S, Khoshkhoo Y, Babaei KH, Y AO. 2018. Estimating Rice Actual Evapotranspiration Using METRIC Algorithm in a part of the North of Iran. Journal of Water and Soil Conservation, 24(6): 105-122. (In Persian)
Gebler S, Franssen HH, Pütz T, Post H, Schmidt M, Vereecken H. 2015. Actual evapotranspiration and precipitation measured by lysimeters: a comparison with eddy covariance and tipping bucket. Hydrology and Earth System Sciences, 19(5): 2145. doi:https://doi.org/10.5194/hess-19-2145-2015.
Glenn EP, Neale CM, Hunsaker DJ, Nagler PL. 2011. Vegetation index‐based crop coefficients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystems. Hydrological Processes, 25(26): 4050-4062. doi:https://doi.org/10.1002/hyp.8392.
Häusler M, Conceição N, Tezza L, Sánchez JM, Campagnolo ML, Häusler AJ, Silva JMN, Warneke T, Heygster G, Ferreira MI. 2018. Estimation and partitioning of actual daily evapotranspiration at an intensive olive grove using the STSEB model based on remote sensing. Agricultural Water Management, 201: 188-198.
doi:https://doi.org/10.1016/j.agwat.2018.01.027.
He R, Jin Y, Kandelous MM, Zaccaria D, Sanden BL, Snyder RL, Jiang J, Hopmans JW. 2017. Evapotranspiration estimate over an almond orchard using landsat satellite observations. Remote Sensing, 9(5): 436. doi:https://doi.org/10.3390/rs9050436.
Huntington TG. 2006. Evidence for intensification of the global water cycle: Review and synthesis. Journal of Hydrology, 319(1): 83-95. doi:https://doi.org/10.1016/j.jhydrol.2005.07.003.
Johnson LF, Trout TJ. 2012. Satellite NDVI assisted monitoring of vegetable crop evapotranspiration in California’s San Joaquin Valley. Remote Sensing, 4(2): 439-455.
doi:https://doi.org/10.3390/rs4020439.
Lian J, Huang M. 2016. Comparison of three remote sensing based models to estimate evapotranspiration in an oasis-desert region. Agricultural Water Management, 165: 153-162. doi:https://doi.org/10.1016/j.agwat.2015.12.001.
Liaqat UW, Choi M. 2017. Accuracy comparison of remotely sensed evapotranspiration products and their associated water stress footprints under different land cover types in Korean peninsula. Journal of Cleaner Production, 155: 93-104. doi:https://doi.org/10.1016/j.jclepro.2016.09.022.
Mobasheri MR, Khavarian H, Zeaiean P, Kamaly G. 2007. Evapo-transpiration assessment using Terra/MODIS images in the Gorgan general district. The Journal of Spatial Planning, 11(1): 121-142. (In Persian)
Rawat KS, Bala A, Singh SK, Pal RK. 2017. Quantification of wheat crop evapotranspiration and mapping: A case study from Bhiwani District of Haryana, India. Agricultural Water Management, 187: 200-209.
doi:https://doi.org/10.1016/j.agwat.2017.03.015.
Reyes-González A, Kjaersgaard J, Trooien T, Reta-Sánchez DG, Sánchez-Duarte JI, Preciado-Rangel P, Fortis-Hernández M. 2019. Comparison of Leaf Area Index, Surface Temperature, and Actual Evapotranspiration Estimated Using the METRIC Model and In Situ Measurements. Sensors, 19(8): 1857. doi:https://doi.org/10.3390/s19081857.
Senay GB, Budde ME, Verdin JP. 2011. Enhancing the Simplified Surface Energy Balance (SSEB) approach for estimating landscape ET: Validation with the METRIC model. Agricultural Water Management, 98(4): 606-618. doi:https://doi.org/10.1016/j.agwat.2010.10.014.
Su Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrology and earth system sciences, 6(1): 85-99. doi:https://doi.org/10.5194/hess-6-85-2002.
Tasumi M. 2003. Progress in operational estimation of regional evapotranspiration using satellite imagery. Ph.D. dissertation, Univ. of Idaho, Moscow, Id. 216 p.
Trezza R, Allen RG, Tasumi M. 2013. Estimation of actual evapotranspiration along the Middle Rio Grande of New Mexico using MODIS and landsat imagery with the METRIC model. Remote Sensing, 5(10): 5397-5423. doi:https://doi.org/10.3390/rs5105397.
Vermote EF, Kotchenova S. 2008. Atmospheric correction for the monitoring of land surfaces. Journal of Geophysical Research: Atmospheres, 113(D23). doi:https://doi.org/10.1029/2007JD009662.
Wagle P, Bhattarai N, Gowda PH, Kakani VG. 2017. 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:https://doi.org/10.1016/j.isprsjprs.2017.03.022.
Wan Z, Zhang Y, Zhang Q, Li Z-l. 2002. Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spectroradiometer data. Remote Sensing of Environment, 83(1): 163-180. doi:https://doi.org/10.1016/S0034-4257(02)00093-7.
Waters R, Allen R, Tasumi M, Trezza R, Bastiaanssen W. 2002. SEBAL (Surface Energy Balance Algorithms for Land): advanced training and users manual. Department of Water Resources, University of Idaho, Kimberly, 98p.
Yang Y, Chen R, Song Y, Han C, Liu J, Liu Z. 2019. Sensitivity of potential evapotranspiration to meteorological factors and their elevational gradients in the Qilian Mountains, northwestern China. Journal of Hydrology, 568: 147-159. doi:https://doi.org/10.1016/j.jhydrol.2018.10.069.
Zamani Losgedaragh S, Rahimzadegan M. 2018. Evaluation of SEBS, SEBAL, and METRIC models in estimation of the evaporation from the freshwater lakes (Case study: Amirkabir dam, Iran). Journal of Hydrology, 561: 523-531. doi:https://doi.org/10.1016/j.jhydrol.2018.04.025.
Zhang Y, Yang S, Ouyang W, Zeng H, Cai M. 2010. Applying Multi-source Remote Sensing Data on Estimating Ecological Water Requirement of Grassland in Ungauged Region. Procedia Environmental Sciences, 2: 953-963. doi:https://doi.org/10.1016/j.proenv.2010.10.107.
Zhang X-c, Wu J-w, Wu H-y, Li Y. 2011. Simplified SEBAL method for estimating vast areal evapotranspiration with MODIS data. Water Science and Engineering, 4(1): 24-35. doi:https://doi.org/10.3882/j.issn.1674-2370.2011.01.003.
Zhang B, Chen H, Xu D, Li F. 2017. Methods to estimate daily evapotranspiration from hourly evapotranspiration. Biosystems Engineering, 153: 129-139. doi:https://doi.org/10.1016/j.biosystemseng.2016.11.008.
