نیاز به تخصیص آب موجود به شیوه ای پایدار، حتی با رشد جمعیت پیش بینی شده، باعث شده است تا میزان مصرف مصرفی یا تبخیر و تعرق (ET)، که تقاضای آبیاری را تعیین می کند، ارزیابی شود. همانطور که در مقالات تاکید شده است، روش پنمن-مونتیث که ترکیبی از روش آیرودینامیکی و تعادل انرژی است، به طور گسترده ای مورد استفاده قرار می گیرد و به عنوان روش تخمین ET پذیرفته شده است. با این حال، استفاده از Penman-Monteith بر پارامترهای آب و هوایی بسیاری مانند رطوبت نسبی، تابش خورشیدی، دما و سرعت باد متکی است. بنابراین، نیاز به تعیین پارامترهایی وجود دارد که حساس ترین هستند و با متغیر وابسته (به عنوان مثال.، ET)، برای تقویت پایگاه دانش. با این حال، حساسیت ET با استفاده از Penman-Monteith اغلب با استفاده از داده های هواشناسی ایستگاه های آب و هوایی تخمین زده می شود. چنین تخمینی از حساسیت ممکن است از نظر مکانی متفاوت باشد و بنابراین نیاز به تخمین حساسیت ET از نظر مکانی وجود دارد. بنابراین، در این مقاله، بر اساس روش One-AT-A-Time (OAT)، یک ابزار حساسیت فضایی که می‌تواند از نظر جغرافیایی بهترین مجموعه داده‌های آب و هوایی موجود را برای تولید ET و حساسیت آن در مقیاس‌های فضایی مختلف در بر بگیرد، توسعه داده شده است. ابزار فضایی به عنوان جعبه ابزار پایتون در ArcGIS با استفاده از Python، یک زبان برنامه‌نویسی منبع باز، و بسته سایت ArcPy ArcGIS توسعه داده شده است. ابزار فضایی توسعه‌یافته با استفاده از داده‌های هواشناسی شبکه خودکار داده‌های آب و هوا در نبراسکا در سال ۲۰۱۰ نشان داده شده است. برای خلاصه کردن نتیجه تجزیه و تحلیل حساسیت با استفاده از روش OAT، شاخص‌های حساسیت برای هر سلول شطرنجی توسعه می‌یابد. نمایش ابزار نشان می‌دهد که در میان پارامترهای در نظر گرفته شده، ET محاسبه‌شده با استفاده از Penman-Monteith نسبت به تابش خورشیدی و به دنبال آن دما برای ایالت نبراسکا، همانطور که توسط شاخص حساسیت نشان داده می‌شود، بسیار حساس است. شاخص حساسيت محاسبه‌شده سرعت باد و رطوبت نسبي در مقايسه با شاخص حساسيت تابش خورشيدي و دما چندان معني‌دار نيست.
کلید واژه ها
تبخیر و تعرق ، روش Penman-Monteith، روش آیرودینامیک ، روش تعادل انرژی ، پایتون ، ArcPy ، ArcGIS ، مقیاس فضایی ، ژئوپردازش ، جعبه ابزار پایتون ، تجزیه و تحلیل حساسیت ، شاخص One-AT-A-Time ، حساسیت
1. مقدمه
اگرچه بیش از 70 درصد از سطح زمین را آب پوشانده است، اما مقدار آب شیرین موجود برای تخصیص محدود است زیرا 97.5 درصد از کل آب روی زمین شور است [ 1 ]. این آب شیرین محدود با بسیاری از مصرف کنندگان آب مانند آبیاری، خانگی و شهری و صنعتی رقابت می کند. در میان این مصرف کنندگان آب، تقاضای آبیاری، که تابعی از تبخیر و تعرق (ET)، نرخ تبدیل آب مایع به بخار از آب های آزاد، خاک برهنه و پوشش گیاهی است، 87 درصد از کل مصرف در سطح جهان را تشکیل می دهد [ 2 ]. با این حال، در چند سال آینده با رشد جمعیت پیش‌بینی‌شده، حتی با فرض ثابت ماندن مصرف سرانه آب، تقاضای آب افزایش می‌یابد و در نتیجه مشکلات تخصیص آب چندین برابر می‌شود [ 2 ] [ 2].3 ] . بنابراین، برای تخصیص آب موجود به صورت پایدار، نیاز به برآورد ET وجود دارد.
همانطور که در ادبیات [ 4 ] – [ 13 ] تاکید شده است، تا به امروز، روش های زیادی برای تخمین ET وجود دارد. این روش ها یا تجربی یا مبتنی بر داده های آب و هوایی هستند. تحت برآورد تجربی مبتنی بر ET، روش بلنی کریدل یا نسخه اصلاح شده آن به طور گسترده در مناطق خشک غربی ایالات متحده استفاده می شود [ 4 ] [ 5 ]. با این حال، این روش رطوبت، سرعت باد و سایر عوامل آب و هوایی را در نظر نمی گیرد. از سوی دیگر، با استفاده از داده های هواشناسی ایستگاه های آب و هوایی، روش های برآورد ET شامل روش آیرودینامیکی، روش تراز انرژی و روش های ترکیبی مانند روش پنمن-مانتیث [ 4 ] – [ 6 ] است.] . روش آیرودینامیکی تعیین تبخیر، انتقال بخار آب توسط تلاطم باد بر روی سطح طبیعی را در نظر می گیرد. روش تعادل انرژی تمام انرژی گرمایی دریافتی و بازتابی/تلف شده توسط یک منطقه کشت شده یا یک بدنه آبی را در نظر می گیرد. روش تبخیر پنمن-مونتیث با ترکیب تبخیر محاسبه شده با روش آیرودینامیکی و تعادل انرژی [ 4 ] – [ 6 ] به دست می آید. همانطور که در ادبیات [ 4 ] – [ 13] ، روش پنمن-مونتیث به طور گسترده ای مورد استفاده قرار می گیرد و به عنوان روش تخمین ET پذیرفته شده است. با این حال، استفاده از Penman-Monteith بر پارامترهای آب و هوایی بسیاری مانند رطوبت نسبی، تابش خورشیدی، دما و سرعت باد متکی است. بنابراین، نیاز به تعیین پارامترهایی که بیشترین تأثیر را دارند و با متغیر وابسته (یعنی ET) همبستگی دارند، برای تقویت پایگاه دانش وجود دارد [ 14 ]. اغلب، تجزیه و تحلیل حساسیت برای شناسایی این مجموعه پارامترها انجام می شود.
بر اساس یک مجموعه داده اقلیمی روزانه 20 ساله، در محاسبه ET با استفاده از روش FAO56 Penman-Monteith [ 6 ]، [ 7 ] نشان می‌دهد که تابش موج کوتاه تأثیرگذارترین متغیر آب و هوایی برای اجسیس اجینا (شمال غربی چین) و پس از آن هوا بود. دما، سرعت باد و رطوبت نسبی. [ 8 ] دریافت که پاسخ ET در Changjiang (حوضه رودخانه یانگ تسه، چین) دقیقاً تحت اغتشاش رطوبت نسبی یا تابش موج کوتاه توسط ضرایب حساسیت آنها پیش‌بینی شده است. این مطالعه همچنین نتیجه می گیرد که سرعت باد کمترین تأثیر را بر ET داشته است. با استفاده از داده های ایستگاه هواشناسی خودکار آمنتئو در استان فلورینا، مقدونیه غربی، یونان، [ 9] نشان می دهد که تابش خورشیدی و دما پارامترهای اصلی آب و هوایی هستند که بر ET تأثیر می گذارند، در حالی که رطوبت نسبی و سرعت باد برای محاسبه ET چندان مهم نیستند. با تکنیک جهانی چند متغیره در کل حوضه توسه (آلپ ایتالیا)، [ 10 ] نتیجه می‌گیرد که پارامترهای آیرودینامیکی در پیش‌بینی ET حیاتی کمتری داشتند. مطالعه ای با داده های هواشناسی 22 ساله در ایستگاه فسا، ایران، نشان می دهد که ET برآورد شده به تشعشع خالص، حداکثر دما و سرعت باد حساس است [ 11 ]. تحقیق انجام شده توسط [ 12] در یک مزرعه آزمایشی در دانشگاه شهید باهنر، دانشگاه کرمان، ایران، نشان می‌دهد که ET به کمبود فشار بخار و به دنبال آن سرعت باد حساس است، اما در طول تابستان ET به تابش موج کوتاه حساس است. ژا و همکاران (2013) دریافتند که ET بر روی یک جنگل کاج اسکاتلندی در شرق فنلاند، به تشعشع، کمبود فشار بخار و دما حساس است. این مطالعه همچنین نتیجه می‌گیرد که اگرچه تابش 42 درصد از تغییرات ET را توضیح می‌دهد، اما به تنهایی نمی‌تواند تخمین ET را دقیقاً پیش‌بینی کند.
همانطور که در پاراگراف قبلی ارائه شد، حساسیت ET با استفاده از Penman-Monteith اغلب با استفاده از داده های هواشناسی ایستگاه های آب و هوایی تخمین زده می شود. با این حال، چنین تخمینی از حساسیت ممکن است از نظر مکانی متفاوت باشد و بنابراین نیاز به تخمین حساسیت ET از نظر مکانی وجود دارد. بنابراین، اهداف این مقاله عبارتند از: الف) توسعه یک ابزار حساسیت فضایی که می تواند از نظر جغرافیایی بهترین مجموعه داده های آب و هوایی موجود را با استفاده از پایتون، یک زبان برنامه نویسی متن باز که توسط جامعه کاربر رو به رشدی برای مجموعه گسترده استاندارد و شخص ثالث پشتیبانی می شود، در بر گیرد. کتابخانه‌ها، و بسته سایت ArcPy ArcGIS، ب) حساسیت فضایی ET را با استفاده از Penman-Monteith ارزیابی می‌کند، ج) حساسیت فضایی ET را با استفاده از روش آیرودینامیکی و روش تعادل انرژی ارزیابی می‌کند.
2. تخمین تبخیر و تعرق
نیاز به مدیریت هوشمندانه آب شیرین موجود با افزایش روزافزون جمعیت و تقاضای آبیاری، ET را به عنوان یکی از حوزه های موضوعی حیاتی برای تحقیق در زمینه هیدرولوژی تبدیل کرده است. در طول سال‌ها، با تحقیقات بسیاری، روش‌های متعددی برای تخمین ET ایجاد شده است. این روش ها عمدتاً تحت این دسته بندی ها قرار می گیرند: الف) روش آیرودینامیکی، ب) روش تعادل انرژی، و ج) ترکیبی از روش های آیرودینامیکی و تعادل انرژی [ 4 ] -[ 13 ].
2.1. روش آیرودینامیک
این روش برای تعیین تبخیر، حمل و نقل بخار آب توسط تلاطم باد بر روی سطح طبیعی را در نظر می گیرد. بر اساس این روش، تبخیر ( 
)، عموماً از دریاچه ها و مخازن، متناسب با 
. بیان ریاضی این روش با رابطه (1) ارائه شده است.
(1)
که در آن M 
و 
به ترتیب ضریب انتقال جرم، فشار بخار اشباع در دمای آب، فشار بخار در ارتفاع z و سرعت باد در ارتفاع z هستند. ضریب انتقال جرم با رابطه (2) به دست می آید.
(2)
که 
به 
ترتیب فشار اتمسفر در ارتفاع z، چگالی آب، چگالی هوا و ضریب تبخیر هستند.
با جایگزینی معادله (2) در رابطه (1)،
(3)
با در نظر گرفتن مقاومت آیرودینامیکی 
، معادله (3) منجر به
(4)
از آنجایی که 
معادله (4) تبدیل می شود
(5)
که در آن T دمای هوا بر حسب درجه سانتیگراد است. با ساده سازی بیشتر،
(5′)
2.2. روش تراز انرژی
همانطور که در شکل 1 نشان داده شده است ، این روش تمام انرژی گرمایی دریافتی و بازتابی/تلف شده توسط یک منطقه کشت شده یا یک بدنه آبی را در نظر می گیرد. بخشی از انرژی که برای گرم کردن هوا در تماس با سطح زمین یا آب استفاده می شود به عنوان شار حرارتی محسوس (H) شناخته می شود. اصطلاح G انتقال گرما از سطح آب یا خاک به لایه خاک یا آب زیر است. از آنجایی که انرژی لازم برای تبخیر یک واحد جرم آب، گرمای نهان تبخیر (λ) نامیده می شود، کل انرژی جذب شده در واحد سطح برای تبخیر 
برابر است 
. بنابراین، با نادیده گرفتن سایر اصطلاحات انرژی کوچک که اتلاف/ذخیره می شوند، تعادل انرژی برای حجم کنترل نشان داده شده در شکل 1 توسط رابطه (6) ارائه شده است.
(6)
شکل 1 . نمودار جریان انرژی برای یک منطقه کشت شده.
تابش خالص کجاست گرمای نهان تبخیر 2.45 MJ/kg در حدود 20 درجه سانتیگراد است [ 6 ]. با این حال، برای در نظر گرفتن تغییرات دما، گرمای نهان تبخیر توسط داده می شود
(6′)
شار حرارت محسوس تعریف شده توسط رابطه (7) مربوط به نسبت بوون است،
(7)
نسبت بوون 
از دما و فشار بخار در دو ارتفاع بالاتر از آب به دست می آید
سطح با جایگزینی معادله (7) در رابطه (6)،
(8)
از آنجایی که 
،
(9)
همانطور که در رابطه (10) نشان داده شده است، تابش خالص ( 
) مجموع تابش خالص موج بلند ( 
) و تابش خالص موج کوتاه ( 
) است.
(10)
تابش خالص موج کوتاه که با رابطه (11) تعریف می شود، تابعی از کل تابش فرازمینی است.
( 
) و کسر ابری 
.
(11)
تابش خالص موج بلند که با قانون تابش جسم سیاه استفان بولتزمن مطابقت دارد با رابطه (12) به دست می آید.
(12)
که در آن 
و T به ترتیب فشار بخار در دمای هوا، ثابت استفان بولتزمن و میانگین دمای هوا هستند.
2.3. روش ترکیبی قلمکار
همانطور که در رابطه (13) نشان داده شده است، این روش تبخیر با ترکیب تبخیر محاسبه شده توسط
آیرودینامیک ( 
) و روش تعادل انرژی ( 
). فاکتورهای وزنی (یعنی 
و 
) در ترکیب روشها (یعنی تعادل آیرودینامیکی و انرژی) به کار می روند. مجموع عوامل وزن دهی به وحدت می رسد.
(13)
ثابت سایکرومتریک که با رابطه (14) تعریف می شود، کجاست . گرادیان فشار بخار اشباع ( 
) با رابطه (15) به دست می آید.
(14)
(15)
2.4. روش پنمن-مانتیث
این روش همانند روش ترکیبی پنمن است. با این حال، در این روش، مشابه 
اصطلاح دیگری به نام مقاومت سطحی ( 
) برای در نظر گرفتن مقاومت مرتبط با حرکت بخار آب از برگ های گیاه به هوای بیرون معرفی شده است. این روش به طور گسترده برای تخمین تبخیر و تعرق استفاده می شود. بیان ریاضی این روش با معادله (16) ارائه شده است.
(16)
برای محصول مرجع چمن، 
و 
. بنابراین، برای محصول مرجع چمن 
.
سرعت باد در 2 متر کجاست . هنگامی که سرعت باد در ارتفاعات مختلف اندازه گیری می شود، با استفاده از رابطه (17) می توان آن را از یک سطح به سطح دیگر تنظیم کرد.
(17)
که در آن Z 1 و Z 2 به ترتیب ارتفاع های اندازه گیری برای سطوح 1 و 2 هستند. Z 0 ارتفاع مرجع است که در آن سرعت صفر است. برای منطقه کشاورزی باز، Z 0 = 0.03. جزئیات داخلی روش در شکل 2 ارائه شده است.
3. تجزیه و تحلیل حساسیت
مدل ریاضی یک متغیر وابسته ( 
) با استفاده از پارامترهای مدل / متغیرهای مستقل شکل می گیرد.
که فرآیندهای اساسی را تعریف می کنند. بنابراین، نیاز به تعیین پارامترهایی وجود دارد که بیشترین تأثیر را بر نتیجه مدل دارند و بیشتر با خروجی مدل همبستگی دارند. اغلب، تجزیه و تحلیل حساسیت برای شناسایی مجموعه پارامترهای تأثیرگذار انجام می شود. به طور کلی، روش‌های تحلیل حساسیت در دو دسته، یعنی روش‌های محلی و جهانی جمع‌بندی می‌شوند. تجزیه و تحلیل حساسیت محلی ساده ترین است، اگرچه تنوع ترکیبی ناشی از تغییر همه پارامترها به طور همزمان ممنوع است. تحت روش تحلیل حساسیت موضعی، روش‌های زیادی برای سنجش آنالیز حساسیت بسته به هدف وجود دارد. تجزیه و تحلیل حساسیت تفاضلی و روش One-AT-A-Time (OAT) پرکاربردترین روش های حساسیت محلی هستند. تجزیه و تحلیل حساسیت دیفرانسیل بر اساس معادلات دیفرانسیل جزئی است. این روش در صورتی کارآمد است که یک رابطه صریح بین متغیرهای وابسته و مستقل وجود داشته باشد. با این حال، تلاش محاسباتی فشرده است و پیاده سازی در صورت عملکرد پیچیده است
شکل 2 . عملیات فضایی در محاسبات ET با استفاده از Penman-Monteith.
و مشتق تابع کاملاً پیچیده است. از سوی دیگر، در روش OAT که ابزار توسعه‌یافته از آن استفاده می‌کند، در یک زمان، یکی از پارامترها تغییر می‌کند در حالی که پارامترهای دیگر در مقدار پایه یا اسمی خود حفظ می‌شوند. بر اساس نحوه تغییر پارامترها نسبت به مقدار اسمی، تغییرات زیادی از این روش پیشنهاد شده است. برای نشان دادن کل طیف متغیر پارامتر، توصیه شده است که هر پارامتر را با صدک های خاصی تغییر دهید در حالی که پارامترهای دیگر را در مقدار پایه خود نگه دارید [ 14 ]. تغییرات صدک می تواند بر اساس حداقل و حداکثر احتمالی پارامترها باشد که بر اساس میانگین و انحراف معیار پارامترها هستند.
شاخص حساسیت
در ابزار حساسیت فضایی توسعه‌یافته، از آنجایی که متغیرهای زیادی در تحلیل حساسیت وجود دارد، برای خلاصه کردن نتیجه تحلیل حساسیت با استفاده از روش OAT، یک شاخص حساسیت ( 
) با استفاده از رابطه (18) با تغییر پارامتر از حداقل به حداکثر آن محاسبه می‌شود. مقدار.
(18)
هنگامی که پارامتر در کل محدوده خود (یعنی از حداقل به حداکثر) تغییر می کند، به ترتیب حداکثر و حداقل نتایج مدل کجا 
و هستند.
4. توسعه ابزار حساسیت فضایی در مقیاس شبکه
ArcGIS پلت فرمی با کاربری آسان را برای گسترش ویژگی های دسکتاپ خود با دسترسی به عملکردهای پردازش جغرافیایی از طریق زبان های برنامه نویسی/اسکریپت فراهم می کند. Python، یک زبان برنامه نویسی منبع باز که توسط یک جامعه کاربر رو به رشد برای مجموعه گسترده ای از کتابخانه های استاندارد و شخص ثالث پشتیبانی می شود، یکی از زبان های برنامه نویسی است که توسط موسسه تحقیقات سیستم های محیطی (Esri) پشتیبانی می شود. ارتباط بین ArcGIS و Python از طریق یک بسته سایت است که ArcPy نام دارد. با استفاده از بسته سایت ArcPy، سفارشی‌سازی ویژگی‌های دسکتاپ می‌تواند به سه صورت باشد: افزونه دسکتاپ، جعبه ابزار استاندارد، جعبه ابزار پایتون. از آنجایی که توسعه ابزار حساسیت فضایی در مقیاس شبکه شامل رویدادی مانند کشیدن یک مستطیل بر روی نقشه جغرافیایی برای تعریف منطقه مورد نظر نیست، جعبه ابزار پایتون برای توسعه ابزار حساسیت فضایی استفاده می شود. جعبه ابزار پایتون توسعه یافته اساساً یک فایل مبتنی بر ASCII است که حاوی اسکریپت هایی است که با استفاده از زبان برنامه نویسی پایتون و بسته سایت ArcPy نوشته شده اند. همانطور که در نشان داده شده استشکل 3 ، اسکلت جعبه ابزار ArcGIS Python اساساً یک کلاس در پایتون است. یک جعبه ابزار می تواند بیش از یک ابزار داشته باشد. هر ابزار توسط یک کلاس تعریف می شود. ابزارها با تنظیم ویژگی “ابزار” جعبه ابزار در سازنده یا روش اولیه سازی کلاس کلاس جعبه ابزار با کلاس جعبه ابزار مرتبط می شوند. همانطور که در شکل 3 نشان داده شده است ، ابزاری به نام “SpatialETSense” که کلاس ابزار حساسیت فضایی است، با جعبه ابزار مرتبط است.
رابط کاربری گرافیکی ابزار حساسیت فضایی توسعه یافته در شکل 4 نشان داده شده است . کد نمونه برای بازیابی مجموعه داده ها و سایر ورودی های مشخص شده توسط کاربر، و عملکردهای روش ها (به عنوان مثال، getParameterInfo () و اجرا ()) در کلاس “SpatialETSense” به تفصیل توسط [ 15 ] مورد بحث قرار گرفته است. برای تخمین ET فضایی با استفاده از Penman-Monteith، این ابزار از کد منبع Python که توسط [ 15 ] بحث شده است، استفاده می‌کند. بنابراین، تنها بخش مهم کد مربوط به تجزیه و تحلیل حساسیت در این مقاله مورد بحث قرار می گیرد.
بر اساس محدوده پارامتر (یعنی ٪ از مقدار پایه پارامتر در هر سلول شطرنجی) و تعداد شبیه سازی های مشخص شده توسط کاربر، بازه نمونه برداری همانطور که در متغیری به نام “mulRange” نشان داده شده است، محاسبه می شود، جایی که پایتون متغیرهای “inSenseHigh”، “inSenseLow” و “inNumberSimulations” به ترتیب حداکثر مقدار پارامتر، حداقل مقدار پارامتر و تعداد شبیه‌سازی هستند. حداکثر مقدار پارامتر و حداقل مقدار پارامتر در یک بلوک if-else بر اساس نام پارامتری که توسط کاربر مشخص شده و توسط ابزاری در متغیر پایتون با نام “inSenseType” ذخیره می شود، محاسبه می شود.
شکل 3 . اسکلت ابزار حساسیت فضایی
شکل 4 . رابط کاربری گرافیکی ابزار حساسیت فضایی.
if(inSenseType==’Temp’):
inSenseLow=Raster(inRasterTempF)−parameters[ 7 ].value*Raster (inRasterTempF)/100
inSenseHigh=Raster(inRasterTempF)+پارامترها[ 8 ].value*Raster (inRasterTempF)/100
elif inSenseType==’RH’:
inSenseLow=Raster(inRasterRH)-parameters[ 7 ].value*Raster (inRasterRH)/100
inSenseHigh=Raster (inRasterRH)+پارامترها[ 8 ].value*Raster (inRasterRH)/100
elif inSenseType==’باد’:
inSenseLow=Raster (inRasterW)-parameters[ 7 ].value*Raster (inRasterW)/100
inSenseHigh=Raster (inRasterW)+پارامترها[ 8 ].value*Raster (inRasterW)/100
elif inSenseType==’خورشیدی’:
inSenseLow=Raster (inSolarRadiation)−parameters[ 7 ].value*Raster (inSolarRadiation)/100
inSenseHigh=Raster (inSolarRadiation)+parameters[ 8 ].value*Raster (inSolarRadiation)/100
inNumberSimulations=parameters [ 9 ].value
mulRange=(inSenseHigh−inSenseLow)/(inNumberSimulations-1)
کد زیر متغیرهایی را نشان می دهد که برای ذخیره شطرنجی های مشخص شده توسط کاربر مانند دما، رطوبت نسبی و سرعت باد استفاده می شود.
inRasterTempC=(Raster(inRasterTempF)-32)/1.8
inRasterRH2=Raster(inRasterRH)
Windspeed=Raster(inRasterW)
inSolarR=Raster(inSolarRadiation)
listRaster=“”
همانطور که در زیر نشان داده شده است، بر اساس تعداد شبیه سازی های مشخص شده توسط کاربر، یک حلقه for تنظیم می شود. در حلقه for، متغیرهایی که برای ذخیره شطرنج‌های مشخص شده توسط کاربر مانند دما، رطوبت نسبی و سرعت باد استفاده می‌شوند، با استفاده از متغیر Python “mulRange” و شماره تکرار به‌روزرسانی می‌شوند. از آنجایی که تحلیل حساسیت بر اساس مفهوم One-AT-A-Time است، در درون حلقه for، یک شرط if-else برای شناسایی مجموعه داده شطرنجی که نیاز به اصلاح دارد، ایجاد می‌شود. به عنوان مثال، اگر نام پارامتر مشخص شده توسط کاربر “RH” باشد، مجموعه داده شطرنجی مرتبط با رطوبت نسبی در هر تکرار در حلقه for اصلاح می شود. سایر مجموعه داده های شطرنجی (یعنی دما، سرعت باد و تابش خورشیدی) در مقادیر پایه خود برای همه تکرارها نگهداری می شوند.
برای x در محدوده (0، درNumberSimulations):
messages.addWarningMessage (“تکرار شماره {0} در حال انجام است.”. فرمت (x))
if(inSenseType==’Temp’):
inRasterTempC=(Raster(inRasterTempF)/Raster(inRasterTempF)*(multiRange*x+inSenseLow)-32)/1.8
elif inSenseType==’RH’:
inRasterRH2=Raster(inRasterRH)/Raster (inRasterRH)*(multirange*x+inSenseLow)
elif inSenseType==’باد’:
Windspeed=Raster(inRasterW)/Raster (inRasterW)*(multirange*x+inSenseLow)
elif inSenseType==’خورشیدی’:
InSolarR=Raster(inSolarRadiation)/Raster(inSolarRadiation)*(multirange*x+inSenseLow)
پس از تولید مجموعه داده شطرنجی برای پارامتری که در تجزیه و تحلیل حساسیت آزمایش می شود، شطرنجی ET همانطور که در بخش 2.0 مورد بحث قرار گرفت توسعه داده شد. کد دقیق پایتون توسط [ 15 ] مشخص شده است. از آنجایی که شبیه‌سازی برای تعداد مشخصی بار انجام می‌شود، مجموعه داده‌های شطرنجی توسعه‌یافته ET به روشی سیستماتیک با اضافه کردن شماره شبیه‌سازی ذخیره می‌شوند. این مجموعه داده های شطرنجی ET برای “Mosaic” در ArcGIS برای بدست آوردن شاخص حساسیت برای هر سلول شطرنجی استفاده می شود. از آنجایی که عملیات موزاییک به نام مجموعه داده های شطرنجی ET نیاز دارد که با نقطه ویرگول از هم جدا شده اند، متغیری به نام “listRaster” برای به روز رسانی رشته در هر تکرار با استفاده از عملگر الحاق در زبان برنامه نویسی پایتون استفاده می شود.
PenmanMon.save(outRaster1+str (x))
listRaster=listRaster+outRaster1+str(x)+“;”
همانطور که در کد زیر نشان داده شده است، از آنجایی که شاخص حساسیت مورد بحث در بخش 3.1 به حداکثر و حداقل مقادیر ET در هر سلول شطرنجی نیاز دارد، دو مجموعه داده شطرنجی جدید برای ذخیره این اطلاعات ایجاد می شود. ابزار copy_management ArcGIS برای تولید رسترها استفاده می شود.
arcpy.Copy_management(outRaster1+str(x), outRaster1+”max”) #ایجاد یک رستر جدید برای ذخیره حداکثر شطرنجی از تجزیه و تحلیل حس
arcpy.Copy_management(outRaster1+str(x), outRaster1+”min”) #ایجاد یک رستر جدید برای ذخیره شطرنجی min از تجزیه و تحلیل حس
عملیات موزاییک روی مجموعه داده های شطرنجی ET همانطور که در شکل 5 نشان داده شده است برای ایجاد حداکثر و حداقل مقادیر ET به صورت مکانی (یعنی در هر سلول شطرنجی) برای شبیه سازی ها استفاده شد. عملیات موزاییک به رشته ای نیاز دارد که شامل مجموعه داده های شطرنجی است که باید برای به دست آوردن حداکثر/حداقل برای هر سلول شطرنجی تجزیه و تحلیل شوند. این رشته (یعنی متغیر پایتون با نام “listRaster”) همانطور که قبلاً بحث شد ایجاد شد. آرگومان دوم ابزار mosaic مجموعه داده شطرنجی است که حداکثر یا حداقل مقادیر ET را به صورت مکانی نگه می دارد. این دو رستر نیز همانطور که قبلاً مورد بحث قرار گرفت توسعه یافتند. شطرنجی برای شاخص حساسیت بر اساس معادله مورد بحث در بخش 3.1 توسعه یافته است. این رستر از طریق رابط گرافیکی کاربر در مکانی که کاربر مشخص کرده است ذخیره می شود.
شکل 5 . عملیات موزاییک برای تولید حداکثر و حداقل شطرنجی ET.
arcpy.Mosaic_management(listRaster,outRaster1+”max”،”MAXIMUM”، “FIRST”، “0”، “”، “”، “””)
arcpy.Mosaic_management(listRaster,outRaster1+”min”،”MINIMUM”، “FIRST”، “0”، “””، “”، “””)
SenseRaster=(Raster(outRaster1+”max”)-Raster(outRaster1+”min”))/Raster(outRaster1+”max”)
SenseRaster.save(outRaster1+”SenseIndex”)
همانطور که قبلاً بحث شد، در هر تکرار، مجموعه داده‌های شطرنجی ET برای اجرای عملیات موزاییک تولید می‌شوند تا حداکثر و حداقل مقادیر ET را برای تعداد شبیه‌سازی‌های در نظر گرفته شده برای هر پارامتر در محدوده داده شده به دست آورند. پس از عملیات موزاییک، از خطوط کد زیر با یک حلقه for برای حذف مجموعه داده های شطرنجی ET که به عنوان ورودی برای عملیات موزاییک استفاده می شد، استفاده می شود.
برای x در محدوده (0، درNumberSimulations):
arcpy.Delete_management(outRaster1+str (x))
5. کاربرد ابزار حساسیت فضایی
ایالت نبراسکا که هم در دشت های بزرگ و هم در غرب میانه ایالات متحده واقع شده است دارای مساحت جغرافیایی 200520 کیلومتر مربع است . جمعیت کل ایالت 1.8 میلیون نفر است [ 16 ]. هر دو آب سطحی و زیرزمینی برای پاسخگویی به تقاضا برای اهداف گسترده ای استفاده می شوند. حدود 94.8٪ از کل برداشت آب زیرزمینی برآورد شده برای تامین نیاز آبیاری استفاده می شود [ 17 ]. تا نوامبر 2014، حدود 95000 حلقه چاه آبیاری در این ایالت ثبت شده است. ابزار توسعه‌یافته برای ایالت نبراسکا با استفاده از داده‌های هواشناسی شبکه خودکار داده‌های آب و هوا (AWDN) نشان داده شده است که داده‌های رصدی اقلیم‌شناسی و اطلاعات منطقه High Plains را جمع‌آوری می‌کند و به سهامداران خود در زمینه‌هایی مانند کشاورزی ارائه می‌کند.شکل 6 مکان های مکانی ایستگاه های آب و هوایی در AWDN را نشان می دهد.
شکل 6 . مکان های مکانی ایستگاه های آب و هوایی از شبکه AWDN در نبراسکا.
AWDN حدود 63 ایستگاه برای پوشش ایالت نبراسکا دارد. داده ها از سال 1985 به صورت ساعتی، روزانه و زیر روزانه در دسترس هستند. برای نشان دادن این ابزار، داده های روزانه در سال 2010 از خدمات آنلاین ارائه شده توسط AWDN دانلود شد. همانطور که در بخش 2.0 بحث شد، ابزار توسعه یافته به مجموعه داده های شطرنجی در مورد دما، رطوبت نسبی، سرعت باد و تابش خورشیدی نیاز دارد. بنابراین، ابتدا میانگین روزانه داده‌های سال 2010 بر اساس داده‌های روزانه دما، رطوبت نسبی و سرعت باد تهیه شد. با استفاده از ArcGIS و مکان‌های مکانی ایستگاه‌های اقلیمی، مجموعه داده‌های جدولی میانگین داده‌های روزانه در سال 2010 به داده‌های جغرافیایی تبدیل شدند. پس از آن، توسعه تحلیل فضایی ArcGIS برای توسعه مقادیر سطح شبکه دما، رطوبت نسبی و سرعت باد در وضوح 1 کیلومتر استفاده شد. تکنیک درونیابی فضایی Kriging بسته بندی شده با ArcGIS برای توسعه شطرنجی ورودی های مورد نیاز استفاده شد. برای اطمینان از اینکه داده های کریگد کل ایالت را پوشش می دهد، وسعت درونیابی با استفاده از نقشه حالت نبراسکا تنظیم شد. کار تحقیقاتی انجام شده توسط [4 ] برای توسعه شطرنجی تابش خورشیدی استفاده شد.
ET برآورد شده با استفاده از روش پنمن-مانتیث در شکل 7 (الف) نشان داده شده است. شکل 7 (ب) نسخه طبقه بندی شده شکل 7 (الف) را نشان می دهد . برای ایالت نبراسکا در سال 2010، ET برآورد شده با استفاده از روش پنمن-مونتیث از 0.77 تا 1.04 میلی متر در روز متغیر است. به عبارت دیگر، حداکثر تغییرات فضایی تخمین زده شده با استفاده از ET
روش پنمن-مانتیث = است 
. علاوه بر این، بالاترین برآورد شده است
ET با استفاده از روش Penman-Monteith در قسمت شرقی نبراسکا ثبت شده است. با این حال، وسعت جغرافیایی چنین ET بالا به یک منطقه بسیار کوچک در مقایسه با منطقه جغرافیایی با ET برآورد شده با استفاده از روش Penman-Monteith در محدوده 0.77 – 0.96 محدود است، همانطور که در شکل 7 (ب) نشان داده شده است. علاوه بر این، روند افزایشی تغییرات فضایی از بخش غربی نبراسکا به بخش شرقی نبراسکا در جهت شمال غرب به جنوب شرق مشاهده می شود.
شکل 8(a)-(d) نقشه های شاخص حساسیت مکانی ET را با استفاده از روش پنمن-مانتیث برای رطوبت نسبی، تابش خورشیدی، باد و دما به ترتیب نشان می دهد. برای این نقشه‌ها، همانطور که در افسانه‌های نقشه‌ها مشخص شده است، تعداد شبیه‌سازی‌ها روی 50 و تغییرات پارامترهای مذکور با توجه به مقدار پایه برای هر سلول شطرنجی 25 درصد تعیین شد. به عبارت دیگر برای هر سلول شطرنجی، حداکثر و حداقل به ترتیب 125 و 75 درصد مقدار پایه برای هر سلول شطرنجی در نظر گرفته می شود. همانطور که از شکل 8 مشاهده می شوددر میان پارامترهای در نظر گرفته شده در تحلیل حساسیت ET با استفاده از پنمن-مونتیث، تابش خورشیدی دارای بالاترین شاخص حساسیت در محدوده 0.50 – 0.51 و پس از آن دما در محدوده 0.40 – 0.42 برای ایالت نبراسکا است. شاخص حساسيت محاسبه‌شده سرعت باد و رطوبت نسبي در مقايسه با شاخص حساسيت تابش خورشيدي و دما چندان معني‌دار نيست. شاخص حساسیت رطوبت نسبی در بین پارامترهای در نظر گرفته شده کمترین میزان را دارد. همچنین اشاره شده است که بر خلاف روند ET محاسبه شده که در شکل 7 نشان داده شده است، شاخص حساسیت مکانی تابش خورشیدی در جهت جنوب شرقی به شمال غربی افزایش می یابد.. به عبارت دیگر، مناطقی که دارای ET بالاتر و مناطقی که شاخص حساسیت مکانی بالاتر تابش خورشیدی دارند یکسان نیستند. علاوه بر این، همچنین قابل مشاهده است که مناطقی که ET پایین‌تری دارند (یعنی در جهت شمال غرب) با شاخص حساسیت فضایی کمتری همراه هستند.
شکل 7 . برآورد ET (mm/day) با استفاده از روش پنمن-مانتیث.
شکل 8 . شاخص حساسیت مکانی ET با استفاده از روش پنمن-مونتیث برای (الف) رطوبت نسبی، (ب) تابش خورشیدی، (ج) سرعت باد و (د) دما.
دما، اما شاخص حساسیت مکانی بالاتر تابش خورشیدی.
شکل 9(a)-(c) شاخص حساسیت مکانی ET را با استفاده از روش تعادل انرژی برای رطوبت نسبی، تابش خورشیدی و دما نشان می دهد. از آنجایی که روش تراز انرژی مورد بحث در بخش 2.2 تحت تأثیر سرعت باد نیست، شاخص حساسیت مکانی ET با استفاده از روش تعادل انرژی برای سرعت باد در شکل 9 نشان داده نشده است.. همانطور که در مورد ET با استفاده از Penman-Monteith، تابش خورشیدی تاثیرگذارترین پارامتر بر ET محاسبه شده با استفاده از روش تعادل انرژی است. با این حال، شایان ذکر است که اگرچه شطرنجی دما دومین پارامتر حساس در ET با استفاده از Penman-Monteith است که از طریق شاخص حساسیت آن (یعنی 0.40 – 0.42) تلفظ می شود، اما مقدار شاخص حساسیت (یعنی 0.04 – 0.06) ) در تأثیرگذاری بر ET با استفاده از روش تعادل انرژی کاهش یافته است. به عبارت دیگر، ET با استفاده از روش تعادل انرژی به تابش خورشیدی حساس است، در حالی که ET با استفاده از Penman-Monteith هم برای تابش خورشیدی و هم برای دما حساس است. همچنین خاطرنشان می شود که شاخص حساسیت مکانی تابش خورشیدی در جهت جنوب شرقی به شمال غربی افزایش می یابد، مشابه آنچه در شکل 7 مشاهده می شود..
به طور مشابه، شکل 10 (الف) و شکل 10 (ب) تغییر حساسیت فضایی ET را با استفاده از روش آیرودینامیکی برای دما و رطوبت نسبی به ترتیب نشان می‌دهند. حساسیت فضایی ET با استفاده از روش آیرودینامیکی برای سرعت باد نشان داده نمی شود زیرا شاخص حساسیت محاسبه شده صفر بود. از آنجایی که روش آیرودینامیکی مورد بحث در بخش 2.1 تحت تأثیر تابش خورشیدی نیست، شاخص حساسیت فضایی ET با استفاده از روش آیرودینامیکی برای تابش خورشیدی در شکل 10 نشان داده نشده است.. به عبارت دیگر، بر خلاف ET با استفاده از روش پنمن-مونتیث و ET با استفاده از روش تعادل انرژی، تابش خورشیدی عامل مهمی در تعیین ET با استفاده از روش آیرودینامیکی نیست. رطوبت نسبی و به دنبال آن دما مهمترین پارامتر در محاسبه ET با استفاده از روش آیرودینامیکی است. علاوه بر این، شاخص حساسیت فضایی ET با استفاده از آیرودینامیک
شکل 9 . شاخص حساسیت فضایی ET با استفاده از روش تعادل انرژی برای (الف) رطوبت نسبی، (ب) تابش خورشیدی، و (ج) دما.
شکل 10 . شاخص حساسیت فضایی ET با استفاده از روش آیرودینامیکی برای (الف) رطوبت نسبی و (ب) دما.
روش بالاتر از شاخص حساسیت مکانی ET با استفاده از روش پنمن-مونتیث و روش تراز انرژی است.
برای درک تأثیر تغییر پارامتر (به عنوان درصدی از مقدار پایه برای هر سلول شطرنجی) بر روند شاخص حساسیت فضایی محاسبه‌شده، شبیه‌سازی‌هایی برای تغییرات پارامترهای 5٪، 10٪، 15٪، 20٪ و 25٪ از مقدار پایه برای هر سلول شطرنجی. همانطور که قبلاً تعداد شبیه سازی ها به 50 عدد ثابت شد. نتیجه این شبیه سازی ها در شکل 11 و شکل 12 قرار داده شده است. شکل 11 و شکل 12 به ترتیب حداکثر و حداقل شاخص حساسیت ثبت شده در منطقه مورد مطالعه را برای تغییرات پارامترهای ذکر شده در بالا نشان می دهد. هر دو شاخص حساسیت حداکثر و حداقل به صورت خطی تغییر می کنند و با در نظر گرفتن افزایش می یابند
شکل 11 . حداکثر شاخص حساسیت مکانی ET با استفاده از روش پنمن-مونتیث برای تغییرات پارامترهای مختلف برای (الف) رطوبت نسبی، (ب) سرعت باد، (ج) دما، و (د) تابش خورشیدی.
شکل 12 . حداقل شاخص حساسیت مکانی ET با استفاده از روش پنمن-مونتیث برای تغییرات پارامترهای مختلف برای (الف) رطوبت نسبی، (ب) سرعت باد، (ج) دما و (د) تابش خورشیدی.
تغییرات پارامتر افزایش می یابد به عبارت دیگر، با تغییرات بیشتر بیان شده با مقدار پایه، شاخص حساسیت حداکثر و حداقل محاسبه‌شده نیز برای همه پارامترها افزایش می‌یابد. محدوده ای که بین حداقل و حداکثر مقدار شاخص حساسیت محاسبه شده برای پارامترهای انتخاب شده نشان داده می شود نیز با افزایش تغییرات پارامتر افزایش می یابد. علاوه بر این، معادلات برازش شده که نقاط قوت آنها از طریق اندازه گیری آماری (R2) توضیح داده شده است نیز نشان می دهد که میزان افزایش با افزایش تغییرات پارامتر به ترتیب تابش خورشیدی، دما، سرعت باد و رطوبت نسبی کاهش می یابد.
6. نتیجه گیری و پیشنهادات
در این مقاله، یک ابزار حساسیت فضایی که می‌تواند از نظر جغرافیایی بهترین مجموعه داده‌های آب و هوایی موجود را برای تولید ET و حساسیت آن در مقیاس‌های فضایی مختلف در بر گیرد، توسعه داده شده است. بر اساس نتایج این مطالعه، نکات زیر برجسته می شود:
1) در میان پارامترهای در نظر گرفته شده در تجزیه و تحلیل حساسیت ET با استفاده از Penman-Monteith، تابش خورشیدی بالاترین شاخص حساسیت را ثبت می کند و سپس دما را برای ایالت نبراسکا ثبت می کند. شاخص حساسيت محاسبه‌شده سرعت باد و رطوبت نسبي در مقايسه با شاخص حساسيت تابش خورشيدي و دما چندان معني‌دار نيست.
2) اگرچه تحلیل حساسیت محلی مانند One-AT-A-Time ساده ترین روش تجزیه و تحلیل حساس است، اما تنوع ترکیبی ناشی از تغییر همه پارامترها به طور همزمان ممنوع است. بنابراین گسترش ابزار توسعه‌یافته با روش‌های نمونه‌گیری تصادفی مانند لاتین Hypercube می‌تواند یکی از نیازهای پژوهشی آینده باشد.
3) در نشان دادن ابزار حساسیت فضایی توسعه‌یافته، شبیه‌سازی‌ها با تغییر مقدار پایه پارامترها، مانند دما و تابش خورشید، برای هر سلول شطرنجی با یک صدک معین انجام می‌شوند. تنوع صدک ارزش پایه برای هر سلول شطرنجی می تواند بر اساس مجموعه داده های زمانی تاریخی در هر سلول شطرنجی باشد.
4) ابزار حساسیت فضایی توسعه یافته برای پارامترهایی مانند دما، رطوبت نسبی، تابش خورشیدی و سرعت باد آزمایش می شود. ابزار توسعه همچنین می‌تواند برای آزمایش حساسیت ET با پارامترهای میانی یا ثانویه که از پارامترهای مشخص شده توسط کاربر مشتق شده‌اند، تنظیم شود. ابزار توسعه‌یافته همچنین می‌تواند به طور بالقوه برای ایجاد معادلات رگرسیون متعدد برای پیش‌بینی مقادیر ET در هر سلول شطرنجی بر اساس تحلیل حساسیت در هر سلول شطرنجی گسترش یابد.
بدون دیدگاه