Tác giả

Trương Văn Kịch 1 , Trần Mạnh Cường 2* , Trần Thùy Nhung 2 , Trần Anh Phương 2 , Dương Hồng Sơn 2

Đơn vị công tác

1 Phân viện Khoa học Khí tượng, Thủy văn và Biến đổi khí hậu, Viện Khoa học Khí tượng, Thủy văn và Biến đổi khí hậu, Bộ Tài nguyên và Môi trường; kichsihymete@gmail.com

2 Viện Khoa học tài nguyên nước, Bộ Tài nguyên và Môi trường; manhcuongkt11@gmail.com; tranthuynhung1990@gmail.com; phuongtran.monre@gmail.com; dhson.monre@gmail.com

*Tác giả liên hệ: manhcuongkt11@gmail.com; Tel.: +84–987986233

Tóm tắt

Nghiên cứu này xây dựng bản đồ bốc thoát hơi nước từ các loại thảm phủ trên địa bàn tỉnh Sóc Trăng bằng công nghệ viễn thám. Có bảy nhóm đối tượng thảm phủ khác nhau được phân loại dựa trên dữ liệu ảnh vệ tinh Sentinel 2 và công nghệ Google Earth Engine. Từ bản đồ lớp phủ này, lượng bốc thoát hơi nước toàn tỉnh được tính toán theo từng tháng cho mỗi nhóm đối tượng (lúa Đông Xuân, lúa Hè Thu, lúa Thu Đông, hoa màu, cây lâu năm–ăn quả, nuôi trồng thủy sản, mặt nước). Bản đồ cho thấy lượng bốc thoát hơi nước của vùng trồng lúa vụ Đông Xuân và Hè Thu cao hơn các vùng khác trong tỉnh, đặc biệt là trong thời kỳ cây lúa sinh trưởng. Vùng nuôi trồng thủy sản, vùng mặt nước (sông, kênh) có lượng nước bốc hơi khá cao. Tình trạng bốc thoát hơi nước này là cơ sở để điều chỉnh phân bổ nước tưới cho cây trồng, từ đó, người dân cũng như đơn vị quản lý có thể xây dựng kế hoạch trữ nước, chuyển đổi mục đích sử dụng đất khi có dự báo dài hạn về hạn hán, xâm nhập mặn xảy ra trong khu vực.

Từ khóa

Bốc thoát hơi nước; Công nghệ viễn thám; Bản đồ lớp phủ; Sóc Trăng.

Trích dẫn bài báo

Kịch, T.V.; Cường, T.M.; Nhung, T.T.; Phương, T.A.; Sơn, D.H. Xây dựng bản đồ bốc thoát hơi nước độ phân giải cao cho tỉnh Sóc Trăng từ ảnh viễn thám Sentinel. Tạp chí Khí tượng Thủy văn 2022, 740(1), 1-10.

Tài liệu tham khảo

1. Chen, Y.; Xia, J.; Liang, S.; Feng, J.; Fisher, J.B.; Li, X.; ...Yuan, W. Comparison of satellite–based evapotranspiration models over terrestrial ecosystems in China. Remote Sens. Environ. 2014, 140, 279–293.
2. Jung, M.; Reichstein, M.; Ciais, P.; Seneviratne, S.I.; Sheffield, J.; Goulden, M.L.; ... Zhang, K. Recent decline in the global land evapotranspiration trend due to limited moisture supply. Nature 2010, 467(7318), 951–954.
3. Tan, L.; Zheng, K.; Zhao, Q.; Wu, Y. Evapotranspiration Estimation Using Remote Sensing Technology Based on a SEBAL Model in the Upper Reaches of the Huaihe River Basin. Atmosphere 2021, 12(12), 1599.
4. Hadjimitsis, D.G.; Papadavid, G. Remote sensing for determining evapotranspiration and irrigation demand for annual crops. Remote Sens. Environ: Integr. Approaches 2013, 25.
5. Li, C.; Li, Z.; Gao, Z.; Sun, B. Estimation of evapotranspiration in sparse vegetation areas by applying an optimized two–source model. Remote Sens. 2021, 13(7), 1344.
6. Li, Z.L.; Tang, R.; Wan, Z.; Bi, Y.; Zhou, C.; Tang, B.; ... Zhang, X. A review of current methodologies for regional evapotranspiration estimation from remotely sensed data. Sensors 2009, 9(05), 3801–3853.
7. Saadi, S.; Boulet, G.; Bahir, M.; Brut, A.; Delogu, É.; Fanise, P.; Simonneaux, V.; Chabaane, Z.L. Assessment of actual evapotranspiration over a semiarid heterogeneous land surface by means of coupled low–resolution remote sensing data with an energy balance model: comparison to extra–large aperture scintillometer measurements. Hydrol. Earth Syst. Sci. 2018, 22(4), 2187–2209.
8. Cổng thông tin điện tử tỉnh Sóc Trăng. https://soctrang.gov.vn/.
9. Inglada, J.; Arias, M.; Tardy, B.; Hagolle, O.; Valero, S.; Morin, D.; Dedieu, G.; Sepulcre, G.; Bontemps, S.; Defourny, P.; Koetz, B. Assessment of an operational system for crop type map production using high temporal and spatial resolution satellite optical imagery. Remote Sens. 2015, 7(9), 12356–12379.
10. JICA. Nghiên Cứu Phát Triển Và Quản Lý Tài Nguyên Nước Trên Toàn Quốc Tại nước Cộng hòa Xã hội chủ nghĩa Việt Nam, Báo cáo cuối cùng, 2013.
11. ICEM. Strategic Environmental Impact Assessment for Hydropower on the Mekong Mainstream. Final Report, prepared for the Mekong River Commission, Hanoi, 2010.
Omran, M.G.H.; Engelbrecht, A.P.; Salman, A. Differential Evolution Methods for Unsupervised Image Classification. IEEE Congr. Evol. Comput. 2005, 2(2), 966–973. https://doi.org/10.1109/CEC.2005.1554795.
12. Unsupervised Classification. 2019.
http://gsp.humboldt.edu/OLM/Courses/GSP_216_Online/lesson6-1/unsupervised.html.
13. Chang, Z.; Du, Z.; Zhang, F.; Huang, F.; Chen, J.; Li, W.; Guo, Z. Landslide susceptibility prediction based on remote sensing images and GIS: Comparisons of supervised and unsupervised machine learning models. Remote Sens. 2020, 12(3), 502.
14. Tuấn, L.A. Giáo trình Hệ thống tưới – tiêu. Viện Nghiên cứu Biến Đổi Khí Hậu – Đại học Cần Thơ, 2009.