<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>انجمن آبیاری و زهکشی ایران</PublisherName>
				<JournalTitle>نشریه آبیاری و زهکشی ایران</JournalTitle>
				<Issn>2008-7942</Issn>
				<Volume></Volume>
				<Issue>مقالات آماده انتشار</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>09</Month>
					<Day>21</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Application of Improved Satellite Imagery for Comparison of Two Methods for Estimating Actual Evapotranspiration of Rice</ArticleTitle>
<VernacularTitle>کاربست تصاویر ماهواره ای بهبود یافته با یادگیری عمیق جهت مقایسه دو روش برآورد تبخیر-تعرق واقعی برنج</VernacularTitle>
			<FirstPage></FirstPage>
			<LastPage></LastPage>
			<ELocationID EIdType="pii">253419</ELocationID>
			
<ELocationID EIdType="doi">10.22034/idj.2026.588267.2704</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>حمیدرضا</FirstName>
					<LastName>نوربخش</LastName>
<Affiliation>دانش اموخته گروه مهندسی آبیاری و آبادانی د انشگاه تهران</Affiliation>

</Author>
<Author>
					<FirstName>نوذر</FirstName>
					<LastName>قهرمان</LastName>
<Affiliation>گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران</Affiliation>
<Identifier Source="ORCID">0000-0002-9442-8870</Identifier>

</Author>
<Author>
					<FirstName>افشین</FirstName>
					<LastName>اشرف زاده</LastName>
<Affiliation>گروه مهندسی آبیاری و آبادانی دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران-کرج ایران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2026</Year>
					<Month>06</Month>
					<Day>24</Day>
				</PubDate>
			</History>
		    <Abstract>Abstract 
Efficient water resource management in paddy fields requires accurate estimation of actual evapotranspiration (ETa) at the small-scale farm level. In this study, two approaches were evaluated for estimating rice ETa in the paddy fields of Rasht using satellite images (Sentinel-2, Landsat 7 and 8): 1) ETa estimation using Leaf Area Index (LAI) values, and 2) ETa estimation through the crop coefficient (Kc) derived from LAI. To overcome the spatial resolution limitations of Sentinel-2 imagery, the S2DR3 deep learning model was utilized to enhance the spatial resolution from 10 m to 1 m. This model successfully reconstructed the NDVI and SAVI indices with coefficients of determination (R²) of 0.9979 and 0.9864, and normalized root mean square errors (NRMSE) of 2.8% and 9.1%, respectively. Evaluations indicated that in estimating LAI, the NDVI outperformed the SAVI, achieving an R² of 0.81, RMSE of 0.51, and MAE of 0.38, compared to RMSE and MAE values of 0.61 and 0.45 for SAVI. Finally, comparing the model outputs with lysimeter-measured data revealed that the Kc-based approach using NDVI exhibited higher agreement with field observations, achieving an average R² of 0.85. The error for this approach included an RMSE ranging from 0.40 to 0.58 mm/day, a MAE between 0.36 and 0.52 mm/day, and an NRMSE of 7% to 11%.</Abstract>
			<OtherAbstract Language="FA">مدیریت کارآمد منابع آب در اراضی شالیزاری، نیازمند دستیابی به برآوردی دقیق از تبخیر-تعرق واقعی (ETa) در مقیاس مزارع خرد است. در این پژوهش، دو رهیافت برای تخمین ETa برنج در مزارع رشت با استفاده از تصاویر ماهواره‌ای (سنتینل-۲، لندست ۷ و ۸) ارزیابی شد. ۱) برآورد تبخیر-تعرق با استفاده از مقادیر شاخص سطح برگ (LAI) ، ۲) برآورد ETa از طریق ضریب گیاهی (Kc) مبتنی برLAI. جهت رفع محدودیت تفکیک مکانی تصاویر سنتینل-۲، از مدل یادگیری عمیق S2DR3 برای افزایش وضوح مکانی از ۱۰ به ۱ متر استفاده شد. این مدل توانست شاخص‌های NDVI و SAVI را به‌ترتیب با R² برابر 0/9979 و 0/9864 و NRMSE معادل 2/8 و 9/1 درصد بازسازی کند. ارزیابی‌ها نشان داد در تخمین LAI ، شاخص NDVI باR²=0/81 ، RMSE=0/51 و MAE=0/38 عملکرد بهتری نسبت به شاخص SAVI با RMSE=0/61  و MAE=0/45 دارد. نهایتاً، با مقایسه خروجی‌ها و داده‌های اندازه‌گیری‌شده توسط لایسیمتر، مشخص گردید رهیافت مبتنی بر محاسبه Kc ازطریق NDVI با میانگین R²=0/85 ، تطابق بیشتری با واقعیت مزرعه دارد. خطای روش مذکور، شامل RMSE بین 0/4 تا 0/58 میلی‌متر در روز، MAE معادل 0/36 تا 0/52 میلی‌متر در روز و NRMSE بین ۷ تا ۱۱ درصد محاسبه گردید.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سنتینل-۲</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ابرتفکیک پذیری</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پیکسل های مختلط</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شاخص‌ های پوشش گیاهی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">لایسیمتر</Param>
			</Object>
		</ObjectList>
</Article>
</ArticleSet>
