Scientific- Research Quarterly of Geographical Data (SEPEHR)

Scientific- Research Quarterly of Geographical Data (SEPEHR)

The feasibility of utilizing solar energy using remote sensing and SEBAL algorithm Case study: Alshtar County

Document Type : Research Paper

Authors
Sayyad Asghari Saraskanroud 1
Imanali Belvasi 2
1 Associate professor of geomorphology, Faculty of literature, University of Mohaghegh Ardabili
2 Ph.D. student of geomorphology, Faculty of literature, University of Mohaghegh Ardabili
10.22131/sepehr.2020.40478
Abstract
Introduction
The sun is known as the source of energy, the origin of life, and the origin of all other energies. The global solar radiation is one of the fundamental structures of any climatic range. Hence, recognition of the features and the prediction of these basic structures have a great impact on energy-related planning. One way to gainaccess to the solar energy information is the direct measurements of solar energy by measuring devices such as Pyranometer and Pyrheliometer Unfortunately, the measurement of the solar radiation is not always carried out in many parts due to the high cost, maintenance and the need for the equipment calibration. Remote sensing techniques ​​can be an appropriate alternative to the experimental and old methods in this field due to the high accuracy and speed in predicting the net radiation values. In general, remote sensing models have a better performance in estimating solar radiation, and can be used as one of the suitable and low cost tools for estimating solar radiation. Considering the importance of solar radiation as a clean, availableand free of any environmental destructive pollutants, identifying the radiation areas to be introduced to the relevant authorities is essential and the aim of the research. In this research, it was attempted to study the feasibility of utilizing solar energy in the region of Alashtar County using the SEBALalgorithm and remote sensing technology.
 
Materials and Methods
To investigate and study the feasibility of using solar radiation energy, the Landsat-8 satellite images over a 12-month period of the year 2017, 1: 50,000 digital topographic maps of the Armed Forces Geographic Organization and the climatic data of the study area including temperature, precipitation, wind speed and the number of sunny days were used. The ENVI software was used to perform the calculations related to SEBALmodel and the ArcGIS software was used to implement the model. In this study, the feasibility of using solar energy in Salsala city was studied using SEBALalgorithm and remote sensing technology. In this method, the instantaneous values of pure radiation are obtained by measuring the sun’s incident radiation from the cloudless images and using surface albedo, surface emission and surface temperature. In this method, instantaneous values of pure radiation are obtained by measuring the sun’s incident radiation from cloudless images using surface albedo, surface emission and surface temperature. After calculating the parameters of the SEBAL algorithm, the net surface radiation flux was calculated.
Discussion and Results
The results showed that the average maximum short-wave radiation was 996 watts per square meter in June and the minimum was 460 watts per square meter in January, while the highest amount of net radiation in September was calculated to be 602 watts per square meter and the lowest amount in January was calculated to be 261 watts per square meter. Also, the highest percentages of net radiation distribution in the ranges of 0-200, 200-400, 400-600, 600-800 and 800-1000 watts per square meter were in August, November, April, September and June. The highest percentage of net radiation distribution was in the range of 600-800 watts per square meter with 69.86% of total net radiation in September and the lowest percentage was in the range of 800-800 watts per square meter in January.
 
Conclusion
In order to carry out the research, the Landsat 8 ETM satellite images for the 12 month period of the year 2017 were provided. But, since the images of February, March and December were completely cloudy, they were not used. Then the preprocessing operation in ENVI software was used on all bands of images. The amount of pure radiation in the study area was calculated in watts per square meter in January to November in ENVI software environment and by the utilization of SEBAL algorithm, using the prepared images (Table 2). The results of Table (2) show that the average maximum input shortwave radiation is 996 watts per square meter in June, the lowest amount input is 460 watts per square meter in January, the highest output long wave radiation is 539 watts per square meter in July and the lowest output is 391 watts per square meter in January. Finally, the highest amount of net radiation reaching the surface of the Earth was 602 watts per square meter in September and the lowest amount was 261 watts per square meter in January. The highest percentage of net radiation in the range of 600-800 watts per square meter was 69.86% in September 2017 and the highest percentage of net radiation in the range of 600-400 watts per square meter was 60.12% in January 2017.
The difference in the amount of net radiation reaching the ground in the study area is due to the difference in the angle of the sunlight and the number of sunny hours in different months of the year.
The results obtained from of the information in Tables 2 to 11 prove this fact. Also, given the sensitivity of the photovoltaic cells that are sensitive to the solar radiation from the radiation threshold of up to 1000 watts per square meter and receive them, it can be concluded that solar radiation in the city of Alshtar has the potential to implement the solar photovoltaic plans in 9 months of January to November.
Keywords
Solar Energy
SEBAL Algorithm
Remote Sensing
Alshtar County
1 - ابراهیمی، ا. 1389، انرژی خورشیدی و کاربرد آن، انتشارات فراگیران سینا همدان.
2 - اداره هواشناسی شهرستان سلسله(1396)، ایستگاه سینوپتیک الشتر.
3 - بهادری‌­نژاد، م. و میرحسینی، س. ع. 1384. ضریب صافی هوا برای شهرهای مختلف ایران. سومین همایش بهینه‌­سازی مصرف سوخت در ساختمان.
4 - بینش، ع. 1366. انرژی خورشیدی و مناطق جنوب خراسان و سیستان و بلوچستان، مجله تحقیقات جغرافیایی. 2: 35-15.
5 - پورسلطانی، ع.، مصطفوی، م.، محمد­نژاد سیگارودی، ج. و منشی­‌پور، س. 1390. بررسی انرژی‌های تجدیدپذیر سیستم‌­های فتوولتائیک، دومین همایش ملی انرژی.
6 - جمشیدی، م. 1387. مقایسه روش­‌های مختلف تخمین تابش خورشیدی در جنوب شرقی تهران، پایان‌­نامه کارشناسی ارشد، دانشگاه تهران، پردیس ابوریحان، 63 صفحه.
7 - جهانبخش، س.، زاهدی، م. و ولیزاده کامران، خ. 1389. محاسبه دمای سطح زمین با استفاده از روش سبال و درخت تصمیم‌گیری در محیط GIS و Rs در بخش مرکزی منطقه مراغه، نشریه علمی - پژوهشی جغرافیا و برنامه‌ریزی (دانشگاه تبریز)، 42-19.
8 - حاج سقطی، ا. 1390. اصول و کاربرد انرژی خورشیدی، انتشارات دانشگاه علم و صنعت ایران.
9 - حیدری بنی، م. 1386. برآورد تابش روزانه خورشید با استفاده از متغیرهای هواشناسی (مقایسه یافته­‌های شبکه عصبی مصنوعی با سایر مدل‌­ها). پایان‌­نامه کارشناسی ارشد، دانشگاه تهران، دانشکده کشاورزی و منابع طبیعی کرج، 90 صفحه.
10 - رضایی مقدم،م. ح. هاتفی اردکانی، م. کاربرد تصاویر ماهواره‌ای و GIS در امکان سنجی استفاده از انرژی تابشی خورشید جهت تأمین روشنایی، مطالعات جغرافیایی مناطق خشک، دوره ششم، شماره بیستم و یکم، پاییز 1394، صص124-105.
11 - رسولی، ع. الف. 1387. مبانی سنجش از دور کاربردی با تأکید بر پردازش تصاویر ماهواره‌ای، انتشارات دانشگاه تبریز، چاپ اول.
12 - زبیری، م. و مجد، ع. 1384. پروژه مدل­‌سازی و تهیه اطلس متوسط تابش ماهانه کشور، سازمان هواشناسی کشور.
13 - سیدان، س. ج. 1382. بررسی امکان برآورد رطوبت لایه سطحی خاک به کمک داده­‌های سنجنده NOAA / AVHRR , LANDSAT / TM.. پایان­‌نامه کارشناسی ارشد، دانشگاه شهید بهشتی، دانشکده علوم زیستی.
14 - صمیمی، ج. 1373. برآورد تابش خورشیدی بر اساس ارتفاع و کاربرد آن در اقلیم خورشیدی ایران. مجله فیزیک، 12: 26-18.
15 - صمیمی، ج. 1364.  انرژی خورشیدی برای ایران، مجله فیزیک، شماره 2، 85-74.
16 - علوی‌ پناه، س. ک. 1382. کاربرد سنجش از دور در علوم زیستی (علوم خاک). مؤسسه انتشارات و چاپ دانشگاه تهران.
17 - علیجانی، ب.، کاویانی، م. ر. 1382. مبانی آب و هواشناسی، انتشارات سمت، چاپ نهم.
18 - علیزاده، الف. و خلیلی، ن. 1388. تعیین ضرایب مدل آنگستروم و توسعه یک مدل رگرسیونی برآورد تابش خورشیدی (مطالعه موردی: منطقه مشهد). مجله علوم و صنایع کشاورزی (آب و خاک). 23 (1): 238-229.
19 - علی  محمدی، ع. 1378. کاربرد تصاویر ماهواره‌­ای در منابع آب و خاک. انتشارات دانشگاه فردوسی مشهد.
20 - کریمیان، آ. و افخمی، م. 1385. کشاورزی صحیح با بهره­‌گیری از تکنولوژی GIS و RS گامی در جهت توسعه پایدار زیست محیطی، مجموعه مقالات همایش ملی مدیریت شبکه­‌های آبیاری و زهکشی، جلد اول، 366-.361.
21 - کمالی، غ. و مرادی، الف. 1384. تابش خورشیدی،) اصول و کاربردها در کشاورزی و انرژی‌­های نو): انتشارات دانشگاه فردوسی مشهد، چاپ اول، 300 صفحه.
22 - مباشری، م. و خاوریان، ح. 1383. تجزیه و تحلیل روش‌های استفاده از ماهواره در تعیین میزان تبخیر و تعرق، تحقیقات کاربردی علوم جغرافیایی، 98-83.
23 - مصلحی فرد، م. و شیرین­‌پور، م. 1367. انرژی. دانشگاه تبریز، انتشارات نیما.
24 - معینی، س.، جوادی، ش.، کوکبی، ح.، دهقان منشادی، م. و اسماعیلی، ر. 1389. برآورد پتانسیل تابش خورشیدی در شهر یزد، نشریه انرژی ایران.
25 - موسوی بایگی، م.، اشرف، ب. و میان آبادی، آ. 1389. بررسی مدل‌­های مختلف برآورد تابش خورشیدی به منظور معرفی مناسب­‌ترین مدل در یک اقلیم نیمه خشک، مجله آب و خاک، شماره 4، 844-836.
26 - نوروزی اقدم، الف. 1386. امکان­‌سنجی پیش‌­بینی رطوبت خاک با استفاده از NDVI تصاویر سنجنده MODIS در مواقع خشک و نیمه خشک (مطالعه موردی استان خراسان رضوی). پایان­‌نامه کارشناسی ارشد، دانشگاه تهران، پردیس ابوریحان، 140 صفحه.
27 - ولی‌زاده کامران، خ. 1391. برآورد تبخیر و تعرق پتانسیل به روش استفتز و محاسبه مقدار تابش رسیده به سطح زمین با استفاده از تصاویر DEM SRTM و با کمک تابع Solar Analyst در محیط GIS، نشریه علمی و پژوهشی جغرافیا و برنامه‌ریزی دانشگاه تبریز.
28. Ahmad, M. D., Biggs, T., Tarral, H.  and Scott., C. A. 2006. Application of SEBAL approach and MODIS time series to map vegetation water use patterns in the data scarce krishna river basin of India, Water Science and Technology, 83-90.
29. Allen, R., Tasumi. M., Trezza. R. and Wim B. 2002. SEBAL: surface energy balance algorithms for land, Version 1.0, Funded by a NASA EOSDIS/Synergy grant from the raytheon company through the Idaho department of water resources.
30. Almhab, A. and Busu, I. 2008. Estimation of evapotranspiration using fused remote sensing image data and M-SEBAL model for improving water management area, The 3rd international conference water resources and arid environments.
31. Almorox, J., and Hontoria, C. 2004. Global solar radiation estimation using sunshine duration in spain, Energy Conversion and Management, 45: 1529-1535.
32. Bakirci, K. 2009. Correlation for estimation of daily global solar radiation with hours of bright sunshine in Turkey: Energy, 34: 485-501.
33. Black, J. N. 1956. The distribution of solar radiation over the earth’s surface. Arch Met Geoph Biokl, 7: 1865–1889.
34. Bosch, J. L., Lopez, G., and Batlles, F. J. 2008. Daily solar irradiation estimation over a mountainous area using artificial neural networks: Renewable Energy, 33, 1622-1628.
35. Bristow, K. L. and Campbell, G. S. 1984. On the relationship between incoming solar radiation and daily maximum and minimum temperature. Agricultural and forest meteorology, 31: 159-166.
36. Bulut, H. and Buyukalaca, O. 2007. 10-6-Simple model for the generation of daily global solar-radiation data in Turkey. Applied Energy, 84: 477-491.
37. Chen, R., Kang, E., Yang, Ji. X. and Wang, J. 2007. An hourly solar radiation model under actual weather and terrain conditions A case study in Heihe river basin. Energy, 32: 1148-1157.
38. Hasenauer, H., Merganicova, K., Petritsch, R., Pietsch, S. A., and Thorntou, P. E. 2003. Validating daily climate interpolation over complex terrain in Austria: Agric For Mmeteorol, 119: 87-107.
39. Hong, S., Hendrickx,  J. and Borchers, B. 2015. Down-scaling of SEBAL derived evapotranspiration maps from MODIS (250m) to landsat (30m) scale, International journal of remote sensing, 32 (21): 6457-6477.
40. Huang, L., and Zhang, Q. J. 2001. Development of Chinese weather data for  uilding energy calculations. Proc. 4th international conference indoor air quality, ventilation and energy conservation in buildings. October 2-5. Changsha, Hunan, china.
41. Irish, R. 2008. Calibrated Landsat Digital Number (DN) to Top of Atmosphere (TOA) Reflectance Conversion, Remote Sensing Basics.
42. Iziomon, M.G. and Mayer, H. 2002. Assessment of some global solar radiation   parameterizations. Atmospheric and Solar - Terrestrial Physics. 64: 1631–1643.
43. Janjai, S., Laksanaboonsong, J., Nunez. M. and Thongsathitya, A. 2005. Development of a method for generating operational solar radiation maps from satellite data for a tropical environment. Solar energy, 78: 739-751.
44. Keese, W.J., Pernell, R., Arthur, H. and James, D. 2003. A consumer guide a photovoltaic solar electric system, energy commission state of California.
45. Kreith, F. 1962. Radiation heat transfer spacecraft and solar power plant design. International text book, Scranton, Pennsylvania.
46. Laine, V., Venalainen, A., Heikinheimo, M. and   Hyvarinen, O. 1999.  Estimation of surface solar global radiation from NOAA AVHRR data in high latitudes. Journal of applied meteorology, 38: 1706-1719.
47. Li, H., Lian, Xianlong, Y., Wang, X., Ma, W. and Zhao, L. 2011. Solar constant values for estimating solar radiation, Energy xxx, 1-5.
48. Markham, B. L., Chander, G. and Helder, D.L. 2009. Summary of Current Radiometric Calibration Coefficients for Landsat MSS, TM, ETM+, and EO-1 All Sensors, Remote Sensing of Enviroment. 113: 893-903.
49. Mefti, A., Adane, A. and Bouroubi, M.Y. 2008. Satellite approach based on cloud cover classification: Estimation of hourly global solar radiation from meteosat images. Energy Conver and Manag. 49: 652–659.
50. Muzathik, A. M., Nik, W. B. W., Ibrahim, M. Z., Samo, K. B., Sopian, K. and Alghoul, M. A. 2014. Daily global solar radiation estimate based on sunshine hourse, International Journal of Mechanical and Materials Engineering (IJMME), 6: 75-80.
51. Nunez, M. 1983. Use of Satellite Data in. Regional mapping of solar radiation. In. Szokology, S.V., Solar World Congress, 4: 2142-2147.
52. Nunez, M. and Michael, K. 1989. Satellite Derivation of Ocean-Atmosphere Heat Fluxes in a Tropical Environment. Proceeding of the Western pacific international meeting and workshop on Toga Coare. Noumea, New Caledonia, May 24-30.
53. Pinker, R. T., Ewing, J. A. 1985. Modeling surface solar radiation: model formulation and validation. J. Climate Appl. Meteor., 24: 389–401.
54. Rehman, SH. 1998. Solar radiation over Saudi Arabia and comparison with empirical models, Energy. 23 (12): 1077–1082.
55. Rivington, M., Bellocchi, G., Matthews, K.B. and Buchan, K. 2005. Evaluation of three model estimations of solar radiation at 24 UK stations. Agricultural and Forest Meteorology. 132: 228–243.
56. Scheifinger, H., and Kolb, H. 2000. Modeling global radiation in complex terrain: comparing two statistical approaches: agric for meteoral, 100: 127-136.
57. Skeiker, K. 2006. Correlation of global solar radiation with common geographical and meteorological parameters for Damascus province, Syria, Energy Conversion and Management, 47 (4): 331-345.
58. Sorapipatana, C. and Exell, R. H. B. 1989.  Mesoscale mapping of daily insolation over Southest Asia from satellite data. Solar and wind technology. 6 (1): 59-69
59. Trnka, M., Zalud, Z., Eitzinger, J. and Dubrovsky, M.. 2005. Global solar radiation in Central European lowlands estimated by various empirical formulas. Agric. and Forest Meteorol. 131(1-2): 45-76.
60. Togrul, I.T. and Onat, E. 1999. A study for estimating solar radiation in Elazig using geographical and meteorological data, Energy Conversion and Management 40: 1577-1584.
61. Winslow, J. C., Hunt, E. R. and Piper, S. C. 2001. A globally applicable model of daily solar irradiance estimated from air temperature and precipitation data: Ecol Model, 43: 227-243.
62. Yang, K., Koike, T. and Ye, B. 2006. Improving estimation of hourly, daily, and monthly solar radiation by importing global data sets, Agricultural and Forest Meteorology. 137: 43–55.