روش برآورد رطوبت‌خاک با استفاده از تکنیک سنجش از دور توسط ماهواره Landsat

آب و خاک

مقاله 7، دوره 35، شماره 6 - شماره پیاپی 80، بهمن و اسفند 1400، صفحه 872-861   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2021.71524.1070

نویسندگان

سید فرشید موسوی زاده¹؛ حسین انصاری^{* 2}؛ عیرضا فریدحسینی³

¹دانشجوی دکتری، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

²استاد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

³دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

خشکسالی یک فاجعه طبیعی پیچیده است که در سطح جهان زیاد اتفاق می‌افتد. رطوبت‌خاک به عنوان مستقیم‌ترین و مهم‌ترین متغیر توصیف خشکسالی، از جمله اطلاعات اساسی برای نظارت از راه دور بر وقایع خشکسالی و تخمین عملکرد محصول می‌باشد. برای کاهش نمونه‌برداری میدانی و استفاده همزمان از مدل‌های گیاهی برای تخمین عملکرد محصول استفاده از تصاویر ماهواره‌ای سهل‌ترین راه حل می‌باشد. در این پژوهش، با استفاده از روشی رطوبت‌خاک با فضای بازتاب طیفی نزدیک به مادون قرمز در مقابل باند طیفی قرمز (NIR- Red) تخمین و توسعه داده شد. در ابتدا فضای انعکاس طیفی NIR-Red پس از تصحیحات اتمسفری به صورت نمودار با استفاده از تصاویر ماهواره Landsat 7 و سنجنده ETM⁺ با روش اصلاح شده هندسی ایجاد شد. سپس با استفاده از معادله خط برازش شده در این نمودارها، مقادیر با محاسبات ریاضی به رطوبت حجمی تبدیل و با میانگین مقادیر رطوبت‌خاک اندازه‌گیری شده در دشت نیشابور (خراسان‌رضوی) در وسعت 13 هکتار در شش روز در طی دوران کشت محصول مقایسه و اعتبارسنجی شد. نتایج نشان داد برآورد رطوبت‌خاک که با روش هندسه فضایی در سطح خاک صورت گرفت با توجه به تطابق شش تصویر ماهواره‌ای از لحاظ زمان با اندازه‌گیری‌های میدانی، شاخص آماری NRMSE برابر 18 درصد بدست آمد که می‌توان دقت انجام کار را به غیر از زمان‌های 28 نوامبر و 30 دسامبر که وضعیت ابرناکی وجود داشت و باعث شد تصویربرداری خطای بیشتری داشته باشد، رضایت‌بخش دانست. بنابراین نتیجه‌گیری شد که مدل ساده و کارآمد هندسه فضایی Red-NIR توانایی زیادی برای تخمین رطوبت سطح خاک در شرایط جوی مساعد را داشته باشد و می‌توان از این روش برای مدل‌سازی گیاهی به عنوان اطلاعات ورودی استفاده نمود.

کلیدواژه‌ها

آب‌خاک؛ بازتاب طیفی؛ محاسبات ریاضی؛ مدل هندسه فضایی Red-NIR

مراجع

• Pasolli L., Notarnicola C., Bertoldi G., Della Chiesa S., Niedrist G., Bruzzone L., et al. 2014. Soil moisture monitoring in mountain areas by using high-resolution SAR images: Results from a feasibility study. European journal soil science 65(6): 852–64.
• Verstraeten WW., Veroustraete F., Van Der Sande CJ., Grootaers I., and Feyen J. 2006. Soil moisture retrieval using thermal inertia, determined with visible and thermal spaceborne data, validated for European forests. Remote Sensing of Environment 101(3): 299–314.
• Wagner W., Naeimi V., Scipal K., Jeu R., and Martínez-Fernández J. 2007. Soil moisture from operational meteorological satellites. Hydrogeol Journal 15(1):121–31.
• Peng J., Loew A., Merlin O., and Verhoest NEC. 2017. A review of spatial downscaling of satellite remotely sensed soil moisture. Reviews of Geophysics 55(2): 341–66.
• Verhoest NEC., Lievens H., Wagner W., Álvarez-Mozos J., Moran MS., and Mattia F. 2008. On the soil roughness parameterization problem in soil moisture retrieval of bare surfaces from synthetic aperture radar. Sensors 8(7): 4213–48.
• Li B., Ti C., Zhao Y., and Yan X. 2016. Estimating soil moisture with Landsat data and its application in extracting the spatial distribution of winter flooded paddies. Remote Sensing 8(1).
• Bao Y., Lin L., Wu S., Kwal Deng KA., and Petropoulos GP. 2018. Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model. International Journal of Applied Earth Observation and Geoinformation72: 76–85.
• Mohamed ES., Ali A., El-Shirbeny M., Abutaleb K., and Shaddad SM. 2019. Mapping soil moisture and their correlation with crop pattern using remotely sensed data in arid region. The Egyptian Journal of Remote Sensing and Space Sciences 23(3) 347-353.
• Montaldo N., Fois L., and Corona R. 2021. Soil moisture estimates in a grass field using sentinel-1 radar data and an assimilation approach. Remote Sensing 13(16): 1–25.
• Rabiei S., Jalilvand E., and Tajrishy M. 2021. A method to estimate surface soil moisture and map the irrigated cropland area using sentinel-1 and sentinel-2 data. Sustainability (Switzerland), 13(20).
• Zaki M. Estimation of groundwater recharge from irrigated fields using zero flux method. Msc thesis. 2013. (In Persian with English abstract)
• Carlson TN., and Petropoulos GP. 2019. A new method for estimating of evapotranspiration and surface soil moisture from optical and thermal infrared measurements: the simplified triangle. International journal remote sensing 40(20): 7716–29.
• Tuttle SE., and Salvucci GD. 2014. A new approach for validating satellite estimates of soil moisture using large-scale precipitation: Comparing AMSR-E products. Remote Sensing of Environment 142: 207–22.
• Attema EPW., and Ulaby FT. 2016. Prevalence of anemia in patients with diabetic kidney disease. Abstract book – 29th European Diabetic Nephropathy Study Group Meeting 13(2): 357–64.
• Kumar K., Suryanarayana Rao HP., and Arora MK. 2015. Study of water cloud model vegetation descriptors in estimating soil moisture in Solani catchment. Hydrological Processes 29(9): 2137–48.
• Park SE., Jung YT., Cho JH., Moon H., and Han S hoon. 2019. Theoretical evaluation of water cloud model vegetation parameters. Remote Sens 11(8).
• de Wit A., Boogaard H., Fumagalli D., Janssen S., Knapen R., and van Kraalingen D. 2019. 25 years of the WOFOST cropping systems model. Agricultural Systems 168: 154–67.
• Zhan ZM., Qin QM., Ghulan A., and Wang DD. 2007. NIR-red spectral space based new method for soil moisture monitoring. Science in China, Series D: Earth Sciences 50(2): 283–9.
• Foroughi H., Naseri A., Nasab SB., Hamzeh S., and Scott B. 2019. Presenting a New Method for Soil-moisture Estimation Using Optical Remotely-sensed Imagery. Iranian journal of soil and water research 50(3):641–52. (In Persian with English abstract)
• Babaeian E., Sadeghi M., Franz TE., Jones S., and Tuller M. 2018. Mapping soil moisture with the OPtical TRApezoid Model (OPTRAM) based on long-term MODIS observations. Remote Sensing of Environment 211: 425–40.
• Sadeghi M., Babaeian E., Tuller M., and Jones SB. 2017. The optical trapezoid model: A novel approach to remote sensing of soil moisture applied to Sentinel-2 and Landsat-8 observations. Remote Sensing of Environment 198: 52–68.
• Richardson AJ., and Wiegand CL. 1977. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing 43(12): 1541–52.
• Welikhe P., Quansah JE., Fall S., and McElhenney W. 2017. Estimation of Soil Moisture Percentage Using LANDSAT-based Moisture Stress Index. Journal of Remote Sensing & GIS 06(02).
• Mousavizadeh SF., Honar T., and Ahmadi SH. 2016. Assessment of the AquaCrop Model for simulating canola under different irrigation managements in a semiarid area. International Journal of Plant Production 10(4): 425–46.
• Petropoulos GP., Ireland G., Srivastava PK., and Ioannou-Katidis P. 2014. An appraisal of the accuracy of operational soil moisture estimates from SMOS MIRAS using validated in situ observations acquired in a Mediterranean environment. International Journal of Remote Sensing 35(13): 5239-5250.
• Ihlen V., USGS. 2019. Landsat 7 (L7) Data Users Handbook. USGS Landsat User Serv .7:151.
• Geng SHU., and Supit I. 1986. Agricultural and Forest Meteorology 36: 363–76.