ریزمقیاس نمایی تصاویر بازیابی مایکروویو غیرفعال رطوبت خاک در ابعاد مزرعه

نوع مقاله : مقاله پژوهشی

نویسندگان

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

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

چکیده

رطوبت خاک از اهمیت ویژه ای در مطالعات منابع آب و کشاورزی برخوردار است. طیف الکترومغناطیس مایکروویو، محدودیت‏ های فیزیکی سایر امواج رادیومتری در اندازه ‏گیری رطوبت خاک را ندارد، اما غالبا دارای ابعاد پیکسل بسیار بزرگ (بیش از 10 کیلومتر) هستند. در این پژوهش به منظور کاربرد داده‏ های رطوبت خاکی دورسنجی در مقیاس مزرعه، با استفاده از داده ‏های اندازه‏ گیری میدانی رطوبت خاک در محدوده دشت نیشابور طی سال ‏های 1396 تا 1398، واسنجی داده ‏های بازیابی سنجنده AMSR2 انجام شد. معلوم شد تغییرات ارتفاعی و پوشش گیاهی از جمله عوامل کلیدی تاثیرگذار بر دقت واسنجی به شمار می ‏آیند. مبتنی بر نظریه اینرسی حرارتی و با کمک تصاویر سنجنده مودیس، اندرکنش‏ های میانگین روزانه رطوبت خاک و اختلاف دمای روزانه سطح زمین در دو سنجنده MODIS و AMSR2 بررسی شد و با استفاده از آن روابط خطی ریزمقیاس نمایی تصاویر رطوبت خاک برای تبدیل ابعاد تصویر از 25 کیلومتر به 1000 متر به دست آمد. بررسی شاخص ‏های آماری R^2 با کمینه 0.73 و بیشینه 0.84، MAE و RMSE با دامنه تغییرات 1.6 تا 4، نشان داد که الگوریتم استفاده شده در ریزمقیاس نمایی به خوبی قادر به بازتاب اندرکنش‏ های بین بارش، رطوبت خاک، پوشش گیاهی و تغییرات پروفیل دمایی کانوپی بوده و این ویژگی کاربرد آن را در تحلیل ‏های هواشناسی کشاورزی تقویت می‏ کند.

کلیدواژه‌ها


عنوان مقاله [English]

Downscaling Retrievals of the AMSR2 Passive Microwavee Soil Moisture Imagery to Farm Scale

نویسندگان [English]

  • Mohammad Fashaee 1
  • Seyed Hossein Sanaei Nejad 2
1 PhD Student of Water Science and Engineering Department, Agriculture Faculty, Ferdowsi University of Mashhad, Mashhad, Iran
2 Professor, Water Engineering, College of Agriculture, Ferdowsi University of Mashhad
چکیده [English]

Soil moisture is of particular importance in the study of water resources and agriculture. The microwave electromagnetic spectrum does not have the physical limitations of other radiometric spectral in measuring soil moisture, but they often have very large pixel dimensions (more than 10 km). In this study, in order to apply soil moisture remote sensing data at the farm scale, using field soil moisture measurement data in the Nishabour plain during 2017-2019, calibration of AMSR2 retrieval data was performed. It turned out that altitude and vegetation changes are among the key factors affecting calibration accuracy. Based on the theory of thermal inertia and with the help of MODIS sensor images, the interactions of the average daily soil moisture and the daily surface temperature difference between the two MODIS and AMSR2 sensors were investigated. Using it, downscaling linear relationships of soil moisture images were obtained to convert the image dimensions from 25 km to 1000 m. Validation of R2 statistical indices with a minimum of 0.73 and a maximum of 0.84, MAE and RMSE with a range of 1.6 to 4, showed that the algorithm used in the downscaling is well able to reflect the interactions between rainfall, soil moisture, vegetation and changes in canopy temperature profile and this feature reinforces its application in agrometeorological studies.

کلیدواژه‌ها [English]

  • Remote Sensisng
  • Surface soil moisture
  • Microwave Spectra
  • Downscaling
  • AMSR2
جامعی، م.، موسوی بایگی، م.، علیزاده، ا. و ایران نژاد، پ. 1396. اعتبارسنجی بازیابی های رطوبت خاک ماهواره مایکروویو اسموس، نشریه آب و خاک (علوم و صنایع کشاورزی)، 31(2):672-660.
غفاری، ا.، داوری، ک. و فریدحسینی، ع. 1399. توسعه الگوریتم‏های بهبود یافته برای ریزمقیاس سازی رطوبت خاک سطحی ماهواره SMAP  با استفاده از داده ماهواره‏های نوری/حرارتی، نشریه علمی-پژوهشی آبیاری و زهکشی ایران، 14(2):660-650.
فرخی، م.، انصاری، ح. و فرید حسینی، ع. 1398. تلفیق بازیابی‏های سنجنده AMSR2 با محصولات دورسنجی مودیس به منظور برآورد رطوبت خاک با وضوح بالا، نشریه آبیاری و زهکشی ایران، 13(2):698-687.
ولایتی، س. 1378. بررسی عوامل مؤثّر بر تغییرات کیفی آبخوان نیشابور، فصلنامه تحقیقات جغرافیایی، (149):134-119.
Adegoke, J.O. and Carleton, A.M. 2002. Relations between Soil Moisture and Satellite Vegetation Indices in the U.S. Corn Belt. Journal of Hydrometeorology. 3:395-405.
Adnan, M., Merwade, V. and Yu, Z. 2016. Multi-objective calibration of a hydrologic model using spatially distributed remotely sensed / in-situ soil moisture. Journal of Hydrology. 536:192–207.
AghaKouchak, A. 2014. A baseline probabilistic drought forecasting framework using Standardized Soil Moisture Index: Application to the 2012 United States drought. Hydrol. Earth Syst. Sci. 18(7):2485–2492.
Boken, V. K. 2005. Monitoring and Predicting Agricultural Drought: A Global Study. Oxford Univ. Press. New York. 496.
Brocca, L., Ciabatta, L., Massari, C., Camici, S. and Tarpanelli, A. 2017. Soil moisture for hydrological applications: open questions and new opportunities. Water. 9(2):140.
Chen, J., Wen, J. and Tian, H. 2016. Representativeness of the ground observational sites and up-scaling of the point soil moisture measurements. Journal of Hydrology. 533:62–73.
Chen, L. and Wang, L. 2018. Recent advance in earth observation big data for hydrology. Big Earth Data. 1–22.
De Jue R. d. and Owe, M. 2014. AMSR2/GCOM-W1 surface soil moisture (LPRM) L3 1 day 25 km x 25 km ascending V001, Edited by Goddard Earth Sciences Data and Information Services Center (GES DISC) (Bill Teng). Goddard Earth Sciences Data and Information Services Center (GES DISC). Greenbelt. MD. USA.
D’Odorico, P., Caylor, K., Okin, G. S. and Scanlon T. M. 2007. On soil moisture-vegetation feedbacks and their possible effects on the dynamics of dryland ecosystems. J. Geophys. Res. 112(G04010).
Dostálová, A., Doubková, M., Sabel, D., Bauer-Marschallinger, B. and Wagner, W. 2014. Seven years of advanced synthetic aperture radar (ASAR) global monitoring (GM) of surface soil moisture over Africa. Remote Sens. 6(8):7683–7707.
Entekhabi, D., Reichle, R. H., Koster, R. D. and Crow, W. T. 2010. Performance metrics for soil moisture retrievals and application requirements. J. Hydrometeorol. 11(3):832–840.
Fang, B. and Lakshmi, V. 2014. Soil moisture at watershed scale : Remote sensing techniques. Journal of Hydrology. 516:2014:258–272.
Fang, B., Lakshmi, V., Bindlish, R., Jackson, T. J., Cash, M. and Basara, J. 2013. Passive Microwave Soil Moisture Downscaling Using Vegetation Index and Skin Surface Temperature. Vadose Zone Journal.
Jagdhuber, T., Konings, A. G., McColl, K. A., Alemohammad, S. H., Das, N. N., Montzka, C., Link, M., Akbar, R. and Entekhabi, D. 2019. Physics-Based Modeling of Active and Passive Microwave Covariations Over Vegetated Surfaces. IEEE Transactions on Geoscience and Remote Sensing. 57:788-802
Jian, P., Alexander, L., Olivier, M. and C., V.N.E. 2017. A review of spatial downscaling of satellite remotely sensed soil moisture. Reviews of Geophysics. 55:341-366.
Kim, J. and Hogue, T. 2012, Improving spatial soil moisture representation through integration of AMSR-E and MODIS products. IEEE Trans. Geosci. Remote Sens. 50(2):446–460.
Kim, S., Liu, Y. Y., Johnson, F. M., Parinussa, R. M. and Sharma, A. (2015). Remote Sensing of Environment A global comparison of alternate AMSR2 soil moisture products: Why do they differ? Remote Sensing of Environment. 161:43–62.
Martinez-Fernández, J., González Zomora, A., Sánchez, N. and Gumuzzio, A. 2016. Remote Sensing of Environment Satellite soil moisture for agricultural drought monitoring: Assessment of the SMOS derived Soil Water De fi cit Index. Remote Sensing of Environment 177:277–286.
Mohanty, B.P., Cosh, M.H., Lakshmi, V. and Montzka, C. 2017. Soil moisture remote sensing: state-of-the-science. Vadose Zone J. 16(1):1–9.
Montzka, C., Bogena, H.R., Zreda, M., Monerris, A., Morrison, R., Muddu, S. and Vereecken, H. 2017. Validation of spaceborne and modelled surface soil moisture products with cosmic-ray neutron probes. Remote Sens. 9(2):103–136.
Moran, M. S., Peters-Lidard, C. D., Watts, J. M. and McElroy, S. 2004. Estimating soil moisture at the watershed scale with satellite-based radar and land surface models. Can. J. Remote Sens. 30(5):805–826.
Njoku, E. G., Jackson, T. J., Lakshmi, V., Chan, T. K. and Nghiem, S. V. 2003. Soil moisture retrieval from AMSR-E. IEEE Trans. Geosci. Remote Sens. 41(2):215–229.
NOAA Office of Satellite and Product Operation (OSPO) website, About AMSR-2, https://www.ospo.noaa.gov/Products/atmosphere/gpds/about_amsr2.html. Date of Visit: 2020-05-13.
Peters-Lidard, C. D., Mocko, D. M., Garcia, M., Santanello, J. A., Tischler, M. A., Moran, M. S. and Wu, Y. 2008. Role of precipitation uncertainty in the estimation of hydrologic soil properties using remotely sensed soil moisture in a semiarid environment. Water Resour. Res. 44(W05S18).
Peng, J. and Loew, A. 2017. Recent advances in soil moisture estimation from remote sensing. Water. 9(7):530–534.
Takada, M., Mishima, Y. and Natsume, S. 2009. Estimation of surface soil properties in peatland using ALOS/PALSAR. Landscape Ecol. Eng. 5(1):45–58.
Wilhite, D. A. 2005. Drought and Water Crises: Science, Technology, and Management Issues. CRC Press. 86:432.
Wang, L., and Qu, J. J. 2009. Satellite remote sensing applications for surface soil moisture monitoring: A review. Front. Earth Sci. Chin. 3(2):237–247.
Wang, J., Ling, Z., Wang, Y. and Zeng, H. 2016. ISPRS Journal of Photogrammetry and Remote Sensing Improving spatial representation of soil moisture by integration of microwave observations and the temperature – vegetation – drought index derived from MODIS products. ISPRS Journal of Photogrammetry and Remote Sensing. 113:144–154.
Zhang, D., Li, Z. L., Tang, R., Tang, B. H. and Wu, H. 2014. A remote sensing technique to determine the soil moisture saturation index. Institute of Geographic Sciences and Natural Resources Research. 978-1-4799-5775-0/14. 3280.
Zhu Q, Luo Y, Xu Y, Tian Y and Yang T. 2019. Satellite Soil Moisture for Agricultural Drought Monitoring: Assessment of SMAP-Derived Soil Water Deficit Index in Xiang River Basin. Remote Sensing.