تلفیق بازیابی‌های سنجنده‌ی AMSR2 با محصولات دورسنجی مودیس بمنظور برآورد رطوبت خاک با وضوح بالا

نوع مقاله: مقاله پژوهشی

نویسندگان

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

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

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

چکیده

رطوبت خاک یکی از مهم‌ترین متغیرهای محیطی است و شناخت تغییرات مکانی و زمانی آن، بینش ارزشمندی را در فعالیت‌های کشاورزی، مطالعات هیدرولوژیکی، مدل‌های آب و هوایی و نظارت بر محیط زیست به همراه دارد. در این پژوهش داده‌های رطوبت خاک سطحی حاصل از سنجنده AMSR2 مورد استفاده قرار گرفت و این داده‌ها با اندازه‌گیری‌های زمینی برای دشت رفسنجان، مقایسه گردید. این مقایسه بر اساس ارزیابی تفاوت بین داده‌های ماهواره‌ای و داده‌های زمینی اندازه‌گیری شده در شش ایستگاه، با استفاده از قدر مطلق میانگین خطا، جذر میانگین مربعات خطا و ضریب همبستگی انجام شد. نتایج کلی اعتبار‌سنجی نشان داد که در سه ایستگاه 4 ، 5 و 6 اندازه‌گیری‌ها، مشابه تخمین رطوبت خاکAMSR2 رفتار می‌کند و همبستگی بالای 70 درصد دارند و در ایستگاه‌های 1، 2 و 3 میزان همبستگی کم می‌باشد. برای دسترسی به نتایج بهتر از یک تکنیک ریزمقیاس‌سازی بر اساس یک معادله خطی که رطوبت خاک را به سه پارامتر سنجنده مودیس ارتباط می‌دهد و محصولاتAMSR2 را به یک محصول ریزمقیاس‌شده تبدیل می‌نماید، استفاده گردید و عملکرد آن مورد مطالعه قرار گرفت. نتایج نشان داد که ریزمقیاس‌سازی منجر به کاهش خطا و افزایش ضریب همبستگی در ایستگاه‌های اندازه‌گیری گردید، بطوریکه در ایستگاه‌های 1 ،2 و3 مقادیر ضریب همبستگی بترتیب از 295/0 ،552/0 و237/0 به 864/0 ، 7/0 و 750/0 افزایش و مقادیر قدر مطلق میانگین خطا و جذر میانگین مربعات خطا کاهش یافت.

کلیدواژه‌ها


عنوان مقاله [English]

Integration of retrievals of the AMSR2 sensor with MODIS products to estimate soil moisture at high resolution

نویسندگان [English]

  • maedeh farokhi 1
  • Hossein Ansari 2
  • Alireza Faridhosseini 3
1 PhD student of Water Engineering Department, Ferdowsi University of Mashhad,Mashhad,Iran
2 Professor of Water Engineering Department, Ferdowsi University of Mashhad,Mashhad,Iran
3 Associate professor of Water Engineering Department,Ferdowsi University of Mashhad, Mashhad,Iran
چکیده [English]

Soil moisture is a determinant factor in most of complex environmental processes and has an important role
in agricultural activities, hydrologic studies, and environmental monitoring. In this study the soil moisture data from the Advanced Microwave Scanning Radiometer 2 (AMSR2)were used and these data were compared with ground-based measurements over Rafsanjan plain. The comparison criteria’s are consisted of the evaluation of the mean error, root mean squared error, and the correlation coefficient .The results of validation showed that the measurements of the soil moisture at the stations 4, 5, and 6 behaved similarly to AMSR2 soil moisture, and the correlations were above of 70% ,and at the stations 1, 2 ,and 3, the correlations were low. In order to achieve better results, a downscaling technique was used. The technique suggests that remotely sensed soil moisture retrieved from the AMSR2 system at a 25km resolution can be downscaled to 1km resolution by using a simple linear equation based on parameters calculated with a regression model, which is based on three physical properties of 1km resolution retrieved from MODIS. The results revealed that the downscaling technique reduced the errors and increased the correlation coefficient, the correlation coefficients at stations 1, 2, and 3 increased from 0.295 , 0.552 ,0.237 to 0.864 , 0.7, 0.75, respectively.

کلیدواژه‌ها [English]

  • Downscaling
  • Remote Sensing
  • Rafsanjan
انصاری ح .، حسن‌پور م . 1394. طراحی و ساخت دستگاه اندازه‌گیری داده‌های محیطی خاک به ویژه رطوبت، دما و شوری با نام تجاری REC-P55. نشریه آبیاری و زهکشی ایران ، شماره 1 ، جلد 9 ، ص43-32.
Anderson, M. G., 1985. Hydrological Forecasting. John Wiley & Sons, Chichester.
Busch, F. A., Niemann, J. D., and Coleman, M., 2012. Evaluation of an empirical orthogonal function–based method to downscale soil moisture patterns based on topographical attributes, Hydrological Processes, 26(18), 2696-2709.
Coleman, M. L., and Niemann, J. D., 2013. Controls on topographic dependence and temporal instability in catchment‐scale soil moisture patterns, Water Resources Research, 49(3), 1625-1642.
Chauhan, N. S., Miler, S., and Aradny, P., 2003. Spaceborn Soil Moisture Estimation at High Resolution: A Microwave-Optical/IR Synergistic Approach. Int. J. Remote Sens. vol. 24, no. 22. pp. 4599–4622.
Djamai, N., Magagi, R., Goïta, K., Merlin, O., Kerr, Y., and Roy, A., 2016. A combination of DISPATCH downscaling algorithm with CLASS land surface scheme for soil moisture estimation at fine scale during  cloudy days. Remote Sens. Environ. vol. 184. pp. 1–14.
Dumedah, G. and Walker, J. P., 2017. Assessment of model behavior and acceptable forcing data uncertainty in the context of land surface soil moisture estimation. Adv. Water Resour. vol. 101. pp. 23–36.
Elachi, C., 1987. Introduction to the Physics and Techniques of Remote Sensing. Wiley Interscience.
Hihara, T., Kubota, M., and Okuro, A., 2015. Evaluation of sea surface temperature and wind speed observed by GCOM-W1/AMSR2 using in situ data and global products. Remote Sens. Environ. vol. 164. pp.170–178.
Holgate, C. M., De Jeu, R. A. M., van Dijk, A. I. J. M., Liu, Y. Y., Renzullo, L. J., … Briggs, P. R., 2016.Comparison of remotely sensed and modelled soil moisture data sets across Australia. Remote Sens.Environ. vol. 186. pp. 479–500.
2012, e-Handbook of Statistical Methods. NIST/SEMATECH.
Jackson, T. J., Cosh, M. H., Bindlish, R., Starks, P. J., Bosch, D. D., … Du, J., 2010. Validation of Advanced Microwave Scanning Radiometer Soil Moisture Products. IEEE Trans. Geosci. Remote Sens. vol. 48, no. 12.pp. 4256–4272.
Jensen, J. R., 1999. Remote Sensing of the Environment – An Earth Resource Perspective. Pearson.
Kawaguchi, M., and Yoshida, T., 2013. Regular Observation by Global Change Observation Mission 1st-Water GCOM-W1 (Shizuku). NEC Tech. J. vol. 8, no. 1. pp. 32–35.
Liang, X. and Lettenmaier, D. P., 1994. A simple hydrologically based model of land surface water and energy fluxes for general circulation models. J. Geophys. Res. vol. 99, no. D7. pp. 14415–14428.
Liang, S., Strahler, A. H., and Walthall, C. W., 1999. Retrieval of land surface albedo from satellite observations: A simulation study, J. Appl. Meteorol., 38, 712-725.
Lillesand, T. M., 2007. Remote Sensing and Image Interpretation, Fifth Edition. Wiley.
Peng, F., Mu, M., and Sun, G., 2017. Responses of soil moisture to climate change based on projections by the end of the 21st century under the high emission scenario in the ‘Huang–Huai–Hai Plain’ region of  China. J. Hydro-Environ. Res. vol. 14. pp. 105–118.
Ranney, K. J., Niemann, J. D., Lehman, B. M., Green, T. R., and Jones, A. S., 2015. A method to downscale soil moisture to fine resolutions using topographic, vegetation, and soil data. Adv. Water Resour. vol. 76.pp. 81–96.
Soulis, K. X., Elmaloglou, S., and Dercas, N., 2015. Investigating the effects of soil moisture sensors positioning and accuracy on soil moisture based drip irrigation scheduling systems. Agric. Water Manag.vol. 148. pp. 258–268.
Ulaby, F. T., Moore, R. K., and Fung, A. K., 1986. Microwave Remote Sensing, Active Passive – Volume III.Artech House, Remote Sensing Series.
Yan, H., DeChant, C. M., and Moradkhani, H., 2015. Improving Soil Moisture Profile Prediction With the Particle Filter-Markov Chain Monte Carlo Method. IEEE Trans. Geosci. Remote Sens. vol. 53, no. 11. pp.6134–6147.
Zhuo, L., and Han, D., 2016. The Relevance of Soil Moisture by Remote Sensing and Hydrological Modelling. Procedia Eng. vol. 154. pp. 1368–1375