ارزيابي رطوبت خاک مدلGLDAS با استفاده از داده هاي مشاهداتي، شاخص VHI و بارش
الموضوعات :سحر رضایی 1 , سید عباس حسینی 2 , احمد شرافتی 3
1 - دانشجوي دکتري، گروه مديريت ساخت و آب، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، تهران، ايران.
2 - دانشيار، دانشکده عمران، هنر و معماري، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، تهران، .ايران.
3 - دانشيار، دانشکده عمران، هنر و معماري، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، تهران، .ايران.
الکلمات المفتاحية: خشکسالي, رطوبت خاک, GLDAS, سنجش از دور, شاخص سلامت گياه,
ملخص المقالة :
زمينه و هدف: داده‌هاي رطوبت خاک به دست آمده از ماهواره‌ها نقش مهمي در مديريت موثر منابع آب، به ويژه در مناطق مستعد کم آبي و خشکسالي ايفا مي‌کند. با نظارت بر پويايي رطوبت خاک در طول زمان، سياست‌گذاران آب مي‌توانند استراتژي‌هاي تخصيص پايدار آب را توسعه دهند، اقدامات حفاظت از آب را اجرا کنند و اثرات نامطلوب خشکسالي بر کشاورزي را کاهش دهند. داده‌هاي ماهواره‌اي شناسايي نقاط بالقوه تنش آبي را تسهيل مي‌کند. داده‌هاي ماهواره‌اي شناسايي نقاط تنش آبي بالقوه را تسهيل مي‌کند هدف از اين پژوهش ارزيابي دقت رطوبت خاک مدل GLDAS با داده‌هاي مشاهداتي در مناطق با آب و هواي مرطوب، نيمه مرطوب، خشک و پايش خشکسالي کشاورزي با استفاده از مدل GLDAS، شاخص خشکسالي VHI و بارش ساليانه است.
روش پژوهش: در اين پژوهش رطوبت خاک مدل GLDAS از سال 2003 تا سال 2020 در 6 منطقه کشاورزي اکلاهما به صورت روزانه استخراج و با داده‌هاي مشاهداتي ثبت شده در6 منطقه کشاورزي واقع در اکلاهما مقايسه شد. براي درک بهتر از ميزان اختلاف ميان داده‌هاي رطوبت خاک مدل GLDAS با داده‌هاي مشاهداتي، مناطق کشاورزي به سه منطقه مرطوب، نيمه مرطوب، خشک تقسيم شدند و نهايتا به کمک دو شاخص ضريب همبستگي CC و خطاي جذر ميانگين مربعاتRMSE، به صورت روزانه، فصلي و سالانه مورد ارزيابي قرار گرفتند.
يافته‌ها: نتايج نشان داد بيشترين متوسط همبستگي رطوبت خاک فصلي مربوط به فصل زمستان و پاييز است و يکي از دلايل آن بارندگي بيشتر در اين فصول است. بيشترين همبستگي متوسط مناطق با 64/0متعلق به مناطق مرطوب و کمترين متوسط همبستگي 47/0 مربوط به مناطق خشک بود. مناطق مرطوب معمولاً پوشش گياهي بيشتري نسبت به مناطق خشک دارند. پوشش گياهي به دليل تأثير بر سيگنال‌هاي مايکروويو دريافتي توسط سنسورهاي ماهواره‌اي بر دقت تخمين‌هاي رطوبت خاک ماهواره تأثير مي گذارد. همچنين وجود پوشش گياهي متراکم، بازيابي رطوبت خاک داده‌هاي ماهواره‌اي را بهبود مي‌بخشد، به ويژه مناطقي که پوشش گياهي فراوان دارند. نتايج بررسي RMSE (cm3/cm3) مدل GLDAS و داده‌هاي مشاهداتي در 6 منطقه کشاورزي اکلاهما نشان دهنده عملکرد خوب مدل GLDAS بود. در ادامه همبستگي داده‌هاي مدل GLDAS با شاخص خشکسالي VHI و بارش مورد بررسي قرار گرفت که همبستگي رطوبت خاک مدل GLDAS با داده‌هاي بارش 17 ساله برابر با 68/0 و همبستگي مدل GLDAS و VHI برابر با 2/0 بود. يکي از دلايل تغييرات همبستگي بين بارش، VHI و رطوبت خاک مدل GLDAS، تغييرات پارامترهاي هيدرولوژيکي مانند تغذيه آب زيرزميني، نرخ تبخير و تعرق، و رواناب سطحي، در سال‌هاي مختلف است.
نتايج : با توجه به نتايج به دست آمده رطوبت خاک به عنوان يک واسطه حياتي بين بارش و VHI عمل مي‌کند. در حالي که بارش به طور مستقيم بر ديناميک‌هاي رطوبت خاک تأثير مي‌گذارد، رطوبت خاک، به نوبه خود، جذب آب گياه، تعرق و فرآيندهاي فيزيولوژيکي را کنترل مي‌کند که به VHI منجر مي‌شود. داده‌هاي رطوبت خاک مدل GLDAS را مي‌توان براي پايش و ارزيابي خشکسالي استفاده کرد. داده‌هاي GLDAS در فواصل زماني منظم (به عنوان مثال، روزانه، ماهانه) در دسترس هستند، که امکان نظارت بر پويايي رطوبت خاک را در طول زمان فراهم مي‌کند. اين وضوح زماني براي رديابي شروع، مدت و شدت رويدادهاي خشکسالي بسيار مهم است. نتايج اين تحقيق نشان مي‌دهد که مي‌توان از داده‌هاي رطوبت خاک مدل GLDAS با اطمينان خاطر در پايش خشکسالي کشاورزي استفاده کرد.
Bagheri, K., & Bagheri, M. (2019). Estimation of soil moisture using optical, thermal and radar Remote Sensing) Case Study:
.South of Tehran. Iranian Journal of Watershed Management Science and Engineering, 13(47), 63–74 Beck, H. E., Wood, E. F., Pan, M., Fisher, C. K., Miralles, D. G., Van Dijk, A. I. J. M., McVicar, T. R., & Adler, R. F. (2019). MSWEP V2 global 3-hourly 0.1 precipitation: methodology and quantitative assessment. Bulletin of the American Meteorological Society, 100(3), 473–500.
Das, K., Singh, J., & Hazra, J. (2019). Comparison of SMAP, GLDAS and simulated soil moisture datasets over a Malaysian region. International Geoscience and Remote Sensing Symposium (IGARSS), 2019-July, 6298–6301. https://doi.org/10.1109/IGARSS.2019.8900589
Entekhabi, D., Njoku, E. G., O’Neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N., Entin, J. K., Goodman, S. D., Jackson, T. J., Johnson, J., Kimball, J., Piepmeier, J. R., Koster, R. D., Martin, N., McDonald, K. C., Moghaddam, M., Moran, S., Reichle, R., Shi, J. C., … Van Zyl, J. (2010). The soil moisture active passive (SMAP) mission. Proceedings of the IEEE, 98(5), 704–716. https://doi.org/10.1109/JPROC.2010.2043918
Fang, B., Lakshmi, V., Bindlish, R., & Jackson, T. J. (2018). Downscaling of SMAP soil moisture using land surface temperature and vegetation data. Vadose Zone Journal, 17(1), 1–15.
Gao, B.-C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266.
Hrachowitz, M., Savenije, H. H. G., Blöschl, G., McDonnell, J. J., Sivapalan, M., Pomeroy, J. W., Arheimer, B., Blume, T., Clark, M. P., & Ehret, U. (n.d.). A decade of Predictions in Ungauged Basins. Hydrolog. Sci. J., Online First, Doi, 10(02626667.2013), 803183.
Karamvand, A., Hosseini, S. A., & Sharafati, A. (2023). SMAP products for prediction of surface soil moisture by ELM network model and agricultural drought index. Acta Geophysica, 71(4), 1845–1856.
Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research, 15(11), 91–100.
Kogan, F. N. (2001). Operational space technology for global vegetation assessment. Bulletin of the American Meteorological Society, 82(9), 1949–1964. https://doi.org/10.1175/1520-0477(2001)082<1949:OSTFGV>2.3.CO;2
Mu, Q., Zhao, M., & Running, S. W. (2011). Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote Sensing of Environment, 115(8), 1781–1800.
Reichle, R. H., Koster, R. D., De Lannoy, G. J. M., Forman, B. A., Liu, Q., Mahanama, S. P. P., & Touré, A. (2011). Assessment and enhancement of MERRA land surface hydrology estimates. Journal of Climate, 24(24), 6322–6338.
Rodell, M., Houser, P. R., Jambor, U., Gottschalck, J., Mitchell, K., Meng, C. J., Arsenault, K., Cosgrove, B., Radakovich, J., Bosilovich, M., Entin, J. K., Walker, J. P., Lohmann, D., & Toll, D. (2004). The Global Land Data Assimilation System. Bulletin of the American Meteorological Society, 85(3), 381–394. https://doi.org/10.1175/BAMS-85-3-381
Sheffield, J., Goteti, G., & Wood, E. F. (2006). Development of a 50-year high-resolution global dataset of meteorological
forcings for land surface modeling. Journal of Climate, 19(13), 3088–3111. Sheffield, J., & Wood, E. F. (2008). Global trends and variability in soil moisture and drought characteristics, 1950–2000, from
observation-driven simulations of the terrestrial hydrologic cycle. Journal of Climate, 21(3), 432–458. Zhu, Q., Luo, Y., Xu, Y. P., Tian, Y., & Yang, T. (2019). Satellite soil moisture for agricultural drought monitoring: Assessment of SMAP-derived soil water deficit index in Xiang River Basin, China. Remote Sensing, 11(3), 362.
https://doi.org/10.3390/rs11030362
