مقایسه برآورد رطوبت سطح خاک در اراضی کشاورزی آق‌قلا با استفاده از تصاویر SAR (پالسار2- آلوس و سنتینل-1)

محورهای موضوعی : برنامه های کاربردی در مدیریت منابع آب

سعداله سنگینی ¹ , هادی فدایی ² , امیر سعدالدین ³ , واحد بردی شیخ ⁴ , چوقی بایرام کمکی ⁵

1 - دانشجوی دکتری آبخیزداری گرایش آب، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران
2 - استادیار، گروه جغرافیا، دانشگاه علوم انتظامی امین، تهران، ایران
3 - دانشیار، گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران
4 - دانشیار، گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران
5 - استادیار، گروه مدیریت مناطق بیابانی، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران

تاریخ دریافت : 1399/10/12 تاریخ پذیرش : 1400/02/26 تاریخ انتشار : 1401/02/01

کلید واژه: مدل ابر آب, مدل اُوه, سنتینل-1, رطوبت سطح خاک, سنجنده پالسار-2 آلوس,

چکیده مقاله :

پیشینه و هدف دشت آق‌قلا که یکی از دشت‌های حاصل خیز استان گلستان است. تجمع رواناب و شکل‌گیری سیلاب خسارات جانی و مالی فراوان را به همراه دارد. شناخت پراکنش‌های زمانی و مکانی رطوبت سطح خاک یک متغیر کلیدی در شبیه‌سازی رواناب و کاهش مخاطرات ناشی از سیل در محدوده تحقیق است. در این تحقیق میزان رطوبت سطح خاک با استفاده از داده‌های ماهواره‌های راداری آلوس-2 از پالسار در باند L و سنتینل-1 در باند C مورد بررسی قرار گرفت.مواد و روش ها در این تحقیق، از سه سری داده راداری آلوس-2 از سنجنده پالسار، سنتینل-1 و داده اپتیکی سنتیل-1 استفاده شد. برای محاسبه رطوبت سطح خاک ابتدا به روش وزنی در محل هر خوشه نمونه‌های خاک در عمق 5 سانتی‌متری برداشت و توزین گردید پس از خشک نمودن نمونه‌ها در آون وزن خشک و مرطوب محاسبه گردید. در ادامه دو پارامتر مهم رطوبت خاک شامل ثابت دی‌الکتریک و زبری سطح خاک اندازه‌گیری شد. ثابت دی‌الکتریک با استفاده از TDR و زبری با استفاده از دو دوربین دیجیتال محاسبه گردید. با استفاده از نرم‌افزار Agisoft photo scan و ArcGIS مدل رقومی ارتفاعی و پروفیل ناهمواری‌های سطح استخراج گردید. داده‌های راداری با نرم‌افزار SNAP مربوط به آژانس فضایی اروپا ESA پردازش گردید. مراحل پردازش شامل کالیبراسیون رادیومتریکی، استخراج سیگما نات در واحد دسی‌بل، فیلترگذاری با فیلتر لی و کرنل سایز 5×5 و تصحیح هندسی و نهایتاً ژئوکدینگ هر سه داده انجام شد. با داده اپتیکی سنتینل-2 ضمن تهیه شاخص‌های گیاهی و نمناکی نقشه کاربری اراضی با الگوریتم راندوم فارست تهیه گردید. در ادامه با در دست داشتن مقادیر زبری، ثابت دی‌الکتریک و شاخص‌های گیاهی و نمناکی در محیط نرم‌افزار متلب 2019 دو مدل Oh و WCM کدنویسی و مقادیر رطوبت سطح خاک محاسبه و خروجی گرفته شد. سپس رطوبت حاصل از مدل باز پراکنش سطحی با رطوبت وزنی در محل و مطالعات پیشین مورد ارزیابی قرار گرفت.نتایج و بحث در بخش حساسیت سیگنال رادار به رطوبت سطح خاک در مدل Oh در پلاریزاسیون HH و HV تصاویر پالسار-2، در با 0.86=R2، با 0.905=R2 و برای تصاویر سنتینل-1، در با 0.91=R2 و با 0.93=R2 به رطوبت سطح خاک حساس است. همچنین حساسیت باز پراکنش سطحی مدل Oh در پالسار-2 در پلاریزه HH با 0.96=R2 و در پلاریزه HV با 0.94=R2 و برای داده سنتینل-1 در پلاریزه VV با 0.72=R2 و در پلاریزه VH با 0.74=R2 به زبری سطح حساس است. رابطۀ بین کل ضرایب باز پراکنش سطحی حاصل از مدل ابر آب و رطوبت اندازه گیری شده در پلاریزاسیون HH و HV تصاویر پالسار-2، در و به ترتیب با 0.73=R2 و 0.399=R2 و برای دادۀ سنتینل-1 در پلاریزاسیون VV و VH، در و به ترتیب با 0.073=R2 و 0.13=R2 به رطوبت سطح خاک حساس است. در بخش برآورد رطوبت خاک مبتنی بر مدل Oh برای دادۀ پالسار-2 و سنتینل-1 در اراضی لخت در پلاریزاسیون HH و HV برای تصاویر پالسار-2، و به ترتیب با 1.924=RMSE، 0.88=R2 و 1.45=RMSE، 0.93=R2 و برای داده سنتینل-1، و به ترتیب با 2.57=RMSE، 0.81=R2 و 0.90=RMSE، 0.97=R2 است. نتایج مدل Oh نشان داد که در پلاریزاسیون HV تصاویر پالسار-2 و پلاریزه VH سنتینل-1 نتایج رطوبت خاک قوی تر است. نتایج رطوبت خاک در مدل WCM در اراضی دارای پوشش گیاهی برای تصاویر پالسار-2 در پلاریزاسیون HH و HV در و به ترتیب با 2.44=RMSE، 0.81=R2 و 2.64=RMSE، 0.78=R2 و برای Sentinel-1 در و به ترتیب با 2.74=RMSE، 0.75=R2 و 2.69=RMSE، 0.76=R2 است. در بحث برآورد رطوبت خاک با مدل WCM نتایج پالسار-2 در پلاریزه HH با 0.81=R2 در اراضی با تراکم پوشش گیاهی بیشتر از 0.4 درصد دارای نتیجه بهتری است.نتیجه گیری در مدل Oh نتایج تحقیق نشان داد که حساسیت پلاریزه HV در تصاویر پالسار-2 و پلاریزه VH در سنتینل-1 در مناطقی که دارای پوشش گیاهی با تراکم کمتر از 0.4 است بسیار بیشتر از حساسیت پلاریزه HH آلوس-2 و پلاریزه VV سنتینل-1 است. همچنین حساسیت پلاریزه HH تصاویر پالسار-2 و پلاریزه VH سنتینل-1 به زبری سطح بیشتر از سایر پلاریزاسیون ها است. در مدل ابر آب نتایج حاصل از داده سنتینل-1 در حذف تأثیرات پوشش گیاهی و شبیه سازی ضرایب باز پراکنش سطحی بسیار ضعیف است، دلیل این امر در نظر نگرفتن پارامتر زبری توسط مدل ابر آب و همچنین بالا بودن سطح رطوبت در محدوده مطالعاتی بوده که باعث کاهش نفوذ موج گردیده است. نتایج تحقیق نشان داد که حساسیت پلاریزه HH در مناطقی که دارای پوشش گیاهی با تراکم بیش از 0.4 است بسیار بیشتر از حساسیت پلاریزه HV بوده، همچنین حساسیت سیگنال راداری به نویز در پلاریزه HH کم ولی در پلاریزه HV زیاد بود. این موضوع نشان داد که قطبش همسان HH نسبت به پوشش گیاهی حساس است، بنابراین مدل در حضور پوشش گیاهی از ثبات بیشتری برخوردار خواهد بود. مقایسه دو داده SAR در محدوده نشان داد، تصاویر آلوس-2 به دلیل طول‌موج بلند و عمق نفوذ بیشتر در خاک و پوشش گیاهی، برای برآورد رطوبت سطح خاک در محدوده تحقیق و مناطق مشابه کارایی بیشتری دارد. همسو با موضوع پژوهش تحقیقات دیگری صورت گرفته ازجمله آلیشان و همکاران در پژوهشی اقدام به برآورد رطوبت سطح خاک در اراضی بایر با استفاده از داده های آلوس-2 و سنتینل-1 کرده اند که به این نتیجه رسیدند که مدل WCM در حذف محتوی آب گیاهی و برآورد رطوبت سطح با استفاده از معکوس مدل در هر دو داده آلوس-2 و سنتینل-1 بالا بوده است. در تحقیقی که توسط زریبی و همکاران صورت گرفته بود نشان دادند که مدل Oh در دو پلاریزه HV و HH با RMSE کمتری قادر به برآورد رطوبت سطح خاک است. این تحقیق برای مدیریت محیط‌زیست، کشاورزی، منابع طبیعی و مدیریت منابع آب مناسب بوده و کمک شایانی به مدل سازی های هیدرولوژیکی می نماید.

چکیده انگلیسی:

Background and Objective Aq Qala plain is one of the fertile plains of Golestan province. Runoff accumulation and flood formation cause a lot of human and financial losses. Understanding the temporal and spatial distributions of soil surface moisture is a key variable in simulating runoff and reducing flood hazards in the research area. In this study, the soil moisture content was investigated using data from ALOS PALSAR-2 radar satellites in the L band and Sentinel 1 in the C band.Materials and Methods In this research, three series of ALOS PALSAR-2 radar data, Sentinel 1, and optical data of Sentinel 2A were used. To calculate the soil surface moisture, first soil samples were taken and weighed at a depth of 5 cm in each cluster by weight method. After drying the samples in the oven, the dry and wet weight was calculated. Then two important parameters of soil moisture, including dielectric constant and soil surface roughness were measured. The dielectric constant was calculated using TDR and the roughness was calculated using two digital cameras. Using Agisoft photo scan and Arc GIS software, a digital elevation model and surface roughness profiles were extracted. Radar data were processed with SNAP software from the European Space Agency (ESA). The processing steps included radiometric calibration, sigma note extraction in decibels, filtration of Lee filter and 5x5 kernel size, geometric correction and finally geocoding of all three data. With Sentinel-2 optical data, while preparing vegetation and moisture indices, a land-use map was prepared with the Forrest random algorithm. Then, with the values of roughness, dielectric constant and plant and moisture indices in MATLAB 2019 software environment, two models Oh, and WCM were coded and the soil moisture values were calculated and taken out. Then the moisture obtained from the surface redistribution model with gravity, moisture at the site, and previous studies was evaluated.Results and Discussion In terms of radar signal sensitivity to soil surface moisture in Oh model in HH and HV polarization ALOS PALSAR- 2, in  with R2 = 0.86,  with R2 = 0.905 and for Sentinel-1 images, in  with R2 = 0.91 and  with R2 = 0.93 are sensitive to soil surface moisture. The surface backscattering coefficients sensitivity of the Oh model in ALOS PALSAR-2 in HH polarization and in HV polarization and for Sentinel-1 data in VV polarization and in VH polarization is sensitive to surface roughness. Also, the surface backscattering coefficients sensitivity of the Oh model in ALOS PALSAR-2 in HH polarization with R2 = 0.96 and in HV polarization with R2 = 0.94 and for Sentinel-1 data in VV polarization with R2 = 0.72 and in VH polarization with R2 = 0.74 is sensitive to surface roughness. Relationship between total surface backscattering coefficients obtained from the Water cloud model and soil surface moisture measured in HH and HV polarization PALSAR-2 images, in  and  with R2 = 0.73 and R2 = 0.399, respectively, and for Sentinel-1 data in polarization VV and VH, in  and  with R2 = 0.073 and R2 = 0.13, respectively, are sensitive to soil surface moisture. In the soil moisture estimation section based on Oh model for PALSAR-2 and Sentinel-1 data on bare lands in HH and HV polarization for PALSAR-2,  and  with R2 = 0.88, RMSE = 1.924  and R2 = 0.93, RMSE = 1.45  for Sentinel-1 data, respectively,  and  are with R2 = 0.81, RMSE = 2.57  and R2 = 0.97, RMSE = 0.90 , respectively. The results of Oh model showed that in HV polarization, Pulsar-2 images and VH sentinel-1 polarization images have stronger soil moisture results. Soil moisture results in WCM model in vegetated lands for PALSAR-2 images in HH and HV polarization in  and , respectively, with R2 = 0.81, RMSE = 2.44  and R2 = 0.78, RMSE = 2.64 , R2 = 0.88, RMSE = 1.924  for Sentinel-1 in  and  with R2 = 0.75, RMSE = 2.74  and R2 = 0.76, RMSE = 2.69 , respectively. In the discussion of estimating soil moisture with WCM model, the results of PALSAR-2 in polarization HH with R2 = 0.81  in lands with vegetation density of more than 0.4% have better results.Conclusion In the Oh model, the results showed that the sensitivity of HV polarization in PALSAR-2 images and VH polarization in Sentinel-1 in an area with vegetation density less than 0.4 is much higher than the polarization sensitivity of HH PALSAR-2 and polarized VV Sentinel-1. Also, the HH polarization sensitivity of PALSAR-2 and VH Sentinel-1 polarized images to surface roughness is higher than other polarizations. In the Water cloud model, the results obtained from Sentinel-1 data by eliminating the effects of vegetation and simulating the surface backscattering coefficients are very poor. Has reduced the penetration of the wave. The results showed that the polarization sensitivity of HH in areas with vegetation with a density of more than 0.4 was much higher than the polarization sensitivity of HV, also the sensitivity of the radar signal to noise was low in polarized HH but high in polarized HV. This showed that the polarization of the HH matrix is sensitive to vegetation, so the model will be more stable in the presence of vegetation. A comparison of two SAR data in the range showed that PALSAR-2 images are more efficient for estimating soil surface moisture in the study area and similar areas due to their long wavelength and depth of penetration into soil and vegetation. In line with the research topic, other researchers, including Alishan et al. A study has attempted to estimate soil surface moisture in barren lands using PALSAR-2 and Sentinel-1 data, which concluded that the WCM model eliminates plant water content. And surface moisture estimation using the inverse model was high in both PALSAR-2 and Sentinel-1 data. A study by Zaribi et al. Showed that the OH model in both polarized HV and HH with lower RMSE is able to estimate soil surface moisture. This research is suitable for environmental management, agriculture, natural resources, and water resources management and contributes significantly to hydrological modeling.

منابع و مأخذ:

Aliihsan S, Marangoz AM, Abdikan S. 2020. ALOS-2 and Sentinel-1 SAR data sensitivity analysis to surface soil moisture over bare and vegetated agricultural fields. Computers and Electronics in Agriculture, 171: 105303. doi:https://doi.org/10.1016/j.compag.2020.105303.

Autret M, Bernard R, Vidal-Madjar D. 1989. Theoretical study of the sensitivity of the microwave backscattering coefficient to the soil surface parameters. Remote Sensing, 10(1): 171-179. doi:https://doi.org/10.1080/01431168908903854.

Baghdadi N, Cerdan O, Zribi M, Auzet V, Darboux F, El Hajj M, Kheir RB. 2008. Operational performance of current synthetic aperture radar sensors in mapping soil surface characteristics in agricultural environments: application to hydrological and erosion modelling. Hydrological Processes: An International Journal, 22(1): 9-20. doi:https://doi.org/10.1002/hyp.6609.

Baghdadi N, Choker M, Zribi M, Hajj ME, Paloscia S, Verhoest NE, Lievens H, Baup F, Mattia F. 2016. A new empirical model for radar scattering from bare soil surfaces. Remote Sensing, 8(11): 920. doi:https://doi.org/10.3390/rs8110920.

Baghdadi N, Cresson R, Todoroff P, Moinet S. 2010. Multitemporal observations of sugarcane by TerraSAR-X images. Sensors, 10(10): 8899-8919. doi:https://doi.org/10.3390/s101008899.

Baghdadi N, El Hajj M, Zribi M, Bousbih S. 2017. Calibration of the water cloud model at C-band for winter crop fields and grasslands. Remote Sensing, 9(9): 969. doi:https://doi.org/10.3390/rs9090969.

Baghdadi N, King C, Bonnifait A. 2002. An empirical calibration of the integral equation model based on SAR data and soil parameters measurements. In: IEEE International Geoscience and Remote Sensing Symposium. IEEE, pp 2646-2650.

Bindlish R, Barros AP. 2001. Parameterization of vegetation backscatter in radar-based, soil moisture estimation. Remote Sensing of Environment, 76(1): 130-137. doi:https://doi.org/10.1016/S0034-4257(00)00200-5.

Cashion J, Lakshmi V, Bosch D, Jackson TJ. 2005. Microwave remote sensing of soil moisture: evaluation of the TRMM microwave imager (TMI) satellite for the Little River Watershed Tifton, Georgia. Journal of Hydrology, 307(1): 242-253. doi:https://doi.org/10.1016/j.jhydrol.2004.10.019.

Champion I, Guyot G. 1991. Generalized formulation for semi-empirical radar models representing crop backscattering. In: 5. International Colloquium, vol 319. ASE.

Chen K-S, Wu T-D, Tsang L, Li Q, Shi J, Fung AK. 2003. Emission of rough surfaces calculated by the integral equation method with comparison to three-dimensional moment method simulations. IEEE Transactions on Geoscience and Remote Sensing, 41(1): 90-101. doi:https://doi.org/10.1109/TGRS.2002.807587.

Choker M, Baghdadi N, Zribi M, El Hajj M, Paloscia S, Verhoest NE, Lievens H, Mattia F. 2017. Evaluation of the Oh, Dubois and IEM backscatter models using a large dataset of SAR data and experimental soil measurements. Water, 9(1): 38. doi:https://doi.org/10.3390/w9010038.

Das K, Paul PK. 2015. Present status of soil moisture estimation by microwave remote sensing. Cogent Geoscience, 1(1): 1084669. doi:https://doi.org/10.1080/23312041.2015.1084669.

Dubois PC, Van Zyl J, Engman T. 1995. Measuring soil moisture with imaging radars. IEEE transactions on geoscience and remote sensing, 33(4): 915-926. doi:https://doi.org/10.1109/36.406677.

El Hajj M, Baghdadi N, Zribi M, Rodríguez-Fernández N, Wigneron JP, Al-Yaari A, Al Bitar A, Albergel C, Calvet J-C. 2018. Evaluation of SMOS, SMAP, ASCAT and Sentinel-1 soil moisture products at sites in Southwestern France. Remote Sensing, 10(4): 569. doi:https://doi.org/10.3390/rs10040569.

Fung A, Chen K. 1992. Dependence of the surface backscattering coefficients on roughness, frequency and polarization states. International Journal of Remote Sensing, 13(9): 1663-1680. doi:https://doi.org/10.1080/01431169208904219.

Fung AK, Li Z, Chen K-S. 1992. Backscattering from a randomly rough dielectric surface. IEEE Transactions on Geoscience and Remote Sensing, 30(2): 356-369. doi:https://doi.org/10.1109/36.134085.

He L, Chen JM, Chen K-S. 2017. Simulation and SMAP observation of sun-glint over the land surface at the L-band. IEEE Transactions on Geoscience and Remote Sensing, 55(5): 2589-2604. doi:https://doi.org/10.1109/TGRS.2017.2648502.

Holah N, Baghdadi N, Zribi M, Bruand A, King C. 2005. Potential of ASAR/ENVISAT for the characterization of soil surface parameters over bare agricultural fields. Remote Sensing of Environment, 96(1): 78-86. doi:https://doi.org/10.1016/j.rse.2005.01.008.

Hong Z, Zhang W, Yu C, Zhang D, Li L, Meng L. 2018. Swcti: Surface water content temperature index for assessment of surface soil moisture status. Sensors, 18(9): 2875. doi:https://doi.org/10.3390/s18092875.

Huang S, Ding J, Zou J, Liu B, Zhang J, Chen W. 2019. Soil moisture retrival based on sentinel-1 imagery under sparse vegetation coverage. Sensors, 19(3): 589. doi:https://doi.org/10.3390/s19030589.

Lo MH, Famiglietti JS. 2013. Irrigation in California's Central Valley strengthens the southwestern US water cycle. Geophysical Research Letters, 40(2): 301-306. doi:https://doi.org/10.1002/grl.50108.

Oh Y. 2004. Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces. IEEE Transactions on Geoscience and Remote Sensing, 42(3): 596-601. doi:https://doi.org/10.1109/TGRS.2003.821065.

Oh Y, Kay YC. 1998. Condition for precise measurement of soil surface roughness. IEEE transactions on geoscience and remote sensing, 36(2): 691-695. doi:https://doi.org/10.1109/36.662751.

Oh Y, Sarabandi K, Ulaby FT. 1992. An empirical model and an inversion technique for radar scattering from bare soil surfaces. IEEE transactions on Geoscience and Remote Sensing, 30(2): 370-381. doi:https://doi.org/10.1109/36.134086.

Oh Y, Sarabandi K, Ulaby FT. 1994. An inversion algorithm for retrieving soil moisture and surface roughness from polarimetric radar observation. In: Proceedings of IGARSS'94-1994 IEEE International Geoscience and Remote Sensing Symposium. IEEE, pp 1582-1584.

Oh Y, Sarabandi K, Ulaby FT. 2002. Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces. IEEE Transactions on Geoscience and Remote Sensing, 40(6): 1348-1355. doi:https://doi.org/10.1109/TGRS.2002.800232.

Paloscia S, Pettinato S, Santi E, Notarnicola C, Pasolli L, Reppucci A. 2013. Soil moisture mapping using Sentinel-1 images: Algorithm and preliminary validation. Remote Sensing of Environment, 134: 234-248. doi:https://doi.org/10.1016/j.rse.2013.02.027.

Pettinato S, Santi E, Paloscia S, Pampaloni P, Fontanelli G. 2013. The intercomparison of X-band SAR images from COSMO‑SkyMed and TerraSAR-X satellites: Case studies. Remote Sensing, 5(6): 2928-2942. doi:https://doi.org/10.3390/rs5062928.

Prévot L, Champion I, Guyot G. 1993. Estimating surface soil moisture and leaf area index of a wheat canopy using a dual-frequency (C and X bands) scatterometer. Remote Sensing of Environment, 46(3): 331-339. doi:https://doi.org/10.1016/0034-4257(93)90053-Z.

Sikdar M, Cumming I. 2004. A modified empirical model for soil moisture estimation in vegetated areas using SAR data. In: IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium. IEEE, pp 803-806. http://dx.doi.org/810.1109/IGARSS.2004.1368526.

Sorooshian S, Li J, Hsu Kl, Gao X. 2011. How significant is the impact of irrigation on the local hydroclimate in California’s Central Valley? Comparison of model results with ground and remote‐sensing data. Journal of Geophysical Research: Atmospheres, 116(D6). doi: https://doi.org/10.1029/2010JD014775.

Ulaby FT, Moore RK, Fung AK. 1986. Microwave remote sensing: Active and passive. Volume 3-From theory to applications. doi:https://doi.org/10.1109/TGE.1978.294586.

Yin Z, Lei T, Yan Q, Chen Z, Dong Y. 2013. A near-infrared reflectance sensor for soil surface moisture measurement. Computers and Electronics in Agriculture, 99: 101-107. doi:https://doi.org/10.1016/j.compag.2013.08.029.

Zhao X, Huang N, Song X-F, Li Z, Niu Z. 2016. A new method for soil moisture inversion in vegetation-covered area based on Radarsat 2 and Landsat 8. J Infrared Millim Waves, 35(5): 609-616. doi:https://doi.org/10.11972/j.issn.1001-9014.2016.05.016.

Zribi M, Dechambre M. 2003. A new empirical model to retrieve soil moisture and roughness from C-band radar data. Remote Sensing of Environment, 84(1): 42-52. doi:https://doi.org/10.1016/S0034-4257(02)00069-X.