Extraction of soil moisture index (TVDI) using a scatter diagram temperature/vegetation and MODIS images
Subject Areas : Agriculture, rangeland, watershed and forestrySalah Shahmoradi 1 , Hamid Reza Ghafarian Malamiri 2 , Mohammad Amini 3
1 - MSc. Student of Remote Sensing and Geographic Information System, Faculty of Humanities, Yazd University, Iran
2 - Assistant Professor, Department of Geography, Faculty of Humanities, Yazd University, Iran
3 - PhD Student of Remote Sensing and Geographical Information System, Department of Remote Sensing, Shahid Beheshti University, Iran
Keywords: Land surface temperature (LST), remote sensing, Normalized difference vegetation index (NDVI), West of Iran, Soil surface moisture,
Abstract :
Background and Objective Soil moisture is an important parameter in controlling many processes of the climate system, one of the basic parameters of the environment and its direct impact on the plant, animal and microorganisms, its importance in the global cycle of water, energy and carbon, the energy exchange between air and soil is known for its natural water cycle (especially in the distribution of rain between surface runoff and infiltration) and the management of water and soil resources. Soil moisture plays an important role in the interactive processes between the atmosphere and the earth and global climate change. Triangular and trapezoidal methods combining thermal and visible data are the most commonly used methods for determining the amount of soil surface moisture. The aim of this study is to estimate the surface moisture of the soil (TVDI), by the triangular method in the south of West Azerbaijan province using land temperature index (LST) and vegetation index (NDVI), during 2010, 2014 and 2018. Materials and Methods The present study using MODIS timing series images, NDVI index and LST index, to estimate the surface moisture index (Temperature–Vegetation Dryness Index, TVDI), in three time periods including; the first time period from 1 January 2010 to 30 December 2010 and the second period is from 1 January 2014 to 30 December 2014 and the third period is from 1 January 2018 to 30 December 2018. During each period, 12 images were used on the 15th day of each month. Also, surface moisture was estimated by two methods, one was to establish a high regression relationship and remove the minimum temperature, and the second method was to establish a high and low regression relationship of the pixels. To evaluate the accuracy of these two methods, a regression correlation between the results of these methods with the soil surface moisture content of the Agricultural Jihad (30 points) at a depth of 5 to 15 cm was used. The reason for choosing these three years is due to the difference in high rainfall in some months of the studied years. This study was conducted in the south of the province of West Azerbaijan, which is part of the western region of Iran. Results and Discussion The evaporative triangle diagram consisting of the vegetation index and the surface temperature of the earth in 2010 from January to December month has seen many temperature changes. These same changes in the Earth's surface temperature have caused that the graphs have many changes. During the 2010 year, according to the chart, the maximum temperature was August and the minimum was January, and the maximum vegetation was May and the minimum was December. In 2014, the maximum temperature in August and the minimum in January and the maximum vegetation in May and the minimum in January and also this year were relatively warmer and drier than in 2010. The evaporative triangle chart in 2018 is rainier than the other two years studied, and the amount of vegetation and according to the graphs in this year, the maximum temperature in July and the minimum is January and the maximum vegetation is May and the minimum in January. The surface moisture level of the soil in 2010 for the western region of Iran, which is the maximum moisture level in May and the minimum in August. In most of the 2010 moisture index maps, the maximum humidity in the west and the lowest in the South of this region. The results of the moisture index maps in 2014 this year have been relatively drier than in other years studied. In 2014 has little rainfall and vegetation. Humidity changes this year are lower than in 2010. The maximum and minimum humidity in 2014 was between 0 and 0.6. The maximum humidity is June and the minimum is August. The TVDI moisture index maps for 2018 have had more moisture indicators this year than in the other two years. In 2018, heavy rains caused the vegetation to increase and the ground temperature to decrease, and this has led to an increase in the moisture index compared to 2010 and 2014. In 2018, the vegetation reached 0.89. But in other years it has been studied up to 0.7. This year, the high humidity is in May and the lowest in August. The maximum humidity during this year is in the west and the lower is in the south. The results of the TVDI index for 2010, 2014 and 2018, using the second method, the general results of this method are similar to the first method. Based on the results obtained from the accuracy of both methods, we conclude that the accuracy of the first method is better and generally simpler than the second method. In 2018, in May, according to the first method, the amount of R2 = 0.67, and also according to the second method, the amount of R2 = 0.41. Conclusion Estimation of surface soil moisture is essential for optimal management of water and soil resources. Surface soil moisture is an important variable in the water cycle of nature, which plays an important role in the global balance of water and energy through its impact on hydrological, ecological and meteorological processes. Examination of the two methods used indicates that the first method, which was also used in this research in general, has higher accuracy than the terrestrial fields due to the results of image accuracy. In 2010, the months of May and August, according to the first method are R2 = 0.61 and 0.57. In 2010, the amount of R2 according to terrestrial data and the use of the second method in May and August are R2 = 0.43 and 0.47. Also, in 2018, the value of R2 using the first method in May is 0.66. In 2018, the value of R2 using the second method in May is 0.41. The results of the soil surface moisture index, in this study, showed that this model is able to estimate the amount of soil moisture in large geographical areas with acceptable accuracy. http://dorl.net/dor/20.1001.1.26767082.1400.12.1.3.4
Alkhaier F, Su Z, Flerchinger G. 2012. Reconnoitering the effect of shallow groundwater on land surface temperature and surface energy balance using MODIS and SEBS. Hydrology and Earth System Sciences, 16(7): 1833-1844. doi:https://doi.org/10.5194/hess-16-1833-2012.
Babaeian E, Homayi M, Nowruz A. 2013. Deriving and validating point spectrotransfer functions in VIS-NIR-SWIR range to estimate soil water retention. Journal of Water and Soil Resources Conservation, 2(3): 27-41. (In Persian).
Baghdadi N, Aubert M, Cerdan O, Franchistéguy L, Viel C, Eric M, Zribi M, Desprats JF. 2007. Operational mapping of soil moisture using synthetic aperture radar data: application to the Touch basin (France). Sensors, 7(10): 2458-2483. doi:https://doi.org/10.3390/s7102458.
Carlson NT, Capehart JW, Gillies RR. 1995. A new look at the simplified method for remote sensing of daily evapotranspiration. Remote Sensing of Environment, 54(2): 161-167. doi:https://doi.org/10.1016/0034-4257(95)00139-R.
Carlson TN, Gillies RR, Perry EM. 1994. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover. Remote Sensing Reviews, 9(1-2): 161-173. doi:https://doi.org/10.1080/02757259409532220.
Dashtaki Victim N, Homayi M. 2013. Estimation of soil moisture curve using transfer functions. Journal of Agricultural Sciences, 10(4): 157-166. (In Persian).
Farrokhian Firoozi A, Homayi M. 2005. Establish a point transfer function to estimate the moisture curve of gypsum soils. Journal of Agricultural Engineering Research, 6(24): 129-142. (In Persian).
Gao Z, Gao W, Chang N-B. 2011. Integrating temperature vegetation dryness index (TVDI) and regional water stress index (RWSI) for drought assessment with the aid of LANDSAT TM/ETM+ images. International Journal of Applied Earth Observation and Geoinformation, 13(3): 495-503. doi:https://doi.org/10.1016/j.jag.2010.10.005.
Homaee M, Firouzi AF. 2008. Deriving point and parametric pedotransfer functions of some gypsiferous soils. Soil Research, 46(3): 219-227.
Khodaverdiloo H, Homaee M, Martinus T, Dashtaki SG. 2011. Deriving and validating pedotransfer functions for some calcareous soils. Journal of Hydrology, 399(1): 93-99. doi:https://doi.org/10.1016/j.jhydrol.2010.12.040.
Koster RD, Dirmeyer PA, Guo Z, Bonan G, Chan E, Cox P, Gordon C, Kanae S, Kowalczyk E, Lawrence D. 2004. Regions of strong coupling between soil moisture and precipitation. Science, 305(5687): 1138-1140. doi:https://doi.org/10.1126/science.1100217.
Lunt I, Hubbard S, Rubin Y. 2005. Soil moisture content estimation using ground-penetrating radar reflection data. Journal of Hydrology, 307(1): 254-269. doi:https://doi.org/10.1016/j.jhydrol.2004.10.014.
Maduako IN, Ndukwu RI, Ifeanyichukwu C, Igbokwe O. 2017. Multi-Index Soil Moisture Estimation from Satellite Earth Observations: Comparative Evaluation of the Topographic Wetness Index (TWI), the Temperature Vegetation Dryness Index (TVDI) and the Improved TVDI (iTVDI). Journal of the Indian Society of Remote Sensing, 45(4): 631-642. doi:https://doi.org/10.1007/s12524-016-0635-9.
Mekonnen DF. 2009. Satellite remote sensing for soil moisture estimation: Gumara catchment, Ethiopia. Thesis of Geo-information Science and Earth Observation, Specialisation: (Integrated Watershed Modelling and Management). WREM Department of ITC, Enschede, the Netherlands. 120 p. In. ITC.
Navabian M, Liaqat A, Homayi M. 2003. Estimation of saturated blue conductivity using transfer functions. Journal of Agricultural Engineering Research, 16: 1-12. (In Persian).
Njoku EG, Jackson TJ, Lakshmi V, Chan TK, Nghiem SV. 2003. Soil moisture retrieval from AMSR-E. IEEE transactions on Geoscience and Remote Sensing, 41(2): 215-229. doi:https://doi.org/10.1109/TGRS.2002.808243.
Patel N, Anapashsha R, Kumar S, Saha S, Dadhwal V. 2009. Assessing potential of MODIS derived temperature/vegetation condition index (TVDI) to infer soil moisture status. International Journal of Remote Sensing, 30(1): 23-39. doi:https://doi.org/10.1080/01431160802108497.
Richards L. 1949. Methods of measuring soil moisture tension. Soil science, 68(1): 95.
Sandholt I, Rasmussen K, Andersen J. 2002. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote Sensing of Environment, 79(2): 213-224. doi:https://doi.org/10.1016/S0034-4257(01)00274-7.
Schirmbeck LW, Fontana DC, Schirmbeck J. 2018. Two approaches to calculate TVDI in humid subtropical climate of southern Brazil. Scientia Agricola, 75(2): 111-120. doi:https://doi.org/10.1590/1678-992x-2016-0315
Wang C, Chen J, Chen X, Chen J. 2019. Identification of concealed faults in a grassland area in Inner Mongolia, China, using the temperature vegetation dryness index. Journal of Earth Science, 30(4): 853-860. doi:https://doi.org/10.1007/s12583-017-0980-9.
Wang C, Qi S, Niu Z, Wang J. 2004. Evaluating soil moisture status in China using the temperature–vegetation dryness index (TVDI). Canadian Journal of Remote Sensing, 30(5): 671-679. doi:https://doi.org/10.5589/m04-029.
Wang L, Qu JJ. 2009. Satellite remote sensing applications for surface soil moisture monitoring: A review. Frontiers of Earth Science in China, 3(2): 237-247. doi:https://doi.org/10.1007/s11707-009-0023-7.
Weidong L, Baret F, Xingfa G, Qingxi T, Lanfen Z, Bing Z. 2002. Relating soil surface moisture to reflectance. Remote Sensing of Environment, 81(2): 238-246. doi:https://doi.org/10.1016/S0034-4257(01)00347-9.
Western AW, Grayson RB. 1998. The Tarrawarra data set: Soil moisture patterns, soil characteristics, and hydrological flux measurements. Water Resources Research, 34(10): 2765-2768. doi:https://doi.org/10.1029/98WR01833.
Zhang D, Tang R, Zhao W, Tang B, Wu H, Shao K, Li Z-L. 2014. Surface soil water content estimation from thermal remote sensing based on the temporal variation of land surface temperature. Remote Sensing, 6(4): 3170-3187. doi:https://doi.org/10.3390/rs6043170.
_||_Alkhaier F, Su Z, Flerchinger G. 2012. Reconnoitering the effect of shallow groundwater on land surface temperature and surface energy balance using MODIS and SEBS. Hydrology and Earth System Sciences, 16(7): 1833-1844. doi:https://doi.org/10.5194/hess-16-1833-2012.
Babaeian E, Homayi M, Nowruz A. 2013. Deriving and validating point spectrotransfer functions in VIS-NIR-SWIR range to estimate soil water retention. Journal of Water and Soil Resources Conservation, 2(3): 27-41. (In Persian).
Baghdadi N, Aubert M, Cerdan O, Franchistéguy L, Viel C, Eric M, Zribi M, Desprats JF. 2007. Operational mapping of soil moisture using synthetic aperture radar data: application to the Touch basin (France). Sensors, 7(10): 2458-2483. doi:https://doi.org/10.3390/s7102458.
Carlson NT, Capehart JW, Gillies RR. 1995. A new look at the simplified method for remote sensing of daily evapotranspiration. Remote Sensing of Environment, 54(2): 161-167. doi:https://doi.org/10.1016/0034-4257(95)00139-R.
Carlson TN, Gillies RR, Perry EM. 1994. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover. Remote Sensing Reviews, 9(1-2): 161-173. doi:https://doi.org/10.1080/02757259409532220.
Dashtaki Victim N, Homayi M. 2013. Estimation of soil moisture curve using transfer functions. Journal of Agricultural Sciences, 10(4): 157-166. (In Persian).
Farrokhian Firoozi A, Homayi M. 2005. Establish a point transfer function to estimate the moisture curve of gypsum soils. Journal of Agricultural Engineering Research, 6(24): 129-142. (In Persian).
Gao Z, Gao W, Chang N-B. 2011. Integrating temperature vegetation dryness index (TVDI) and regional water stress index (RWSI) for drought assessment with the aid of LANDSAT TM/ETM+ images. International Journal of Applied Earth Observation and Geoinformation, 13(3): 495-503. doi:https://doi.org/10.1016/j.jag.2010.10.005.
Homaee M, Firouzi AF. 2008. Deriving point and parametric pedotransfer functions of some gypsiferous soils. Soil Research, 46(3): 219-227.
Khodaverdiloo H, Homaee M, Martinus T, Dashtaki SG. 2011. Deriving and validating pedotransfer functions for some calcareous soils. Journal of Hydrology, 399(1): 93-99. doi:https://doi.org/10.1016/j.jhydrol.2010.12.040.
Koster RD, Dirmeyer PA, Guo Z, Bonan G, Chan E, Cox P, Gordon C, Kanae S, Kowalczyk E, Lawrence D. 2004. Regions of strong coupling between soil moisture and precipitation. Science, 305(5687): 1138-1140. doi:https://doi.org/10.1126/science.1100217.
Lunt I, Hubbard S, Rubin Y. 2005. Soil moisture content estimation using ground-penetrating radar reflection data. Journal of Hydrology, 307(1): 254-269. doi:https://doi.org/10.1016/j.jhydrol.2004.10.014.
Maduako IN, Ndukwu RI, Ifeanyichukwu C, Igbokwe O. 2017. Multi-Index Soil Moisture Estimation from Satellite Earth Observations: Comparative Evaluation of the Topographic Wetness Index (TWI), the Temperature Vegetation Dryness Index (TVDI) and the Improved TVDI (iTVDI). Journal of the Indian Society of Remote Sensing, 45(4): 631-642. doi:https://doi.org/10.1007/s12524-016-0635-9.
Mekonnen DF. 2009. Satellite remote sensing for soil moisture estimation: Gumara catchment, Ethiopia. Thesis of Geo-information Science and Earth Observation, Specialisation: (Integrated Watershed Modelling and Management). WREM Department of ITC, Enschede, the Netherlands. 120 p. In. ITC.
Navabian M, Liaqat A, Homayi M. 2003. Estimation of saturated blue conductivity using transfer functions. Journal of Agricultural Engineering Research, 16: 1-12. (In Persian).
Njoku EG, Jackson TJ, Lakshmi V, Chan TK, Nghiem SV. 2003. Soil moisture retrieval from AMSR-E. IEEE transactions on Geoscience and Remote Sensing, 41(2): 215-229. doi:https://doi.org/10.1109/TGRS.2002.808243.
Patel N, Anapashsha R, Kumar S, Saha S, Dadhwal V. 2009. Assessing potential of MODIS derived temperature/vegetation condition index (TVDI) to infer soil moisture status. International Journal of Remote Sensing, 30(1): 23-39. doi:https://doi.org/10.1080/01431160802108497.
Richards L. 1949. Methods of measuring soil moisture tension. Soil science, 68(1): 95.
Sandholt I, Rasmussen K, Andersen J. 2002. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote Sensing of Environment, 79(2): 213-224. doi:https://doi.org/10.1016/S0034-4257(01)00274-7.
Schirmbeck LW, Fontana DC, Schirmbeck J. 2018. Two approaches to calculate TVDI in humid subtropical climate of southern Brazil. Scientia Agricola, 75(2): 111-120. doi:https://doi.org/10.1590/1678-992x-2016-0315
Wang C, Chen J, Chen X, Chen J. 2019. Identification of concealed faults in a grassland area in Inner Mongolia, China, using the temperature vegetation dryness index. Journal of Earth Science, 30(4): 853-860. doi:https://doi.org/10.1007/s12583-017-0980-9.
Wang C, Qi S, Niu Z, Wang J. 2004. Evaluating soil moisture status in China using the temperature–vegetation dryness index (TVDI). Canadian Journal of Remote Sensing, 30(5): 671-679. doi:https://doi.org/10.5589/m04-029.
Wang L, Qu JJ. 2009. Satellite remote sensing applications for surface soil moisture monitoring: A review. Frontiers of Earth Science in China, 3(2): 237-247. doi:https://doi.org/10.1007/s11707-009-0023-7.
Weidong L, Baret F, Xingfa G, Qingxi T, Lanfen Z, Bing Z. 2002. Relating soil surface moisture to reflectance. Remote Sensing of Environment, 81(2): 238-246. doi:https://doi.org/10.1016/S0034-4257(01)00347-9.
Western AW, Grayson RB. 1998. The Tarrawarra data set: Soil moisture patterns, soil characteristics, and hydrological flux measurements. Water Resources Research, 34(10): 2765-2768. doi:https://doi.org/10.1029/98WR01833.
Zhang D, Tang R, Zhao W, Tang B, Wu H, Shao K, Li Z-L. 2014. Surface soil water content estimation from thermal remote sensing based on the temporal variation of land surface temperature. Remote Sensing, 6(4): 3170-3187. doi:https://doi.org/10.3390/rs6043170.
استخراج شاخص رطوبت سطحی خاک (TVDI) با استفاده از نمودار پراکندگی دما/ پوشش گیاهی و تصاویر MODIS
چکیده
رطوبت خاك در فرایندهاي تعاملی بین جو و زمین و تغییرات جهانی اقلیم نقش مهمی ایفا میکند. روشهاي مثلثی و ذوزنقهاي با ترکیب دادههاي حرارتی و مرئی، از جمله روشهای پرکاربرد در تعیین میزان رطوبت سطحی خاک میباشند. هدف از انجام این تحقیق برآورد رطوبت سطحی خاک (TVDI)، به روش مثلثی جنوب استان آذربایجان غربی با استفاده از شاخص دمای سطح زمین (LST) و شاخص پوشش گیاهی (NDVI)، طی سالهای 2010 ، 2014 و 2018، است. در این پژوهش با استفاده از شاخص دمای سطح زمین (LST) و شاخص پوشش گیاهی (NDVI)، شاخص رطوبت سطحی خاک (TVDI) برای این سه دوره با استفاده از دو روش یکی برقرار کردن رابطه رگرسیونی بالا و برداشتن حداقل دما در نمودار پراکندگی دما/پوشش گیاهی و روش دوم برقرار کردن رابطه رگرسیونی بالا و پایین پیکسلها در این نمودار میباشد. برای ارزیابی دقت این دو روش از همبستگی رگرسیونی بین نتایج حاصل از این روشها با نمونه زمینی رطوبت سطحی خاک مربوط به جهاد کشاورزی (30 نقطه) در عمق 5 تا 15 سانتیمتر استفاده شد. نتایج نشان داده که روش اول در عین حال ساده تر بودن، نتایج دقیقتری ارائه میدهد. به طور نمونه در ماه می سال 2010 میزان در روش اول 61/0 بوده در حالی که این مقدار در روش دوم برابر با 43/0 به دست آمده است. اختلاف دقت در ماه سپتامبر این سال بیشتر بوده است به گونه ای که میزان در این ماه در روش اول 67/0 و در روش دوم برابر با 34/0 میباشد.
کلمات کلیدی: سنجش از دور، رطوبت سطحی خاک، دمای سطح زمین (LST)، شاخص پوشش گیاهی (NDVI)، غرب کشور ایران
مقدمه
رطوبت خاک به عنوان یک پارامتر مهم در کنترل بسیاری از فرآیندهای سیستم آب و هوایی، یکی از پارامترهای بنیادی محیط زیست و تاثیر مستقیم آن بر زندگی گیاهی، جانوری و میکرواورگانیسمها، اهمیت آن در چرخه جهانی آب، انرژی و کربن، تبادلات انرژی بین هوا و خاک، چرخه آبی طبیعت (به ویژه در توزیع باران بین رواناب سطحی و نفوذ) و مدیریت منابع آب و خاک شناخته میشود (16). توزیع مکانی و تغییرات زمانی رطوبت خاک، یکی از اجزای بسیار مهم در مدلهای آب و هوایی، اکولوژی و هیدرولوژی در مقیاس جهانی، منطقهای و محلی محسوب میشود (17). رطوبت خاک یک متغیر بسیار مهم در سیستم آب و هوا است؛ زیرا بسیاری از فرایندها را در سیستم آب و هوای کنترل میکند. این ارتباط برای چرخه جهانی آب، انرژی و کربن مهم است. همچنین رطوبت خاك یکی از پارامترهای بنیادی محیط زیست میباشد که بر زندگی گیاهی، جانوری و میکرواورگانیسمها مستقیماً تاثیر گذار بوده و نقش عمدهی در تبادلات انرژی بین هوا و خاك ایفا میکند (7). به همین دلیل توزیع مکانی و تغییرات زمانی آن، یکی دیگر از اجزای بسیار مهم در مدلهای آب و هوایی، اکولوژی و هیدرولوژی در مقیاس جهانی، منطقهای و محلی محسوب میشود (3). از طرفی رطوبت خاك، به ویژه رطوبت خاك سطحی نقش بسیار مهمی در مدیریت منابع آب و خاك دارد. رطوبت خاك، همچنین نقش مهمی در چرخه آبی طبیعت، به ویژه در توزیع باران بین رواناب سطحی و نفوذ، که فرآیند مهمی بعد از فرآیندهاي هیدرولوژیک و ژئومرفولوژیک است، ایفا میکند (12). دادههاي رطوبت خاك اهمیت شایانی در کاربردهاي گوناگون همچون هیدرولوژي، کشاورزي اقلیم شناسی و هواشناسی علوم خاك، اکولوژي و زراعت جنگلداري و مهندسی منابع آب تبادل جریان انرژي و آب بین سطح زمین و اتمسفر دارد (2 و 14 و 23). برآورد دقیق رطوبت خاك فاکتوري کلیدي در این مطالعات است. تغییرات در عواملی همچون بافت خاك، توپوگرافی، پوشش گیاهی و روش هاي آبیاري، باعث تغییرپذیري زیاد زمانی- مکانی رطوبت خاك میشود (24). رطوبت خاك را با روشهاي مختلفي ميتوان اندازه گیری كرد. بطور کلی این روشها را ميتوان به دو دسته مستقيم و غير مستقيم تقسيم بندي نمود. در روش اندازه گيري مستقيم رطوبت خاك به روش وزني و از طريق خشك كردن نمونه در دستگاه اتوو با درجه حرارت 105 درجه سانتيگراد تعيين ميشود. در روشهاي غير مستقيم با استفاده از دستگاههاي مختلف، ميزان رطوبت خاك تعيين ميشود. مهمترين اين روشها عبارتند از: 1- نوترونمتر، 2- بلوك گچي، 3- تانسيومتر، 4- TDR و 5- پرتوگاما میباشد. روشهای زمینی، روش هایی هزینه بر و نیازمند به نیروی انسانی زیادی می باشند. فناوری سنجش از دور ابزاری اقتصادی و امیدوار کننده برای به دست آوردن پارامترهای سطح زمین است. سنجش از دور قابلیت نظارت بر رطوبت خاک در مناطق بزرگ را در فواصل زمانی منظم دارد. تکنیک هاي سنجش از دور براي برآورد رطوبت خاك شامل روش هاي نوري، مادون قرمز حرارتی و مایکروویو فعال و غیرفعال هستند که هر کدام نقاط ضعف و قوت خود را دارند. در روشهاي نوري ارتباط بازتاب از سطح خاك با مقدار رطوبت خاك بررسی میشود که در این میان تاثیر سایر عوامل بر بازتاب خاك باعث ایجاد خطا در مقادیر رطوبت برآورد شده میگردد (18).
روشهاي سنجش از دور مبتنی بر امواج مایکروویو تکنیکهایی موثر براي برآورد رطوبت خاك هستند، لیکن با توجه به محدودیت دسترسی به اطلاعات رادار، در این پژوهش تمرکز بر محدوده مادون قرمز حرارتی میباشد (6) در این روش، میزان گسیل گرما از سطح زمین با طول موج هاي 3.5 تا 14 میکرومتر اندازه گیري میشود (4). تخمین رطوبت خاك با این روش، نیاز به برآورد دماي سطحی خاك و شاخص گیاهی دارد. شاخص پوشش گیاهی (Normalized difference vegetation index) و دماي سطحی زمین (Land Surface Temperature) وابستگی پیچیدهاي بر روي رطوبت خاك دارند. به عبارت دیگر، تغییرات روزانه دما، همبستگی بالایی با مقدار رطوبت دارد (23). مطالعات متعددی در زمینه بررسی رطوبت خاک با استفاده از تکنیک سنجش از دور انجام شده است.از جمله: شرمبک و همکاران (19)، در منطقه ی نیمه گرمسیری برزیل رطوبت خاک برای محصولات سویا با استفاده از دادهای سنجنده MODIS مورد بررسی قرار دادند. و نتایج حاکی از آن بود که پارامتر دما و پوشش گیاهی (Temperature-Vegetation Dryness Index) نشان داد که این مدل قادر به تعیین زمان و فراوانی وقایع تنش آبی در فصول زراعی است. پاتل و همکاران (17)، به ارزیابی سنجنده MODIS، با استفاده دمای سطح زمین و پوشش گیاهی برای بدست آوردن رطوبت سطحی پرداختند. این مطالعه که در مناطق مرطوب هند و در طول 8 روز انجام شده و به این نتیجه رسیدند، که بین TVDI و رطوبت خاک بویژه هنگامی که پوشش گیاهی پراکنده است، رابطه قابل توجه ی قوی و منفی وجود دارد. وانگ و همکارن (22)، به ارزیابی وضعیت رطوبت خاک در چین با دادههای سنجش از دور پرداختند. در این بررسی از دادههای سنجنده AVHRR استفاده شده بود. نتایج این پژوهش نشان داد بین TVDI و رطوبت اندازه گیری شده خاک، رابطه خطی منفی معنی داری وجود دارد و میتوان با دادههای ماهوارهای رطوبت خاک را اندازه گیری نمود. ماداکو و همکاران (13)، به بررسی و مقایسه شاخص TVDI و شاخص توپوگرافی رطوبت (Topographic wetness index)، با استفاده از تصاویر ماهوارهای پرداختند. بدینمنظور آنها از مدل رقومی ارتفاعی (Digital elevation model) استفاده کردند. نتایج نشان داد که رابطه مثبت معنادار بین TVDI و TWI وجود دارد.
ژئو و همکاران (8)، تلفیق شاخصهای TVDIو RWSI با استفاده از تصاویر ماهواره لندست مورد بررسی قرار دادند. و نتایج نشان داد، که بین شاخص پوشش گیاهی و دمای سطح زمین رابطه منفی برقرار است. همچنین از شاخص RWSI برای نظارت بر شرایط خشکسالی متوسط مناسب است. الخیر و همکاران (1)، با استفاده از دادههای MODIS و مدل SEBS رطوبت خاک را در حوضه رودخانه البلیخ سوریه با این روش محاسبه کردند. نتایج آنها نشان داد که همبستگي بالایي بین مقادیر اندازهگیری شده رطوبت خاک و مقادیر برآورد شده این پارامتر وجود دارد و ضریب تعیین ارزیابي نتایج آنها 0.75 بود. وانگ و همکاران (25)، با استفاده از دادههای دو سنجنده ETM+ و TM و دو شاخص NDVI و TVDI تغییرات رطوبت سطح خاک را به مدت 18 سال پایش کردند. نتایج نشان داد که رابطه خطي مستقیمي بین TVDI و رطوبت سطحی خاک وجود دارد. وانگ و همکاران (23)، نیز با استفاده از دو سنجنده فعال و غیر فعال و اندازه گیری دمای روشنایي (Brightness Temperature)، به اندازه گیری رطوبت خاک در کشور چین پرداختند. نتایج آنها نشان داد، امواج مایکروویو قابلیت بالایي در برآورد رطوبت خاک دارد. افزایش تقاضا برای مصرف آب به دلیل نیاز به تولید مواد غذایی بیشتر، بر لزوم برنامه ریزی صحیح و کارآمد در زمینه کشاورزی بیش از پیش به وجود میآید. با گرم شدن هوا افزایش خشکی در فصول گرم و خشک، به ویژه در مناطقی مثل کشور ایران خطر آتش سوزی و نابودی جنگل ها پیش میآید. باید به مسئله آب و جنگل ها اهمیت بیشتری داده شود. در تحقیقات گذشته بیشتر برای بدست آوردن شاخص TVDI از شاخص دمای سطح زمین و پوشش گیاهی استفاده شدهاست. آنها برای بدست آوردن این شاخص یک رابطه رگرسیونی بالا و پایین پیکسلهای تشکیل شده مثل شکل (2)، انجام میدادند. اما در این تحقیق به جای برقراری رابطه رگرسیونی پایین حداقل دما در نظر گرفته میشود.
مطالعه حاضر با استفاده از تصاویر سری زمانی سنجنده MODIS ، شاخص NDVI و شاخص LST، برای برآورد شاخص رطوبت سطحی (TVDI)، در سه بازهی زمانی شامل بازه زمانی اول از تاریخ 01/01/2010 تا تاریخ 30/12/2010 و بازه زمانی دوم از تاریخ 01/01/2014 تا تاریخ 30/12/2014 و بازه زمانی سوم از تاریخ 01/01/2018 تا تاریخ 30/12/2018 میباشد. در هر بازه زمانی 12 تصویر در روز 15 ام هر ماه مورد استفاده قرار گرفته شد. همچنین برآورد رطوبت سطحی به دو روش یکی برقرار کردن رابطه رگرسیونی بالا و برداشتن حداقل دما و روش دوم برقرار کردن رابطه رگرسیونی بالا و پایین پیکسل ها انجام شد. برای ارزیابی دقت این دو روش فقط در ماههای که دادهی زمینی وجود دارد با هم مقایسه میشوند. در این مطالعه علت انتخاب کردن این سه سال به دلیل تفاوت بارندگی زیاد در بعضی ماه های سالهای مورد مطالعه میباشد. این مطالعه در جنوب استان آذربایجان غربی که بخشی از منطقه غرب کشور ایران میباشد انجام شده است. شغل اصلی مردمان این منطقه کشاورزی یا به زبانی ساده تر وابسته به زمین میباشد. به همین دلیل آگاهی از میزان آب و رطوبت موجود در خاک و گیاه میتواند نقش اساسی در کشاورزی این منطقه داشته باشد.
منطقه مورد مطالعه
استان آذربایجان غربی (شکل 1) واقع در شمال غربی ایران، از شمال به کشور های جمهوری آذربایجان و ترکیه، از غرب به کشورهای ترکیه و عراق از جنوب به استان کردستان و از مشرق به استان آذربایجان شرقی و استان زنجان محدود میشود. آذربایجان غربی ( با احتساب دریاچه ارومیه ) 43660 کیلومتر مربع وسعت دارد که 65/2 درصد مساحت کل کشور را تشکیل میدهد. از این مقدار، حدود یک میلیون هکتار آن زمینهای قابل بهره برداری میباشد. محدوده مطالعاتی در در جنوب استان آذربایجان غربی به وسعت 9321 کیلومتر مربع و در محدوده جغرافیایی بين 35 درجه و 58 دقيقه تا 36 درجه و 46 دقيقه عرض شمالي و 45 درجه و 3 دقيقه تا 46 درجه و 23 دقيقه طول شرقي واقع شده است. این منطقه داری زمین های هموارتری نسبت به مناطق دیگر استان است و دارای کشاورزی و جنگل های انبوه میباشد. به طور کلی متوسط بارندگی سالیانه در استان ، 200-400 میلی متر است که با توجه به متوسط بارندگی در سایر نقاط ایران که حدود 280 میلی متر می باشد در شرایط بهتری قرار گرفته است.
شکل 1- موقعیت منطقه مورد مطالعه، کاربری اراضی منطقه
Fig. 1- The position of the study area, land use
روش تحقیق
دادههای مورد استفاده
تصاویر ماهواره MODIS
سنجنده MODIS یکی از پنج سنجنده مستقر بر روی ماهواره (Terra) است که در ۱۸ دسامبر سال 1999 به فضا پرتاب گردید. در سال 2002 ماهواره Aqua با سنجنده مودیس نیز پرتاب شد. سنجندۀ MODIS دارای 36 باند، در محدودۀ 0.4 تا 14.4 میکرومتر طیف الکترومغناطیس میباشد که 20 باند آن در محدودۀ مرئی و 16 باند آن در ناحیه حرارتی است. توان تفکیک مکانی برای باندهای 1 و 2، 250 متر و 3 تا 7، 500 متر و 8 تا 36، 1000 متر میباشد. این سنجنده هر یک یا دو روز، کل کره زمین را تحت پوشش خود دارد؛ بنابراین دارای قدرت تفکیک زمانی بالایی است. جدول (1)، دادههای مورد استفاده در این تحقیق را نشان میدهد. در این تحقیق از پروداکتهای اماده ای دمای سطح زمین و پوشش گیاهی برای بدست آوردن رطوبت استفاده شده است.
جدول 1- تاریخ تصاویر مورد استفاده
Table 1- Date of images used
ماهواره | سنجنده | سال | ماه | روز |
Terra | MODIS | 2010 | هر 12 ماه | 15 |
Terra | MODIS | 2014 | هر 12 ماه | 15 |
Terra | MODIS | 2018 | هر 12 ماه | 15 |
داده های زمینی
در این تحقیق از دادههای زمینی میزان رطوبت خاک وزارت جهاد کشاورزی در منطقه مورد مطالعه برای دو ماه مختلف از سالها 2010 و 2014 و 2018 استفاده شد. این دادهها شامل رطوبت سطحی خاک از 5 تا 15 سانتیمتری خاک در ماههای May و Sep برای شامل 30 نقطه در نقاط مختلف منطقهی مورد مطالعه قرار دارد. همانطور که شکل (14)، میزان پراکندگی نقاط برداشت شده زمینی را نشان میدهد.
دادههای هواشناسی
برای سنجش میزان درستی تغییرات رطوبت در ماههای مختلف مورد مطالعه دادههای میانگین بارندگی ماهانه برای سه بازهی مورد مطالعه از سازمان هواشناسی کشور اخذ شد.
شکل 2- فلوچارت مراحل اجرای کار
Fig. 2- The flowchart of the execution of the work
تخمین رطوبت خاك (TVDI)، با استفاده از نمودار شاخصهاي دما/ پوشش گیاهی
رطوبت خاک یکي از پارامترهای کلیدی در مطالعات منابع آب و آبخیزداری ميباشد. اندازه گیری میداني این پارامتر در مقیاس کلان کاری بسیار مشکل، زمان بر و پرهزینه است. از این رو، در سالهای اخیر روش های نوین متعددی مبتني بر دادههای ماهوارهای برای برآورد و مدل سازی رطوبت خاک توسعه داده شدهاند. بر اساس مثلث تبخیری پارامتر های بدست می آید، که متشکل از A و B و دمای min میباشد. A و B از رابطه معادله خط بدست میآیند. و مقدار حداقل دما در مثلث تبخیری کمترین دما را برداشت شده است. استفاده از روش دمای سطح زمین/ شاخص پوشش گیاهی برای برآورد شاخص رطوبتی (TVDI)، که در آن براساس تغییرات دماي سطح و دمای سطح زمین نیز تابعی از میزان رطوبت و پوشش گیاهی میباشد. در خاك خشک، دماي خاك از دماي جو اطرافش بیشتر است. با افزایش میزان گیاهان موجود در یک پیکسل زمینی، میزان دماي سطح زمین کم میشود؛ زیرا برگ گیاهان گرما را براي تعرق جذب میکنند و این باعث ایجاد رابطۀ شیبدار معکوسی بین دماي سطح زمین () و شاخص نسبت پوشش گیاهی () میشود (5). بخش لبه خشک در فضای و در شکل (3)، نشان داده شده است. اگر میزان رطوبت خاك بر اثر بارندگی بیشتر شود، میزان زیادي از نور خورشید صرف تبخیر آب موجود در خاك میشود و درنتیجه دماي سطح زمین و دماي برگ درختان تفاوت چندانی نخواهند داشت. این باعث ایجاد رابطهاي نسبتاً صاف و بدون شیب تند بین و میشود، که همان لبۀ مرطوب در شکل (3)، است.
درواقع، در نمودار پراکندگی دما/ پوشش گیاهی، پیکسلهاي تصویر با میزان تابش یکسان خورشید، با هر شرایط پوشش گیاهی و میزان رطوبت، در فضایی مانند شکل (3)، قرار میگیرد که لبههاي آن حالات خشک و اشباع خاك است (26). خاكهایی با پوشش گیاهی صفر تا انبوه، با یک میزان رطوبت خاص، با شیب منحصربه فردي در این نمودار قرار میگیرند. یعنی براي هر خط با شیب مشخص، میتوان میزان رطوبت خاصی را در نظر گرفت. یکی از شاخصهاي تعریف شده با استفاده از نمودار پراکندگی دما/ پوشش گیاهی، شاخص TVDI است (17). شاخص رطوبتی TVDI که براساس تصاویر شاخص پوشش گیاهی NDVI و دمای سطح زمین TS است، که آن به صورت یک مثلث پراکندگی میباشد که بسته به شرایط آب و هوایی و پوشش گیاهی متغییر است. پارامتر صحیح مدل نیاز به وضعیت آب و هوای منطقه برای مشخص کردن لبههای مثلث تبخیری دارد. به خصوص هنگام استفاده از تصاویر با وضوح فضایی کم (پیکسل 1000 متر و یا بیشتر). این شاخص را میتوان از رابطه 1 بدست میآید.
[1]
که در این رابطه دمای سطح زمین و همچنین از رابطه 2 بدست میآید و دمای حداقل سطح زمین میباشد.
[2]
در رابطه 2، NDVI شاخص پوشش گیاهی میباشد و از رابطه 3 به دست محاسبه میشود، همچنین مقادیر a و b از طریق رابطهی خط بین دما و پوشش گیاهی بدست میآید.
[3]
در رابطه بالا NIR باند مادون قرمز نزدیک و R باند قرمز می باشد. که در ماهواره مودیس باند 1 قرمز و باند 2 مادون قرمز نزدیک میباشد.
شکل 3- نحوة توزیع پیکسلهاي تصویر در نمودار پراکندگی دما/ پوشش گیاهی
Fig. 3- Distribution of image pixels in temperature / vegetation scatter plot
بحث و نتایج
در شکل (4)، ماینگین بارندگی ماهانه سالهای 2010 و 2014 و 2014 برای منطقه مورد مطالعه را نشان میدهد. با توجه به آن بیشترین میزان بارندگی در سال 2018 و کمترین میزان بارندگی در سال 2014 بوده است.
شکل 4- میانگین بارندگی ماهانه برای سال های 2010 و 2014 و 2018
Fig. 4- Average monthly rainfall for 2010, 2014 and 2018
در این تحقیق سه بازه زمانی متفاوت یعنی سالهای 2010 و 2014 و 2018 میباشد. تفاوت این سه بازه زمانی به خوبی در جدولهای (2 و 3) نمایش داده شده است. در ماه اول سال 2010 میزان a برابر با 15.806- و b برابر با 24.014 بوده است. ولی در سال 2014 در ماه اول a برابر با 20.172- و b برابر با 26.985 بوده است. که نسبت به سال 2010 افزایش داشته است. و سال 2018 در ماه اول میزان a برابر با 12.903- و b برابر با 8.293 بوده است. با توجه به عددهای ضرایب خط به این نتیجه رسید که سال 2018 نسبت به دوسال دیگر مرطوب تر بوده است.
جدول 2 - پارامترهای a (ضریب)، b (شیب خط) و TSmin (حداقل دما)، برای بدست آوردن TVDI استفاده می شود. منطقه مورد مطالعه غرب ایران سال های 2010 و 2014 و 2018 با استفاده از روش اول
Table 2- The parameters a (coefficient), b (line slope) and TSmin (minimum temperature) are used to obtain TVDI. The study area of western Iran in 2010, 2014 and 2018 using the first method
سال | ماه | روز |
| لبه خشکmax | لبه مرطوب min | |||||||||||||||||||||||||||||
2010 | 1 | 15 | 0.80 |
| 0 | |||||||||||||||||||||||||||||
2010 | 2 | 15 | 0.82 |
| 1 | |||||||||||||||||||||||||||||
2010 | 3 | 15 | 0.75 |
| 8 | |||||||||||||||||||||||||||||
2010 | 4 | 15 | 0.88 |
| 12 | |||||||||||||||||||||||||||||
2010 | 5 | 15 | 0.87 |
| 23 | |||||||||||||||||||||||||||||
2010 | 6 | 15 | 0.70 |
| 31 | |||||||||||||||||||||||||||||
2010 | 7 | 15 | 0.90 |
| 36 | |||||||||||||||||||||||||||||
2010 | 8 | 15 | 0.92 |
| 36 | |||||||||||||||||||||||||||||
2010 | 9 | 15 | 0.95 |
| 33 | |||||||||||||||||||||||||||||
2010 | 10 | 15 | 0.88 |
| 20 | |||||||||||||||||||||||||||||
2010 | 11 | 15 | 0.97 |
| 13 | |||||||||||||||||||||||||||||
2010 | 12 | 15 | 0.83 |
| 3 | |||||||||||||||||||||||||||||
سال | ماه | روز |
| لبه خشکmax | لبه مرطوب min | |||||||||||||||||||||||||||||
2014 | 1 | 15 | 0.72 |
| 0 | |||||||||||||||||||||||||||||
2014 | 2 | 15 | 0.88 |
| 1 | |||||||||||||||||||||||||||||
2014 | 3 | 15 | 0.90 |
| 8 | |||||||||||||||||||||||||||||
2014 | 4 | 15 | 0.93 |
| 17 | |||||||||||||||||||||||||||||
2014 | 5 | 15 | 0.98 |
| 25 | |||||||||||||||||||||||||||||
2014 | 6 | 15 | 0.85 |
| 34 | |||||||||||||||||||||||||||||
2014 | 7 | 15 | 0.79 |
| 34 | |||||||||||||||||||||||||||||
2014 | 8 | 15 | 0.92 |
| 37 | |||||||||||||||||||||||||||||
2014 | 9 | 15 | 0.90 |
| 25 | |||||||||||||||||||||||||||||
2014 | 10 | 15 | 0.94 |
| 21 | |||||||||||||||||||||||||||||
2014 | 11 | 15 | 0.80 |
| 6 | |||||||||||||||||||||||||||||
2014 | 12 | 15 | 0.83 |
| 1 | |||||||||||||||||||||||||||||
سال | ماه | روز |
| لبه خشکmax | لبه مرطوب min | |||||||||||||||||||||||||||||
2018 | 1 | 15 | 0.87 |
| 0 | |||||||||||||||||||||||||||||
2018 | 2 | 15 | 0.89 |
| 1 | |||||||||||||||||||||||||||||
2018 | 3 | 15 | 0.93 |
| 15 | |||||||||||||||||||||||||||||
2018 | 4 | 15 | 0.82 |
| 21 | |||||||||||||||||||||||||||||
2018 | 5 | 15 | 0.79 |
| 21 | |||||||||||||||||||||||||||||
2018 | 6 | 15 | 0.97 |
| 35 | |||||||||||||||||||||||||||||
2018 | 7 | 15 | 0.90 |
| 35 | |||||||||||||||||||||||||||||
2018 | 8 | 15 | 0.88 |
| 34 | |||||||||||||||||||||||||||||
2018 | 9 | 15 | 0.84 |
| 28 | |||||||||||||||||||||||||||||
2018 | 10 | 15 | 0.96 |
| 20 | |||||||||||||||||||||||||||||
2018 | 11 | 15 | 0.91 |
| 3 | |||||||||||||||||||||||||||||
2018 | 12 | 15 | 0.90 |
| 1 |
سال | ماه | روز |
| لبه خشکmax |
| لبه مرطوب min | ||||||||||||||||||||||||||||
2010 | 5 | 15 | 0.83 |
| 0.95 |
| ||||||||||||||||||||||||||||
2010 | 8 | 15 | 0.90 |
| 0.93 |
| ||||||||||||||||||||||||||||
2014 | 5 | 15 | 0.88 |
| 0.91 |
| ||||||||||||||||||||||||||||
2014 | 8 | 15 | 0.95 |
| 0.88 |
| ||||||||||||||||||||||||||||
2018 | 5 | 15 | 0.84 |
| 0.80 |
| ||||||||||||||||||||||||||||
2018 | 8 | 15 | 0.92 |
| 0.84 |
|
سال | ماه | میزان روش اول | میزان روش دوم |
2010 | May | 0.61 | 0.43 |
2010 | Sep | 0.57 | 0.47 |
2014 | May | 0.61 | 0.40 |
2014 | Sep | 0.59 | 0.46 |
2018 | May | 0.66 | 0.41 |
2018 | Sep | 0.67 | 0.34 |