ارزيابي رطوبت خاک مدلGLDAS با استفاده از داده هاي مشاهداتي، شاخص VHI و بارش

محورهای موضوعی : خشکسالی در هواشناسی و کشاورزی

سحر رضائي کوجاني ¹ , سید عباس حسینی ^{2 *} , احمد شرافتی ³

1 - دانشجوي دکتري گروه آب و سازه هاي هيدروليکي، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.
2 - گروه مهندسي عمران، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.
3 - گروه مهندسي عمران، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.

تاریخ دریافت : 1402/12/17 تاریخ پذیرش : 1403/05/26 تاریخ انتشار : 1403/07/11

کلید واژه: خشکسالي, رطوبت خاک, GLDAS, سنجش از دور, شاخص سلامت گياه,

چکیده مقاله :

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.

چکیده انگلیسی:

Background and Aim: Soil moisture data obtained from satellites play an important role in the effective management of water resources, especially in areas susceptive to dehydration and drought. By monitoring soil moisture dynamics over time, water policymakers can develop sustainable water allocation strategies, implement water conservation measures, and reduce the adverse effects of drought on agriculture. Satellite data facilitates the identification of potential water stress points. The purpose of this study is to evaluate the accuracy of soil moisture in the GLDAS model with observational data in areas with dry, humid, and semi-humid climates, Agricultural drought monitoring using the GLDAS model and the VHI drought index and annual precipitation.

Method: In this study, soil moisture from the GLDAS model from 2003 to 2020 in 6 agricultural areas of Oklahoma was extracted daily and with observational data recorded in 6 agricultural areas located in Oklahoma compared. To better understand the degree of difference between the GLDAS model soil moisture data with observational data, agricultural areas are divided into three dry, humid, and semi-humid areas,they were split and finally evaluated on a daily, seasonal, and annual basis with the used of two indicators of correlation coefficient CC and average RMSE root mean squares error.

Results: The results showed that the highest average correlation of seasonal soil moisture is related to winter and autumn, and one of the reasons is more precipitation in these seasons. The highest correlation of average areas with 0/64 belonged to humid areas and the lowest average correlation of 0.47 was related to dry areas. Humid areas usually have vegetation cover more than dry areas. Vegetation cover due to the impact on microwave signals received by satellite sensors affects the accuracy of satellite soil moisture estimates. Also, the presence of dense vegetation improves the soil moisture recovery of satellite data, especially in areas with abundant vegetation. The results of RMSE (cm3/cm3) of the GLDAS model and observation data in 6 agricultural areas of Oklahoma showed the good performance of the GLDAS model. The correlation of GLDAS model data with VHI drought index and precipitation was further investigated, which correlated GLDAS model soil moisture with 17-year precipitation data equal to 0.68 the correlation of the model GLDAS and VHI was equal to 0.2. One of the reasons for the variation in the correlation between precipitation, VHI, and soil moisture of the GLDAS model is the changes in hydrological parameters such as groundwater feeding, evaporation and transpiration rates, and surface runoff, it is in different years.

Conclusion: According to the results, soil moisture serves as a critical intermediary between precipitation and vegetation health. While precipitation directly influences soil moisture dynamics, soil moisture, in turn, regulates plant water uptake, transpiration, and physiological processes that contribute to VHI. GLDAS model soil moisture data can be used to monitor and assess drought. GLDAS data are available at regular intervals (e.g., daily, monthly), allowing monitoring of soil moisture dynamics over time. This time resolution is crucial for tracking the start, duration, and severity of drought events. The results of this study show that GLDAS model soil moisture data can be used with confidence in monitoring agricultural drought.

منابع و مأخذ:

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

متن کامل:



Print ISSN: 2251-7480 Online ISSN: 2251-7400     Journal of Water and Soil Resources Conservation  (WSRCJ)   Web site: https://wsrcj.srbiau.ac.ir   Email: [e-mail] [e-mail]           Vol. 14 No. 2 (54)           Received: 2024-03-07   Accepted: 2024-08-16       Pages: 39-48

 

Evaluation of GLDAS Model Soil Moisture Using Observational Data, VHI Index and Precipitation

 

Sahar Rezaei Kojani1, Seyd Abaa Hisseini 2* and Ahmad Sharafati 3

 

1) PhD student, Department of Water  and Hydraulic Structures, Islamic Azad University, Science and Research Branch, Tehran, Iran.

2) Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

3) Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

* Corresponding author email: [e-mail]

 

Abstract:

Background and Aim: Soil moisture data obtained from satellites play an important role in the effective management of water resources, especially in areas susceptive to dehydration and drought. By monitoring soil moisture dynamics over time, water policymakers can develop sustainable water allocation strategies, implement water conservation measures, and reduce the adverse effects of drought on agriculture. Satellite data facilitates the identification of potential water stress points. The purpose of this study is to evaluate the accuracy of soil moisture in the GLDAS model with observational data in areas with dry, humid, and semi-humid climates, Agricultural drought monitoring using the GLDAS model and the VHI drought index and annual precipitation.

Method: In this study, soil moisture from the GLDAS model from 2003 to 2020 in 6 agricultural areas of Oklahoma was extracted daily and with observational data recorded in 6 agricultural areas located in Oklahoma compared. To better understand the degree of difference between the GLDAS model soil moisture data with observational data, agricultural areas are divided into three dry, humid, and semi-humid areas,they were split and finally evaluated on a daily, seasonal, and annual basis with the used of two indicators of correlation coefficient CC and average RMSE root mean squares error.

Results: The results showed that the highest average correlation of seasonal soil moisture is related to winter and autumn, and one of the reasons is more precipitation in these seasons. The highest correlation of average areas with 0/64 belonged to humid areas and the lowest average correlation of 0.47 was related to dry areas. Humid areas usually have vegetation cover more than dry areas. Vegetation cover due to the impact on microwave signals received by satellite sensors affects the accuracy of satellite soil moisture estimates. Also, the presence of dense vegetation improves the soil moisture recovery of satellite data, especially in areas with abundant vegetation. The results of RMSE (cm3/cm3) of the GLDAS model and observation data in 6 agricultural areas of Oklahoma showed the good performance of the GLDAS model. The correlation of GLDAS model data with VHI drought index and precipitation was further investigated, which correlated GLDAS model soil moisture with 17-year precipitation data equal to 0.68 the correlation of the model GLDAS and VHI was equal to 0.2. One of the reasons for the variation in the correlation between precipitation, VHI, and soil moisture of the GLDAS model is the changes in hydrological parameters such as groundwater feeding, evaporation and transpiration rates, and surface runoff, it is in different years.

Conclusion: According to the results, soil moisture serves as a critical intermediary between precipitation and vegetation health. While precipitation directly influences soil moisture dynamics, soil moisture, in turn, regulates plant water uptake, transpiration, and physiological processes that contribute to VHI. GLDAS model soil moisture data can be used to monitor and assess drought. GLDAS data are available at regular intervals (e.g., daily, monthly), allowing monitoring of soil moisture dynamics over time. This time resolution is crucial for tracking the start, duration, and severity of drought events. The results of this study show that GLDAS model soil moisture data can be used with confidence in monitoring agricultural drought.

Keywords: Drought, Soil Moisture, Precipitation, GLDAS, Remote Sensing, VHI

 

 

 

 

ارزيابي رطوبت خاک مدلGLDAS  با استفاده از داده­­هاي مشاهداتي، شاخص VHI و بارش

 

سحر رضائي کوجاني1، سيد عباس حسيني *2و احمد شرافتي3 

 

1) دانشجوي دکتري گروه آب و سازه هاي هيدروليکي، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.

2) گروه مهندسي عمران، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.

3 (گروه مهندسي عمران، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران.

‌‌* ايميل نويسنده مسئول: [e-mail]

        

        

چکيده:

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.

کليد واژه: خشکسالي، رطوبت خاک، GLDAS، سنجش از دور، شاخص سلامت گياه

 

 

 

 

 

 

 

 

 

مقدمه

رطوبت خاک يکي از پارامترهاي مهم محيطي بوده که در بررسي خشکسالي کشاورزي مورد استفاده قرار مي گيرد. روش‌‌هاي سنتي اندازه‌گيري ميداني رطوبت خاک نمي‌‌توانند تغييرات مکاني رطوبت را به نحو مطلوب نشان دهند. بنابراين بکارگيري فن‌آوري سنجش از دور مي‌تواند نقش مؤثري در تعيين رطوبت سطحي خاک و تغييرات مکاني آن ايفا کند. تغييرات رطوبت خاك در اعماق مختلف به عوامل گوناگوني چون نوع خاك، كاربري اراضي، شرايط اقليمي و تغييرات درجه حرارت در سطح خاك بستگي دارد. براي برآورد تغييرات روزانه، ماهانه و فصلي نيز، پژوهشگران مدلهاي گوناگوني پيشنهاد كرده اند كه با تلفيق اطلاعات برآورد شده و استفاده ازاين مدل‌ها مي‌توان به تغييرات مکاني و زماني دست يافت .(Bagheri & Bagheri, 2019) داده‌هاي ماهواره‌اي به دليل داشتن دقت مکاني بالا، امکان نمايش دقيق‌تر و جزئي‌تر اطلاعات را فراهم مي‌کنند که در مقايسه با داده‌هاي مشاهداتي، اين ويژگي به عنوان يکي از مزاياي اصلي مطرح مي‌شود. داده‌هاي ماهواره‌اي پوشش گسترده‌اي از سطح زمين را فراهم مي‌کنند که اين امر در برخي از تحقيقات محيطي که نياز به پوشش گسترده جغرافيايي دارند، بسيار حياتي است. توانايي بهبود داده‌هاي ماهواره‌اي در طول زمان، امکان ايجاد سري زماني طولاني و پايدار را فراهم مي‌کنند که در مطالعه تغييرات آب و هوا و محيط زيست بسيار ارزشمند است. داده‌هاي ماهواره‌اي به راحتي قابل دسترسي هستند و امکان استفاده از آنها براي تحقيقات علمي و تصميم‌گيري‌هاي مديريتي را سهل مي‌کنند. سازمان ناسا ماهواره ايي با عنوان رطوبت خاک غير فعال¹SMAP با ماموريت تخمين رطوبت خاک است را به فضا پرتاپ کرد که تکفيک مکاني آن 10 کيلومتر است. يکي از ماموريتهاي SMAP  اندازه گيري رطوبت خاک سطح زمين و ذوب يخهاي کل کره زمين با دوره بازگشت تقريباً 2 تا 3 روز است و همچنين رطوبت سطحي خاک را بر اساس مدلهاي هيدرولوژيکي که قادر به برآورد رطوبت خاک در منطقه ريشه هستند، اندازه گيري مي کند. ابزارهاي ديده باني SMAP شامل فضاپيما و تجهيزاتي است که توسط راکت دلتا 2 در مدار قطبي خورشيد قرار داده شده است. سامانه اندازه گيري SMAP شامل راديومتر )غيرفعال( و رادار دهانه ترکيبي(فعال) است که در بازه باند) L   2/1 تا 41/1 گيگاهرتز( فعاليت مي کنند(Entekhabi et al., 2010). يکي ديگر از ابزارهاي سنجش از دور براي سنجش رطوبت خاک مدل سيستم جهاني همسان سازي داده‌هاي زمين GLDAS² است. مدل GLDAS داده‌هاي مورد نياز براي پايش خشکسالي از سال 2000 تا کنون به صورت روزانه و سه ساعته در دسترس دارد. پوشش جهاني، قدرت تفکيک مکاني و زماني بالا به همراه سيستم مدلسازي ترکيبي داده‌هاي سنجش از دور و مشاهدات زميني از ويژگي‌هاي منحصر بفرد اين مدل است. اين مدل متغير‌هاي سيستم جو - زمين را در مقياس زماني 3 ساعته با قدرت تفکيک مکاني 1 و 25/0 درجه جغرافيايي با قدرت تفکيک مکاني 27 کيلومتر برآورد مي کند، که خروجي آن نتيجه شبيه سازي چهار مدل سطحي  نوآ³، موزاييک⁴، مدل زمين انجمنCLM⁵ و مدل ظرفيت نفوذ متغيرVIC⁶ مي باشد(Rodell et al., 2004). تا کنون تحقيقات گسترده اي در خصوص استفاده از داده‌هاي ماهواره اي SMAP و مقايسه با داده‌هاي GLDAS در مطالعات هيدرولوژيکي و پايش خشکسالي در مناطق مختلف دنيا انجام شده است. در بررسي رطوبت خاک با استفاده از SMAP و پايش خشکسالي کشاورزي، رطوبت خاک، SMAP در اکثر موارد داراي دقت قابل قبول و عملکرد نسبتاً خوبي بود(Zhu et al., 2019). در مقايسه داده‌هاي SMAP و GLDAS برآورد بيش از حد رطوبت خاک محصولات SMAP و GLDAS نسبت به داده‌هاي درجا مشاهده شد، اگرچه دقت هر دو محصول GLDAS وSMAP مشابه هستند ليکن GLDAS اندکي دقت بهتر نشان داد.(Das et al., 2019) استفاده از محصولات SMAP براي پيش بيني رطوبت سطحي خاک توسط مدل  ELM⁷و شاخص خشکسالي کشاورزي نشان داد که مدل ELM  در پيش بيني رطوبت خاک عملکرد بهتري نسبت به ساير مدل‌ها دارد و پيش‌بيني سري‌هاي زماني رطوبت خاک توسط پوشش گياهي و بارش و دما با در نظر گرفتن ساير پارامترهاي موثر مانند شرايط بافت خاک، روزهاي آفتابي، باد و تبخير و تعرق ممکن است در الگوي پيش بيني رطوبت خاک موثر باشند(Karamvand et al., 2023). تحقيقات گذشته در زمينه ارزيابي رطوبت خاک با استفاده از مدل  GLDAS بيشتر بر روي اعتبارسنجي خروجي‌هاي مدل با داده‌هاي مشاهداتي زميني و داده‌هاي سنجش از دور تمرکز داشته‌اند. اين مطالعه اهميت رطوبت خاک را در توليدات کشاورزي، پايش خشکسالي و مدل‌سازي اقليم به خوبي نشان داده‌ است. در حالي که داده‌هاي GLDAS اطلاعات گسترده‌اي در مورد رطوبت خاک ارائه مي‌دهند، بسياري از مطالعات ادغام ديگر شاخص‌هاي مهم مانند شاخص سلامت گياهان VHI⁸ و داده‌هاي بارش را به طور جامع بررسي نکرده‌اند. بيشتر مطالعات يا بر سنجش از دور يا داده‌هاي زميني تمرکز داشته‌اند، اما به ترکيب آن‌ها نپرداخته‌اند. بسياري از مطالعاتي که داده‌هاي GLDAS را با داده‌هاي مشاهداتي اعتبارسنجي مي‌کنند، بر روي مناطق يا دوره‌هاي خاصي تمرکز دارند که اين امر منجر به عدم تعميم‌پذيري در مناطق مختلف اقليمي يا دوره‌هاي زماني متفاوت مي‌شود و نياز به تحقيقاتي است که عملکرد GLDAS را در شرايط اقليمي مختلف و در دوره‌هاي زماني طولاني‌تر ارزيابي کند. در بسياري از مطالعات، استفاده از داده‌هاي رطوبت خاک با وضوح بالا، به خصوص در مناطقي که اين داده‌ها کمياب است، کمتر مورد توجه قرار گرفته است. اين امر درک عملکرد GLDAS در آن مناطق را محدود مي‌کند. تعداد کمي از مطالعات به طور جامع به عدم قطعيت در تخمين‌هاي رطوبت خاک GLDAS پرداخته‌اند، به ويژه زماني که اين عدم قطعيت‌ها با شاخص‌هايي مانند VHI يا داده‌هاي بارش ترکيب مي‌شوند. هدف از اين پژوهش مقايسه دقت اندازه گيري مدل GLDAS با داده‌هاي مشاهداتي و پايش خشکسالي، بررسي همبستگي رطوبت خاک مدل GLDAS منطقه اکلاهما با شاخص خشکسالي، شاخص سلامت گياه VHIو بارش ساليانه است. در نهايت رطوبت خاک مدل GLDAS با داده‌هاي مشاهداتي  رطوبت خاک، محتواي آب حجميVWC⁹ که توسط ايستگاه‌هاي مختلف توسط سنسورهاي  موجود در خاک در مناطق مختلف شهر اکلاهما به صورت روزانه براي17سال اندازه گيري شده مقايسه شد و خطاي جذر ميانگين مربعات RMSE¹⁰ و ضريب همبستگي CC¹¹ بين داده‌هاي مشاهداتي و رطوبت خاک مدل GLDAS محاسبه شد. مي توان با تجزيه و تحليل چند بعدي رطوبت خاک با استفاده از منابع و ابعاد مختلف، از جمله رطوبت خاک مدل GLDAS، داده‌هاي مشاهده اي، بارش و VHI، با در نظر گرفتن عوامل مختلف به طور همزمان، درک جامع تري از ديناميک رطوبت خاک و ارتباط آن با ساير متغيرهاي محيطي ارائه داد. همچنين با بررسي همبستگي‌ها در فصول و مناطق مختلف مي توان تنوع مکاني و زماني رطوبت خاک را بررسي کرد و به بينش هدفمندتري در مورد نحوه تعامل آن با شرايط مختلف آب و هوايي و جغرافيايي دست يافت. با مطالعه همبستگي‌ها در طول چندين سال، روندها و الگوهايي را که ممکن است در تحليل‌هاي کوتاه مدت مشهود نباشند، به تصوير کشيد. تجزيه و تحليل فصلي ما را قادر مي سازد تا پايداري و ثبات همبستگي‌ها را در طول زمان ارزيابي کنيم و بينش‌هاي ارزشمندي را در مورد پويايي رطوبت خاک و روابط آب و هوايي طولاني مدت ارائه دهيم. با اعتبارسنجي داده‌هاي GLDAS با استفاده از هر دو داده‌هاي زميني VHI، در اين تحقيق يک چارچوب اعتبارسنجي جديد ارائه مي‌دهد که مي‌تواند در ساير مدل‌هاي سطح زمين استفاده شود. اين رويکرد مي‌تواند به عنوان پيش‌زمينه‌اي براي مطالعات آينده که هدف بهبود سنجش از دور و ارزيابي رطوبت خاک مبتني بر مدل‌ها را دارند، قرار گيرد.

 

منطقه مورد مطالعه

اکلاهما¹² ايالتي است که در جنوب مرکزي قرار دارد و داراي رشته کوه‌هاي کوچک، دشت‌ها و جنگل‌هاي شرقي است و در يک منطقه نيمه گرمسير مرطوب است. اوکلاهما نهفته در يک منطقه اي بين آب و هواي قاره اي مرطوب به شمال، آب و هواي نيمه خشک به غرب و آب و هواي نيمه گرمسير مرطوب در بخش‌هاي مرکزي، جنوبي و شرقي  قرار گرفته است. منطقه اکلاهما به علت در بر داشتن آب و هواي مرطوب، نيمه مرطوب، خشک و همچنين وجود داده‌هاي مشاهداتي با سري زماني طولاني در اين پژوهش انتخاب شده است. موقعيت جغرافيايي آن از 94درجه و 29 دقيقه تا 103 درجه غربي، 33 درجه و35 دقيقه تا 37 درجه شمالي است.(شکل 1). منطقه مورد مطالعاتي در اين پژوهش به علت دارا بودن تنوع آب و هوايي و همچنين وجود داده‌هاي مشاهداتي VWC در عمق 5 سانتيمتر از سال 1996تا کنون به صورت روزانه انتخاب شده است. رطوبت خاک 6 منطقه کشاورزي اکلاهما، ارائه شده در جدول 1، بين سالهاي 2003 تا 2020 که در نزديکي شهرهاي ويستر، ال رنو، پاني، گودول، هاليس، کمرون به صورت روزانه برداشت شده است.

 

 

شکل 1 .محدوده ايالت اکلاهما و شش منطقه کشاورزي مورد مطالعه

 

جدول 1. مختصات جغرافيايي 6 ايستگاه زميني در اکلاهما

طول جغرافيايي (◦ E)	عرض جغرافيايي (◦ N)	ايستگاه ها
5843/36	6053/101-	گودول
6854/34	8813/99-	هاليس
5304/35	9214/97-	ال رنو
3361/36	7921/96-	پاني
9615/34	7177/94-	ويستر
1183/35	5360/94-	کمرون

 

 

 

مواد و روش‌ها

روش شناسي اين تحقيق شامل 4 مرحله است که در مرحله 1 (جمع آوري داده ها) محصولات مدل GLDAS و داده‌هاي رطوبت خاک روزانه مناطق اکلاهما به صورت روزانه جمع آوري شد. جمع آوري داده‌ها که شامل  داده‌هاي رطوبت خاک سطحي، مدل GLDAS-2.2، منطقه اکلاهما در 6 ايستگاه کشاورزي ويستر، ال رنو، پاني، گودول، هاليس، کمرون از سال 2003 تا 2020 به صورت روزانه از سامانه GEE ¹³برداشت شد. در اين پژوهش از  مدل GLDAS، رطوبت خاک سطحي (kg/m2 ) استفاده شده است. داده‌هاي مشاهداتي روزانه رطوبت خاک از سال 2003 تا 2020 از سايت http://soilmoisture.okstate.edu  برداشت شد. در مرحله 2 (تحليل زماني) علاوه برداده‌هاي روزانه مدل GLDAS و داده‌هاي مشاهداتي ( مناطق  کمرون و ويستر به عنوان مناطقي با آب و هواي مرطوب، ال رنو و پاني با آب و هواي نيمه مرطوب،  هاليس و گودول به آب و هواي خشک طبقه شدند)، داده‌هاي ماهيانه و سالانه و فصلي نيز محاسبه شد. در اين تحقيق داده‌هاي زماني  رطوبت خاک به صورت روزانه، ماهانه، فصلي و ساليانه مورد توجه است. مرحله 3 (ارزيابي دقت) براي ارزيابي دقت از مقادير رطوبت ­­­خاک GLDAS و رطوبت خاک مشاهداتي استفاده شد. اين داده‌هاي مشاهداتي VWC (cm3/cm3)روزانه از سال 1996 ميلادي تا کنون در دسترس عموم قرار داده شده است. محاسبه معيارهاي دقت استاندارد و همبستگي، رطوبت خاک داده‌هاي مشاهداتي و رطوبت خاک مدل  GLDASبا استفاده از زبان برنامه نويسي پايتون انجام شد. براي مقايسه شاخص‌هاي آماري داده‌هاي رطوبت خاک (kg/m2 )GLDAS به (cm3/cm3) تبديل شد(Entekhabi et al., 1996; Hossain & Anagnostou, 2004; Rodell et al., 2004). در ادامه خطاي جذر ميانگين مربعات و ضريب همبستگي بين داده‌هاي مشاهداتي و رطوبت خاک مدل GLDAS محاسبه شد.مرحله 4 (پايش خشکسالي کشاورزي) محاسبه شاخص خشکسالي VHI، بارش و مقايسه همبستگي اين دو با رطوبت خاک مدل GLDAS است. شاخص خشکسالي VHI و بارش به صورت روزانه از سامانه GEE برداشت شد و همبستگي رطوبت خاک مدل GLDAS  با شاخص خشکسالي VHI و بارش به صورت ساليانه مورد بررسي قرار گرفت.

شاخص سلامت گياه  VHIکه ترکيبي از شاخص‌هاي شاخص وضعيت گياه VCI¹⁴ و شاخص وضعيت دما TCI¹⁵ است که براي نمايش تنش خشکسالي، بصورت تابعي از تازگي پوشش گياهي و درجه حرارت، استخراج مي شود.

 

1)    VHI = a ∗ VCI + b ∗ TCI                                                                                                                   در رابطه (1)، a و b ضرايبي هستند که سهم شاخص‌هاي VCI و TCI را بصورت کمي درمي آورند، ضرايب a وb، 5/0در نظرگرفته شد (Kogan, 2001).

شاخص وضعيت گياه VCI براي حذف اثر تفاوت آب و هوايي وتوپوگرافي از روي نتايج شاخص پوشش گياهي نرمالNDVI¹⁶  طراحي شده است. اين شاخص طبق رابطه (2) محاسبه گرديد (Kogan, 1995).

2)

VCIijk

 

شاخصTCI  نيز توسط الگوريتم محاسباتي آن شبيه شاخص VCI است، ولي معادله ي آن براي انعکاس پاسخ حرارتي پوشش گياهي تعريف شده است(Kogan, 1995). که در رابطه (3)، مقادير کمينه و بيشينه دماي کل دوره زماني موردمطالعه است و با استفاده از داده‌هاي سري زماني استخراج شده LST، داده‌هاي سري زماني شاخص وضعيت دما TCI  محاسبه گرديد.

3)

TCIi

 داده‌هاي TCI و VCI براي محاسبه VHI  از سنجنده، طيف راديومتر تصويربرداري با وضوح متوسط (MODIS¹⁷) از پلتفرم  موتور جستجو زمينGEE  استخراج شد. هدف از شاخص VHI، دخيل کردن شرايط رطوبت پوشش گياهي و درجه حرارت سطح زمين در يک شاخص مجموع است. با محاسبه شاخص هايVCI و TCI مقادير شاخص VHI براي 17 سال از سال 2003 تا سال2020 محاسبه شد. در ادامه بارش سالانه کل منطقه اکلاهما را به عنوان شاخصي براي پايش خشکسالي که يک رويکرد رايج در هيدرولوژي و اقليم شناسي است، استفاده کرديم. مرکز ملي کاهش خشکساليNDMC¹⁸ مستقر در دانشگاه نبراسکا-لينکلن، منابع و راهنمايي‌هاي گسترده اي را در زمينه نظارت و مديريت خشکسالي ارائه مي دهد، اغلب داده‌هاي بارش را به عنوان يک شاخص اوليه براي ارزيابي شرايط خشکسالي در مقياس‌هاي مکاني و زماني مختلف ترکيب مي کند. مطالعات علمي متعددي از داده‌هاي بارش به عنوان ورودي اوليه براي پايش و تجزيه و تحليل خشکسالي استفاده کرده اند. به عنوان مثال (Sheffield & Wood, 2008) داده‌هاي بارش را در تلاش‌هاي پايش خشکسالي نشان مي‌دهند و بر اهميت آن به عنوان يک مؤلفه اساسي در درک تغييرپذيري و روند خشکسالي تأکيد مي‌کنند. براي بدست آوردن داده‌هاي بارش منطقه اکلاهما از مدل نسل پنجم ERA5¹⁹، تحليل مجدد جوي آب و هواي جهاني ECMWF²⁰  از پلتفرم GEE استفاده شد. ERA5 تجزيه و تحليل مجدد داده‌هاي مدل را با مشاهدات از سراسر جهان در يک مجموعه داده کامل و سازگار در سطح جهاني ترکيب مي کند. داده‌هاي بارش براي 17 سال از اين مدل استخراج شد.

 

نتايج و بحث

در اين بخش، نتايج حاصل از روند تحليل مکاني و زماني رطوبت خاک ارائه شده است. داده‌هاي رطوبت خاک مدل GLDAS براي سال 2020 به صورت فصلي در شکل (2) نشان داده شده است و رطوبت خاک مدل GLDAS براي سال 2005 به صورت نمونه و بدون تغيير در پالت رنگي در شکل (3) ارائه شده است. همانطور که در شکل‌هاي شماره 2 و3 ارائه شده با افزايش مقياس زماني از فصلي به ساليانه در شکل (3) مدل GLDAS تقريبا رطوبت متوسط يکساني را در کل ناحيه اوکلاهما نشان مي دهد اما استفاده از ميانگين فصلي نشان مي دهد مناطق شرقي رطوبت خاک بيشتري را در مقايسه با مناطق غربي از خود نشان مي دهند اين موضوع با واقعيت پوشش گياهي منطقه نيز مطابقت بيشتري دارد.

خطاي جذر ميانگين مربعات و ضريب همبستگي دو معيار متفاوتي هستند که براي ارزيابي عملکرد مدل‌ها يا روش‌ها استفاده مي‌شوند. در حالي که هر دو بينشي در مورد کيفيت پيش‌بيني‌ها ارائه مي‌کنند، جنبه‌هاي مختلفي از رابطه بين مقادير پيش‌بيني‌شده و مشاهده‌شده را نشان مي‌دهند. خطاي جذر ميانگين مربعات، ميانگين بزرگي خطاهاي بين مقادير پيش‌بيني‌شده و مشاهده‌شده را اندازه‌گيري مي‌کند و نشانه‌اي از دقت مدل بر حسب تفاوت مطلق است. خطاي جذر ميانگين مربعات پايين تر نشان

 

 

 

شکل 2 .توزیع  مکانی رطوبت خاک مدل GLDAS  در فصل های مختلف سال 2020
شکل 3 .مقايسه رطوبت خاک مدل GLDAS به صورت ميانگين سالانه بدون استفاده از پالت رنگي

 

 

دهنده تطابق بهتر بين مقادير پيش بيني شده و مشاهده شده است. ضريب همبستگي، رابطه خطي بين دو متغير را کمي مي کند. از 1- تا 1 متغير است که 1 نشان دهنده رابطه خطي مثبت کامل، 1- نشان دهنده رابطه خطي منفي کامل و 0 نشان دهنده عدم وجود رابطه خطي است.

همانطور که در جدول (2) ارائه شده است ميانگين خطاي جذر ميانگين مربعات  در 6 منطقه برابر 29/0 است که نشان از تطابق بالا مدل GLDAS با داده‌هاي مشاهداتي دارد. همچنين بيشترين ضريب همبستگي ميان رطوبت خاک مدلGLDAS با داده‌هاي رطوبت خاک مشاهداتي در مناطق مرطوب با ميانگين 64/0 بوجود آمده است که ميتواند دليل آن پوشش گياهي فعال تر که تأثير بيشتري بر سيگنال‌هاي گرفته شده توسط ابزار سنجش از دور داشته باشد. اين افزايش فعاليت پوشش گياهي و دسترسي به آب مي تواند تفاوت‌هاي بارزي بين انواع پوشش زمين داشته باشد و تشخيص و مدل سازي آن را آسان تر کند (Gao, 1996).

در بسياري از مناطق، زمستان با تجمع برف مشخص مي شود که به طور قابل توجهي بر ويژگي‌هاي سطح زمين تأثير مي گذارد. GLDAS داده‌هاي پوشش برف را از منابع مختلف جذب مي‌کند و آن را قادر مي‌سازد ديناميک برف را با دقت نشان دهد. اين گنجاندن عملکرد مدل را در طول زمستان افزايش مي‌دهد و منجر به همبستگي بالاتر با داده‌هاي مشاهداتي مي‌شود(Rodell et al., 2004). ماه‌هاي زمستان اغلب شاهد چرخه‌هاي انجماد و ذوب هستند که بر پويايي رطوبت خاک تأثير مي گذارد. GLDAS اين چرخه‌ها را از طريق ادغام فرآيندهاي انجماد-ذوب خود ثبت مي‌کند، در نتيجه توافق خود را با داده‌هاي مشاهده‌اي بهبود مي‌بخشد، به‌ويژه در مناطقي که ديناميک انجماد و ذوب مشخصي دارند(Fang et al., 2018). همچنين براي فصل پاييز دما شروع به سرد شدن مي کند و بر ميزان تبخير و تعرق و حفظ رطوبت خاک تأثير مي گذارد. GLDAS داده‌هاي دما را براي شبيه‌سازي فرآيندهاي مبتني بر دما يکپارچه مي‌کند، که منجر به توافق بهبود يافته با داده‌هاي مشاهده‌اي در طول ماه‌هاي پاييز مي‌شود(Reichle et al., 2011).

عملکرد مدل‌هاي هيدرولوژيکي مانند GLDAS مي تواند در فصول و مناطق مختلف به دليل تفاوت در شرايط آب و هوايي، ويژگي‌هاي سطح زمين و پويايي پوشش گياهي متفاوت باشد. چندين مطالعه تغييرات فصلي و منطقه‌اي را در دقت مدل‌هاي هيدرولوژيکي مستند کرده‌اند. به عنوان مثال، (Sheffield et al., 2006) دريافتند که عملکرد مدل GLDAS در شبيه‌سازي رطوبت خاک از نظر مکاني و زماني متفاوت است و دقت‌هاي بالاتري در مناطق و فصول خاص نسبت به سايرين مشاهده مي‌شود. در مناطق خشک در طول تابستان و بهار، ديناميک رطوبت خاک عمدتاً تحت تأثير رويدادهاي بارش است. در طول اين فصول، مدل GLDAS ممکن است در گرفتن پاسخ رطوبت خاک به رويدادهاي بارش پراکنده بهتر عمل کند. مدل‌هاي هيدرولوژيکي مانند GLDAS بر پارامترها و فرضيات پيچيده در مورد خواص خاک، پوشش

 

جدول 2. مقايسه شاخص‌هاي آماري ضريب همبستگي و خطاي جذر ميانگين مربعات(cm3/cm3  )

روزانه از سال 2003 تا 2020 مدل GLDAS با داده‌هاي مشاهداتي در مناطق 6 گانه با آب و هواي متفاوت درمنطقه اکلاهما

نام مناطق	گودول	هاليس	ال رنو	پاني	کمرون	ويستر
خطاي جذر ميانگين مربعات(cm3/cm-3 )	19/0	26/0	32/0	39/0	30/0	29/0
ضريب همبستگي	46/0	48/0	59/0	57/0	67/0	62/0
مناطق آب و هوايي	خشک	خشک	نيمه مرطوب	نيمه مرطوب	مرطوب	مرطوب

با بررسي همبستگي مدل GLDAS با داده‌هاي مشاهداتي در فصل‌هاي مختلف بين سال‌هاي 2003 تا 2017 جدول (3) نتايج نشان داد که بيشترين ميانگين همبستگي در بين فصل‌هاي مختلف، فصل‌هاي پاييز و زمستان است.

 

جدول 3. مقايسه همبستگي  فصلي مدل GLDAS با داد ه‌هاي مشاهداتي ازسال 2003 تا 2020

در مناطق 6 گانه با آب و هواي متفاوت در منطقه اکلاهما

زمستان	پاييز	تابستان	بهار	نام مناطق
57/0	44/0	35/0	51/0	گودول
56/0	42/0	41/0	49/0	هاليس
64/0	54/0	49/0	53/0	الرنو
53/0	56/0	47/0	46/0	پاني
40/0	58/0	56/0	49/0	ويستر
48/0	61/0	62/0	53/0	کمرون
53/0	52/0	49/0	50/0	متوسط ضريب همبستگي

 

 

گياهي و فرآيندهاي هيدرولوژيکي تکيه دارند. تعصبات مدل و عدم قطعيت در پارامترسازي مي‌تواند منجر به اختلاف بين خروجي‌هاي مدل و داده‌هاي مشاهداتي شود که ممکن است در فصول و مناطق مختلف متفاوت باشد. مطالعات نشان داده‌اند که تعصبات مدل و خطاهاي پارامترسازي مي‌توانند در رژيم‌هاي آب و هوايي خاص و انواع سطح زمين آشکارتر باشند و به تغييرات مشاهده‌شده در عملکرد مدل کمک کنند(Beck et al., 2019; Hrachowitz et al., n.d.).

همبستگي ميان شاخص خشکسالي VHI و رطوبت خاک مدل GLDAS نمودار (الف)، در بين سال‌هاي 2003 تا 2020، 2/0و رطوبت خاک مدل GLDAS و بارش نمودار(ب)، 68/0و در نمودار (ج)، همبستگي VHI و بارش برابر25/0 بود. همبستگي بين شاخص سلامت گياهيVHI و بارش، همچنين همبستگي بين VHI و رطوبت خاک، ممکن است بر اساس چندين عامل مرتبط با پويايي‌هاي فضايي و زماني پاسخ گياهي به شرايط زيست محيطي متغير باشد. بارش و VHI ممکن است به دليل تضاد‌هاي زماني در زمان پاسخ آن‌ها، همبستگي قوي نداشته باشند. در حالي که رويدادهاي بارش مي‌تواند منجر به تغييرات فوري در سطوح رطوبت خاک شود، تأثير بر سلامت گياهي، که توسط VHI نشان داده مي‌شود، ممکن است زماني طول بکشد تا ظاهر شود. پاسخ گياهي به بارش، مانند تغييرات در مساحت برگ، جرم خشکبار و چگالي پوشش، ممکن است اثرات تأخيري را نشان دهد که منجر به همبستگي‌هاي ضعيف تر بين بارش و VHI مي‌شود. رابطه بين بارش و سلامت گياهي ممکن است به صورت کاملاً خطي نباشد. در حالي که بارش متوسط مي‌تواند رشد و سلامت گياهي را ترويج دهد، بارش بيش از حد يا ناکافي ممکن است اثرات مخربي داشته باشد که منجر به پاسخ‌هاي غيرخطي در VHI مي‌شود. عواملي مانند دسترسي به رطوبت خاک، تنش آبي و فيزيولوژي گياه مي‌توانند بر رابطه غيرخطي بين بارش و VHI تأثير بگذارند.

در شکل (4) يکي از دلايل همبستگي متفاوت در سال‌هاي مختلف در هر سه نمودار مي تواند تغييرات آب و هوايي سالانه، مانند رويدادهاي نوسانات ال نينو-جنوبي (ENSO) و ديگر پديده‌هاي آب و هوايي در مقياس بزرگ، که  به طور قابل توجهي بر الگوهاي بارش و ديناميک رطوبت خاک تأثير مي گذارند.

سال‌هايي که با رويدادهاي قوي ENSO يا ساير ناهنجاري‌هاي آب و هوايي مشخص مي‌شوند ممکن است روابط متفاوتي بين رطوبت خاک مدل GLDAS، بارش و VHI در مقايسه با سال‌هاي معمولي نشان دهند. خطاها در داده‌هاي ورودي، پارامترسازي مدل، وضوح مکاني، زماني مي‌توانند عدم قطعيت‌هايي را ايجاد کنند که بر ثبات همبستگي‌ها در سال‌هاي مختلف تأثير مي‌گذارد .(Mu et al., 2011) ادغام اطلاعات رطوبت خاک مدل GLDAS و داده‌هاي مشاهداتي با شاخص‌هاي خشکسالي VHI و بارش، درک جامعي از پويايي خشکسالي را فراهم مي‌کند که براي پايش خشکسالي، سيستم‌هاي هشدار اوليه و تصميم‌گيري در مديريت منابع آب و بخش‌هاي کشاورزي ضروري است. اين تحقيق مي تواند با ارائه اطلاعات دقيق تر و قابل اعتمادتر در مورد شرايط رطوبت خاک، به بهبود ارزيابي خطر خشکسالي و برنامه ريزي تاب آوري کمک کند. درک ارتباط بين رطوبت خاک، سلامت پوشش گياهي

 

 

 

شکل4. پايش خشکسالي کشاورزي سالانه منطقه اکلاهما با مدل GLDAS و شاخص‌هاي VHI و بارش،

 الف- همبستگي سالانه  مدل GLDAS با VHI  ب- همبستگي سالانه مدل GLDAS وبارش ج- همبستگي شاخص VHI و بارش

 

 

و وقوع خشکسالي، بارش فرآيندهاي تصميم‌گيري آگاهانه‌تري را با هدف کاهش اثرات خشکسالي بر بخش‌هاي مختلف، از جمله کشاورزي، جنگل‌داري و تامين آب، امکان‌پذير مي‌سازد. ارزيابي رطوبت خاک مدل GLDAS  با استفاده از داده‌هاي مشاهداتي و شاخص VHI و بارش مي تواند يک رويکرد بين رشته اي همکاري بين هيدرولوژيست ها، اقليم شناسان و کارشناسان سنجش از دور را تقويت مي کند و منجر به روش‌ها و تکنيک‌هاي نوآورانه براي تجزيه و تحليل و تفسير مجموعه داده‌هاي پيچيده مي شود. داده‌هاي GLDAS سوابق ثابت و طولاني‌مدت رطوبت خاک را فراهم مي‌کند و تجزيه و تحليل رويدادها و روندهاي خشکسالي تاريخي را تسهيل مي‌کند. اين تداوم براي درک تغييرپذيري و تداوم شرايط خشکسالي در مقياس‌هاي زماني مختلف ضروري است. داده‌هاي GLDAS به صورت رايگان در دسترس است و براي جامعه علمي و ذينفعان قابل دسترسي است. اين دسترسي، استفاده گسترده را تشويق مي کند و ترکيب داده‌هاي رطوبت خاک GLDAS را در سيستم‌هاي نظارت بر خشکسالي و فرآيندهاي تصميم گيري تسهيل مي کند. به طور کلي، در حالي که داده‌هاي رطوبت خاک GLDAS داراي محدوديت‌ها و عدم قطعيت‌هايي هستند، اطلاعات ارزشمندي را براي پايش و ارزيابي خشکسالي ارائه مي‌دهند و مکمل ساير شاخص‌هاي خشکسالي مانند بارش، دما و شاخص‌هاي پوشش گياهي هستند. ادغام داده‌هاي رطوبت خاک GLDAS در چارچوب‌هاي پايش خشکسالي مي‌تواند درک ما از ديناميک خشکسالي را افزايش دهد و آمادگي و تلاش‌هاي پاسخ را بهبود بخشد.

 

نتيجه گيري

در اين تحقيق به ارزيابي دقت رطوبت خاک مدل GLDAS  با رطوبت خاک مشاهدات زميني پرداختيم و  از دو  شاخص ضريب همبستگي و خطاي جذر ميانگين مربعات استفاده شد. نتايج خطاي جذر ميانگين مربعات نشان از دقت قابل قبول مدل GLDAS با داد‌هاي مشاهداتي داشت. بيشترين متوسط همبستگي با 64/0متعلق به مناطق مرطوب و کمترين متوسط همبستگي با 47/0 مربوط به مناطق خشک بود. همچنين مقايسه همبستگي فصلي ميان داده‌هاي مشاهداتي و مدل GLDAS نشان از همبستگي بالاي داده‌ها در فصل‌هاي زمستان و پاييز بود که يکي از دلايل آن افزايش بارندگي در اين دو فصل است. همبستگي قابل توجه بين خروجي‌هاي GLDAS و داده‌هاي مشاهداتي در طول فصل‌هاي زمستان و پاييز را مي‌توان به توانايي مدل در ثبت فرآيندها و پويايي‌هاي خاص فصل نسبت داد. از نمايش پويايي پوشش برف در زمستان گرفته تا شبيه‌سازي انتقال پوشش گياهي و توزيع مجدد رطوبت در پاييز، GLDAS داراي متغيرها و فرآيندهاي مهمي است که به عملکرد قوي آن در اين فصول کمک مي‌کند. مقايسه داده‌هاي مشاهداتي رطوبت خاک با رطوبت خاک مدل GLDAS  مي تواند به ارزيابي دقت مدل‌ GLDAS کمک ‌کند. مدل GLDAS در مناطق مرطوب به خوبي با داده‌هاي مشاهداتي هماهنگ بود و اين نشان‌دهنده دقت بالا و قابليت اعتماد به مدل GLDAS  در مناطق مرطوب است. در نهايت به بررسي همبستگي ساليانه ميان رطوبت خاک مدل GLDAS با VHI و بارش پرداختيم. نتايج نشان داد که همبستگي مدل GLDAS و شاخص VHIبرابر با 2/0، همچنين همبستگي ميان مدل GLDAS  با بارش 68/0 بود. همبستگي بالا در بعضي از سال‌ها در شکل (4) نشان از تأثير متقابل پيچيده عوامل اقليمي، هيدرولوژيکي و سطح زمين است. درک اين عوامل براي تفسير همبستگي‌هاي مشاهده شده و شناسايي مکانيسم‌هاي اساسي که ديناميک رطوبت خاک را در زمينه‌هاي زماني و مکاني مختلف هدايت مي کند، بسيار مهم است. مقايسه تغييرات مکاني داده‌هاي مشاهداتي و داده‌هاي ماهواره‌اي امکان شناسايي تغييرات در مکان‌هاي خاص را فراهم مي‌کند. اين اطلاعات مي‌توانند براي مطالعه، محيط زيست و منابع طبيعي استفاده شوند. براساس اين مقايسه مي‌توان بهبود پيش‌بيني رخدادها مانند بارش، دما، و شرايط جوي را بررسي کرد. در بسياري از نقاط جهان به دليل عدم وجود داده‌هاي مشاهداتي رطوبت خاک از شاخص خشکسالي رطوبت خاک براي پايش خشکسالي استفاده نمي شود. در اين تحقيق با بررسي رطوبت خاک مدل GLDAS با ساير شاخص هايي خشکسالي VHI و بارش ساليانه به اين نتيجه دست يافتيم که از داده‌هاي رطوبت خاک مدل GLDAS  مي توان براي پايش خشکسالي کشاورزي با دقت بالا استفاده کرد. به طور کلي، اين تحقيق به پيشرفت درک ما از ديناميک رطوبت خاک، بهبود قابليت‌هاي پايش خشکسالي و افزايش انعطاف‌پذيري در برابر خشکسالي کمک مي‌کند.

 

Reference:

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[in persian].

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

Entekhabi, D., Rodriguez-Iturbe, I., & Castelli, F. (1996). Mutual interaction of soil moisture state and atmospheric processes. Journal of Hydrology, 184(1–2), 3–17.

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.

Hossain, F., & Anagnostou, E. N. (2004). Assessment of current passive‐microwave‐and infrared‐based satellite rainfall remote sensing for flood prediction. Journal of Geophysical Research: Atmospheres, 109(D7).

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

يادداشت ها²¹

 

---

[1]  Soil Moisture Active Passive

[2]  Global Land Data Assimilation System

[3]  Noah

[4]  Mosaic

[5]  Community Land Model

[6]  Variable Infiltration Capacity

[7]  Extreme Learning Machine

[8]  Vegetation Health Index

[9]  Volumetric water content

[10]  Root mean square error

[11] Correlation coefficient

[12]  Oklahoma

[13]  Google Earth Engine

[14]  Vegetation Condition index

[15]  Temperature Condition Index

[16]  Normalized Difference Vegetation Index

[17]  Moderate Resolution Imaging Spectroradiometer

[18]  National Drought Mitigation Center

[19]  The fifth generation ECMWF atmospheric reanalysis t

[20]  European Centre for Medium-Range Weather Forecasts

[21]