برآورد رطوبت خاک بر اساس تولیداتNDVI و LST مودیس در مناطق فاقد داده مقالة

مؤلف: اقتدارنژاد، مینا ؛ رفیعی ساردوئی، الهام ؛

پژوهش های فرسایش محیطی تابستاان 1403 - شماره 54 التصنيف ب (Ministry of Science/ISC (‎18 صفحة - من 143 إلی 160 )

الکلمات المفتاحية: سنجش از دور NDVI رطوبت خاک LST. LST Soil moisture NDVI Remote Sensing رطوبت خاک سطحی سنجنده مودیس تخمین رطوبت خاک

fa en

خلاصة:

برآورد رطوبت خاک سطحی برای مدیریت بهینه منابع آب و خاک ضروری است. رطوبت خاک سطحی، متغیری مهم در چرخه آبی طبیعت است که نقش مهمی در تعادل جهانی آب و انرژی و فرآینده‌های هیدرولوژیک، اکولوژیک و هواشناسی دارد. رطوبت خاک به‌دلیل تغییر‌پذیری ویژگی‌های خاک، توپوگرافی، پوشش گیاهی و پویایی نیوار در زمان و مکان تغییر می‌کند. اندازه‌گیری رطوبت خاک، به‌طور مستقیم با استفاده از اندازه‌گیری‌های میدانی مانند نوترون‌متر و [1]TDR یا به‌طور غیر مستقیم به‌وسیله توابع انتقالی و یا سنجش از دور انجام می‌شود. از آنجا که اندازه‌گیری‌های میدانی معمولا در پهنه‌های وسیع هم هزینه‌بر و هم زمان‌بر و گاهی نشدنی می‌باشد، برای برآورد رطوبت خاک در مقیاس‌های مکانی بسیار بزرگ، می‌توان روش‌هایی همچون سنجش از دور را به‌کار گرفت. این تحقیق با هدف بررسی امکان برآورد رطوبت لایه سطحی خاک با استفاده از تصاویر سنجنده مودیس و مقایسه آن با داده‌های زمینی انجام شد. در این مطالعه، رطوبت خاک در عمق‌های صفر تا سی سانتی‌متر با استفاده از رابطه بین شاخص گیاهی ماهواره‌ای ([2]NDVI)، دمای سطح زمین (LST[3]) و رطوبت مشاهده‌ای خاک در مقیاس منطقه‌ای با تفکیک مکانی یک کیلومتر‌مربع برای سال‌های 2021 و 2022 برآورد شد. ضریب تعیین R2 و AIC معادلات رگرسیون به‌ترتیب 78/0 و 2/166 به‌دست آمد که نشان می‌‌دهد رویکرد برآورد بر‌ اساس داده‌‌های NDVI و LST مودیس، مناسب بوده و می‌‌تواند برای تخمین رطوبت خاک طی سال‌‌های 2007 تا 2022 استفاده شود.

1- Introduction Soil moisture can be considered in the control of desertification, agricultural activities, watershed management and optimal management of water resources. Since the country of Iran is facing many problems in these fields, the expansion of studies in the field of accurate estimation of soil moisture becomes important (Mehrabi et al., 2019). The GLDAS system may have a high error compared to the measured data in some areas. Therefore, it is necessary before the data and results of this product are used as a decision-making tool in the region. The quality of these data should be evaluated locally using ground-measured data (Polo et al, 2016 & Sanchez-Lorenzo et al, 2013 & Zhang, 2019).In this study, Terra MODIS data was used to estimate soil moisture due to higher spatial resolution (1 km). Due to the fact that it is difficult to estimate the humidity time series in the field, and radar remote sensing methods produce humidity maps with low spatial resolution. Therefore, in this study, a new method was introduced to prepare a soil moisture map with higher spatial resolution based on NDVI and LST MODIS products.The purpose of this study is to estimate soil moisture in Jiroft city using the products of the Morris sensor and NDVI and LST indices. Considering that Jiroft plain is one of the agricultural poles of Iran. Estimating the time series of soil moisture and then providing a drought index based on soil moisture is a useful method for investigating agricultural drought in the study area. 3- Results LST and NDVI have high relative importance in arid regions (Park et al, 2016). In the study area, an algorithm based on remote sensing was used for soil moisture time series due to the lack of access to soil moisture time series. Moody's LST and NDVI products with a resolution of 1 square kilometer were used during 2007-2022. Then multiple linear regression was created using OLS method between soil moisture observations (2021 and 2022) and NDVI and LST time series data. Based on the results, both independent variables NDVI and LST were significant at the 99% level) p-value2 = 0.78 and it shows the accuracy of soil moisture estimation method. R2 was obtained as 0.74 and 0.8 in the years 2021 and 2022, respectively, which indicates the accuracy of the predicted values. 4- Discussion & Conclusions Estimation of spatial and temporal changes of soil moisture is an important issue in low data areas such as Iran. We proposed a multiple regression model based on Modis NDVI and LST to obtain surface soil moisture at a regional scale. The results showed that the multivariate linear regression method can be used to estimate soil moisture products with high resolution in areas with little data in the surface layers of the soil. Park et al. (2016) stated that LST and NDVI have high relative importance in arid regions. In the studied area, according to previous studies (Bai et al, 2020 & Wang et al, 2007), an algorithm based on remote sensing was used for soil moisture time series due to the lack of access to soil moisture time series became. Moody's LST and NDVI products with a resolution of 1 square kilometer were used during 2007-2022. Then multiple linear regression was created between soil moisture observations (2021 and 2022) and NDVI and LST time series data using OLS method. Based on the results of simulated soil moisture changes and the OLS method in estimating soil moisture (0-30 cm), both independent variables NDVI and LST were significant at the 99% level (p-value Therefore, there is no linearity between the independent variables. The standard error is small, which indicates that the estimated value is exactly the true value. The value of t statistic of two variables is higher than 2, which is considered statistically significant. Overall, R2 was 0.7 And it showed the accuracy of the soil moisture estimation method, which is consistent with the results of (Khanmohammadi et al, 2008 & Lin et al, 2015).

ملخص الجهاز:

ضريب تعيين R٢ و AIC معادلات رگرسيون به ترتيب ٠/٧٨ و ١٦٦/٢ به دست آمد که نشان ميدهد رويکرد برآورد بر اساس داده هاي NDVI و LST موديس ، مناسب بوده و ميتواند براي تخمين رطوبت خاک طي سال هاي ٢٠٠٧ تا ٢٠٢٢ استفاده شود. در کشور چين Wang و همکاران (٢٠٠٧) با استفاده 144 پژوهش هاي فرسايش محيطي ١٤:٢ (٥٤)، تابستان ١٤٠٣، ١٦٠-١٤١ از تصاوير MODIS و شاخص هاي NDVI و LST روابط رگرسيوني براي برآورد رطوبت خاک به دست آوردند که نتايج حاصله همبستگي بالايي را با مشاهدات زميني نشان داده است . هم چنين ، برخي در تحقيقات از رطوبت خاک به دست آمده از مدل هاي سطح زمين مبتني بر مشاهده از سيستم جذب داده هاي زمين جهاني (GLDAS١) استفاده شده است ، ( & ٢٠١٣ Chen et al & ٢٠١١ ,Rui & ٢٠٠٤ ,Rodell et al 1 Global Land Data Assimilation System 1 145 مينا اقتدارنژاد و همکاران برآورد رطوبت خاک براساس توليدات NDVI و LST ٢٠١٩ ,Zuo et al & ٢٠١٧ ,Cai et al & ٢٠١٦ ,Bi et al & ٢٠١٥ ,Pablo et al). / شکل ١: نقشه موقعيت منطقه مورد مطالعه در استان کرمان و ايران ٣- مواد و روش ٣ـ١ـ داده ها و مراحل اجراي پژوهش در اين مطالعه از داده هاي رطوبت خاک اندازه گيري شده به صورت ميداني در سال ٢٠٢١ و ٢٠٢٢، محصولات سنجنده موديس شامل شاخص دماي سطح زمين (LST) و شاخص اختلاف پوشش گياهي نرمال شده (NDVI) استفاده شد.

استلام ملف الإرجاع :
(پژوهیار, , , )

تحميل
تحميل HTML

رابط قصير:

صفحة:

دخول / الاشتراک

تحتاج الدخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.

دخول