برآورد رطوبت سطح خاک با استفاده از داده آلوس پالسار 2

توزیع زمانی و مکانی رطوبت خاک متغیری کلیدی در برنامه‌ریزی هیدرولوژیکی است. در محدوده تحقیق، افزایش رطوبت خاک باعث سرعت شکل‌گیری رواناب می‌شود. هدف این تحقیق بررسی پتانسیل باند l از سنجنده پالسار 2 (palsar2) ماهواره آلوس (alos)، در برآورد رطوبت سطح خاک، به‌منظور مدیریت منابع آب و کاهش مخاطرات ناشی از سیل است. با استفاده از نمونه‌برداری تصادفی خوشه‌ای، نمونه‌ها دریافت شد. هم‌زمان با دریافت داده sar رطوبت وزنی، زبری سطح و محتوای آب گیاهی، میانگین ضرایب بازپراکنش راداری و زاویه فرود روی تصویر اندازه‌گیری شد. مراحل پیش‌پردازش، پردازش و پس‌پردازش داده sar با استفاده از نرم‌افزار snap و شاخص‌های گیاهی و نمناکی از لندست 8 سنسور oli در محیط arcgis 10/5 استخراج شد. برای دریافت زبری سطح، دو دوربین دارای زاویه مایل به‌کار رفت و بیست قطعه عکس، با ده نقطه کنترلی (gcp) برای هر خوشه، گرفته شد. سپس با نرم‌افزار agisoft photoscan ابر نقاط متراکم محاسبه و سپس مش‌بندی به‌منظور تولید dtm انجام گرفت. از زبانه analysts 3d در arcgis پروفیل طولی ناهمواری‌های سطح برای هر خوشه استخراج شد. به‌منظور انتخاب مدل مناسب در منطقه، سه مدل در برآورد رطوبت سطح خاک، شامل مدل‌های duboismlrwcm، مد نظر قرار گرفت. نتایج سه مدل در برآورد رطوبت سطح خاک در پلاریزه hh به‌ترتیب در مدل dubois با  و ، مدل mlr با  و  و مدل wcm با  و  به‌دست آمد. نتایج نشان داد مدل dubois در اراضی بایر تا تنک برای محدوده تحقیق و شرایط مشابه مناسب‌تر است.

Estimation of Soil Surface Moisture Using ALOSPALSAR2 Data

Temporal and spatial distribution of soil moisture is a key variable for hydrological planning. In the research area, increasing soil moisture accelerates the formation of runoff. The purpose of this study is to investigate the Lband potential of the Pulsar 2 sensor from the ALOS satellite in estimating soil surface moisture in order to manage water resources and reduce flood hazards. Samples were taken using random sampling. Simultaneously with obtaining SAR data, weight moisture, surface roughness and plant water content, average radar backscattering coefficients and indices angle were measured on the image. The preprocessing, processing and postprocessing stages of SAR data were calculated using SNAP software and extraction of plant and moisture indices in ArcGIS 5.10 environment. Surface roughness was obtained using two angled cameras with 20 images with 10 control points (GCP) for each cluster, then using Agisoft Photo Scan software, dense cloud meshes and meshing were performed to produce DTM. Longitudinal profiles of surface roughness for each cluster were extracted from the Analysts 3D tab in ArcGIS. In order to select the appropriate model in the region, three models were considered in estimating soil surface moisture including DuboisMLRWCM models. The results of three models in estimating soil surface moisture in HH polarization in Dubois model with R2 = 0.82 and RMSE = 0.027, MLR model with R2 = 0.71 and RMSE = 0.03 and WCM model with R2 = 0.67 and RMSE, respectively = 0.033 was estimated. The results showed that Dubois model is more suitable for research areas and similar conditions in lands with sparse to medium cover.Keywords: Soil surface moisture, ALOS PALSAR 2, Dubois model, Multivariate linear regression model, Water cloud model