|
|
|
|
ارزیابی رطوبت خاک مدلgldas با استفاده از داده های مشاهداتی، شاخص vhi و بارش
|
|
|
|
|
|
|
|
نویسنده
|
رضایی کوجانی سحر ,حسینی عباس ,شرافتی احمد
|
|
منبع
|
حفاظت منابع آب و خاك - 1403 - دوره : 14 - شماره : 2 - صفحه:39 -48
|
|
چکیده
|
زمینه و هدف: داده‌های رطوبت خاک به دست آمده از ماهواره‌ها نقش مهمی در مدیریت موثر منابع آب، به ویژه در مناطق مستعد کم آبی و خشکسالی ایفا می‌کند. با نظارت بر پویایی رطوبت خاک در طول زمان، سیاست‌گذاران آب می‌توانند استراتژی‌های تخصیص پایدار آب را توسعه دهند، اقدامات حفاظت از آب را اجرا کنند و اثرات نامطلوب خشکسالی بر کشاورزی را کاهش دهند. داده‌های ماهواره‌ای شناسایی نقاط بالقوه تنش آبی را تسهیل می‌کند. داده‌های ماهواره‌ای شناسایی نقاط تنش آبی بالقوه را تسهیل می‌کند هدف از این پژوهش ارزیابی دقت رطوبت خاک مدل gldas با داده‌های مشاهداتی در مناطق با آب و هوای مرطوب، نیمه مرطوب، خشک و پایش خشکسالی کشاورزی با استفاده از مدل gldas، شاخص خشکسالی vhi و بارش سالیانه است.روش پژوهش: در این پژوهش رطوبت خاک مدل gldas از سال 2003 تا سال 2020 در 6 منطقه کشاورزی اکلاهما به صورت روزانه استخراج و با داده‌های مشاهداتی ثبت شده در6 منطقه کشاورزی واقع در اکلاهما مقایسه شد. برای درک بهتر از میزان اختلاف میان داده های رطوبت خاک مدل gldas با داده‌های مشاهداتی، مناطق کشاورزی به سه منطقه مرطوب، نیمه مرطوب، خشک تقسیم شدند و نهایتا به کمک دو شاخص ضریب همبستگی cc و خطای جذر میانگین مربعاتrmse، به صورت روزانه، فصلی و سالانه مورد ارزیابی قرار گرفتند.یافته‌ها: نتایج نشان داد بیشترین متوسط همبستگی رطوبت خاک فصلی مربوط به فصل زمستان و پاییز است و یکی از دلایل آن بارندگی بیشتر در این فصول است. بیشترین همبستگی متوسط مناطق با 0.64متعلق به مناطق مرطوب و کمترین متوسط همبستگی 0.47 مربوط به مناطق خشک بود. مناطق مرطوب معمولاً پوشش گیاهی بیشتری نسبت به مناطق خشک دارند. پوشش گیاهی به دلیل تاثیر بر سیگنال‌های مایکروویو دریافتی توسط سنسورهای ماهواره‌ای بر دقت تخمین‌های رطوبت خاک ماهواره تاثیر می گذارد. همچنین وجود پوشش گیاهی متراکم، بازیابی رطوبت خاک داده‌های ماهواره‌ای را بهبود می‌بخشد، به ویژه مناطقی که پوشش گیاهی فراوان دارند. نتایج بررسی rmse (cm3/cm3) مدل gldas و داده‌های مشاهداتی در 6 منطقه کشاورزی اکلاهما نشان دهنده عملکرد خوب مدل gldas بود. در ادامه همبستگی داده‌های مدل gldas با شاخص خشکسالی vhi و بارش مورد بررسی قرار گرفت که همبستگی رطوبت خاک مدل gldas با داده‌های بارش 17 ساله برابر با 0.68 و همبستگی مدل gldas و vhi برابر با 0.2 بود. یکی از دلایل تغییرات همبستگی بین بارش، vhi و رطوبت خاک مدل gldas، تغییرات پارامترهای هیدرولوژیکی مانند تغذیه آب زیرزمینی، نرخ تبخیر و تعرق، و رواناب سطحی، در سال‌های مختلف است.نتایج : با توجه به نتایج به دست آمده رطوبت خاک به عنوان یک واسطه حیاتی بین بارش و vhi عمل می‌کند. در حالی که بارش به طور مستقیم بر دینامیک‌های رطوبت خاک تاثیر می‌گذارد، رطوبت خاک، به نوبه خود، جذب آب گیاه، تعرق و فرآیندهای فیزیولوژیکی را کنترل می‌کند که به vhi منجر می‌شود. داده‌های رطوبت خاک مدل gldas را می‌توان برای پایش و ارزیابی خشکسالی استفاده کرد. داده‌های gldas در فواصل زمانی منظم (به عنوان مثال، روزانه، ماهانه) در دسترس هستند، که امکان نظارت بر پویایی رطوبت خاک را در طول زمان فراهم می‌کند. این وضوح زمانی برای ردیابی شروع، مدت و شدت رویدادهای خشکسالی بسیار مهم است. نتایج این تحقیق نشان می‌دهد که می‌توان از داده‌های رطوبت خاک مدل gldas با اطمینان خاطر در پایش خشکسالی کشاورزی استفاده کرد.
|
|
کلیدواژه
|
خشکسالی، رطوبت خاک، سنجش از دور، شاخص سلامت گیاه، gldas
|
|
آدرس
|
دانشگاه آزاد اسلامی واحد علوم و تحقیقات, گروه مدیریت ساخت و آب, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات, دانشکده عمران، هنر و معماری, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات, دانشکده عمران، هنر و معماری, ایران
|
|
پست الکترونیکی
|
asharafati@gmail.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
evaluation of gldas model soil moisture using observational data, vhi index and precipitation
|
|
|
|
|
Authors
|
rezaei kojani sahar ,hosseini abbas ,sharafati ahmad
|
|
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
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|