برآورد رطوبت خاک با استفاده از سنجش از دور نوری، حرارتی و راداری (مطالعه موردی: اراضی جنوب تهران)

رطوبت خاک یکی از پارامترهای مهم محیطی است. روش های سنتی اندازه‌گیری میدانی رطوبت خاک نمی توانند تغییرات مکانی رطوبت را به‌نحو مطلوب نشان دهند. سنجش از دور نقش کاربرد وسیعی در این امر پیدا کرده است. هدف پژوهش، دسترسی به یک مدل برآورد رطوبت خاک در جنوب تهران است. داده‌های ماهواره‌ای لندست 8 و ماهواره راداری 1sentinel از استان تهران تهیه شد. 128 نمونه خاک هم زمان با گذر ماهواره از منطقه برداشت و در مرحله اعتبارسنجی استفاده شدند. با پیش پردازش‌های لازم بر روی تصاویر ماهواره‌ای و با بهره گیری از چهار گروه از شاخص های مختلف: 1) savi، ndvi، mi،ndwi 2)باندهای لندست8 3) فیلترهای رادار 4) lst اقدام به مدل سازی رطوبت خاک گردید. بررسی دقت توابع و معرفی دقیق‌ترین مدل‌ها، با محاسبه‌ی انواع روابط رگرسیونی بین معیارهای مذکور و نقاط زمینی انجام شد که نتایج حاصل از مقایسه‌ی روابط در گام نهایی، به معرفی دو مدل رگرسیون چند متغیره برای برآورد رطوبت منطقه مورد نظر ختم گردید. نتایج نشان دادند که مدل‌های معرفی شده از ضریب همبستگیِ مناسب r2=72 و r2=81 برخوردارند. همچنین در میان شاخص‌های موجود در چهار گروه، شاخص savi، باند1، باند11، فیلتر لی و lst ، بیشترین همبستگی برای برآورد رطوبت خاک را دارا می‌باشند.

Estimation of soil moisture using optical, thermal and radar Remote Sensing )Case Study: South of Tehran(

Traditional methods of field measurement of soil moisture in addition to the difficulty, the need for manpower and money and fail to take place on a large scale to be able to show moisture. Therefore, remote sensing has become a widespread use .Landsat 8 satellite data and Sentinel1 radar satellite from Tehran were provided. 72 soil samples were taken at the same time by satellite passing from the area and used in the validation phase With the necessary processing on satellite images and utilizes four different groups of indicators: 1) SAVI, NDVI, MI, NDWI 2) bands of Landsat 8 3) filters Radar 4) LST to modeling soil moisture. The investigation of the accuracy of functions and the introduction of the most accurate models was done by calculating the regression relations between these criteria and the ground points. The results of comparison of relations in the final step introduced two multivariate regression models to estimate the moisture content of the proposed area. The results showed that the proposed models have a good correlation coefficient of R2 = 62 and R2 = 73. Also, among the indicators in the four groups, SAVI, Band 1, Band 11, Li and Least filters have the highest correlation for estimating soil moisture content.Keywords: Remote Sensing, Soil Moisture, Landsat 8, Sentinel1.