دوشنبه, 30 مهر 1397

 برآورد رطوبت خاک تنها با استفاده از نمونه­های هیدرولوژیکی در یک منطقه گسترده همیشه امکان­پذیر نیست (6) و از سویی روش‌های زمینی برآورد رطوبت خاک، نقطه‌ای هستند و افزون بر فعالیت‌های میدانی، آنالیزهای پس پردازش مفصلی نیز دارند. در نتیجه این روش‌ها به ‌شدت هزینه‌بر هستند (4). با این‌حال سنجش‌ازدور می­تواند به عنوان ابزاری مناسب در سطح گسترده و با هزینه کمتر، رطوبت لایه سطحی خاک را برآورد کند. میتوان این کار را با بررسی امکان برآورد رطوبت لایه سطحی خاک از تصاویر ماهواره­ای مودیس با استفاده از نمایه­ پوشش های دمایی از قبیل LST بدست آورد. برای انجام این کار، از داده­های میدانی رطوبت خاک و تصاویر سنجنده مودیس در طول دوره مهر 92 تا خرداد 93 در شهرستان گنبد کاووس، استان گلستان، استفاده شده است. در هیمن بازه زمانی برای روز­های نمونه­گیری از تصاویر سنجنده مودیس نمایه­های LST محاسبه شد. برای بررسی داده های این تحقیق، از نرم افزار کلمنتاین استفاده شده است.

پژوهشگران از آغاز دهه 1980 شروع به استخراج اطلاعات از پوشش گیاهی زمین به‌وسیله سنجنده­های ماهواره­ای کردند. از مهم‌ترین نمایه­هایی که برای نشان دادن وضعیت پوشش گیاهی و خشکسالی مورد استفاده قرار گرفت می‌توان به استفاده ترکیبی از اطلاعات ماهواره­ای دمای سطح زمین LST و نمایه­های گیاهی را در برآورد رطوبت خاک اشاره کرد. پژوهشگران باور دارند که ترکیب این داده­ها می­تواند اطلاعات بهتری از تنش­های گیاهی و شرایط رطوبتی سطح زمین فراهم آورد (3 و 5).  

هدف از انجام این پژوه بررسی امکان برآورد رطوبت لایه سطحی خاک با استفاده از داد­ه­های باندهای مرئی، فروسرخ نزدیک و گرمایی سنجنده­ مودیس در اراضی با اقلیم نیمه‌خشک معتدل گنبد می­باشد. برای این منظور وجود همبستگی بین رطوبت خاک به‌دست ‌آمده از عملیات میدانی با نمایه­ گرمایی حاصل از تصاویر سنجنده مودیس بررسی شد. نتایج این بررسی می­تواند به‌عنوان روشی کاربردی در مطالعات محیطی توسط پژوهشگران علوم گوناگون مورد استفاده قرار گیرد.

 

مواد و روشها

منطقه مورد مطالعه

      محدوده مورد مطالعه در این پژوهش، بخش‌هایی از شمال شرق شهرستان گنبدکاووس در استان گلستان می‌باشد. این منطقه با گستره­ای نزدیک به 50 کیلومترمربع بین عرض‌های جغرافیایی '25o 37 تا '28 o37 شمالی و طول‌های جغرافیایی '22 o55 تا '22 o55 شرقی واقع‌شده است. موقعیت جغرافیایی منطقه مورد مطالعه در شکل 1 آمده است. آب ‌و هوای منطقه مورد مطالعه، بر اساس طبقه‌بندی اقلیمی آمبرژه دارای اقلیم نیمه‌خشک معتدل بوده و متوسط دمای سالانه آن 5/18 درجه سانتیگراد و میانگین بارش سالانه 5/461 میلی‌متر می­باشد.

 

شکل 1- موقعیت جغرافیایی منطقه مورد مطالعه

 

 

روش جمع­آوری داده­ها و پردازش اطلاعات

       برای انجام این پژوهش، منطقه­ای به طول تقریبی 10 کیلومتر و عرض 5 کیلومتر برگزیده شد که شامل مزرعه گندم و مرتع بود و در طی روزهای نمونه­برداری 125 نقطه برداشت شد. برای اطمینان بیشتر، از چند نقطه داخل پیکسل نمونه­برداری رطوبت خاک صورت گرفت و سرانجام میانگین رطوبت این نقاط به‌عنوان میانگین رطوبت پیکسل لحاظ شد.

        تعداد 15 تصویر مناسب تولید شده از تصاویر سنجنده مودیس3 برای روزهایی که اندازه­گیریهای میدانی رطوبت خاک موجود بود، از سایت مربوط به محصولات مودیس دریافت شد 4 . ویژگی­های تصاویر مورد استفاده در جدول 1 آورده شده است. برای پردازش این تصاویر از نرم‌افزار Envi 4.8 استفاده شد. پس از انجام تصحیحات لازم بر روی تصاویر مورد نظر مقادیر طیفی باندهای بازتابی و گرمایی استخراج و سپس LST محاسبه گردید. با استفاده از آنها مدل­های رگرسیونی گوناگون شامل مدل­های خطی یک متغیره و چند متغیره برای برآورد رطوبت خاک بررسی و مناسب­ترین آنها برگزیده شد. همچنین برای ارزیابی مدل­ها، مقایسه میانگین­­ توسط آزمون t  انجام شد. همچنین برای انجام تحلیل های آماری از نرم افزار Clementine 12.0 استفاده شده است.

 

جدول 1- ویژگی­های تصاویر گرفته شده از سنجنده مودیس

ردیف

تاریخ تصویر (شمسی)

ساعت تصویربرداری

(گرینویچ)

ردیف

تاریخ تصویر (شمسی)

ساعت تصویربرداری

(گرینویچ)

1

۱۳۹۲/0۷/۱۱

07:15

9

۱۳۹۳/0۱/0۵

06:45

2

۱۳۹۲/0۷/۱۹

07:05

10

۱۳۹۳/0۱/۲۷

07:45

3

۱۳۹۲/0۸/0۲

07:35

11

31/01/1393

06:45

4

۱۳۹۲/0۸/۲۴

07:00

12

13/02/1393

06:50

5

۱۳۹۲/0۹/0۴

07:35

13

23/02/1393

07:30

6

۱۳۹۲/0۹/۱۷

07:05

14

28/02/1393

07:50

7

۱۳۹۲/۱۰/۲۳

06:40

15

10/03/1393

07:15

8

۱۳۹۲/۱۱/۱۹

07:15

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

3- MODIS

4- http://lance-modis.eosdis.nasa.gov/cgi-bin/imagery/realtime.cgi

 

روش تحقیق

محاسبه دمای سطح زمین  LST

دمای سطحی (Ts) بر حسب کلوین از معکوس سازی معادله پلانک و برای جسم غیر سیاه از رابطه زیر به دست می­آ­ید (2).

 

 

 

که در آن، R بازتابش باند گرمایی) (W/m2/sr/µs ، ε گسیلمندی سطحی وK1  و K2 ضریب­های معادله هستند که از رابطه­های زیر به دست می­آیند.

 

که در آنها، h ثابت پلانک، (J.s)34-10× 626/6، c سرعت نور، (m/s)108 × 998/2، k ثابت بولتزمن (J/K)  23-10× 381/1 و λ طول موج برحسب متر می­باشد. برای سنجنده مودیس مقادیر K1 و K2 بدین ترتیب محاسبه می­شود:

 

برای باند 31:  3/1306 K1= و 7/730 K2=

برای باند 32:  7/1198 K1= و 5/475 K2=

 

دمای سطح زمین بر حسب کلوین بر اساس رابطه استفاده شده توسط کارماسن به صورت زیر محاسبه می­شود:  

 

 

 

نتایج و بحث

 رطوبت خاک و نمایه­های گرمایی

مدل 1 (جدول 2) همبستگی میان رطوبت خاک و نمایه گرمایی (LST) را نشان میدهد. تصویر شماره 2 نشان دهنده رابطه دمای برآوردی سطح زمین (از تصاویر سنجنده مودیس) و رطوبت خاک اندازه گیری شده می باشد. همبستگی منفی بالا و بسیار معنی­داری که از آزمون F بدست آمده (89/0- =r؛ 01/0≥p) میان دمای سطح خاک (LST) و رطوبت اندازه­گیری شده نمایشگر آن است که 79 درصد تغییرات رطوبت سطح خاک توسط این نمایه بازگو می­شود. ازاین­رو، با فراهم بودن رطوبت در سطح خاک، شار گرمای نهان افزایش و سهم گرمای محسوس و گرمای انباشتی در خاک کاهش می­یابد. برای مدل­های 2 و 3 (جدول 2)، برای برآورد رطوبت خاک به جای LST از دماهای باند 31 و 32 سنجنده مودیس (T31 & T32) ، که نمایشگر دمای زمین و ابرها هستند، استفاده شد، که به ترتیب دارای ضریب همبستگی 87/0- و 85/0- می­باشند. این دو مدل در همسنجی با مدل 1 از برتری ویژه­ای برخوردار نیست.

یافته­های دمای زمین و باندهای گرمایی زمین نشانگر نقش آنها در آشکارسازی رطوبت خاک است، ازاین­رو می­توان با ترکیب آنها به مدل بهتری دست یافت. مدل 4 (جدول 2) رابطه رگرسیونی سه متغیره LST، T31 و T32 را با رطوبت خاک نشان می­دهد، که ضریب همبستگی را نسبت به مدل 3، حدود 2 درصد افزایش داده است (91/0 = r؛ 62/2 = RMSE). به ­دلیل کاربرد دماهای باند 31 و 32 در محاسبه دمای سطح زمین و تاثیر مقدار رطوبت بر آنها روابط رگرسیونی خطی یک متغیره و چند متغیره که بیان کننده پیوند بین آنها و رطوبت خاک است بررسی شد. بنابراین، برپایه این یافته­ها مدل 4 شامل سه متغیر  LST، T31 و T32، برآورد بهتری از رطوبت سطحی خاک فراهم می­کند.

 

 

 

جدول 2- معادله­ها و ضرایب مدل­های رگرسیونی برازش داده شده

نوع سنجش

مدل

معادله

r

RMSE

P

گرمایی

1

 

SM=-0.41 LST+131.73

89/0-

51/2

≤0.01

2

SM=-0.44 T31 +140.38

87/0-

73/2

≤0.01

3

SM=-0.46T32 +144.21

85/0-

88/2

≤0.01

4

SM=2.60 LST – 10.95 T31 +8.06 T32 +96

91/0

64/2

≤0.01

 

SM - رطوبت برآوردی خاک؛ r- ضریب همبستگی

 

 

 

 

 

 

 

 

 

 

 

 

شکل 2- رابطه دمای برآوردی سطح زمین (از تصاویر سنجنده مودیس) و رطوبت خاک اندازه گیری شده (مدل 1)

 

       روند تغییرات رطوبت خاک با زمان در دوره نمونه­برداری ( از مهر ماه 92 تا خرداد 93) در شکل 3 دیده می­شود. بر پایه این نمودار تغییرات زمانی رطوبت خاک با تغییرات LST وارونه است بدین گونه که هرگاه دمای سطح کم بوده مقدار رطوبت خاک زیاد بوده است. این تغییرات تقریبا همزمان به رخداد پیوسته و دارای کمترین پسماند زمانی می­باشند. این موضوع پاسخ سریع تغییرات رطوبت نسبت به تغییرات دما را تایید می­کند. همان طور که پیداست LST و رطوبت دارای رابطه معکوس بوده و مقدار منفی r نیز این موضوع را نشان میدهد. در شکل 3 نیز مشخص است که هرجا رطوبت زیاد شده، LST کم شده است.  

 

شکل 3- روند تغییرات نمایه LST  با تغییرات رطوبت سطح خاک در دوره نمونه برداری

Text Box: رطوبت وزنی 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

برای ارزیابی مدل‌های ارائه شده از آزمون t در سطح 5 درصد و به روش مقایسه میانگین­های نمونه­های مستقل بین مقادیر اندازه­گیری شده و مقادیر به‌دست‌آمده از مدل­های رگرسیونی انجام شد (جدول 3). در همه موارد فرض صفر برای مدل‌های ارائه شده پذیرفته شد (تایید فرض صفر به این معناست که تفاوت معنی­داری بین مقادیر رطوبت خاک مشاهداتی و برآوردی وجود ندارد) و درنتیجه اختلاف معنی­داری بین مقدارهای رطوبت اندازه­گیری شده و برآورد شده وجود نداشت (جدول3). با توجه به همه مدل­های ارائه شده، مدل گرمایی ارائه شده شامل سه متغیر  LST، T31 و T32 (مدل 4) دارای بیشترین همبستگی (r=0.91) می باشد ولی این مدل ها به طور کلی نتایج یکسانی دارند.  

 

جدول 3- مقایسه میانگین رطوبت­های اندازه­گیری شده و برآورد شده با استفاده از نمایه­های سنجش از دور در منطقه گنبدگاووس (داده­های پاییز و زمستان 1392، و بهار 1393)

مدل

میانگین

خطای استاندارد

انحراف معیار

           P

1

01/8

43/0

86/4

>0.05

2

01/8

42/0

75/4

>0.05

3

01/8

42/0

66/4

>0.05

4

01/8

44/0

99/4

>0.05

 

 

 

 

 

 

 

 

 

 

پس از ورود داده ها به نرم افزار کلمنتاین (1) با کمک تابعMeans  ، رابطه بین داده های واقعی اندازه گیری شده از سطح زمین و نیز داده های به دست آمده از تصاویر ماهواره ای مقایسه و به نتیجه مطلوبی دست یافتیم.

 

 

 

 

 

 

 

 

 

 

 

 

شکل 4- نتایج بدست آمده به کمک تابع Means

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 5- نتایج بدست آمده به کمک تابع Means

 

 

 

 

 

 

 

 

 

شکل 6- نتایج بدست آمده به کمک تابع Means

 

در تصاویر4، 5 و 6  با استفاده از تابع Means معنی داری روابط موجود در مدل ها نشان داده می شود.

  

 

 

 

 

 

 

 

 

شکل 7-  نتیجه مربوط به مدل 1 در جدول 2

 

 

 

 

 

 

 

 

 

 

شکل 8-  نتیجه مربوط به مدل 2 در جدول 2

 

 

 

 

 

 

 

 

 

 

 

شکل 9-  نتیجه مربوط به مدل 3 در جدول 2

 

 

 

 

 

 

 

 

 

 

شکل 10-  نتیجه مربوط به مدل 4 در جدول 2

 

 

 

 

نتیجه­گیری

به‌طورکلی می­توان گفت با دخالت نمایه­های گرمایی، رطوبت خاک به دست آمده از مدل­ها دقیق‌تر و نزدیک‌تر به واقعیت خواهد بود. در این پژوهش نمایه­ گرمایی به‌تنهایی توانسته رابطه خوبی با رطوبت سطحی خاک برقرار کنند.

در پایان باید به این نکته اشاره کرد که با توجه به تجربی بودن مدل­های مورد استفاده نمی­توان به‌طور مشخص اعلام کرد که می­توان از یک الگوریتم خاص برای همه مناطق استفاده کرد. باید برای هر منطقه با توجه به شرایط محیطی و آب و هوایی کم خطاترین و بهترین روش را برای برآورد رطوبت سطحی به دست آورد. البته روش­های نظریه بر اساس رابطه­های فیزیکی می­تواند نتایج دقیق­تری بدست دهد و این موضوع نیاز به پارامترها و روش­های حل پیچیده­تری دارد. تلاش برای ساده­سازی هر چه بیشتر این مدل­ها با دقت قابل‌قبولی می­تواند زمینه­ساز پژوهش­های بیشتری در آینده باشد.

 

مراجع

  1. کتاب راهنمای فارسی کلمنتاین – محسن جلالی مجیدی – عضو هیأت علمی دانشگاه آزاد اسلامی واحد مشهد  
  2. Babazadeh, H., E. NorouziAghdam, H. Aghighi, S.A. Shamsnia, and D. Khodadadi dehkordi. 2012. Estimation of soil surface moisture in arid and semiarid pasture land using remotely sensed Temperature/Vegetation Index measurements (TVX) (Case Study: Khorasan Province). Iranian Journal of Range and Desert research, 19(1):120-132. (In Farsi)
  3. Gutman, G. 1990. Towards monitoring drought from space. Journal of Climate, 3: 282-295.
  4. Moran, M.S., D.C.Hymer and E.E Sano. 2000.  Soil moisture evaluate usingmulti-temporalsyntheticaperturesystem(SAR)insemiaridrangeland. AgriculturalandForestMeteorology, 105:69–80.   
  5. Wang, L. and J.J. QU. 2007. NMDI: A Normalized Multi-Band Drought Index For Monitoring Soil And Vegetation Moisture With Satellite Remote Sensing. Geophysical Research Letters 34: L20405.
  6. Zhao, S., Y. Yang, G. Qiu, Q. Qin, Y. Yao, Y. Xiong and C. Li. 2010.  Remote detection of bare soil moisture using a surface-temperature-based soil evaporation transfer coefficient, International Journal of Applied Earth Observation and Geo information. 12: 351-358. 
   تاریخ ثبت: 1396/04/18 | تعداد بازدید:787 |متن کامل |
دیدگاه کاربران