نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی پژوهشگاه هواشناسی و علوم جو

2 فارغ التحصیل دکتری رشته مهندسی منابع آب

3 دانش آموخته دکتری هواشناسی کشاورزی

10.30467/nivar.2022.315991.1206

چکیده

علیرغم نقش مهم رطوبت سطح خاک در مدیریت منابع آب و خاک متاسفانه در ایران شبکه سراسری پایش رطوبت خاک وجود نداشته و توزیع مکانی ایستگاه‌های اندازه‌گیری محدود می‌باشد. بنابراین، در پژوهش حاضر تلاش شد نقشههای توزیع مکانی و زمانی رطوبت خاک از محصولات SMAP در طی بازه زمانی 2015 تا 2021 در گستره ایران استخراج و تحلیل گردد. نتایج نشان می‌دهد مقادیر ماهانه رطوبت خاک عمق 5 سانتیمتری در دوره 7 ساله در ایران بین 005/0 تا 538/0 مترمکعب بر مترمکعب متغیر بوده و میانگین زمانی-مکانی رطوبت خاک کشور 137/0 مترمکعب بر مترمکعب می‌باشد. تحلیل نقشههای میانگین ماهانه رطوبت خاک توسط SMAP نشان داد که بیشترین و کمترین مقدار میانگین 7 ساله در ماه‌های فوریه و اوت به ترتیب 192/0 و 079/0 مترمکعب بر مترمکعب می‌باشد. از نظر پراکنش مکانی نیز بیشترین مقادیر میانگین سالانه رطوبت خاک در مناطق شمالی و غربی، و کمترین مقدار در مناطق مرکزی و جنوب شرقی متمرکز است. تحلیل مکانی رطوبت خاک بر اساس مقیاس استانی نیز نشان می‌دهد بالاترین میانگین سالانه رطوبت خاک در استان‌های گیلان، مازندران، کهگیلویه و بویراحمد، و البرز به ترتیب 294/0، 243/0، 216/0 و 209/0 مترمکعب بر مترمکعب است در حالی که کمترین مقادیر آن را می‌توان در استان‌های سیستان و بلوچستان، خراسان جنوبی و یزد به ترتیب 076/0، 091/0، و 096/0 مترمکعب بر مترمکعب مشاهده نمود. بر اساس نتایج به دست آمده در این مطالعه که در مقیاس کلان کشور انجام شد، می‌توان از آن به عنوان ابزار سودمندی در مدیریت جامع منابع آب و خاک استفاده نمود.

کلیدواژه‌ها

عنوان مقاله [English]

Introducing the SMAP L4 Products and Investigating the Spatio-Temporal Variability of Soil Moisture in Iran

نویسندگان [English]

  • Ebrahim Asadi Oskouei 1
  • Leila Godarzy 2
  • Jalil Helali 3

1 Faculty member of ASMERC

2 Graduated in Water Resource Engineering(PhD)

3 Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran

چکیده [English]

Background and objectives: Although estimation of soil surface moisture plays an important role in soil and water resources management, unfortunately, there is currently no national soil moisture monitoring network in Iran and the distribution of in situ measurement stations is irregular and some provinces do not have any measuring station. Hence, in recent years, numerous satellite-based methods have been developed for estimating and modeling the surface soil moisture. Active and passive microwave remote sensing provides a unique capability to obtain observations of soil moisture at global and regional scales. Therefore, aimed to quantitative estimation of soil moisture using L-band microwave radiometer, the main objective of the present study is to providing spatio-temporal maps of soil moisture using SMAP products and to interpreting the spatial and temporal variation of soil moisture throughout the country during the period 2015 to 2021. Materials and methods: Present study is conducted throughout the country during the period 2015 to 2021 and spatial and temporal soil moisture maps are prepared. The Soil Moisture Active Passive (SMAP) mission is quantitative estimation of soil moisture using L-band microwave radiometer at the global scale. It should be noted that SMAP Level-4 soil moisture data were used with a temporal resolution of 3 hour and a spatial resolution of 9 km which are available as the result of spatial and temporal interpolation of large-scale data (40 km). Results: Based on the findings of this study, 6 -year average of surface soil moisture (depth < 5 cm) indicates that surface soil moisture in the country ranged from 0.005 to 0.538 m3m-3 and the average surface moisture of the country was 0.137 m3m-3 during the mentioned period. Assessment of monthly average maps showed that the highest maximum monthly value (0.192 m3m-3) was occurred in February and the lowest monthly average of soil moisture (0.079 m3m-3) was occurred in August. Spatial assessment of the surface soil moisture suggests that the average annual soil moisture has been more in the northern and western regions of the country compared to other regions of the country, especially in comparison with the central and southeastern regions of the country. The evaluation of the results shows that Gilan province had the highest annual average soil moisture (0.294 m3m-3) during the mentioned period and after that, Mazandaran (0.243 m3m-3), Kohgiluyeh and Boyer-Ahmad (0.216 m3m-3) and Alborz (0. 209 m3m-3) provinces have the highest annual average soil moisture, respectively. Also, Sistan and Baluchestan (0.076 m3m-3), South Khorasan (0.091 m3m-3) and Yazd (0.096 m3m-3) provinces have the lowest annual average soil moisture. Conclusion: Knowledge of the amount of soil moisture is important in hydrological modeling studies, improving numerical weather prediction (NWP) models, intelligent irrigation in agriculture and climate change. Therefore, the results of this study can be applicable in soil and water resources management by knowing the amount of soil moisture in different time and region. Key words: L-band radiometry, Remote Sensing, Soil Moisture Active Passive (SMAP), Soil moisture

کلیدواژه‌ها [English]

  • Iran
  • Remote Sensing
  • Soil Moisture
  • SMAP
اسعدی اسکویی، ا. و جامعی، م.، 1400، تولید نقشه‌های رطوبت خاک ایران از محصولات BEC Global Level 3 ماهواره اسموس، پژوهش‌نامه مدیریت حوزه آبخیز، (پذیرش شده) تقی‌زاده، ا. و احمدی گیوی، ف.، 1397، ارزیابی محصولات بارش GPM و تصویربرداری رطوبت خاک با استفاده از داده‌های SMAP در شمال غرب ایران، 12 (3): 70-86 حاجی ملکی، خ.، واعظی، ع.، سرمدیان، ف.، کراو، و. و بروکا، ل.، 1399، اعتبارسنجی داده‌های رطوبت خاک سطحی ماهواره SMAP در کاربری‌های مختلف در حوضه سیمینه-زرینه (بوکان)، تحقیقات آب و خاک ایران، 51 (5): 1317-1329 صبوری نوقابی، م.، رجبی، م.م. و اسعدی اسکویی، ا.، 1400، اعتبارسنجی و ریزمقیاس‌سازی داده‌های رطوبت خاک ماهواره SMAP به روش SMBDA با استفاده از محصولات رادار Sentinel 1 و داده‌های زمینی در منطقه صالح‌آباد ایلام، تحقیقات منابع آب ایران، 17 (4): 144-160 Akbar, R., Short Gianotti, D. J., Salvucci, G. D. and Entekhabi, D. 2019. Mapped hydroclimatology of evapotranspiration and drainage runoff using SMAP brightness temperature observations and precipitation information. Water Resources Research. 55:4. 3391-3413. Crow, W. T., Chen, F., Reichle, R. H. and Xia, Y. 2019. Diagnosing bias in modeled soil moisture/runoff coefficient correlation using the SMAP level 4 soil moisture product. Water Resources Research. 55:8. 7010-7026. El Hajj, M., Baghdadi, N., Zribi, M., Rodríguez-Fernández, N., Wigneron, J. P., Al-Yaari, A. and Calvet, J. C. 2018. Evaluation of SMOS, SMAP, ASCAT and Sentinel-1 soil moisture products at sites in Southwestern France. Remote Sensing. 10:4: 569. Entekhabi, D., G. Njoku, E., E. O'Neill, P., Kellogg, K.H., Crow, W., Edelstein, W.N., Entin, J., D. Goodman, S., J. Jackson, T., Johnson, J., Kimball, J., Piepmeier, J., D. Koster, R., Martin, N., McDonald, K., Moghaddam, M., Moran, S., Reichle, R., Shi, J. and van Zyl, J. 2010. The Soil Moisture Active and Passive (SMAP) mission. Hain, C.R., Crow, W.T., Mecikalski, J.R., Anderson, M.C. and Holmes, T. 2011. An intercomparison of available soil moisture estimates from thermal infrared and passive microwave remote sensing and land surface modeling. Journal of Geophysical Research: Atmospheres. 116. Hao, Z., Zhao, H., Zhang, C., Wang, H. and Jiang, Y., 2019. Detecting winter wheat irrigation signals using SMAP gridded soil moisture data. Remote Sensing, 11(20), 2390. Keetch, J.J. and Byram, G.A., 1968. Drought index for forest fire control, USDA Research Paper SE-38. Southeastern Forest Experiment Station. Koster, R. D., Liu, Q., Mahanama, S. P. and Reichle, R. H., 2018. Improved hydrological simulation using SMAP data: Relative impacts of model calibration and data assimilation. Journal of hydrometeorology. 19:4. 727-741. Li, C., Lu, H., Yang, K., Han, M., Wright, J. S., Chen, Y. and Gong, W., 2018. The evaluation of SMAP enhanced soil moisture products using high-resolution model simulations and in-situ observations on the Tibetan Plateau. Remote Sensing. 10:4.535. Mladenova, I. E., Bolten, J. D., Crow, W., Sazib, N. and Reynolds, C. 2020. Agricultural drought monitoring via the assimilation of SMAP soil moisture retrievals into a global soil water balance model. Frontiers in big Data. 3.10. Rao, P., Wang, Y., Wang, F., Liu, Y., Wang, X. and Wang, Z., 2021. Daily soil moisture mapping at 1 km resolution based on SMAP data for areas affected by desertification in Northern China. Earth System Science Data Discussions, 1-28. Reichle, R. H., De Lannoy, G. J., Liu, Q., Ardizzone, J. V., Colliander, A., Conaty, A. and Zeng, Y., 2017. Assessment of the SMAP level-4 surface and root-zone soil moisture product using in situ measurements. Journal of Hydrometeorology. 18:10. 2621-2645. Sharma, S. and Dhakal, K., 2021. Boots on the Ground and Eyes in the Sky: A Perspective on Estimating Fire Danger from Soil Moisture Content. Fire, 4(3), 45. Souza, A. G., Neto, A. R., Rossato, L., Alvalá, R. and Souza, L. L., 2018. Use of SMOS L3 soil moisture data: Validation and drought assessment for Pernambuco State, Northeast Brazil. Remote Sensing, 10:8. 1314. Thomas Ambadan, J., Oja, M., Gedalof, Z. E. and Berg, A. A., 2020. Satellite-Observed Soil Moisture as an Indicator of Wildfire Risk. Remote Sensing. 12:10. 1543. Velpuri, N. M., Senay, G. B. and Morisette, J. T., 2016. Evaluating new SMAP soil moisture for drought monitoring in the rangelands of the US high plains. Rangelands, 38:4.183-190. Xiong, L., and Zeng, L., 2019. Impacts of introducing remote sensing soil moisture in calibrating a distributed hydrological model for streamflow simulation. Water, 11:4. 666. Zhu, L., and Zhu, A., 2021. Extraction of Irrigation Signals by Using SMAP Soil Moisture Data. Remote Sensing. 13:11. 2142.