برآورد تنش رطوبتی خاک طی دوره رشد گندم دیم بر مبنای داده‌های ماهواره SMAP

اسعدی اسکویی, ابراهیم; محمد بیگی سلخوری, میلاد; کوهی, منصوره; نوروزی, حسن; عباسی, فاطمه; محمدیان, آزاده

doi:10.30467/nivar.2025.502222.1320

برآورد تنش رطوبتی خاک طی دوره رشد گندم دیم بر مبنای داده‌های ماهواره SMAP

نوع مقاله : مقاله پژوهشی

نویسندگان

ابراهیم اسعدی اسکویی ¹

میلاد محمد بیگی سلخوری ²

منصوره کوهی ³

حسن نوروزی ⁴

فاطمه عباسی ⁵

آزاده محمدیان ⁶

¹ استادیار، پژوهشگاه هواشناسی و علوم جو، پژوهشکده اقلیم شناسی و تغییر اقلیم، مشهد، ایران

² مرکز تحقیقات اداره کل هواشناسی استان قزوین- قزوین - ایران

³ استادیار، پژوهشکده اقلیم شناسی و تغییراقلیم، مشهد ، ایران

⁴ رییس اداره تحقیقات هواشناسی استان قزوین- قزوین - ایران

⁵ کارشناس پژوهشی- پژوهشگاه هواشناسی و علوم جو-پژوهشکده اقلیم شناسی و تغییر اقلیم- مشهد

⁶ کارشناس پژوهشی-پژوهشگاه هواشناسی و علوم جو-پژوهشکده اقلیم شناسی و تغییر اقلیم- مشهد

10.30467/nivar.2025.502222.1320

چکیده

زراعت دیم یکی از پایه‌های اساسی تولید محصول به ویژه در مناطق خشک و نیمه خشک است. در این نواحی، تولید محصول دیم به شدت وابسته به رطوبت خاک است و تــنش رطــوبتی مهــمتــرین عامــل محدودکننده رشد و کاهش عملکرد این نوع محصول محسوب می‌شود. بنابراین، بررسی توزیع زمانی و مکانی محتوای رطوبتی خاک بویژه در محدوده‌ی ریشه‌ی گیاه طی فصل رشد یکی از مهمترین راهکارهای برنامه ریزی و مدیریت کشت دیم می‌باشد. در این راستا، هدف این پژوهش، بررسی نوسان محتوای رطوبت سطح خاک و عمق محدوده ریشه گندم دیم و ارایه نقشه‌های پهنه‌بندی تنش آبی برای این محصول در سناریوهای مختلف سال‌های تر و خشک در محدوده استان قزوین می‌باشد که با استفاده از محصول سطح 4 رطوبت خاک ماهواره SMAP برای اولین بار در کشور انجام شد. برای این منظور، تعداد 22800 تصویر رستری از داده‌های ساعتی این ماهواره طی دوره 7 ساله (1394 تا 1400) مورد استفاده قرار گرفت. ارزیابی مقادیر رطوبت سطحی مستخرج از این تصاویر با نقاط نمونه‌برداری میدانی رطوبت خاک در دو عمق cm 5-0 و cm 5-10 نشان از همخوانی دو سری این متغیر با مقدار RMSE (m^3.m^(-3)) به ترتیب 09/0 و 08/0 داشت. به منظور تهیه لایه تنش رطوبتی برای هر دهه طی فصل رشد گندم دیم، ابتدا، نقشه‌های میانگین 10 روزه رطوبت خاک منطقه ریشه بدست آمده از SMAP با لایه رستری رطوبت نقطه پژمردگی ترکیب و لایه‌های رطوبت آب قابل دسترس و نهایتاً آب سهل الوصول بدست آمد. با کسر لایه آب سهل الوصول از جدول نیاز آبی خالص گیاه دیم، لایه تنش آبی برای 26 دهه برای هر سال طی دوره آماری 1394-1400 محاسبه شد. با بررسی نمره استاندارد شده‌ی تنش آبی، سال‌های 1397-1396 و 1399-1398 به ترتیب به عنوان سال‌های خشک‌ترین و مرطوب‌ترین سال آبی شناسایی شدند. تغییرات وسعت تنش رطوبت خاک در سال‌های مورد بررسی، بین کمینه 9/5 تا بیشینه 3/43 درصد از مساحت استان بین دوره‌های تر و خشک نوسان داشته است. بیشینه وسعت تنش نسبتاً شدید، شدید و بسیار شدید مجموعاً به میزان 7/27 درصد از مساحت استان، در دوره خشک محاسبه شد. بالاترین مقادیر شدت تنش در بخش‌های مرکزی، جنوبی و غرب استان بدست آمد. از جمله محدودیت‌های مهم این پژوهش، دوره آماری کوتاه مدت داده‌های ماهواره SMAP و عدم امکان مقایسه و ارزیابی دقیق این محصولات به دلیل عدم وجود ایستگاه‌های زمینی ثبت داده‌های رطوبت خاک در اعماق مختلف بود که می‌تواند بر دقت نتایج تاثیرگذار باشد. از این یافته‌ها می‌توان در مدیریت دقیق منابع آبی و زمان استفاده از آبیاری تکمیلی برای کاهش تنش آبی و بهبود عملکرد محصولات دیم استفاده کرد.

کلیدواژه‌ها

گندم دیم

تنش رطوبتی

استان قزوین

ماهواره SMAP

سنجش از دور

عنوان مقاله English

Estimation of Soil Water Stress During the Growth Period of Rainfed Wheat Based on SMAP Satellite Data

نویسندگان English

Ebrahim Asadi Oskouei ¹

Milad Mohamad Bygi Salkhori ²

Mansoureh Kouhi ³

Hassan Nourozi ⁴

Fatemeh َAbbasi ⁵

Azadeh Mohammadian ⁶

¹ Assistant Prof.- RIMAS - CRI- Mashhad-Iran

² Qazvin Province Meteorology, Qazvin- Iran

³ Assistant Prof. , Climatological Research Institute, Mashhad, Iran

⁴ Qazvin Province Meteorology -Qazvin-Iran

⁵ Expert-RIMAS-CRI-Mashhad

⁶ Expert-RIMAS-CRI-Mashhad

چکیده English

This study aims to investigate fluctuations in surface and root-zone soil moisture for rainfed wheat and to generate soil moisture stress maps under various wet and dry year scenarios in Qazvin Province. It is the first research in the country to utilize Level-4 soil moisture products from the Soil Moisture Active Passive (SMAP) satellite for this purpose. A total of 22,800 raster images from SMAP hourly data spanning a seven-year period (2015–2021) were analyzed. The extracted surface soil moisture values from these images were compared against field-measured soil moisture data at depths of 0–5 cm and 5–10 cm. To generate soil moisture stress layers for each 10-day period during the rainfed wheat growing season, 10-day average soil moisture maps derived from SMAP data were integrated with raster layers representing wilting point moisture content. This process produced layers for plant-available water and readily available water. By subtracting the readily available water from the net irrigation requirement table for rainfed wheat, soil moisture stress layers were calculated for 26 ten-day periods in each year of the study (2015–2021). The standardized soil moisture stress index identified the years 2017–2018 and 2019–2020 as the driest and wettest years, respectively. The spatial extent of soil moisture stress across the study years fluctuated between a minimum of 5.9% and a maximum of 43.3% of the province’s total area during wet and dry periods. The maximum area affected by moderate to extreme soil moisture stress was calculated to be 27.7% of the province during dry years, with the highest intensity observed in the central, southern, and western regions. One of the key limitations of this study is the relatively short duration of available SMAP satellite data and the lack of ground-based soil moisture monitoring stations at various depths, which could impact the accuracy of the results. These findings can be utilized to optimize water resource management, determine the appropriate timing for supplementary irrigation, and mitigate soil moisture stress to enhance the productivity of rainfed crops.

کلیدواژه‌ها English

Rainfed wheat

soil moisture stress

SMAP satellite

Qazvin

remote sensing

1. اسعدی اسکویی، ا.، گودرزی، ل.، هلالی، ج.. (1401) بررسی تغییرات مکانی و زمانی رطوبت خاک سطحی در ایران با استفاده از محصول SMAP L4.، نیوار، (117-116) 46، 27-14. doi: 10.30467/nivar.2022.315991.1206

2. محرابی، م.، حمزه، س.، علوی پناه،ک.، کیاورزمقدم، م.، ضیائی، ر. (1398). برآورد رطوبت خاک با استفاده از داده های سنجش از دور و سامانه بیلان انرژی سطح. مهندسی و مدیریت آبخیز، 11(3 )، 759-770. SID. https://sid.ir/paper/234773/fa

3. جعفری، ح.، غالبی، س. (1398). راهنمای برنامه ریزی آبیاری گندم با استفاده از نباز آبی.موسسه تحقیقات آب و خاک.ص 25.

4. فرخی، م.، انصاری،ح.، فریدحسینی، ع.، (399). تخمین رطوبت خاک با تلفیق روش ریزمقیاس‌سازی داده‌های سنجنده مایکروویو و مدل SMAR (مطالعه موردی: دشت رفسنجان. علوم آب و خاک. ۲۴ (۱) :۱۳۳-۱۴۴.

5. حاجی ملکی،خ.، واعظی، ع.، سرمدیان، ف.، کراو، 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. doi: 10.22059/ijswr.2020.291430.668371

6. کرموند، ع.، حسینی، ع.، شرافتی، ا. (1401). بررسی کاربرد شاخص جدید خشکسالی کشاورزی بر مبنای رطوبت خاک و شاخص پوشش گیاهی اصلاح شده به کمک داده های سنجش از دور ماهواره های SMAP و TERRA. حفاظت منابع آب و خاک، 12 (2) (پیاپی 46) )، 97-113. https://sid.ir/paper/1064718/fa.

7. صبوری نوقابی،م.، رجبی، م.، اسعدی اسکوئی، ا.(1400). اعتبارسنجی و ریزمقیاس سازی داده های رطوبت خاک ماهواره SMAP به روش SMBDA با استفاده از محصولات رادار Sentinel 1 و داده های زمینی در منطقه صالح آباد ایلام. تحقیقات منابع آب ایران 17(4), 144-160..

8. صمدی،ا.، بازگیر، س.، خوش اخلاق، ف. (1400). پایش رطوبت خاک در مراحل رشد گندم دیم به کمک نمایه های هواشناسی و سنجش از دور، پژوهش های دانش زمین، 12 (2). 63-50.

9. Akash, M., Kumar, P. M., Bhaskar, P., Deepthi, P. R., & Sukhdev, A. (2024). Review of estimation of soil moisture using active microwave remote sensing technique. Remote Sensing Applications: Society and Environment, 33, 101118.

10. Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). FAO Irrigation and drainage paper No. 56. Rome: Food and Agriculture Organization of the United Nations, 56(97), e156.

11. Cui, C., Xu, J., Zeng, J., Chen, K. S., Bai, X., Lu, H., ... & Zhao, T. (2017). Soil moisture mapping from satellites: An intercomparison of SMAP, SMOS, FY3B, AMSR2, and ESA CCI over two dense network regions at different spatial scales. Remote Sensing, 10(1), 33.

12. Das, N. N., Entekhabi, D., Dunbar, R. S., Colliander, A., Chen, F., Crow, W., ... & Njoku, E. G. (2018). The SMAP mission combined active-passive soil moisture product at 9 km and 3 km spatial resolutions. Remote sensing of environment, 211, 204-217.

13. de Souza Machado, A. A., Kloas, W., Zarfl, C., Hempel, S., & Rillig, M. C. (2018). Microplastics as an emerging threat to terrestrial ecosystems. Global change biology, 24(4), 1405-1416.

14. El Hajj, M., Baghdadi, N., Zribi, M., Rodríguez-Fernández, N., Wigneron, J. P., Al-Yaari, A., ... & 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.

15. Entekhabi D, Njoku EG, O’Neill PE, Kellogg KH, Crow WT, Edelstein WN, Entin JK, Goodman SD, Jackson TJ, Johnson J, …, and van Zyl J (2010) The Soil Moisture Active Passive (SMAP) mission. Proceedings of the IEEE, Institute of Electrical and Electronics Engineers Inc. 98(5):704–716.

16. Felfelani, F., Pokhrel, Y., Guan, K., & Lawrence, D. (2018). Utilizing SMAP Soil Moisture Data to Constrain Irrigation in the Community Land Model. Geophysical Research Letters, 45, 12,892 - 12,902. https://doi.org/10.1029/2018GL080870.

17. Givi, J., 1997, The Quality Assessment of lands analogy for cropsf’d,d, The water and Soil Research Institute, Journal, No. 1015.

18. Hain, C. R., Crow, W. T., Anderson, M. C., & Mecikalski, J. R. (2012). An ensemble Kalman filter dual assimilation of thermal infrared and microwave satellite observations of soil moisture into the Noah land surface model. Water Resources Research, 48(11).

19. Hao, Z., Zhao, H., Zhang, C., Wang, H., & Jiang, Y. (2019). Detecting winter wheat irrigation signals using SMAP gridded soil moisture data. Remote Sensing, 11(20), 2390.

20. Hasan Zadeh, K., Farid Hosseini,A., Hasheminia,M., Faridani, F. (2018). Validation of Satellite Surface Soil Moisture Products (Case Study Coastal provinces of Northern Iran), The 18th national rice conference of the country, Sari, Iran. In Persian

21. https://www.mehrnews.com/news/6248328.

22. Islamic Republic of Iran Meteorological Organization. (1975). A guide to the needs and limitations of agricultural meteorology of 15 essential plants of Iran, Quanta.

23. Jamei, M., Baygi, M. M., Oskouei, E. A., & Lopez-Baeza, E. (2020). Validation of the SMOS level 1C brightness temperature and level 2 soil moisture data over the west and southwest of Iran. Remote Sensing, 12(17), 1–20. https://doi.org/10.3390/rs12172819.

24. Kim, H., Lee, S., Cosh, M. H., Lakshmi, V., Kwon, Y., & McCarty, G. W. (2020). Assessment and combination of SMAP and Sentinel-1A/B-derived soil moisture estimates with land surface model outputs in the Mid-Atlantic Coastal Plain, USA. IEEE Transactions on Geoscience and Remote Sensing, 59(2), 991-1011.

25. Kim, Y., Park, H., Kimball, J. S., Colliander, A., & McCabe, M. F. (2023). Global estimates of daily evapotranspiration using SMAP surface and root-zone soil moisture. Remote Sensing of Environment, 298, 113803.

26. Kumari, A., Singh, D. K., Sarangi, A., Hasan, M., & Sehgal, V. K. (2024). Optimizing wheat supplementary irrigation: Integrating soil stress and crop water stress index for smart scheduling. Agricultural Water Management, 305, 109104.

27. Li, M., Sun, H., & Zhao, R. (2023). A review of root zone soil moisture estimation methods based on remote sensing. Remote Sensing, 15(22), 5361.

28. McKee, T. B., Doesken, N. J., & Kleist, J. (1993). "The relationship of drought frequency and duration to time scales." In Proceedings of the 8th Conference on Applied Climatology (pp. 179-184). American Meteorological Society.

29. Mehrabi, Mohammad, Hamzeh, Saeid, Alavipanah, Seyed Kazem, Kiavarz, Majid, & Ziaee, Ruhollah. (2019). Estimating Soil Moisture Using Remotely Sensed Data And Surface Energy Balance System. Watershed Engineering and Management, 11(3 ), 759-770. Sid. Https://Sid.Ir/Paper/234773/En

30. Mladenova, I. E., Bolten, J. D., Crow, W., Sazib, N., & 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.Nogabni, masood sabooori, Rajabi, M., & Oskouei, E. A. (2022). Validation and Downscaling of SMAP Satellite Soil Moisture Data by the SMBDA Method Using Sentinel 1 Radar Products and Ground Data in SalehAbad Region of Ilam. Iran-Water Resources Research, 17(4), 144-160[in Persian]. http://www.iwrr.ir/article_144201.html

31. Mohamed, E. S., Ali, A., El-Shirbeny, M., Abutaleb, K., & Shaddad, S. M. (2020). Mapping soil moisture and their correlation with crop pattern using remotely sensed data in arid region. The Egyptian Journal of Remote Sensing and Space Science, 23(3), 347-353.

32. Qiu, J., Dong, J., Crow, W. T., Zhang, X., Reichle, R. H., & De Lannoy, G. J. (2021). The benefit of brightness temperature assimilation for the SMAP Level-4 surface and root-zone soil moisture analysis. Hydrology and Earth System Sciences, 25(3), 1569-1586.

33. Reichle, R. H., De Lannoy, G. J., Liu, Q., Ardizzone, J. V., Colliander, A., Conaty, A., ... & 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.

34. Reichle, R. H., Liu, Q., Koster, R. D., Crow, W. T., De Lannoy, G. J., Kimball, J. S., ... & Walker, J. P. (2019). Version 4 of the SMAP level‐4 soil moisture algorithm and data product. Journal of Advances in Modeling Earth Systems, 11(10), 3106-3130.

35. Singh, A., Gaurav, K., Meena, G. K., & Kumar, S. (2020). Estimation of soil moisture applying modified dubois model to Sentinel-1; a regional study from central India. Remote Sensing, 12(14), 2266.

36. Singh, G., Das, N. N., Panda, R. K., Colliander, A., Jackson, T. J., Mohanty, B. P., ... & Yueh, S. H. (2019). Validation of SMAP soil moisture products using ground-based observations for the paddy dominated tropical region of India. IEEE Transactions on Geoscience and Remote Sensing, 57(11), 8479-8491.

37. Su, C.H., D. Ryu, R.I. Young, A.W. Western and W. Wagner. 2013. Inter-comparison of microwave satellite soil moisture retrievals over the Murrumbidgee Basin, southeast Australia. Remote Sensing of Environment, 134: 1-11.

38. Tarek, M., Brissette, F.P. and Arsenault, R., 2020: Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America: Hydrology and Earth System Sciences, 24(5), 2527-2544.

39. Velpuri, N. M., Senay, G. B., & 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.

40. Wackerly, Dennis; Mendenhall, William; Scheaffer, Richard L. (2008). Mathematical Statistics with Applications (7 ed.). Belmont, CA, USA: Thomson Higher Education. ISBN 0-495-38508-5.

41. Wang, J., Ling, Z., Wang, Y., & Zeng, H. (2016). Improving spatial representation of soil moisture by integration of microwave observations and the temperature–vegetation–drought index derived from MODIS products. ISPRS Journal of Photogrammetry and Remote Sensing, 113, 144-154.

42. Wang, X., Wang, B., Xu, X., Liu, T., Duan, Y., & Zhao, Y. (2018). Spatial and temporal variations in surface soil moisture and vegetation cover in the Loess Plateau from 2000 to 2015. Ecological indicators, 95, 320-330

43. Zhang, J., Zhou, L., Ma, R., Jia, Y., Yang, F., Zhou, H., & Cao, X. (2019). Influence of soil moisture content and soil and water conservation measures on time to runoff initiation under different rainfall intensities. CATENA, 182, 104172.

44. Zhao, W. Sánchez, N. Lu, H. Li. A. 2018. A spatial downscaling approach for the SMAP passive surface soil moisture product using random forest regression. Journal of hydrology. 563(1): 1009–1024.

45. Zhu, H., Zhao, H. L., Jiang, Y. Z., & Zang, W. B. (2018). Studies and application of remote sensing retrieval method of soil moisture content in land parcel units in irrigation area. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 2583-2589.