ارزیابی رطوبت خاک سطحی پایگاه‌های جهانی با استفاده از داده‌های اندازه‌گیری شده در اقلیم‌های مختلف ایران

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی‌ارشد علوم و مهندسی آب، دانشگاه اراک، اراک، ایران

2 نویسنده مسئول، استادیار گروه علوم و مهندسی آب، دانشگاه اراک، اراک، ایران و پژوهشکده آب، گروه علوم و مهندسی آب، دانشگاه اراک، اراک، ایران

3 دانشیار گروه علوم و مهندسی آب، دانشگاه اراک، اراک، ایران و پژوهشکده آب، گروه علوم و مهندسی آب، دانشگاه اراک، اراک، ایران.

چکیده

سابقه و هدف: رطوبت خاک یکی از مهم‌ترین متغیرهای موردنیاز از جنبه‌های مختلف تحقیقاتی مانند کشاورزی (محاسبه بیلان آب در خاک، تعیین برنامه آبیاری، شاخص خشکسالی کشاورزی) و هیدرولوژیکی (نفوذ، رواناب، تغذیه) است. داده‌های رطوبت خاک اندازه‌گیری شده با وجود اینکه دقیق‌ترین داده‌های در دسترس محققین است، دارای معایبی مانند طول دوره‌ی آماری کوتاه‌مدت، داده‌های ناقص زیاد در برخی از ایستگاه‌ها، نقطه‌ای بودن آنها و عدم قابلیت تعمیم آنها به یک سطح مانند حوضه آبریز می‌باشد. داده‌های رطوبت خاک در پایگاه‌های جهانی این معایب را نداشته، اما قبل از استفاده دقت آنها باید مورد ارزیابی قرار گیرد. بر این اساس در پژوهش حاضر به منظور بررسی امکان استفاده از داده‌های رطوبت خاک سطحی پایگاه‌های جهانی در کشور ایران، دقت داده‌ها در این پایگاه‌ها مورد ارزیابی قرار گرفته است. هدف از این تحقیق ارزیابی دقت داده‌های رطوبت خاک سطحی پایگاه‌های جهانی بر اساس داده‌های اندازه‌گیری شده از متغیر رطوبت خاک در اقلیم‌های مختلف ایران می‌باشد.
مواد و روش‌ها: بدین منظور ابتدا داده‌های اندازه‌گیری شده‌ی رطوبت خاک در 43 ایستگاه هواشناسی کشاورزی کشور در 7 عمق مختلف (5، 10، 20، 30، 50، 70 و 100 سانتی‌متری از سطح خاک) با گام زمانی سه ساعته جمع‌آوری شد. پس از مرحله‌ی پیش‌پردازش روی داده‌های رطوبت خاک جمع‌آوری شده، تعداد 14 ایستگاه از اقلیم‌های مختلف ایران با طولانی‌ترین و کامل‌ترین داده‌های رطوبت خاک برای دو عمق 5 و 10 سانتی‌متری با گام زمانی ماهانه طی دوره‌ی 2021-2014 به منظور مقایسه با داده‌های پایگاه‌های جهانی انتخاب شدند. در مرحله‌ی بعد داده‌های رطوبت خاک در لایه‌های مختلف خاک از 5 پایگاه جهانی مختلف شامل GLEAM3.6a، ERA5، TERRA، MERRA2 و GLDAS2.1 با مقیاس زمانی ماهانه استخراج شد. رطوبت خاک سطحی در داده‌های اندازه‌گیری شده، میانگین رطوبت خاک در دو عمق 5 و 10 سانتی‌متری و در پایگاه‌های جهانی، لایه‌ی اول سطح خاک در نظر گرفته شد. ارزیابی دقت داده‌های رطوبت خاک سطحی پایگاه‌های مختلف به تفکیک 12 ماه سال و سری زمانی متوالی ماهانه با استفاده از سه معیار آماری شامل ضریب همبستگی پیرسون (R)، میانگین خطای اریبی (MBE) و خطای جذر میانگین مربعات نرمال‌شده (NRMSE) انجام شده است.
یافته‌ها: در بین ایستگاه‌های مورد بررسی، بیشترین و کمترین مقادیر ضریب همبستگی مربوط به ایستگاه‌های کهریز و زهک به ترتیب برابر با 55/0 و 04/0 است. در بین فصول سال، بیشترین همبستگی در فصل بهار، ماه آوریل برابر 51/0، و کمترین همبستگی در فصل تابستان، ماه سپتامبر برابر 11/0، بدست آمده است. بالاترین همبستگی‌ها مربوط به پایگاه GLEAM به خصوص در ماه‌های می، ژوئن، نوامبر و دسامبر است. نتایج معیار MBE حاکی از کم‌برآورد رطوبت خاک اکثر پایگاه‌ها در ایستگاه‌های اقلیم مرطوب و نیمه‌مرطوب (ایستگاه‌های گرگان، قراخیل و آمل) دارد. پایگاه GLEAM با محدوده برابر با ]13/0+ ~ 03/0-[، کمترین تغییرات MBE را در بین پایگاه‌های مورد بررسی دارد. به طور میانگین، بیشترین دقت مربوط به پایگاه ERA5 به‌خصوص در اقلیم مرطوب با NRMSE برابر 29/0 می‌باشد. در کنار آن کمترین دقت در بین پایگاه‌های مورد بررسی مربوط به پایگاه GLDAS به‌ویژه در اقلیم خشک با NRMSE برابر با 16/2 است.
نتیجه‌گیری: نتایج تحقیق حاضر نشان می‌دهد که دقت پایگاه داده‌های جهانی رطوبت خاک با توجه به زمان و مکان مورد بررسی متفاوت می‌باشد. تحقیق حاضر در راستای انتخاب پایگاه داده مناسب با بیشترین دقت و با توجه به تغییرات زمانی- مکانی متغیر رطوبت خاک، نتایج کاربردی را در اختیار محققین قرار می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of surface soil moisture of global products using measured data in different climates of Iran

نویسندگان [English]

  • Pardis Nikdad 1
  • Mehdi Mohammadi Ghaleni 2
  • Mahnoosh Moghaddasi 3
1 M.Sc. Student in Water Science and Engineering, Arak University, Arak, Iran.
2 Corresponding Author, Assistant Prof., Dept. of Water Science and Engineering, Arak University, Arak, Iran and Research Institute for Water Science and Engineering, Arak University, Arak, Iran
3 Associate Prof., Dept. of Water Science and Engineering, Arak University, Arak, Iran and Research Institute for Water Science and Engineering, Arak University, Arak, Iran
چکیده [English]

Background and Objectives: Soil moisture is one of the most important variables required from different aspects of research such as agriculture (soil water balance, irrigation schedule, agricultural drought index) and hydrology (infiltration, runoff, recharge). Although the measured soil moisture data is the most accurate data available to researchers, it has disadvantages such as the length of statistical period, missing data in some stations, point source and the inability to extend them to an area such as a basin. Soil moisture data in global products do not have these disadvantages, but their accuracy must be evaluated before using. In the present study, in order to investigate the possibility of using surface soil moisture data from global products in Iran, the accuracy of the global products databases has been evaluated. The main aim of this research is to evaluate the accuracy of surface soil moisture data of global products based on the measured data of soil moisture variable in different climates of Iran.

Materials and Methods: In this regard, the measured data of soil moisture in 43 agricultural meteorological stations across Iran were collected at 7 different depths (5, 10, 20, 30, 50, 70 and 100 cm from the soil surface) with a time step of three hours. After the preprocessing on the collected data, 14 stations from different climates of Iran with the longest and most complete soil moisture data for two depths of 5 and 10 cm with a monthly time step during the period of 2014-2021 were selected in order to compare with the data of global products. In the next step, soil moisture data in different soil layers were extracted from 5 different global products including GLEAM3.6a, ERA5, TERRA, MERRA2 and GLDAS2.1 with a monthly time scale. Surface soil moisture in the measured data, the average soil moisture at two depths of 5 and 10 cm, and in global products, the first layer of the soil surface was considered. The evaluation of the accuracy of surface soil moisture data has been done using three statistical criteria including Pearson's correlation coefficient (R), Mean Bias Error (MBE) and Normalized Root Mean Square Error (NRMSE).

Results: Generally, among the studied stations, the highest and lowest values of correlation coefficient are 0.55 and 0.04 respectively for Kahriz and Zahak stations. Between the seasons, the highest correlation has been obtained in the spring, April, equal to 0.51, and the lowest correlation has been obtained in the summer, September, equal to 0.11. The highest correlations are related to the GLEAM product, especially in the months of May, June, November and December. The results of MBE indicate that soil moisture is underestimated in most stations in humid and semi-humid climate stations (Gorgan, Karakhil and Amol stations). The GLEAM products with a range of [-0.03 ~ +0.13] has the least MBE changes among the studied products. The highest accuracy related to the ERA5 product, especially in the humid climate with NRMSE equal to 0.29. In addition, the lowest accuracy among the studied products is related to the GLDAS, especially in dry climate with NRMSE equal to 2.16.

Conclusion: The results of this research show that the accuracy of the global products of soil moisture varies according to the temporal and spatial of case study. In order to select the appropriate product with the high accuracy based on the spatiotemporal changes of soil moisture, the present research provides practical results to the researchers.

کلیدواژه‌ها [English]

  • Agricultural meteorological station
  • Climate
  • Global product database
  • Surface soil moisture
  • Spatiotemporal variation

مراجع

1.Hosseini-Moghari, S. M., Araghinejad, S., Ebrahimi, K., & Tourian, M. J. (2019). Introducing modified total storage deficit index (MTSDI) for drought monitoring using GRACE observations. Ecological indicators, 101, 465-475.
2.Zhang, X., Hao, Z., Singh, V. P., Zhang, Y., Feng, S., Xu, Y., & Hao, F. (2022). Drought propagation under global warming: Characteristics, approaches, processes, and controlling factors. Science of The Total Environment, 838, 156021.
3.Zhou, Z., Shi, H., Fu, Q., Ding, Y., Li, T., & Liu, S. (2021). Investigating the propagation from meteorological to hydrological drought by introducing the nonlinear dependence with directed information transfer index. Water Resources Research, 57, 8.
4.An, R., Zhang, L., Wang, Z., Quaye-Ballard, J.A., You, J., Shen, X., Gao, W., Huang, L., Zhao, Y., & Ke, Z. (2016). Validation of the ESA CCI soil moisture product in China. International journal of applied earth observation and geoinformation, 48, 28-36.
5.Bi, H., Ma, J., Zheng, W., & Zeng, J. (2016). Comparison of soil moisture in GLDAS model simulations and in situ observations over the Tibetan Plateau. Journal of Geophysical Research: Atmospheres, 121 (6), 2658-2678.
6.Li, M., Wu, P., & Ma, Z. (2020). A comprehensive evaluation of soil moisture and soil temperature from third‐generation atmospheric and land reanalysis data sets. International Journal of Climatology, 40 (13), 5744-5766.
7.Xu, L., Chen, N., Zhang, X., Moradkhani, H., Zhang, C., and Hu, C. (2021). In-situ and triple-collocation based evaluations of eight global root zone soil moisture products. Remote Sensing of Environment, 254, p. 112248.
8.Liu, J., Chai, L., Dong, J., Zheng, D., Wigneron, J.P., Liu, S., Zhou, J., Xu, T., Yang, S., Song, Y., & Qu, Y. (2021). Uncertainty analysis of eleven multisource soil moisture products in the third pole environment based on the three-corned hat method. Remote sensing of environment, 255, 112225.
9.Li, L., Liu, Y., Zhu, Q., Liao, K., & Lai, X. (2022). Evaluation of nine major satellite soil moisture products in a typical subtropical monsoon region with complex land surface characteristics. International Soil and Water Conservation Research, 10 (3), 518-529.
10.Fan, L., Xing, Z., De Lannoy, G., Frappart, F., Peng, J., Zeng, J., Li, X., Yang, K., Zhao, T., Shi, J., & Ma, H. (2022). Evaluation of satellite and reanalysis estimates of surface and root-zone soil moisture in croplands of Jiangsu Province, China. Remote Sensing of Environment, 282, p. 113283.
11.Jamei, M., Baygi, M.M., Alizadeh, A., & Irannejad, P. (2017). Validation of soil moisture retrievals from SMOS microwave satellite. J Water Soil, 31 (2), 660-672. [In Persian]
12.Asadi Oskouei, E., Godarzy, L., & Helali, J. (2022). Introducing the SMAP L4 Products and Investigating the Spatio-Temporal Variability of Soil Moisture in Iran. Nivar, 46 (116), 13-25. [In Persian]
13.Motiee, H., Abdeh Kolahchi, A., & Aminian, R. (2022). Assessment of soil moisture using remote sensing ECV Database and its correlation with dust events-South and West of Iran. Iranian Journal of Soil and Water Research, 53 (7), 1531-1544. [In Persian]
14.Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration- Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. Fao, Rome, 300 (9), 5109.
15.Tsiros, I. X., Nastos, P., Proutsos, N. D., & Tsaousidis, A. (2020). Variability of the aridity index and related drought parameters in Greece using climatological data over the last century (1900–1997). Atmospheric Research, 240, 104914.
16.United Nations Educational, Scientific and Cultural Organization. (1979). Map of the world distribution of arid regions: map at scale 1:25,000,000 with explanatory note, MAB Technical Notes 7. UNESCO, Paris, 56.
17.Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M., De Chiara, G., Dahlgren, P., Dee, D., Diamantakis, M., Dragani, R., Flemming, J., Forbes, R., Fuentes, M., Geer, A., Haimberger, L., Healy, S., Hogan, R. J., Hólm, E., Janisková, M., Keeley, S., Laloyaux, P., Lopez, P., Lupu, C., Radnoti, G., de Rosnay, P., Rozum, I., Vamborg, F., Villaume, S., & Thépaut, J. N. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society. 146 (730), 1999-2049.
18.Martens, B., Miralles, D. G., Lievens, H., Van Der Schalie, R., De Jeu, R. A., Fernández-Prieto, D., ... & Verhoest, N. E. (2017). GLEAM v3: Satellite-based land evaporation and root-zone soil moisture. Geoscientific Model Development, 10 (5), 1903-1925.
19.Miralles, D. G., Holmes, T. R. H., De Jeu, R. A. M., Gash, J. H., Meesters, A. G. C. A., & Dolman, A. J. (2011). Global land-surface evaporation estimated from satellite-based observations. Hydrology and Earth System Sciences, 15 (2), 453-469.
20.Rodell, M., Houser, P. R., Jambor, U. E. A., Gottschalck, J., Mitchell, K., Meng, C. J., ... & Toll, D. (2004). The global land data assimilation system. Bulletin of the American Meteorological society, 85 (3), 381-394.
21.Gelaro, R., McCarty, W., Suárez, M. J., Todling, R., Molod, A., Takacs, L., ... & Zhao, B. (2017). The modern-era retrospective analysis for research and applications, version 2 (MERRA-2). Journal of climate, 30 (14), 5419-5454.
22.Rienecker, M. M., Suarez, M. J., Gelaro, R., Todling, R., Bacmeister, J., Liu, E., ... & Woollen, J. (2011). MERRA: NASA’s modern-era retrospective analysis for research and applications. Journal of climate, 24 (14), 3624-3648.
23.Abatzoglou, J. T., Dobrowski, S. Z., Parks, S. A., & Hegewisch, K. C. (2018). TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015. Scientific data, 5 (1), 1-12.
24.Xu, L., Chen, N., Zhang, X., Moradkhani, H., Zhang, C., & Hu, C. (2021). In-situ and triple-collocation based evaluations of eight global root zone soil moisture products. Remote Sensing of Environment, 254, p. 112248.
25.Zhang, M., Yuan, X., & Otkin, J.A. (2020). Remote sensing of the impact of flash drought events on terrestrial carbon dynamics over China. Carbon Balance and Management, 15 (1), 1-11.
26.Ji, Y., Li, Y., Yao, N., Biswas, A., Chen, X., Li, L., Pulatov, A., & Liu, F. (2022). Multivariate global agricultural drought frequency analysis using kernel density estimation. Ecological Engineering, 177, p. 106550.
27.Li, M. F., Tang, X. P., Wu, W., & Liu, H. B. (2013). General models for estimating daily global solar radiation for different solar radiation zones in mainland China. Energy Conversion and Management. 70, 139-148.
مجله پژوهش‌های حفاظت آب و خاک
دوره 30، شماره 3
مهر 1402
صفحه 127-146

فایل ها

هم رسانی

ارجاع به این مقاله

آمار