| تعداد نشریات | 14 |
| تعداد شمارهها | 680 |
| تعداد مقالات | 7,068 |
| تعداد مشاهده مقاله | 10,677,217 |
| تعداد دریافت فایل اصل مقاله | 9,774,751 |
امکانسنجی برآورد دمای اعماق مختلف خاک و تبخیر از تشت با بهکارگیری تصاویر ماهوارهای | ||
| مجله پژوهشهای حفاظت آب و خاک | ||
| دوره 32، شماره 4، دی 1404، صفحه 153-173 اصل مقاله (1.22 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2026.23907.3823 | ||
| نویسندگان | ||
| یونس خوشخو* 1؛ رزگار عرب زاده2 | ||
| 1نویسنده مسئول، استادیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران. | ||
| 2دانشجوی دکتری مهندسی عمران و محیط زیست، دانشگاه واترلو، کانادا | ||
| چکیده | ||
| سابقه و هدف: دمای سطح خاک یکی از متغیرهای کلیدی در بیلان انرژی سطح است که تحت تأثیر تابش خالص، شار گرمای محسوس و نهان قرار دارد و خود نیز بر شار گرمای ورودی به خاک تأثیر میگذارد. دمای سطح زمین (LST) یکی از مهمترین محصولاتی است که توسط سنجندههایی که در محدوده طیفی مادون قرمز حرارتی دارای فعالیت هستند قابل استخراج است. سنجنده MODIS یکی از مهمترین این سنجندههاست که بر روی دو ماهواره Aqua و Terra نصب شده است و قادر است دمای سطح زمین را در 4 زمان مختلف شبانهروز بهدست دهد. نظر به ارتباط نزدیک دمای سطح زمین با متغیرهای هیدروکلیمائی، در این پژوهش از دماهای سطح زمین حاصل از این سنجنده جهت برآورد دمای اعماق مختلف خاک و تبخیر از تشت استفاده گردید. مواد و روشها: برای انجام این پژوهش، ابتدا 6 ایستگاه هواشناسی سینوپتیک واقع در استان کردستان انتخاب شدند و برای این 6 ایستگاه، در کنار دادههای دمای اعماق مختلف خاک و تبخیر از تشت، 4 دمای حاصل از سنجنده MODIS شامل LSTTerra-Night، LSTTerra-Day، LSTAqua-Night، LSTAqua-Day استخراج شدند. با میانگینگیری کردن از مقادیر دماهای سطح زمین شبانه و روزانه دو ماهواره Aqua و Terra، دو دمای میانگین شامل LSTTerra-Mean-Night&Day و LSTAqua-Mean-Night&Day نیز استخراج شدند. ابتدا سریهای زمانی روزانه از کلیه متغیرهای فوق طی دوره آماری 2021-2002 استخراج شدند سپس با بهکارگیری مدل رگرسیون چندگانه خطی به روش گامبهگام، از دماهای ششگانه سطح زمین مذکور بهعنوان متغیرهای پیشبینیکننده دمای اعماق مختلف خاک و تبخیر از تشت استفاده شد. فرایند کلی فوق در دو مقیاس ایستگاهی (برای هر کدام از 6 ایستگاه بهصورت جداگانه) و منطقهای (با در نظر گرفتن کل 6 ایستگاه بهصورت یکپارچه) به انجام رسید. همچنین به جهت افزایش دقت مدل در اعماق پایینتر خاک، مقادیر دمای خاک در اعماق 50 و 100 سانتیمتری خاک با یک گام تأخیر زمانی روزانه بعنوان متغیرهای مستقل جدید به مدل اضافه شدند. فرایند اعتبارسنجی مدلهای رگرسیونی در مقیاس ایستگاهی با در نظر گرفتن 75 درصد از کل دادههای هر ایستگاه (دوره آماری 2016-2002) جهت واسنجی و 25 درصد باقیمانده دادهها (دوره آماری 2021-2017) جهت اعتبارسنجی به انجام رسید. در مقیاس منطقهای نیز جهت اعتبارسنجی مدلهای رگرسیونی از روش اعتبارسنجی متقابل تکنمونهای (LOOCV) طی 6 مرحله مجزا (هر مرحله با حذف یک ایستگاه) استفاده شد. دو شاخص ضریب تعیین (R2) و میانگین قدر مطلق خطا (MAE) جهت سنجش عملکرد مدلها بکار گرفته شدند و از شاخص میانگین اریبی خطا (MBE) نیز جهت ارزیابی بیش یا کم برآورد کردن مدلهای رگرسیونی استفاده شد. یافتهها: نتایج حاصل از واسنجی مدلهای رگرسیونی در هر دو مقیاس ایستگاهی و منطقهای نشان داد که از بین شش دمای سطح زمین حاصل از سنجنده MODIS، مدلهای رگرسیون خطی چندگانهای که حاصل آمدند در اکثر موارد برای شبیهسازی دماهای اعماق مختلف خاک بر اساس چهار دمای سطح زمین و برای تبخیر از تشت بر اساس سه دمای سطح زمین حاصل آمدند. دو دمای میانگین شبانهروزی حاصل از دو ماهواره Aqua و Terra نقش چشمگیر و پررنگی در تمامی مدلهای حاصله هم برای دماهای اعماق خاک و هم برای تبخیر از تشت داشتند. نتایج حاصل از اعتبارسنجی مدلهای رگرسیونی جهت شبیهسازی دمای اعماق مختلف خاک نشان داد که هم در مقیاس ایستگاهی و هم در مقیاس منطقهای بر اساس هر دو شاخص ضریب تعیین و میانگین قدر مطلق خطا، مدلهای رگرسیونی در شبیه-سازی دمای خاک در لایههای سطحیتر (عمقهای 5 تا 30 سانتیمتری از سطح خاک) دارای عملکردی بالا (R2 نزدیک به 95/0) و در عمق 50 سانتیمتری خاک با مقداری افت در عملکرد (R2 نزدیک به 9/0) مواجه شدند. در عمق 100 سانتیمتری از سطح خاک، میزان افت عملکرد مدل (R2 نزدیک به 75/0) در مقایسه با لایههای سطحی چشمگیر بود. این افت در عملکرد مدل به این مسأله نسبت داده شد که دمای اعماق خاک قویاً وابسته به مقدار انرژی خالص رسیده به سطح خاک است و به هنگام نفوذ گرما از سطح خاک به اعماق پایینتر، این انرژی و موج گرما به تدریج مستهلک شده و سبب وابستگی کمتر دمای خاک در اعماق پایینتر به دمای سطح زمین میگردد. نتایج همچنین نشان داد که اضافه کردن دماهای سطح خاک با یک روز تأخیر به مدل رگرسیونی سبب کاهش شاخص MAE و بهبود عملکرد مدل در اعماق پایینتر خاک میگردد. در خصوص تبخیر از تشت، نتایج اعتبارسنجی حاکی از عملکرد ضعیفتر مدلهای رگرسیونی حاصله در شبیهسازی تبخیر از تشت در مقایسه با دمای اعماق خاک بود. نتایج همچنین نشان داد که مدلهای رگرسیونی هم در شبیه-سازی دمای اعماق خاک و هم در شبیهسازی تبخیر از تشت، در مقیاس ایستگاهی تا حدودی عملکردی مناسبتر از مقیاس منطقهای داشتند. نتیجهگیری: نتایج کلی این تحقیق نشان داد که دماهای ششگانه سطح زمین حاصل از سنجنده MODIS که از طریق دو ماهواره Aqua و Terra قابل استحصال هستند پتانسیل بسیار بالایی جهت شبیهسازی دمای اعماق مختلف خاک به ویژه لایههای سطحیتر دارند به گونهای که از این دماهای سطح زمین میتوان بهعنوان متغیر اصلی و بطور مستقیم جهت شبیهسازی دمای اعماق خاک در هر دو مقیاس ایستگاهی و منطقهای استفاده کرد. علیرغم دقت مناسب مدلهای رگرسیونی حاصله در برآورد دمای اعماق خاک، پیشنهاد میگردد به جهت ارتقای دقت سطح مدل در پژوهشهای آتی، در کنار دماهای سطح زمین که در این پژوهش از آنها استفاده شد از سایر محصولات ماهوارهای که بر روی دمای خاک تأثیر دارند (به طور ویژه رطوبت سطح خاک) نیز بصورت توأمان و ترکیبی جهت شبیهسازی دمای اعماق خاک استفاده شود. در خصوص شبیهسازی تبخیر از تشت، نتایج حاصل از مدلهای رگرسیونی نشان داد که امکان برآورد مستقیم تبخیر از تشت با دقت بالا صرفاً با بهکارگیری دماهای سطح زمین وجود ندارد اما با توجه به نقش و درجه تأثیر مناسبی که دماهای سطح زمین بر روی تبخیر از تشت از خود نشان دادند این پتانسیل وجود دارد که از آنها بهعنوان متغیرهای کمکی و مفید در کنار سایر متغیرهایی که بر روی تبخیر از تشت تأثیر دارند استفاده کرد. | ||
| کلیدواژهها | ||
| دمای سطح زمین؛ سنجنده MODIS؛ رگرسیون خطی چندگانه؛ اعتبارسنجی متقابل تکنمونهای؛ استان کردستان | ||
| مراجع | ||
|
1.Hillel, D. (2003). Introduction to environmental soil physics. Elsevier.
2.Hu, Q., & Feng, S. (2003). A daily temperature dataset and soil temperature climatology of the contiguous United States. Journal of Applied Meteorology, 42(8), 1139-1156.
3.Khoshkhoo, Y. (2016). Simulation of the snow depth using Single Layer Snow Model (SLSM) at Saghez station. Iranian Journal of Soil and Water Research, 47(3), 517-527. [In Persian]
4.Tan, X., Luo, S., Li, H., Hao, X., Wang, J., Dong, Q., & Chen, Z. (2022). Investigating the effects of snow cover and vegetation on soil temperature using remote sensing indicators in the three river source region, China. Remote Sensing, 14(16), 1-18.
5.Li, Z. L., Wu, H., Duan, S. B., Zhao, W., Ren, H., Liu, X., & Zhou, C. (2023). Satellite remote sensing of global land surface temperature: Definition, methods, products, and applications. Reviews of Geophysics, 61(1), 1-77.
6.Khoshkho, Y. (2018). Evaluating soil surface energy balance model and satellite images to estimating mean daily soil surface temperature. Journal of Water and Soil Conservation, 25(3), 177-192. [In Persian]
7.Bateni, S. M., Entekhabi, D., & Jeng, D. S. (2013). Variational assimilation of land surface temperature and the estimation of surface energy balance components. Journal of Hydrology, 481, 143-156. 8.Hain, C. R., & Anderson, M. C. (2017). Estimating morning change in land surface temperature from MODIS day/ night observations: Applications for surface energy balance modeling. Geophysical Research Letters, 44(19), 9723-9733.
9.Alipoor, G., Ghasemi, A., & Mirabasi Najaf Abadi, R. (2024). Estimation of daily pan evaporation in Kohgiluyeh and Boyer-Ahmad Province. Iranian Water Researches Journal, 18(1), 113-123. [In Persian] 10.Khoshkhoo, Y. (2019). Simulatingg different depths soil temperature in hourly and daily scales using a SVAT model. Journal of Water and Soil Conservation, 25(6), 223-238 [In Persian]
11.Jansson, P. E. (2012). CoupModel: model use, calibration, and validation. Transactions of the ASABE, 55(4), 1337-1344.
12.Li, Z., Ma, L., Flerchinger, G. N., Ahuja, L. R., Wang, H., & Li, Z. (2012). Simulation of overwinter soil water and soil temperature with SHAW and RZ‐SHAW. Soil Science Society of America Journal, 76(5), 1548-1563.
13.Feng, Y., Jia, Y., Zhang, Q., Gong, D., & Cui, N. (2018). National-scale assessment of pan evaporation models across different climatic zones of China. Journal of Hydrology, 564, 314-328.
14.Wang, K., Liu, X., Li, Y., Liu, C., & Yang, X. (2018). A generalized evaporation model for Chinese pans. Journal of Geophysical Research. Atmospheres, 123(19), 10-943.
15.Syu, M. R., Lee, P. H., Leou, T. M., & Shen, Y. (2016). Solar Irradiance and Pan Evaporation Estimation from Meteorological Satellite Data. Terrestrial, Atmospheric & Oceanic Sciences, 27(2), 221-239.
16.Gallego-Elvira, B., Taylor, H. M., Harris, P. P., & Ghent, D. (2019). Evaluation of regional-scale soil moisture-surface flux dynamics in Earth system models based on satellite observations of land surface temperature. Geophysical Research Letters, 46(10), 5480-5488.
17.Esmaeili, S., Khoshkhoo, Y. & Abdollahi, M. (2018). Estimating daily and monthly air temperature parameters at Kurdistan province using MODIS sensor images. Iranian Journal of Soil and Water Research, 49(2), 413-423. [In Persian]
18.Alavipanah, S. K. (2003). Application of remote sensing in earth science. Tehran University press.
19.Khoshkhoo, Y., & Nikmehr, S. (2021). Application of land surface temperature extracted from satellite images for zoning reference evapotranspiration. Environment and Water Engineering, 7(4), 708-722. [In Persian]
20.Gutmann, E. D., & Small, E. E. (2010). A method for the determination of the hydraulic properties of soil from MODIS surface temperature for use in land‐surface models. Water Resources Research, 46(6), 1-16.
21.Tajfar, E., Bateni, S. M., Lakshmi, V., & Ek, M. (2020). Estimation of surface heat fluxes via variational assimilation of land surface temperature, air temperature and specific humidity into a coupled land surface-atmospheric boundary layer model. Journal of Hydrology, 583(2), 1-19.
22.Zhang, F., Zhang, L. W., Jing-Jing, S. H. I., & Huang, J. F. (2014). Soil moisture monitoring based on land surface temperature-vegetation index space derived from MODIS data. Pedosphere, 24(4), 450-460.
23.Zhao, X., Xia, H., Pan, L., Song, H., Niu, W., Wang, R., & Qin, Y. (2021). Drought monitoring over Yellow River basin from 2003–2019 using reconstructed MODIS land surface temperature in Google Earth Engine. Remote Sensing, 13(18), 1-23.
24.Alexander, C. (2020). Normalised difference spectral indices and urban land cover as indicators of land surface temperature (LST). International Journal of Applied Earth Observation and Geoinformation, 86, 1-11.
25.Radočaj, D., Jurišić, M., & Gašparović, M. (2022). A wildfire growth prediction and evaluation approach using Landsat and MODIS data. Journal of environmental management, 304, 1-15.
26.Hachem, S., Duguay, C. R., & Allard, M. (2012). Comparison of MODIS-derived land surface temperatures with ground surface and air temperature measurements in continuous permafrost terrain. The Cryosphere, 6(1), 51-69.
27.Cao, H., Gao, B., Gong, T., & Wang, B. (2021). Analyzing changes in frozen soil in the source region of the Yellow River using the MODIS land surface temperature products. Remote Sensing, 13(2), 1-18.
28.Zhu, W., Lű, A., & Jia, S. (2013). Estimation of daily maximum and minimum air temperature using MODIS land surface temperature products. Remote Sensing of Environment,130, 62-73.
29.Shen, Y., Shen, H., Cheng, Q., & Zhang, L. (2021). Generating comparable and fine-scale time series of summer land surface temperature for thermal environment monitoring. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,14, 2136-2147.
30.Khoshkhoo, Y. (2022). Feasibility study of rainfed barley annual yield prediction based on different drought indices. Journal of Water and Soil Conservation, 29(2), 1-24. [In Persian] | ||
|
آمار تعداد مشاهده مقاله: 150 تعداد دریافت فایل اصل مقاله: 112 |
||