
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,626,526 |
تعداد دریافت فایل اصل مقاله | 8,221,795 |
ارزیابی رطوبت خاک سطحی پایگاههای جهانی با استفاده از دادههای اندازهگیری شده در اقلیمهای مختلف ایران | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 7، دوره 30، شماره 3، مهر 1402، صفحه 127-146 اصل مقاله (2.26 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2024.21470.3659 | ||
نویسندگان | ||
پردیس نیک داد1؛ مهدی محمدی قلعه نی* 2؛ مه نوش مقدسی3 | ||
1دانشجوی کارشناسیارشد علوم و مهندسی آب، دانشگاه اراک، اراک، ایران | ||
2نویسنده مسئول، استادیار گروه علوم و مهندسی آب، دانشگاه اراک، اراک، ایران و پژوهشکده آب، گروه علوم و مهندسی آب، دانشگاه اراک، اراک، ایران | ||
3دانشیار 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 | ||
اقلیم؛ ایستگاه هواشناسی کشاورزی؛ پایگاه داده جهانی؛ تغییرات زمانی- مکانی؛ رطوبت خاک سطحی | ||
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. | ||
آمار تعداد مشاهده مقاله: 177 تعداد دریافت فایل اصل مقاله: 157 |