تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,035 |
تعداد مشاهده مقاله | 52,538,109 |
تعداد دریافت فایل اصل مقاله | 15,241,974 |
برآورد رطوبت خاک با استفاده از مدل جدید ذوزنقه ای مرئی برای حوضه ی سیمینه با استفاده از تصاویر ماهواره لندست 8 | ||
هیدروژئومورفولوژی | ||
مقاله 10، دوره 6، شماره 18، خرداد 1398، صفحه 181-205 اصل مقاله (1.38 M) | ||
نوع مقاله: پژوهشی | ||
نویسندگان | ||
اردشیر یوسف زاده1؛ بتول زینالی* 2؛ خلیل ولیزاده کامران3؛ صیاد اصغری سراسکانرود4 | ||
1دانشجوی دکترای اقلیم شناسی- مخاطرات اقلیمی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
2دانشیار دانشگاه محقق اردبیلی | ||
3دانشیار گروه سنجش از دور و GIS دانشگاه تبریز، دانشکده ی جغرافیا و برنامه ریزی، تبریز، ایران | ||
4دانشیار گروه آموزشی جغرافیای طبیعی دانشگاه محقق اردبیلی، دانشکدهی ادبیات و علوم انسانی، اردبیل، ایران | ||
چکیده | ||
چکیده به دلیل ناپیوستگی در برداشت نمونه ها و نداشتن دسترسی به اطلاعات کافی در ارتباط با شناخت ویژگی های مناطق و نیز، صرف هزینه و زمان زیاد جهت برآورد آب قابل دسترس خاک و تغییرات مکانی آن، استفاده از تصاویر ماهوارهای به صرفه است. "مدل ذوزنقه ای حرارتی- مرئی" بر اساس تفسیر توزیع پیکسل در فضای LST-VI، است که فضای LST-VI برای تخمین رطوبت سطحی خاک یا تبخیر-تعرق واقعی استفاده میشود. هدف از این مطالعه برآورد رطوبت خاک با استفاده از تصاویر ماهوارهای لندست 8 در سال های ک 2015، 2016 و 2017 و با استفاده از توزیع پیکسل در فضای LST-VI(TOTRAM) و STR-VI (OPTRAM) میباشد. بر اساس رابطه ی رگرسیونی برازش شده برای دو مدل، بیشترین ضریب تعیین به دست آمده برای مدل TOTRAM در سال 2015 و 2017 برابر با 99/0 میباشد و برای مدل OPTRAM در سال 2017 برابر با 97/0 میباشد که نشاندهندهی برازش و پراکنش دقیق دادهها در فضای LST-VI و STR-VI توسط مدلهای مورد نظر میباشد. در حالت کلی میتوان نتیجه گرفت که مدل OPTRAM بهتر و دقیقتر از مدل TOTRAM توانسته است رطوبت خاک را پیشبینی کند. چون ضرایب رگرسیونی به دست آمده برای OPTRAM مثبت و برای TOTRAM منفی است؛ یعنی STR-VI در محدودهی طول موج مرئی نسبت به LST-VI در محدوهی طول موج حرارتی، دقیقترین برآورد از رطوبت خاک را در نواحی فاقد دادههای کنترل زمینی میتواند داشته باشد. | ||
تازه های تحقیق | ||
- | ||
کلیدواژهها | ||
کلمات کلیدی: حوضه ی آبریز سیمینه؛ سنجش از دور ماهواره ای؛ OTRAM؛ OPTRAM؛ رطوبت خاک؛ لندست8 | ||
اصل مقاله | ||
- | ||
مراجع | ||
منابع - خسرویان، مریم؛ انتظاری، علیرضا؛ رحمانی، ابوالفضل و محمد باعقیده (1396)، پایش تغییرات سطح آب دریاچهی پریشان با استفاده از شاخص های سنجش از دور، هیدروژئوموفولوژی، شماره ی 13، صص 120-99. - فشائی، ثنائی نژاد و کامران داوری (2015)، تخمین رطوبت خاک با استفاده از تصاویر سنجنده ی مودیس (مطالعهی موردی: محدودهی دشت مشهد)، آب و خاک، شماره ی 29(6)، صص 1735-1748. - فلاحی، غلامرضا و لقمان جمالی (2017)،پهنه بندی خطر زمین لغزش در حوضه ی آبریز سیمینه رود بوکان با تلفیق مدل های آماری، فرایند تحلیل سلسله مراتبی و سامانه ی اطلاعات مکانی، نشریه ی علمی پژوهشی علوم و فنون نقشه برداری، دوره ی 6، شماره ی 4، صص 185-199. - کاظمی پور اسفهلان، مهسا؛ محمدی، محمدحسین و علیرضا واعظی (1397)،تخمیننقطه ایمنحنیرطوبتیخاکبااستفادهازبرخیویژگی هایفیزیکیو مکانیکیخاک، تحقیقات کاربردی خاک، جلد 6، شماره ی 2. - مالیان، عباس؛ محمدی، علی؛ علیمحمدی، عباس و جلال ولی اللهی (1395)، آشکارسازی و پیش بینی روند تغییرات دریاچه ی ارومیه و محیط پیرامونی آن طی نیم قرن گذشته بر پایه ی تحلیل های مکان مبنای دورکاوی، هیدروژئوموفولوژی، شماره ی 9، صص 62-43. -Amani, M., Parsian, S., MirMazloumi, S.M. and O, Aieneh., (2016), Two newsoilmoisture indices based on the NIR-red triangle space of Landsat-8 data. Int. J. Appl. Earth Obs. Geoinf, No. 50, PP. 176–186. -Babaeian, E., Homaee, M., Montzka, C., Vereecken, H., Norouzi, A.A., and M.T, van Genuchten, (2016), Soil moisture prediction of bare soil profiles using diffuse spectral reflectance information and vadose zone flow modeling, Remote Sens, Environ, No.187, PP. 218–229. -Carlson, T.N., (2007), An overview of the" triangle method" for estimating surface evapotranspiration and soil moisture from satellite imagery, Sensors, No. 7, PP. 1612-1629. -Carlson, T.N., (2013), Triangle models and misconceptions, Int. J. Remote. Sens, Appl, No. 3, PP. 155-158. -Carlson, T.N., Gillies, R.R. and E.M, Perry., (1994), A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover, Remote Sens, Rev. Vol.9 ,No(1–2), PP. 161–173. -Feng, H., Chen, C., Dong, H., Wang, J. and Q. Meng., (2013), Modified shortwave infrared perpendicular water stress index: a farmland water stress monitoring method, J. Appl. Meteorol. Climatol, No. 52 Vol. 9, PP. 2024–2032. -Gates, D.M., Keegan, H.J., Schleter, J.C. and V.R. Weidner., (1965) Spectral properties of plants, Applied optics, No. 4, Vol. 1, PP. 11-20. -Ghulam, A., Li, Z.L., Qin, Q., Tong, Q., Wang, J., Kasimu, A. and L. Zhu, (2007), A method for canopy water content estimation for highly vegetated surfaces-shortwave infrared perpendicular water stress index, Sci. China Ser. D Earth Sci, No. 50 (9), PP. 1359–1368. -Hassan. Esfahani, L., Torres-Rua, A., Jensen, A. and M. McKee., (2015), Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks,Remote Sens, No. 7 Vol. 3, PP. 2627–2646. -Kornelsen K.C., and P. Coulibaly, (2015), Reducing multiplicative bias of satellite soil moisture retrievals, Remote Sensing of Environment, No. 165, PP. 109-22. -Latif, M.S., (2014), Land Surface Temperature Retrival of Landsat-8 Data Using Split Window Algorithm-A Case Study of Ranchi District, International Journal of Engineering Development and Research, No. 2, Vol. 4, PP. 2840-2849. -Leroux D.J., Kerr Y.H., Al Bitar A., Bindlish R., Jackson T.J. and B. Berthelot., (2014), Comparison between SMOS, VUA, ASCAT, and ECMWF soil moisture products over four watersheds in U.S., IEEE Transactions on Geoscience and Remote Sensing, No. 52, Vol. 3, PP.1562-1571. -Mallick, K., Bhattacharya, B.K. and N.K. Patel., (2009), Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI, Agric. For. Meteorol, No. 149 (8), PP. 1327–1342. -McNally A., Husak G.J., Brown M., Carroll M., Funk C., Yatheendradas S., Arsenault K., Peters-Lidard C., and J.P. Verdin., (2015), Calculating Crop Water Requirement Satisfaction in the West Africa Sahel with Remotely Sensed Soil Moisture, Journal of Hydrometeorology, No. 16, PP. 295-305. -Mladenova, I.E., Jackson, T.J., Njoku, E., Bindlish, R., Chan, S., Cosh, M.H., Holmes, T.R.H., DeJeu, R.A.M., Jones, L., Kimball, J. and S. Paloscia, (2014), Remote monitoring of soil moisture using passive microwave-based techniques theoretical basis and overview of selected algorithms for AMSR-E, Remote Sens, Environ. No. 144, PP. 197–213. -Moran, M.S., Clarke, T.R., Inoue, Y.and A.Vidal., (1994), Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index. Remote Sens, Environ, No. 49(3), PP. 246–263. -Nemani, R., Pierce, L., Running, S. and S. Goward., (1993), Developing satellite-derived estimates of surface moisture status, J. Appl. Meteorol, No. 32m Vol. 3, PP. 548–557. -Njoku, E.G. and D. Entekhabi., (1996), Passive microwave remote sensing of soil moisture, J. Hydrol, No. 184, Vol. 1, PP. 101–129. -Ochsner, T.E., Cosh, M.H., Cuenca, R.H., Dorigo, W.A., Draper, C.S., Hagimoto, Y., Kerr, Y.H.,Njoku, E.G., Small, E.E. and M. Zreda., (2013), State of the art in large-scale soil moisture monitoring, Soil Sci. Soc. Am. J. No. 77, Vol. 6, PP. 1888–1919. -Pan, M., Sahoo a.K., Wood E.F., Al Bitar A., Leroux D., and Y.H. Kerr (2012), An Initial Assessment of SMOS Derived Soil Moisture over the Continental United States, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, No. 5, PP. 1448-1457. -Pratt, D.A. and C.D. Ellyett., (1979), The thermal inertia approach to mapping of soil moisture and geology, Remote Sens, Environ, No. 8, Vol. 2, PP. 151–168. -Qi, J., A. Chehbouni, A.R. Huete, Y.H. Kerr and S.A. Sorooshian, (1994), modified soil adjusted vegetation index, Remote Sens, Environ, No. 48, PP. 119-126. -Rahimzadeh-Bajgiran, P., Berg, A.A., Champagne, C. and K. Omasa., (2013), Estimation of soil moisture using optical/thermal infrared remote sensing in the Canadian Prairies, ISPRS J. Photogramm, Remote Sens, No. 83, PP. 94–103. -Robinson, D.A., Campbell, C.S., Hopmans, J.W., Hornbuckle, B.K., Jones, S.B., Knight, R., Ogden, F., Selker, J. and O. Wendroth., (2008), Soil moisture measurement for ecological and hydrological watershed-scale observatories: a review, Vadose Zone J. No. 7, Vol. 1, PP. 358–389. -Sadeghi, M., Babaeian, E., Tuller, M. and S. B. Jones., (2017), The optical trapezoid model: A novel approach to remote sensing of soil moisture applied to Sentinel-2 and Landsat-8 observations, Remote Sensing of Environment, No. 198, PP. 52-68. -Sadeghi, M., Jones, S.B. and W.D. Philpot., (2015), A linear physically-based model for remote sensing of soil moisture using short wave infrared bands, Remote Sens, Environ, No. 164, PP. 66–76. -Schalie R.v.d., Kerr Y.H., Wigneron J.P., Rodríguez-Fernández N.J., Al-Yaari A., and Jeu R.A.M.d.(2016), Global SMOS Soil Moisture Retrievals from the Land Parameter Retrieval Model, International Journal of Applied Earth Observation and Geoinformation, No. 45, PP. 125-134. -Tian, J. and W.D. Philpot., (2015), Relationship between surface soil water content, evaporationrate, and water absorption band depths in SWIR reflectance spectra, Remote Sens, Environ. No. 169, PP. 280–289. -Verstraeten, W.W., Veroustraete, F., van der Sande, C.J., Grootaers, I. and J. Feyen., (2006), Soil moisture retrieval using thermal inertia, determined with visible and thermal spaceborne data, validated for European forests, Remote Sens, Environ. No. 101, Vol. 3, PP. 299–314. -Wang, L. and J.J. Qu, (2009), Satellite remote sensing applications for surface soil moisture monitoring, a review. Front. Earth Sci, China, No. 3, Vol. 2, PP. 237–247. -Weng Q, Lu D and J. Schubring, (2004), Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies, Remote Sensing Environ, No. 89, Vol. 4, PP. 467-483. -Zeng J., Li Z., Chen Q., Bi H., Qiu J., and P. Zou, (2015), Evaluation of remotely sensed and reanalysis soil moisture products over the Tibetan Plateau using in-situ observations, Remote Sensing of Environment, No. 163, PP. 91-110. -Zhang, D. and G. Zhou., (2016), Estimation of soil moisture from optical and thermal remote sensing: a review, Sensors, No.16, Vol. 8, 1308. -Zhang, N., Hong, Y., Qin, Q. and L. Liu., (2013), VSDI: a visible and shortwave infrared drought index for monitoring soil and vegetation moisture based on optical remote sensing, Int. J. Remote Sens, No. 34, Vol. 13, PP. 4585–4609. | ||
آمار تعداد مشاهده مقاله: 1,280 تعداد دریافت فایل اصل مقاله: 863 |