21978

21978

برآورد رطوبت خاك در زمين هاي داراي پوشش گياهي با استفاده از تجزيه تصاوير راداري

كارشناسي ارشد

مهندسي و مديريت منابع آب

97-98

1398/11/28

دكتر برات مجردي - دكتر حسين عليزاده

عمران

با توجه به اهميت برآورد رطوبت خاك در مباحث هيدرولوژي، هواشناسي، كشاورزي و پيش بيني سيلاب و ديگر موراد ضروري، تحقيقات مختلفي در زمينه برآورد رطوبت خاك با استفاده از سنجش از دور صورت گرفته است در اين ميان با توجه به پيشرفت هاي اخيري كه در زمينه سنجش از دوري راداري اتفاق افتاده است، اقبال بيشتري به منظور برآورد رطوبت خاك با استفاده از تصاوير ماهواره اي راداري شده است. مدل هاي مختلفي به منظور برآورد رطوبت خاك در زمين هاي باير و داراي پوشش گياهي با استفاده از تصاوير راداري ارائه گرديده است، در زمين هاي باير و بدون پوشش گياهي مدل هاي فيزيكي، نيمه تجربي و تجربي ارائه شده اند كه مي توانند ارتباط بين رطوبت خاك و ويژگي هاي داده هاي راداري را برقرار كنند. در زمين هاي داراي پوشش گياهي با توجه به تاثير پوشش گياهي بر برآورد رطوبت خاك بايد تاثير پوشش گياهي در برآورد رطوبت خاك لحاظ گردد از اين رو برخي روش ها مثل شبكه عصبي مصنوعي، روش هاي water cloud و روش هاي Change detection به منظور برآورد رطوبت خاك ارائه شده اند. برآورد رطوبت خاك با استفاده از روش هاي تجزيه از جمله روش هايي است كه اخيرا مورد توجه قرار گرفته است. روش هاي تجزيه كه پيشتر به منظور اهداف طبقه بندي مورد استفاده قرار مي گرفت؛ مي توانند مكانيسم-هاي پراكنش ها را تشخيص داده و ويژگي هاي سطحي خاك را محاسبه كنند. با توجه به اينكه الگوريتم-هاي تجزيه عموما بر روي تصاوير تمام پلاريمتريك انجام شده از اين رو تحقيقاتي در زمينه برآورد رطوبت خاك با استفاده از الگوريتم معمولي تجزيه داده هاي تمام پلاريمتريك مثل روش هاي تجزيه Freeman dorden،Yamaguchi, Vanzi انجام شده است كه مي توانند رطوبت خاك را محاسبه كنند. در اين تحقيق نيز هدف برآورد رطوبت خاك در زمين هاي داراي پوشش گياهي با استفاده از تجزيه تصاوير نيمه پلاريزه Sentinel1است. با توجه به غير رايگان بودن دسترسي به تصاوير تمام پلاريتريك، ماهواره Sentinel1 انتخاب گرديد. مطالعه موردي بر روي ايستگاه اندازه گيري رطوبت خاك Tonzi در كشور آمريكا صورت گرفته است. اين منطقه از آن جهت انتخاب شد كه تعداد 13 سنسور فعال در نقاط مختلف به فاصله زماني بيست دقيقه، مي توانند داده رطوبت خاك ثبت كنند؛ در نتيجه در زمان عبور ماهواره از منطقه مورد نظر به فاصله زماني خيلي كم، رطوبت خاك ثبت شده از سنسورهاي منطقه خواهيم داشت. تعداد 3 تصوير ماهواره اي در تاريخ هاي 9، 15 و 21 ژوئن سال 2019 از ايستگاه مورد نظر، دانلود گرديد، سپس بر روي تصاوير ماهواره اي Sentinel1 كه به صورت تصاوير راداري نيمه پلاريزه هستند پيش پردازش هاي مورد نياز انجام شد. استفاده از الگوريتم هاي معمول تجزيه، نيازمند داده هاي تمام پلاريمتريك است و با توجه به اينكه ماهواره مورد استفاده در اين تحقيق كه ماهواره Sentinel1است حاوي داده هاي نيمه پلاريزه در قطبش هاي VH وVV است، نمي توان روش هاي معمولي عمل تجزيه را انجام داد و بنابراين بايد الگوريتمي به منظور تجزيه داده¬هاي نيمه پلاريزه Sentinel1 گسترش مي يافت تا از طريق آن اثر پوشش گياهي حذف شود و بتوان به رطوبت خاك دست پيدا نمود. براي نيل به اين هدف با تعريف بردارهاي پراكنش جديد و صرف نظر از اثر پراكنش دو برخورد الگوريتم تجزيه مدل مبنايي گسترش يافت تا مكانيسم پراكنش سطحي و مكانيسم پراكنش پوشش گياهي را با استفاده از داده هاي نيمه پلاريزه Sentinelجدا كند. ولي از آن جا كه معادله به دست آمده از الگوريتم تجزيه داراي يك مجهول بيشتر از معادلات بود از اين رو از تصاوير سه زمانه به منظور مساوي كردن تعداد معادلات و مجهولات استفاده شد و با توجه به اينكه معادلات موجود همگي به صورت غير خطي بودند از اين رو از الگوريتم ژنتيك به منظور حل عددي اين معادلات استفاده گرديد. با با توجه به نقش پوشش گياهي در محاسبه رطوبت خاك سه سناريوي مختلف به منظور مدل سازي آن ها با استفاده از جهت گيري دو قطبي هاي الكتريكي شامل جهت گيري تصادفي در سناريوي اول، جهت گيري قائم در سناريوي دوم و جهت گيري افقي در سناريوي سوم تعريف گرديدند و محاسبات برآورد ضريب دي الكتريك و رطبت خاك با استفاده از اين سه سناريو صورت گرفت تا مناسب ترين سناريو پراكنش حجمي براي منطقه مورد نظر مشخص گردد. در نهايت سناريوي پيشنهادي با استفاده از جهت گيري دو قطبي هاي الكتريكي با ميزان RMSE از 1.05 تا 1.52 به عنوان مناسب ترين سناريو انخاب شد. بعد از آنكه ميزان ضريب دي الكتريك خاك در هر يك از تاريخ ها براي سه سناريوي اول و دوم و سوم محاسبه گرديد ميزان رطوبت خاك نيز براي هر يك از تاريخ¬ها و براي سناريوهاي ذكر شده با استفاده از رابطه Topp محاسبه شد. مشابه با ضريب دي الكتريك خاك مناسب ترين سناريو جهت برآورد رطوبت خاك نيز جهت گيري تصادفي دو قطبي هاي الكتريكي انتخاب شد كه ميزان RMSE در برآورد رطوبت خاك در اين سناريو از 2.09 تا 2.76 محاسبه ميگردد.

1399/01/30

estimation of soil moisture in vegetated lands using sar images decomposition

2/16/2021 12:00:00 AM

Soil moisture plays an important role in hydrological, agricultural and environmental systems. For instance, it controls the water and energy exchange in the land surface and atmosphere boundary, and governs the crop growth, productivity and food security. Synthetic Aperture Radar (SAR) is widely used to estimate and monitor the spatiotemporal distribution of soil moisture, with its measurement capabilities under day/night and cloudy/clear weather conditions. In particular, surface SM has been estimated using a series of theoretical, empirical or semi-empirical models according to microwave remote sensing technology. However, most current SM retrieval models are only applicable to bare soil fields based on synthetic aperture radar (SAR) data, such as the integration equation model (IEM), improved IEM and the Oh, and Dubois electromagnetic models. In these models, the soil dielectric constant can be regarded as one of the variables. Then, the soil moisture content can be calculated by using Dobson, etc., soil dielectric constant models. However, over agricultural areas, which are seasonally covered by different crops, the sensitivity of SAR signal to soil moisture is impacted by surface roughness and vegetation. This leads to an underdetermined issue, as several parameters regarding the soil and vegetation characteristics need to be estimated from limited observations. In such complex scenarios, the polarimetric decomposition algorithms (Cloude and Pottier, 1996) which take advantages of the full polarimetric SAR data are often used to reduce the vegetation effect and extract the ground scattering component which is related to the soil moisture. Methods for polarization decomposition include Freeman-Durden, Yamaguchi, Zhang, An, VanZly, Arii and Wang. Depending on the scattering mechanism, the models are grouped as two-component, three-component and four-component decomposition methods. Among them, the most common decomposition method is the three-component method of Freeman-Durden. This method assumes three typical scattering contributions, namely volume scattering from vegetation, surface scattering from the ground and dihedral scattering from the interaction between the ground and the vegetation. The advantages of this method are its simplicity, ease of implementation and quantitative direct elimination of the vegetation effect to retrieve the SM data. however, most of the existing model-based decomposition studies are not focused on the retrieval of physical parameters (e.g., soil moisture or trunk dielectric constant) from the outputs of the decomposition, and they do not provide any other conclusion beyond the retrieved power of every scattering mechanism and its exploitation for target detection and land classification. Some research focused on soil moisture inversion using polarimetric decomposition, which has actually been an active research line since some years ago. Nevertheless, the current state of the start on PolSAR decomposition techniques suggests that quantitative accuracy of parameters retrieved from model-based incoherent approaches is still an open issue. this research investigates a simplified polarimetric decomposition for soil moisture retrieval over vegetated fields. In order to overcome the coherent superposition of the backscattering contributions from vegetation and underlying soils, a simplification of an existing polarimetric decomposition is proposed in this study. It aims to retrieve the soil moisture by using only the surface scattering component, once the volume scattering contribution is removed. Evaluation of the proposed simplified algorithm is performed using extensive ground measurements of soil moisture from Tonzi soilmoisture network and the time series of Sentinel-1 data. RMSE of 2.09–2.76 m3/m3 are obtained for the soil moisture retrieval based on the simplified polarimetric decomposition. The results show that the performance of soil moisture retrieval depends on modeling of volume scattering, randomly oriented vegetation had the most best result.