22897

بازيابي رطوبت خاك در مقياس مزرعه با استفاده از جذب داده در مدل HYDRUS-1D

كارشناسي ارشد

مهندسي و مديريت منابع آب

1399/8/26

دكتر حسين عليزاده - دكتر برات مجردي

عمران

تخمين ميزان رطوبت خاك با دقت بالا يكي از چالشهاي مهم دهة اخير در هيدرولوژي بوده است. مشاهدة زميني براي ايجاد يك سري زماني از رطوبت خاك اغلب به سادگي انجام نمي شود و نيازمند صرف زمان و هزينة زيادي مي باشد. همچنين ماهواره هاي اندازه گيري كنندة مستقيم رطوبت خاك داراي دقت مكاني پايين براي مطالعات در مقياس هاي كوچك مانند مزرعه مي باشند. علاوه بر اين تصاوير ماهواره اي فقط مشاهده اي از لاية سطحي خاك ارائه مي كنند و براي اندازه گيري رطوبت خاك در عمق هاي بيشتر محدود مي باشند. استفاده از داده هاي مشاهداتي سنجش از دور به همراه واسنجي مدل شبيه سازي حركت آب در خاك به روش جذب داده بمنظور دستيابي به ميزان رطوبت خاك و پارامترهاي هيدروليكي خاك، بعنوان جايگزيني براي اندازه گيري هاي زميني مطرح شده و خطاهاي احتمالي در شبيه سازي را كاهش مي دهد. اين روش با تركيب نتايج حاصل از مدل يك بعدي شبيه سازي حركت آب در خاك و داده هاي مشاهداتي، ميزان دقت در شبيه سازي را به مقدار قابل توجهي افزايش مي دهد. در اين پژوهش براي تخمين رطوبت و خصوصيات هيدروليكي خاك در محدودة مطالعاتي در مقياس مزرعه، از مشاهدات حاصل از اندازه گيري هاي زميني و ماهواره اي با بكارگيري الگوريتم EnKF از جذب داده براي واسنجي مدل HYDRUS-1D استفاده شده است. جذب داده با استفاده از سه منبع مختلف مشاهداتي شامل مشاهدة زميني رطوبت خاك، دماي سطح خاك حاصل از ماهوارة 8Landsat- و سنجندة Modis انجام شده است. مقايسة نتايج حاصل با در نظر گرفتن معيارهاي نكوئي برازش NSE،RMSE ، R^2 و PBIAS نشان مي دهد كه در جذب هر سه نوع از مشاهدات با افزايش عمق خاك ، دقت شبيه سازي كاهش پيدا مي كند. همچنين جذب دادة حاصل از اندازه گيري زميني رطوبت خاك در مقايسه با داده هاي ماهواره اي بهترين تخمين از رطوبت خاك و پارامترهاي هيدروليكي را ارائه مي كند. اما با توجه به مشكلات موجود در جهت دستيابي به داده هاي زميني و در مقابل، گستردگي مكاني و سهولت در دسترسي به داده هاي ماهواره اي، جذب داده هاي دماي سطحي خاك (LST) حاصل از تصاوير ماهوارة 8Landsat- كه دقت قابل توجهي نسبت به نتايج حاصل از سنجندة Modis دارد، جايگزين مناسبي براي استفاده از داده هاي زميني بمنظور تخمين پروفيل عمقي رطوبت و پارامترهاي هيدروليكي خاك با دقت قابل قبول مي باشد.

1399/10/07

Retrieve of soil moisture at field scale by using data assimilation in a HYDRUS-1D model

11/16/2020 12:00:00 AM

In situ measurements to generate a time series of soil moisture is often not justified. Also, satellites that measure soil moisture directly have low spatial resolution for field-scale. In addition, remote sensing information provides only an observation of the surface layer of the soil and is limited to measuring soil moisture at depth. The use of remote sensing observational data and calibration of soil water movement simulation model by data assimilation method is proposed as an alternative to in situ measurements and reduces possible simulation errors. This method significantly increases the accuracy of the simulation by combining the results of the one-dimensional model and observational data. In this study, to estimate soil moisture and hydraulic properties, observations obtained from in situ measurements and satellite data in the HYDRUS-1D model are assimilated using the ensemble kalman filter (EnKF). Data assimilation was performed using three different observational sources including in situ measurements of soil moisture, land surface temperature (LST) from the LANDSAT-8 satellite and MODIS sensor. Comparison of the obtained results by considering the statistical index of NSE, RMSE,PBIAS and R^2 shows that in assimilation all three types of observations with increasing soil depth, the simulation accuracy decreases. Also, the assimilation data obtained from in situ measurement of soil moisture compared to satellite data provides the best estimate of soil moisture profiles. But in situ measurements of soil moisture are limited. In contrast, the spatial extent and ease of access to satellite data, the assimilation of soil surface temperature from the LANDSAT-8 satellite in the HYDRUS-1D model are a good alternative to using in situ measurements to estimate soil moisture profiles with acceptable accuracy.