پژوهش های سنجش از دور و اطلاعات مکانی

دوفصلنامه علمی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

همکاران دفتر نشریه

اصول اخلاقی انتشار مقاله

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

آیین نامه ها و مصوبات

تعیین پارامترهای زبری و رطوبت خاک با استفاده از داده‌های ماهواره‌ای سنتینل1 از طریق مدل OH: مطالعه موردی زمین کشاورزی در شهر نظرآباد

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی نقشه برداری، دانشکده مهندسی عمران آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران

چکیده

پیشینه و اهداف: این تحقیق، به دنبال ارائه رویکردی نوین برای بازیابی پارامترهای خاک از ترکیب داده‌های ماهواره‌ای سنتینل-1 و مدل OH است. این اطلاعات، می‌تواند به بهبود مدیریت زمین و افزایش بهره‌وری کشاورزی کمک کند. تعیین دقیق پارامترهای خاک، مانند زبری و رطوبت، برای مدیریت کارآمد زمین کشاورزی و تصمیم‌گیری اهمیت قابل توجهی دارد. روش‌های زمینی مرسوم برای دستیابی به این پارامترها از نظر پوشش مکانی، محدود و اغلب زمان‌بر و پرهزینه هستند. در مقابل، تکنیک‌های سنجش از دور، به‌ویژه آن‌هایی که از داده‌های ماهواره‌ای SAR  استفاده می‌کنند، پتانسیل راه‌حل مؤثرتر و جامع‌تری را برای پایش شرایط خاک در مناطق وسیع ارائه می‌دهند. در این تحقیق، سه سؤال اصلی مورد توجه قرار گرفته است که بر تعیین پارامترهای زبری و رطوبت خاک، اهمیت آن‌ها برای کشاورزی و تأثیر آن‌ها بر خاک تمرکز دارد. همچنین، بر پتانسیل تکنیک‌های سنجش از دور، به ویژه، کسب داده‌های ماهواره‌ای، برای ارائه راهکارهای موثر و جامع برای نظارت بر شرایط خاک در مناطق گسترده تأکید دارد. زبری و رطوبت خاک اهمیت بسیاری برای کشاورزی دارند و می‌توانند تأثیرات زیادی بر رشد محصولات داشته باشند.
روش‌ها‌: این پژوهش، به بررسی و تحلیل پارامترهای رطوبت و زبری خاک یکی از اراضی کشاورزی شهرستان نظرآباد پرداخته است. این فرآیند شامل جمع‌آوری داده‌ها، پیش‌پردازش، کالیبراسیون و اعتبارسنجی داده‌های رادار است. داده‌های راداری این تحقیق از ماهواره Sentinel-1 به‌دست آمده است. استفاده از داده‌های راداری از این ماهواره برای نظارت شبانه‌روزی بر زمین‌های کشاورزی و تحقیق جامعی بر روی موضوع فوق بسیار ارزشمند است. داده‌های ورودی، مورد پیش‌پردازش در نرم‌افزار اسنپ قرار گرفت به‌طوری‌که پیش‌پردازش شامل استفاده از فیلترها برای حذف نویز لکه‌ها و اصلاحات هندسی بود. ورودی‌های لازم برای حل معادلات مدل OH از تصاویر پلاریزه به‌ویژه HH و VV پس از انجام تنظیمات فوق با استفاده از نرم‌افزار اسنپ به‌دست آمد. تجزیه و تحلیل آماری شامل استخراج اطلاعات حیاتی مانند Sigma Naught (σ) و زاویه فرود (θ) برای هر پیکسل است که برای مدل OH بسیار مهم هستند. تصاویر پلاریزه، پس از تنظیمات، برای تجزیه و تحلیل بیشتر مورد استفاده قرار گرفتند. در مرحله بعد، معادلات نوشته شده برای هر پیکسل به‌طور جداگانه در نرم‌افزار برنامه‌نویسی MATLAB حل شد و مقادیر ریشه میانگین ارتفاع مربع (s) برای به‌دست آوردن زبری و ثابت دی‌الکتریک  (ε)پارامتر مورد علاقه برای تخمین رطوبت خاک یعنی میزان رطوبت (mv) برای تمام پیکسل‌ها به‌دست آمد. در نهایت، ماتریس‌های مربوط به این مقادیر به تصویر خروجی تبدیل شد و یک نقشه تولید شد که اطلاعات مربوط به رطوبت و زبری خاک را نمایش می‌دهد.
یافته‌ها: با توجه به نتایج حاصل، نشان داده شده است که مقادیر ثابت دی ‌الکتریک، زبری و رطوبت به پارامترهای اولیه حل‌کننده بسیار حساس می‌باشند. به ویژه، ثابت دی ‌الکتریک دارای حساسیت قابل توجهی است که ممکن است با بهبود روش حل، این حساسیت کاهش یابد. تحلیل نمایه زبری نشان می‌دهد که ارتفاع rms در مناطق مختلف متفاوت است و با افزایش زبری، پراکندگی افزایش می‌یابد. همچنین، تحلیل محتوای رطوبت نشان می‌دهد که رطوبت در سراسر منطقه نسبتاً یکنواخت است.
نتیجه‌گیری: این مطالعه، نشان می‌دهد که استفاده از داده‌های ماهواره Sentinel-1 و بهره‌گیری از مدلOH، منجر به بهبود قابل توجهی در دسترسی به اطلاعات قابل اعتماد جهت بهبود مدیریت زراعت می‌شود. این روش توانایی تجزیه و تحلیل نوسانات مکانی و زمانی در زبری و رطوبت خاک را داراست و اطلاعات حیاتی جهت بهینه‌سازی روش‌های کشاورزی را فراهم می‌سازد. اصلاح شرایط خاک، به‌طور قابل‌توجهی به نظارت دقیق‌تر بر شرایط خاک و بهره‌وری بهتر در حوزه کشاورزی منجر می‌شود و این رویکرد امکان نظارت دقیق‌تر بر شرایط خاک و بهره‌وری بهتر در زمینه کشاورزی را فراهم می‌کند. این بررسی‌ها، می‌تواند اطلاعات ارزشمندی را برای مدیریت زمین کشاورزی و فرآیندهای تصمیم‌گیری فراهم کرده و به افزایش بهره‌وری و حفاظت از محیط زیست کمک کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Determining Soil Roughness and Moisture Parameters Using Sentinel-1 Satellite Data via OH Model: A Case Study of Agricultural Land in Nazarabad City

نویسندگان [English]

  • H. Babaeifard
  • S. Sadeghian

Department of Surveying Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran

چکیده [English]

Background and Objectives: This research aims to present a novel approach for retrieving soil parameters from the combination of Sentinel-1 satellite data and the OH model. This information can aid in improving land management and increasing agricultural productivity. Accurate determination of soil parameters such as roughness and moisture is crucial for efficient land agriculture management and decision-making. Conventional ground-based methods for obtaining these parameters are often limited in spatial coverage and are frequently found to be time-consuming and costly. On the other hand, remote sensing techniques, especially those utilizing SAR satellite data, offer the potential for a more effective and comprehensive solution for monitoring soil conditions in vast areas. This study focuses on three main questions related to soil roughness and moisture parameters, emphasizing their significance for agriculture and their impact on soil science and agricultural processes. It also underscores the potential of remote sensing techniques, particularly the acquisition of satellite data, in providing effective and comprehensive solutions for monitoring soil conditions in extensive areas. Soil roughness and moisture are highly important for agriculture and can have significant impacts on crop growth.
Methods: This research is focused on investigating and analyzing the soil moisture and roughness parameters of an agricultural land in Nazarabad County. The process includes data collection, preprocessing, radar data calibration, and validation. Radar data for this study is obtained from the Sentinel-1 satellite. The use of radar data from this satellite for monitoring agricultural lands day and night and conducting comprehensive research on the subject is highly valuable. The input data underwent preprocessing in the SNAP software, involving the use of filters to remove noise spots and geometric corrections. The necessary inputs for solving the OH model equations from polarized images, especially HH and VV, were obtained after the aforementioned settings using SNAP software. Statistical analysis involves extracting vital information such as Sigma Naught (σ) and incidence angle (θ) for each pixel, which are crucial for the OH model. Polarized images, after adjustments, were further used for analysis. Next, the equations written for each pixel were individually solved in MATLAB programming software, and the values of the root mean square height (s) for obtaining roughness and the dielectric constant (ε) - a key parameter for estimating soil moisture content, i.e., soil moisture (mv), for all pixels were obtained. Finally, matrices related to these values were transformed into the output image, generating a map displaying information on soil moisture and roughness.
Findings: Based on the results obtained, it has been demonstrated that the values of dielectric constant, roughness, and humidity are very sensitive to the initial solver parameters. In particular, the dielectric constant exhibits significant sensitivity, which may be reduced by improving the solution method. Roughness profile analysis shows that the rms height varies in different regions and increases the scattering with the increase of roughness. Additionally, moisture content analysis indicates that the humidity is relatively uniform throughout the area.
Conclusion: This study demonstrates that the use of Sentinel-1 satellite data in conjunction with the OH model leads to a significant improvement in access to reliable information for enhancing agricultural management. This approach has the capability to analyze spatial and temporal variations in soil roughness and moisture, providing vital information for optimizing agricultural practices. Substantial soil condition improvements lead to more precise monitoring and better productivity in agriculture, offering the potential for more accurate monitoring of soil conditions and enhanced productivity in the agricultural domain. These assessments can provide valuable insights for agricultural land management and decision-making processes, contributing to increased efficiency and environmental conservation.

کلیدواژه‌ها [English]

  • Remote Sensing
  • Sentinel-1 Satellite Data
  • OH Model
  • Soil Moisture and Roughness
  • Agriculture

COPYRIGHTS 
© 2024 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/)  

مراجع
[1] Yang P, Wu L, Cheng M, Fan J, Li S, Wang H, et al. Review on Drip Irrigation: Impact on Crop Yield, Quality, and Water Productivity in China. Water. 2023;15(9):1733 https://doi.org/10.3390/w15091733.
[2] Abdulraheem MI, Zhang W, Li S, Moshayedi AJ, Farooque AA, Hu J. Advancement of Remote Sensing for Soil Measurements and Applications: A Comprehensive Review. Sustainability. 2023;15(21):15444. https://doi.org/10.3390/su152115444
[3] Baghdadi N, Gaultier S, Cock King. Retrieving Surface Roughness and Soil Moisture from Synthetic Aperture Radar (SAR) Data Using Neural Networks. French National Institute for Agriculture, Food, and Environment (INRAE); Singapore Management University; 2002. doi:10.5589/m02-066.
[4] Barrett BW, Dwyer E, Whelan P. Soil Moisture Retrieval from Active Spaceborne Microwave Observations: An Evaluation of Current Techniques. Remote Sensing. 2009;1(3):210-42. https://doi.org/10.3390/rs1030210
[5] Huang S, Ding J, Zou J, Liu B, Zhang J, Chen W. Soil Moisture Retrival Based on Sentinel-1 Imagery under Sparse Vegetation Coverage. Sensors. 2019;19(3):589.
https://doi.org/10.3390/s19030589
[6] Chung J, Lee Y, Kim J, Jung C, Kim S. Soil Moisture Content Estimation Based on Sentinel-1 SAR Imagery Using an Artificial Neural Network and Hydrological Components. Remote Sensing. 2022;14(3):465. https://doi.org/10.3390/rs14030465
[7] Nellis D, Price K, Rundquist DC. Remote Sensing of Cropland Agriculture. In: Air Data Solutions, University of Nebraska at Lincoln, editors. Papers in Natural Resources, School of Natural Resources, University of Nebraska-Lincoln; 2009.
DOI:10.4135/9780857021052.n26.
[8] Richer-de-Forges AC, Chen Q, Baghdadi N, Chen S, Gomez C, Jacquemoud S, et al. Remote Sensing Data for Digital Soil Mapping in French Research-A Review. Remote Sensing. 2023;15(12):3070. DOI: 10.3390/rs15123070.
[9] Mohseni F, Mirmazloumi SM, Mokhtarzade M, Jamali S, Homayouni S. Global Evaluation of SMAP/Sentinel-1 Soil Moisture Products. Remote Sensing. 2022;14(18):4624. https://doi.org/10.3390/rs14184624
[10] Rasheed MW, Tang J, Sarwar A, Shah S, Saddique N, Khan MU, et al. Soil Moisture Measuring Techniques and Factors Affecting the Moisture Dynamics: A Comprehensive Review. Sustainability. 2022;14(18):11538.
https://doi.org/10.3390/su141811538
[11] Wulf H, Mulder VL, Schaepman M, Keller A, Joerg PC. Remote Sensing of Soils. University of Zurich, Switzerland; 2014. DOI: 10.13140/2.1.1098.0649.
[12] Raza A, Ahrends H, Habib-Ur-Rahman M, Gaiser T. Modeling Approaches to Assess Soil Erosion by Water at the Field Scale with Special Emphasis on Heterogeneity of Soils and Crops. Land. 2021;10(4):422. DOI: 10.3390/land10040422.
[13] Baghdadi N, El Hajj M, Choker M, Zribi M, Bazzi H, Vaudour E, et al. Potential of Sentinel-1 Images for Estimating the Soil Roughness over Bare Agricultural Soils. Water. 2018;10(2):131. https://doi.org/10.3390/w10020131
[14] Jazireeyan I. Estimation of soil moisture using Sentinel-1 and Sentinel-2 images. ISPRS Annals. 2023; X(4):137-202.
DOI:10.5194/isprs-annals-X-4-2022-137-2023.
[15] Ettalbi M, Baghdadi N, Garambois PA, Bazzi H, Ferreira E, Zribi M. Soil moisture retrieval in bare agricultural areas using Sentinel-1 images. Remote Sensing. 2023;15(14):3502. https://doi.org/10.3390/rs15143502
[16] Han Y, Bai X, Shao W, Wang J. Retrieval of Soil Moisture by Integrating Sentinel-1A and MODIS Data over Agricultural Fields. Water. 2020;12(6):1726. https://doi.org/10.3390/w12061726
[17] Liang J, Liang G, Zhao Y, Zhang Y. A synergic method of Sentinel-1 and Sentinel-2 images for retrieving soil moisture content in agricultural regions. Comput Electron Agric. 2021;192:106485. https://doi.org/10.1016/j.compag.2021.106485
[18] Chung J, Lee Y, Kim J, Jung C, Kim S. Soil Moisture Content Estimation Based on Sentinel-1 SAR Imagery Using an Artificial Neural Network and Hydrological Components. Remote Sensing. 2022;14(3):465. https://doi.org/10.3390/rs14030465
[19] Attarzadeh R, Amini J, Notarnicola C, Greifeneder F. Synergetic Use of Sentinel-1 and Sentinel-2 Data for Soil Moisture Mapping at Plot Scale. Remote Sensing. 2018;10(8):1285. https://doi.org/10.3390/rs10081285
[20] Hamze M, Cheviron B, Baghdadi N, Courault D, Zribi M. Plot-Scale Irrigation Dates and Amount Detection Using Surface Soil Moisture Derived from Sentinel-1 SAR Data in the Optirrig Crop Model. Remote Sensing. 2023;15(16):4081. https://doi.org/10.3390/rs15164081
[21] Nichols S. Review and evaluation of remote sensing methods for soil-moisture estimation. J Photonics for Energy. 2011;2(1):028001. DOI: 10.1117/1.3534910.
[22] Chung J, Lee Y, Kim J, Jung C, Kim S. Soil Moisture Content Estimation Based on Sentinel-1 SAR Imagery Using an Artificial Neural Network and Hydrological Components. Remote Sensing. 2022;14(3):465. https://doi.org/10.3390/rs14030465.
[23] Wang Y, Zhao H, Fan J, Wang C, Ji X, Jin D, et al. A Review of Earth’s Surface Soil Moisture Retrieval Models via Remote Sensing. Water. 2023;15(21):3757.
https://doi.org/10.3390/w15213757
[24] Mattia F, Balenzano A, Satalino G, Lovergine F, Loew A, Peng J, et al. Sentinel-1 high resolution soil moisture. In: 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS); 2017. DOI: 10.1109/IGARSS.2017.8128257
[25] Parida BR, Pandey AC, Kumar R, Kumar S. Surface Soil Moisture Retrieval Using Sentinel-1 SAR Data for Crop Planning in Kosi River Basin of North Bihar. Agronomy. 2022;12(5):1045. https://doi.org/10.3390/agronomy12051045
[26] Xu L, Du H, Zhang X. Spatial Distribution Characteristics of Soil Salinity and Moisture and Its Influence on Agricultural Irrigation in the Ili River Valley, China. Sustainability. 2019;11(24):7142. https://doi.org/10.3390/su11247142
[27] Rodríguez-Caballero E, Cantón Y, Chamizo S, Afana A, Solé-Benet A. Effects of biological soil crusts on surface roughness and implications for runoff and erosion. Geomorphology. 2012;145–146:81-89. https://doi.org/10.1016/j.geomorph.2011.12.042
[28] Tahat MM, Alananbeh KM, Othman YA, Leskovar DI. Soil Health and Sustainable Agriculture. Sustainability. 2020;12(12):4859. https://doi.org/10.3390/su12124859
[29] Thomsen LM, Baartman JEM, Barneveld RJ, Starkloff T, Stolte J. Soil surface roughness: comparing old and new measuring methods and application in a soil erosion model. SOIL. 2015; 1:399-410. doi:10.5194/soil-1-399-2015.
[30] Verhoest NEC, Lievens H, Wagner W, Álvarez-Mozos J, Moran MS, Mattia F. On the Soil Roughness Parameterization Problem in Soil Moisture Retrieval of Bare Surfaces from Synthetic Aperture Radar. Sensors. 2008;8(7):4213-4248. https://doi.org/10.3390/s8074213
[31] Curtis JO. Moisture effects on the dielectric properties of soils. IEEE Trans Geosci Remote Sens. 2001;39(1):125-128. https://doi.org/10.1109/36.898673
[32] Holtgrave A-K, Röder N, Ackermann A, Erasmi S. Comparing Sentinel-1 and -2 Data and Indices for Agricultural Land Use Monitoring. Remote Sensing. 2020;12(18):2919. https://doi.org/10.3390/rs12182919
[33] Mirkhani R, Vaezi A, Rezaei H. Using Soil Properties to Estimate the Irrigated Wheat Yield in Agricultural Lands of Nazarabad Region in Alborz Province. Iran J Soil Water Res. 2020;51(5):1237. DOI: 10.22059/ijswr.2020.292897.668404
پژوهش های سنجش از دور و اطلاعات مکانی
دوره 2، شماره 1 - شماره پیاپی 3
دی 1402
صفحه 11-24
فایل ها
سابقه مقاله
  • تاریخ دریافت: 19 بهمن 1402
  • تاریخ بازنگری: 01 فروردین 1403
  • تاریخ پذیرش: 06 فروردین 1403
هم رسانی
ارجاع به این مقاله
آمار