برآورد رطوبت خاك با استفاده از سنجش از دور نوري، حرارتي و راداري (مطالعه موردي: اراضي جنوب تهران)

(Estimation of Soil Moisture Using Optical, Thermal and Radar Remote Sensing (Case Study: South of Tehran

رطوبت خاك يكي از پارامترهاي مهم محيطي است. روش­ هاي سنتي اندازه‌گيري ميداني رطوبت خاك نمي ­توانند تغييرات مكاني رطوبت را به‌نحو مطلوب نشان دهند. سنجش از دور نقش كاربرد وسيعي در اين امر پيدا كرده است. هدف پژوهش، دسترسي به يك مدل برآورد رطوبت خاك در جنوب تهران است. داده‌هاي ماهواره‌اي لندست 8 و ماهواره راداري -1Sentinel از استان تهران تهيه شد. 128 نمونه خاك هم زمان با گذر ماهواره از منطقه برداشت و در مرحله اعتبارسنجي استفاده شدند. با پيش پردازش‌هاي لازم بر روي تصاوير ماهواره‌اي و با بهره گيري از چهار گروه از شاخص هاي مختلف: 1) SAVI، NDVI، MI،NDWI 2)باندهاي لندست8 فيلترهاي رادار LST اقدام به مدل سازي رطوبت خاك گرديد. بررسي دقت توابع و معرفي دقيق‌ترين مدل‌ها، با محاسبه‌ي انواع روابط رگرسيوني بين معيارهاي مذكور و نقاط زميني انجام شد كه نتايج حاصل از مقايسه‌ي روابط در گام نهايي، به معرفي دو مدل رگرسيون چند متغيره براي برآورد رطوبت منطقه مورد نظر ختم گرديد. نتايج نشان دادند كه مدل‌هاي معرفي شده از ضريب همبستگيِ مناسب R2=72 و R2=81 برخوردارند. همچنين در ميان شاخص‌هاي موجود در چهار گروه، شاخص SAVI، باند1، باند11، فيلتر لي و LST ، بيشترين همبستگي براي برآورد رطوبت خاك را دارا مي‌باشند.

Soil moisture is one of the important environmental parameters. Traditional methods of field measurement of soil moisture cannot adequately reflect spatial variability of soil moisture. Remote sensing has a widespread role in this. Landsat 8 satellite data and Sentinel-1 radar satellite from Tehran were provided. 72 soil samples were taken at the same time by satellite passing from the area and used in the validation phase with the necessary processing on satellite images and utilizes four different groups of indicators: 1) SAVI, NDVI, MI, NDWI 2) bands of Landsat 8 3) filters Radar 4) LST to modeling soil moisture. The investigation of the accuracy of functions and the introduction of the most accurate models was done by calculating the regression relations between these criteria and the ground points. The results of comparison of relations in the final step introduced two multivariate regression models to estimate the moisture content of the proposed area. The results showed that the proposed models have a good correlation coefficient of R2 = 62 and R2 = 73. Also, among the indicators in the four groups, SAVI, Band 1, Band 11, Li and Least filters have the highest correlation for estimating soil moisture content.