برآورد رطوبت لحظه‌اي سطح خاك در فصل سرد با استفاده از داده‌هاي سنجش ‌از دور نوري و حرارتي در شرايط بدون ابرناكي

تعداد محدودي از ايستگاه‌هاي هواشناسي كشاورزي در كشور به ‌اندازه‌گيري رطوبت سطح خاك مي‌پردازند همچنين ممكن است در مناطق فاقد ايستگاه نياز اساسي به اطلاعات رطوبت سطح خاك باشد. هدف پژوهش حاضر، استفاده از داده‌هاي ماهواره لندست 8 جهت برآورد رطوبت سطح خاك در منطقه فاقد ايستگاه هواشناسي كشاورزي است. رطوبت وزني 14 نمونه خاك در فصل سرد از عمق صفر تا 10 ‌سانتي‌متري همزمان با عبور لندست 8 از مراتع طبيعي فقير شمال شهر سبزوار محاسبه گرديد. ‌براساس تحليل مؤلفه اصلي، چهار مؤلفه اول از هفت شاخص پوشش گياهي و بيو- فيزيكي مؤثر بر رطوبت سطح خاك از داده‌هاي لندست 8 استخراج شد. سپس رطوبت سطح خاك در لحظه عبور ماهواره با استفاده از چهار مؤلفه اول با روش‌هاي رگرسيون خطي چند متغيره و شبكه عصبي برآورد شد. نتايج برآورد رطوبت لحظه‌اي سطح خاك ‌نشان داد كه متوسط درصد خطاي مطلق با روش شبكه عصبي 30 درصد خطا و در روش رگرسيون كلاسيك با 40 درصد خطا همراه بود. نتايج تحقيق در دوره مورد مطالعه نشان مي‌دهد كه مدل كردن رطوبت لحظه‌اي خاك با استفاده از اندازه‌گيري‌هاي زميني و داده‌هاي ماهواره لندست 8 در مناطق فاقد ايستگاه هواشناسي كشاورزي قابل انجام است

A limited number of agricultural weather stations measure moisture in the soil surface. Furthermore, soil moisture information may be required in areas where there is no weather station. The aim of the present study was to use Landsat 8 satellite images to estimate soil surface moisture in an area without agricultural meteorological stations. Gravimetric soil moisture for a total of 14 samples was calculated in the cold season in depths of 0-10 cm when Landsat 8 satellite was overpassing poor rangeland of North of Sabzevar. Furthermore, the first four principal components were extracted from seven Landsat-derived vegetation indices and bio-physical factors affecting soil moisture. Afterwards, the first four components were used to estimate soil surface moisture at the moment of the satellite passing the region using a multivariate linear regression and neural networks. The obtained results of instantaneous soil surface moisture showed that the neural networks had mean absolute percentage error of while classical regression analysis had mean absolute percentage error of 40%. The results also showed the benefits of using both in-situ soil moisture data and Landsat 8 satellite images to model instantaneous soil surface moisture content for areas lacking meteorological networks.