نشریه علمی - پژوهشی مرتع و آبخیزداری

نشریه علمی - پژوهشی مرتع و آبخیزداری

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اخبار و اعلانات

اطلاعات آماری نشریه

داوران همکار

راهنمای داوران

داوران برگزیده

نقش شاخص های ژئومورفومتریک در کنترل الگوی زمانی و مکانی رطوبت خاک برآوردی از ماهواره :SMAP مطالعه موردی حوضه سیمینه- زرینه بوکان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

2 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران

3 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

4 موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

10.22059/jrwm.2026.402017.1851

چکیده

این پژوهش با هدف شناسایی ارتباط شاخص‌های ژئومورفومتریک بر رطوبت خاک سطحی در پنج زیر حوضه آبریز زرینه رود و سیمینه رود، واقع در شمال-غرب ایران انجام گرفت. داده‌های رطوبت خاک از 287 نقطه مربوط به سال 2015 تا 2017 ماهوارهSMAP مورد پردازش قرارگرفتند. شاخص‌های ژئومورفومتری شامل شاخص خیسی توپوگرافی (TWI)، موقعیت توپوگرافی (TPI)، اثر باد، درمعرض باد قرارگرفتگی(WEI)، جهت جریان (Flow_D) و تجمع(Accumulation) جریان، تحلیل سایه اندازی تپه‌ها( AH) تهیه و رابطه آنها با رطوبت خاک سطحی ماهوارهSMAP با استفاده مدل جنگل تصافی بررسی و اهمیت نسبی آن‌ها تعیین گردید. دامنه تغییرپذیری میانگین رطوبت خاک در حوضه بین 08/0 وcm-3.cm-3 5/0 می‌باشد. نتایج نشان داد که نواحی با کلاس رطوبتی بالا(35/0 تا cm3.cm3 5/0) در زیر حوضه میاندوآب پراکنش دارد. نتایج اعتبارسنجی داده های SMAP در محل 287 نقطه مشاهداتی براساس آماره های ضریب همبستگی(r) و ریشه میانگین مربعات اختلاف (RMSD) نشان داد که در ماه جولای به ترتیب با مقادیر 77/0 وcm3.cm-3 18/0 و ماه می با 5/0وcm3.cm-3 بیشترین و کمترین میزان تطابق وجود دارد. نتایج مدل سازی جنگل تصادفی بیانگر دقت مناسب این مدل غیرخطی با ضریب تبیین(R2) بیش از 7/0 با ریشه میانگین مربعات خطای 04/0 درصد می باشد. براساس تغییرات شاخص %IncMSE پارامترهای WEI و TWI با مقادیر بالاتر از16 بیشترین اهمیت و بعد از این دو، شاخص تحلیل سایه اندازی تپه‌ها (AH) یا مقدار13 درصد واقع شده است. پارامتر Flow_D با مقدار 9/8 درصد کمترین میزان تاثیر را بر تغییرات رطوبت خاک سطحی SMAP دارد. بطورکلی، همبستگی خوبی بین داده‌های رطوبت حاصل از ماهواره SMAP و پارامترهای ژئومورفومتری برای یافتن الگوی تغییرات مکانی رطوبت خاک سطحی در حوضه‌های ابریز سیمینه و ذرینه وجود داشت و رویکرد مورد استفاده در این تحقیق در تلفیق با پتانسیل رویکردهای یادگیری ماشین امکان استفاده در سایر حوضه‌های با شرایط اقلیمی و توپوگرافی مشابه را دارا می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Role of Geomorphometric Indicators in Controlling the Spatio-temporal Pattern of SMAP-Estimated Soil Moisture: A Case Study of the Simineh–Zarrineh Basin, Bukan

نویسندگان [English]

  • Khaled Haji Maleki 1
  • Alireza Vaezi 2
  • Fereydoon Sarmadian 3
  • Asghar Rahmani 4

1 Department of Soil Science, Faculty of Agriculture, University of Zanjan, Zanjan, Iran

2 Department of Soil Science, Faculty of Agriculture, University of Tehran, Karaj, Iran

3 Department of Soil Science, Faculty of Agriculture, University of Tehran, Karaj, Iran

4 Soil and Water Research institute, Agricultural Research Education and Extension Organization, Karaj, Iran

چکیده [English]

Soil moisture in the upper soil layers plays a vital role in water and soil resource management, directly influencing infiltration, runoff, agricultural productivity, and flood regulation. Its spatial variability is controlled by multiple factors, including climate conditions, topography, vegetation, and soil characteristics. Neglecting these variations often leads to significant errors in hydrological and agricultural modeling. This study investigates the relationship between geomorphometric indices and surface soil moisture across five sub-basins of the Simineh and Zarrineh rivers in northwest Iran, using both field observations and satellite data. Soil moisture measurements from 287 points (2015–2017) were compared with Soil Moisture Active Passive (SMAP) satellite estimates to generate high-resolution spatial maps. Several geomorphometric indices were derived, including the Topographic Wetness Index (TWI), Topographic Position Index (TPI), Wind Exposure Index (WEI), flow direction (Flow_D), flow accumulation, and Analytical Hillshading (AH). The Random Forest (RF) model was applied to determine the importance of geomorphometric attributes. Validation results revealed a strong correspondence between SMAP data and field observations, with July showing the highest correlation (r = 0.77, soil moisture = 0.18 cm³·cm⁻³) and May the lowest (r = 0.50). The RF model achieved robust performance (R² > 0.7, RMSE = 0.04%). Among the indices, WEI and TWI exhibited the greatest importance (>16%), followed by AH (13%), while Flow_D had the lowest influence (8.9%). These findings confirm the significant role of topographic and hydrological features in controlling soil moisture distribution. The integration of SMAP data with machine learning and geomorphometric indices provides a reliable framework for soil moisture monitoring, offering valuable insights for agricultural management, hydrological modeling, and environmental planning in similar watersheds.

کلیدواژه‌ها [English]

  • Geomorphometry
  • relative importance
  • random forest
  • surface soil moisture
  • SMAP satellite
مراجع
Ahmadaali, J., Barani, G. A., Qaderi, K., & Hessari, B. (2018). Analysis of the effects of water management strategies and climate change on the environmental and agricultural sustainability of Urmia Lake Basin, Iran. Water, 10(2), 160.
Beaudette, D. E., Dahlgren, R. A., & O'Geen, A. T. (2013). Terrain‐shape indices for modeling soil moisture dynamics. Soil Science Society of America Journal, 77(5), 1696-1710.
Beven, K.J. & Kirkby, M.J. (1979). A physically based, variable contributing area model of basin hydrology/un modèle à base physique de zone d’appel variable de l’hydrologie du bassin versant. Hydrol. Sci. J. 24 (1), 43–69.
Boehner, J., & Antonic, O. (2009): Land-surface parameters specific to topo-climatology. In: Hengl, T., Reuter, H. [Eds.]: Geomorphometry - Concepts, Software, Applications. Developments in Soil Science, Volume 33, p.195-226, Elsevier.
Breiman, L. (2001). Random Forests. Machine learning, 45(1), 5-32. https://10.1023/A:1010933404324.
Brocca, L., Melone, F., Moramarco, T., Wagner, W., & Hasenauer, S. (2010). ASCAT soil wetness index validation through in situ and modeled soil moisture data in central Italy. Remote Sensing of Environment, 114(11), 2745-2755.
Chatterjee, S., Huang, J., & Hartemink, A. E. (2020). Establishing an Empirical Model for Surface Soil Moisture Retrieval at the US Climate Reference Network Using Sentinel-1 Backscatter and Ancillary Data. Remote Sensing, 12(8), 1242.
Emadi, M., Taghizadeh-Mehrjardi, R., Cherati, A., Danesh, M., Mosavi, A., & Scholten, T. (2020). Predicting and mapping of soil organic carbon using machine learning algorithms in Northern Iran. Remote Sensing, 12(14), 2234.
Entekhabi, D., Njoku, E. G., O'neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N., ... & Van Zyl, J. (2010). The soil moisture active passive (SMAP) mission. Proceedings of the IEEE, 98(5), 704-716.
Gruber, S., & Peckham, S. (2009). Land-surface parameters and objects in hydrology. Developments in soil science, 33, 171-194.
Guevara, M., & Vargas, R. (2019). Downscaling satellite soil moisture using geomorphometry and machine learning. PloS one, 14(9), e0219639.
Hengl, T., & Reuter, H. I. (Eds.). (2008). Geomorphometry: concepts, software, applications (Vol. 33). Newnes.
Iran Ministry of Energy. (2013). Deputy of Water and Waste Water, Macro Planning Bureau. The Comprehensive Water Management in the Aras, Sefidrood, between Sefidrood and Haraz, Atrac and Urmia Basins Agricultural Water Use. Study in Urmia Lake Basin; Report Number: 2385070-4420-19464; Iran Ministry of Energy: Tehran, Iran.
Javadi, P., Asadi, H., & Vazifehdoust, M. (2022). Prediction of spatial variations of soil moisture using random forest method and environmental features derived from satellite images in Marghab Basin of Khuzestan. Iranian Journal of Soil and Water Research, 52(11), 2859-2874.
Li, B., & Rodell, M. (2013). Spatial variability and its scale dependency of observed and modeled soil moisture over different climate regions. Hydrology and Earth System Sciences, 17(3), 1177-1188.
Li, L., Wu, D., Wang, T., & Wang, Y. (2022). Effect of topography on spatiotemporal patterns of soil moisture in a mountainous region of Northwest China. Geoderma Regional, 28, e00456.
Li, X., Shao, M. A., Zhao, C., Liu, T., Jia, X., & Ma, C. (2019). Regional spatial variability of root-zone soil moisture in arid regions and the driving factors—a case study of Xinjiang, China. Canadian Journal of Soil Science, 99(3), 277-291.
Luca, C., Si, B. C., & Farrell, R. E. (2007). Upslope length improves spatial estimation of soil organic carbon content. Canadian journal of soil science, 87(3), 291-300.
Moeslund, J. E., Arge, L., Bøcher, P. K., Dalgaard, T., Ejrnæs, R., Odgaard, M. V., & Svenning, J. C. (2013). Topographically controlled soil moisture drives plant diversity patterns within grasslands. Biodiversity and conservation, 22(10), 2151-2166.
Moeslund, J. E., Arge, L., Bøcher, P. K., Dalgaard, T., Odgaard, M. V., Nygaard, B., & Svenning, J. C. (2013). Topographically controlled soil moisture is the primary driver of local vegetation patterns across a lowland region. Ecosphere, 4(7), 1-26.
Molaeinasab, M., Moradpour, M., & Karimi, P. (2025). Predicting soil chemical characteristics in the arid region of central Iran using remote sensing and machine‑learning models. Scientific Reports, 15, 4562. https://www.nature.com/articles/s41598-025-04554-8
Mousavi, S. , Sarmadian, F. , Omid, M. & Bogaert, P. (2021). Modeling the Vertical Soil Calcium Carbonate Equivalent Variation by Machine Learning Algorithms in Qazvin Plain. Water and Soil, 35(5), 719-734. doi: 10.22067/jsw.2021.71748.1076.
Mousavi, S. R., Sarmadian, F., Rahmani, A., & Khamoshi, S. E. (2019). Digital soil mapping with regression tree classification approaches by RS and geomorphometry covariate in the Qazvin Plain, Iran. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 773-777.
Nazeri, P., Ayoubi, S., Khademi, H., Afshar, F. A., & Mousavi, R. (2024). Machine learning-based soil aggregation assessment under four scenarios in northwestern Iran. International Agrophysics, 38(3), 293-310.
Raduła, M. W., Szymura, T. H., & Szymura, M. (2018). Topographic wetness index explains soil moisture better than bioindication with Ellenberg’s indicator values. Ecological indicators, 85, 172-179.
Rahmani, A., Sarmadian, F., Mousavi, S. R. & Khamoshi, S. E. (2020). Application of Geomorphometric attributes in digital soil mapping by using of machine learning and fuzzy logic approaches. Journal of Range and Watershed Managment, 73(1), 105-124. doi: 10.22059/jrwm.2020.288580.1418
Rosenbaum, U., Bogena, H. R., Herbst, M., Huisman, J. A., Peterson, T. J., Weuthen, A., ... & Vereecken, H. (2012). Seasonal and event dynamics of spatial soil moisture patterns at the small catchment scale. Water resources research, 48(10).
Shahabi, A., Nabiollahi, K., Davari, M., Zeraatpisheh, M., Heung, B., Scholten, T., & Taghizadeh-Mehrjardi, R. (2022). Spatial prediction of soil properties through hybridized random forest model and combination of reflectance spectroscopy and environmental covariates. Geocarto International, 37(27), 18172-18195.
Song, T. B., Kim, S. H., Lee, Y. H., & Jung, S. W. (2013). Spatio-temporal regression analysis between soil moisture measurements and terrain attributes at hillslope scale. Korean Journal of Agricultural and Forest Meteorology, 15(3).
Urmia Lake Restoration National Committee. Necessity of Lake Urmia Resuscitation, Causes of Drought and Threats; Report No: ULRP-6-4-3-Rep 1; Urmia Lake Restoration National Committee: Tehran, Iran, 2015.
Vereecken, H. Huisman, J.A. Bogena, H. Vanderborght, J. Vrugt, J.A. and Hopmans, J.W. 2008. On the value of soil moisture measurements in vadose zone hydrology: A review. Water Resources Research, 44(4).
Weiss, A.D. (2000): Topographic Position and Landforms Analysis. Poster http://www.jennessent.com/downloads/tpi-poster-tnc_18x22.pdf.
Western, A. W., Grayson, R. B., Blöschl, G., Willgoose, G. R., & McMahon, T. A. (1999). Observed spatial organization of soil moisture and its relation to terrain indices. Water resources research, 35(3), 797-810.
Wood, W., Reynolds, J., Cunningham, G., Huenneke, L., Jarrell, W., Virginia, R., & Whitford, W. (1990). Biological feedbacks in global desertification. Science, 24, 1043-1048.
Zaman, M. R., Morid, S. & Delavar, M. (2016). Evaluating climate adaptation strategies on agricultural production in the iminehrud catchment and inflow into Lake Urmia, Iran using SWAT within an OECD framework. Agricultural Systems, 147, 98-110.
Zhu, Q., & Lin, H. (2011). Influences of soil, terrain, and crop growth on soil moisture variation from transect to farm scales. Geoderma, 163(1-2), 45-54.
Zhu, Q., Liao, K., Xu, Y., Yang, G., Wu, S., & Zhou, S. (2013). Monitoring and prediction of soil moisture spatial–temporal variations from a hydropedological perspective: a review. Soil Research, 50(8), 625-637.
نشریه علمی - پژوهشی مرتع و آبخیزداری
دوره 79، شماره 1
فروردین 1405
صفحه 75-92
فایل ها
سابقه مقاله
  • تاریخ دریافت: 06 مهر 1404
  • تاریخ بازنگری: 27 آذر 1404
  • تاریخ پذیرش: 29 آذر 1404
هم رسانی
ارجاع به این مقاله
آمار