Analysis of Temporal and Spatial Variations of Water Requirement for Puddling in Paddy Fields of Sefidrood Irrigation Network Using SMAP Satellite Soil Moisture Information

Document Type : Research Paper

Authors

1 Assistant Prof., Rice Research Institute of Iran, Agricultural Research, Education, and Extension Organization, Rasht, Iran.

2 Assistant Prof., Climatology and Climate Change Research Institute, Atmospheric Science and Meteorology Research Center, Mashhad, Iran.

3 Ph.D. student, Tehran University, Soil Science group, Karaj, Iran

4 Associate Prof., Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran

5 Researcher, Soil and Water Research Institute, AREEO, Karaj, Iran.

Abstract

In order to analyze the temporal and spatial changes in the amount of water required for puddling in rice fields of the Sapidroud Network, daily soil moisture data from the SMAP satellite was obtained and used in a seven-year period (2015 to 2021). The puddling stage (from April 20 to June 10) was analyzed after grouping based on different probability of occurrence (1%, 10%, 25%, 50%, 75%, 90% and 99%) and using raster calculations. In addition, in order to validate the calculations, the predicted values were compared with the saturated soil moisture values of 321 soil samples with specific geographic coordinates that had been measured by the Rice Research Institute of Iran. The comparison was conducted by using the mean absolute error (MAE), mean bias error (MBE), and normalized root mean square error (NRMSE). The results showed that in all moisture scenarios (from the wettest to driest), the foothills had less moisture than the plain and, especially, the low lands, and the soil moisture showed a decreasing trend during the growing period. The rate of this reduction increased gradually and in some areas it reached 2% per day at the end of the puddling period (May 22 to 31). The amount of gross water required for puddling increased from the wettest to the driest year and in the middle of the season (May 3 to 5) it was from 1693 to 2983 square meters per hectare and at the end of the season from 2496 to 3602 m3/ha, respectively. The validation results showed that the calculated MAE, MBE, and NRMSE values were 4.26%, 1.59%, and 15%, respectively, indicating that the accuracy is acceptable. The findings showed that the delay in the start of the puddling operation increases the water required for puddling operation (1.34 m3/ha for each day delay in a normal year). Therefore, in the lands of this network, in all circumstances, especially in dry years, to save water, it is better to release/supply water required for puddling from local reservoirs, wells, or from the Sepidroud Dam in early May.

Keywords


  1. اسعدی اسکویی، ا.، کوزه­گران، س.، یزدانی، م ر. و رحمانی، ا.، 1400. تأثیر سطوح احتمالات متفاوت در برآورد نیاز آبی خالص برنج در استان‌های شمالی ایران. آب‌وخاک، 35(5): 659-671.
  2. اسعدی اسکویی، ا.، گودرزی، س.، و هلالی، ج.، 1401. بررسی تغییرات مکانی و زمانی رطوبت خاک سطحی در ایران با استفاده از محصول SMAP L4. نیوار، 46(116-117): 1-11.‎
  3. اسعدی اسکویی، ا.، موسوی بایگی، م.، یزدانی، م ر.، و علیزاده، ا.، 1396. مقایسه فراسنج­های دمایی اندازه­گیری شده در شالیزار و ایستگاه هواشناسی. پژوهش‌های حفاظت آب‌وخاک، 24(5): 129-145.
  4. حاجی ملکی، خ.، واعظی، ع ر.، سرمدیان، ف.، کراو و بروکال. (1399). اعتبارسنجی داده‌های رطوبت خاک سطحی ماهواره SMAP در کاربری‌های مختلف در حوضه سیمینه-زرینه (بوکان). تحقیقات آب‌وخاک ایران، 51(5): 1317-1329.
  5. صبوری نوقابی، م.، رجبی، م م.، و اسعدی اسکویی، ا.، 1400. اعتبارسنجی و ریزمقیاس­سازی داده­های رطوبت خاک ماهواره SMAP به روش SMBDA با استفاده از محصولات رادار Sentinel 1 و داده­های زمینی در منطقه صالح‌آباد ایلام. تحقیقات منابع آب ایران، 17(4): 144-160.
  6. طالب­پور، ع.، 1397. اثر رطوبت اولیه و بافت خاک بر میزان آب و انرژی مصرفی و خصوصیات خاک شالیزاری در فرآیند گلخرابی. پایان‌نامه کارشناسی ارشد آبیاری و زهکشی، دانشکده علوم کشاورزی دانشگاه گیلان.
  7. غفاری، ا.، داوری، ک. و حسینی، ف.، 1399. توسعه الگوریتم‌های بهبود­یافته برای ریزمقیاس­سازی رطوبت خاک سطحی ماهواره SMAP با استفاده از داده ماهواره­های نوری/حرارتی. آبیاری و زهکشی ایران. 14(2): 650-660.
  8. فلاح، و.، 1348. احتیاجات آبی برنج و اندازه­گیری آن. وزارت کشاورزی و منابع طبیعی، نشریه شماره 433.
  9. کرمی، ا.، مرادی، ح ر.، و موسیوند، ع ج.، 1399. بهبود وضوح مکانی داده‌های رطوبت خاک ماهواره‌ای SMAP با روش تلفیق رادار-تابش‌سنج در آبخیز فیروزآباد اردبیل. پژوهش­های آبخیزداری. 33(4): 17-29.
  10. ملاح، س.، دلسوز خاکی، ب.، دواتگر، ن.، بازرگان، ک.، نویدی، م ن.، رضائی، ل.، شکوری کتیگری، م.، شکری واحد، ح.، شیخ‌الاسلام ، ه.، شیرین­فکر، ا .، و کهنه، ا.، 1398. مقایسه سه روش زمین‌آمار برای پیش‌بینی گروه‌های بافتی در اراضی زراعی و باغی استان گیلان. پژوهش‌های خاک، 33(2): 213-225.
  11. یوسفی مقدم، س.، موسوی؛ س ف.، مصطفی‌زاده­فر، ب.، یزدانی، م ر.، و همت، ع.، 1391. تأثیر سطوح مختلف پادلینگ بر تغییرات رطوبت و چگالی حجمی سه بافت خاک غالب در اراضی شالیزاری استان گیلان. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب‌وخاک، 16(60): 1-12.
  12. R., Short Gianotti DJ, Salvucci GD and Entekhabi D, 2019. Mapped hydroclimatology of evapotranspiration and drainage runoff using SMAP brightness temperature observations and precipitation information. Water Resources Research, 55(4): 3391-3413.
  13. Crow, WT., Chen, F., Reichle, RH., and Xia. Y., 2019. Diagnosing bias in modeled soil moisture/runoff coefficient correlation using the SMAP level 4 soil moisture product. Water Resources Research, 55(8): 7010-7026.
  14. Dehghanisanij, H., Asadi Oskouei, E., and Taghizadehghasab, A., 2022. The interpretation of water consumption in the agricultural sector based on actual evapotranspiration. Iranian Journal of Irrigation & Drainage, 15(6): 1251-1262.
  15. El Hajj, M., Baghdadi, N., Zribi, M., Rodríguez-Fernández, N., Wigneron, JP., Al-Yaari A and Calvet, JC., 2018. Evaluation of SMOS, SMAP, ASCAT and Sentinel-1 soil moisture products at sites in Southwestern France. Remote Sensing, 10(4): 569.
  16. Hendrickx, JMH., Vink, NH., and Fayinke, T., 1986. Water requirement for irrigated rice in a semi-arid region in West Africa. Agricultural water management, 11(1): 75-90.
  17. International rice research institute, 2020. Land preparation - IRRI Rice Knowledge Bank. Retrieved January 22, 2019, from http://www.knowledgebank.irri.org/step-by-step-production/pre-planting/land-preparation.
  18. Jamieson, PD., Porter, JR., and Wilson, D. R., 1991. A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand. Field crops research, 27(4): 337-350.
  19. Koster, RD., Liu, Q., Mahanama, SP., and Reichle, RH., 2018. Improved hydrological simulation using SMAP data: Relative impacts of model calibration and data assimilation. Journal of hydrometeorology, 19(4): 727-741.
  20. Li, C., Lu, H., Yang, K., Han, M., Wright, JS., Chen, Y., and Gong, W., 2018. The evaluation of SMAP enhanced soil moisture products using high-resolution model simulations and in-situ observations on the Tibetan Plateau. Remote Sensing, 10(4): 535.
  21. Li, J., and Heap, AD., 2014. Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling and Software, 53: 173-189.
  22. Mladenova, IE., Bolten, JD., Crow, W., Sazib, N., and Reynolds, C., 2020. Agricultural drought monitoring via the assimilation of SMAP soil moisture retrievals into a global soil water balance model. Frontiers in big Data 3:10.
  23. Pirmoradian, N., Kamgar-Haghighi, AA., and Sepaskhah, AR., 2004. Lateral seepage, deep percolation, runoff, and the efficiencies of water use and application in irrigation rice in Kooshkak region in Fars's province, I.R. of Iran. Iran Agricultural Research 23.24(1): 1-8.
  24. Souza, AG., Neto, AR., Rossato, L., Alvalá, R., and Souza, LL., 2018. Use of SMOS L3 soil moisture data: Validation and drought assessment for Pernambuco State, Northeast Brazil. Remote Sensing, 10(8): 1314.
  25. Thomas Ambadan, J., Oja, M., Gedalof, ZE., and Berg, AA., 2020. Satellite-Observed Soil Moisture as an Indicator of Wildfire Risk. Remote Sensing, 12(10): 1543.
  26. Velpuri, NM., Senay, GB., and Morisette, JT., 2016. Evaluating new SMAP soil moisture for drought monitoring in the rangelands of the US high plains. Rangelands, 38(4): 183-190.
  27. Xiong, L., and Zeng, L., 2019. Impacts of introducing remote sensing soil moisture in calibrating a distributed hydrological model for streamflow simulation. Water, 11(4): 666.
  28. Zhu, L., and Zhu, A., 2021. Extraction of Irrigation Signals by Using SMAP Soil Moisture Data. Remote Sensing, 13(11): 2142.