Dergiler / Geomatik / 2026 / Cilt: 9 Sayı: 2

CYGNSS toprak nemi verilerinin SMAP uydusu ve ISMN istasyonları ile karşılaştırmalı analizi

Muhammed Raşit Çevikalp(İSTANBUL TEKNİK ÜNİVERSİTESİ)0000-0002-9330-8383
Mustafa Serkan Işık(İSTANBUL TEKNİK ÜNİVERSİTESİ)0000-0003-1769-4451
Mehmet Furkan Çelik(İSTANBUL TEKNİK ÜNİVERSİTESİ)0000-0001-7948-536X
Nebiye Musaoğlu(İSTANBUL TEKNİK ÜNİVERSİTESİ)0000-0002-8022-8755
Sayfa
227–237
Yayın Tarihi
2024-08-29
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Böylece, uydu tabanlı GNSS-R misyonlarının başlangıcı olan CYGNSS misyonunun küresel ölçekte toprak neminin etkin bir şekilde elde edilebilmesi için değerli bir veri sağladığı görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Küresel Navigasyon Uydu Sistemi Reflektometrisi (GNSS-R) toprak nem izleme için elverişli bir uzaktan algılama yöntemidir.
📊
Temel Bulgular & Veri:CYclone Global Navigation Satellite System (CYGNSS) görevi başlangıçta tropikal kasırga ve siklon etkinliklerinin belirlenmesi için tasarlanmış olsa da, toprak neminin yüksek zamansal çözünürlükte izlenebilmesi için değerli veriler sağlamaktadır.
💡
Sonuç & Katkı:Böylece, uydu tabanlı GNSS-R misyonlarının başlangıcı olan CYGNSS misyonunun küresel ölçekte toprak neminin etkin bir şekilde elde edilebilmesi için değerli bir veri sağladığı görülmüştür.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Uzaktan algılama · GNSS-R · CYGNSS

Özet

Küresel Navigasyon Uydu Sistemi Reflektometrisi (GNSS-R) toprak nem izleme için elverişli bir uzaktan algılama yöntemidir. CYclone Global Navigation Satellite System (CYGNSS) görevi başlangıçta tropikal kasırga ve siklon etkinliklerinin belirlenmesi için tasarlanmış olsa da, toprak neminin yüksek zamansal çözünürlükte izlenebilmesi için değerli veriler sağlamaktadır. Bu çalışmada, Kıtasal Amerika Birleşik Devletleri (CONUS) bölgesinde Uluslararası Toprak Nemi Ağı’na (ISMN) ait yer istasyonlarına ait veriler kullanılarak CYGNSS gözlemlerinden elde edilen toprak nemi değerlerinin doğruluğu ve güvenirliği test edilmiştir. CYGNSS misyonunun toprak nemini belirlemedeki performansı, NASA tarafından geliştirilmiş aktif ve pasif radar ölçme sistemi kullanan Soil Moisture Active Passive (SMAP) uydusunun performansı ile karşılaştırılarak verilerin tutarlılıkları incelenmiştir. Ayrıca CYGNSS uydusunun farklı iklim koşulları ve toprak yapısındaki sinyal karakteristiğini incelemek amacıyla, ISMN istasyonlarında elde edilen istatistiksel sonuçlar iklim çeşitliliklerine ve toprak dokusunun değişkenliklerine göre sınıflandırılmıştır. Yapılan karşılaştırmalar sonucunda, CYGNSS verileri ile yer istasyonu verileri arasındaki korelasyon R=0.45 olarak bulunurken SMAP verileriyle korelasyonu R=0.67 olarak hesaplanmıştır. Böylece, uydu tabanlı GNSS-R misyonlarının başlangıcı olan CYGNSS misyonunun küresel ölçekte toprak neminin etkin bir şekilde elde edilebilmesi için değerli bir veri sağladığı görülmüştür.

🔖

Bu Makaleye Atıf Yap

Çevikalp, M. R., Işık, M. S., Çelik, M. F., Musaoğlu, N. (2024). CYGNSS toprak nemi verilerinin SMAP uydusu ve ISMN istasyonları ile karşılaştırmalı analizi. Geomatik, Cilt: 9 Sayı: 2, 227–237. https://doi.org/10.29128/geomatik.1424069

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (43)

  1. Adeyemi, O., Grove, I., Peets, S., Domun, Y., & Norton, T. (2018). Dynamic neural network modelling of soil moisture content for predictive irrigation scheduling. Sensors, 18(10), 3408. https://doi.org/10.3390/s18103408
  2. Altuntaş, C., & Tunalıoğlu, N. (2022). Deniz seviyesi değişimlerinin belirlenmesinde GNSS-IR yönteminin kullanımı ve doğruluk analizi üzerine bir araştırma. Geomatik, 7(3), 187-196. https://doi.org/10.29128/geomatik.946594
  3. Arroyo, A. A., Camps, A., Aguasca, A., Forte, G. F., Monerris, A., Rüdiger, C.,. & Onrubia, R. (2014). Dual-polarization GNSS-R interference pattern technique for soil moisture mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(5), 1533-1544. https://doi.org/10.1109/JSTARS.2014.2320792
  4. Asgarimehr, M., Wickert, J., & Reich, S. (2019). Evaluating impact of rain attenuation on space-borne GNSS reflectometry wind speeds. Remote Sensing, 11(9), 1048. https://doi.org/10.3390/rs11091048
  5. Bell, J., Palecki, M., Baker, B., Collins, W., Lawrimore, J., Leeper, R., Hall, M., Kochendorfer, J., Meyers, T., Wilson, T., & Diamond, H. (2013). U.S. Climate Reference Network Soil Moisture and Temperature Observations. Journal of Hydrometeorology, 14, 977-988. https://doi.org/10.1175/JHM-D-12-0146.1
  6. Bünyan Ünel, F., Kuşak, L., Yakar, M., & Doğan, H. (2023). Coğrafi bilgi sistemleri ve analitik hiyerarşi prosesi kullanarak Mersin ilinde otomatik meteoroloji gözlem istasyonu yer seçimi. Geomatik, 8(2), 107-123. https://doi.org/10.29128/geomatik.1136951
  7. Caldwell, T. G., Bongiovanni, T., Cosh, M. H., Jackson, T. J., Colliander, A., Abolt, C. J., Casteel, R., Larson, T., Scanlon, B. R., & Young, M. H. (2019). The Texas Soil Observation Network:A Comprehensive Soil Moisture Dataset for Remote Sensing and Land Surface Model Validation. Vadose Zone Journal, 18(1), 1-20. https://doi.org/10.2136/vzj2019.04.0034
  8. Cardellach, E., Rius, A., Martin-Neira, M., Fabra, F., Nogues-Correig, O., Ribo, S., Kainulainen, J., Camps, A., & D’Addio, S. (2014). Consolidating the Precision of Interferometric GNSS-R Ocean Altimetry Using Airborne Experimental Data. IEEE Transactions on Geoscience and Remote Sensing, 52(8), 4992-5004. https://doi.org/10.1109/TGRS.2013.2286257
  9. Celik, M. F., Isik, M. S., Yuzugullu, O., Fajraoui, N., & Erten, E. (2022). Soil Moisture Prediction from Remote Sensing Images Coupled with Climate, Soil Texture and Topography via Deep Learning. Remote Sensing, 14(21), 5584. https://doi.org/10.3390/rs14215584
  10. Chew, C. C., & Small, E. E. (2018). Soil Moisture Sensing Using Spaceborne GNSS Reflections: Comparison of CYGNSS Reflectivity to SMAP Soil Moisture. Geophysical Research Letters, 45(9), 4049-4057. https://doi.org/10.1029/2018gl077905
  11. Chew, C., & Small, E. (2020a). Description of the UCAR/CU Soil Moisture Product. Remote Sensing, 12(10). https://doi.org/10.3390/rs12101558
  12. Chew, C., & Small, E. (2020b). UCAR-CU CYGNSS Level 3 Soil Moisture Version 1.0. NASA Physical Oceanography Distributed Active Archive Center. https://doi.org/10.5067/CYGNU-L3SM1
  13. Clarizia, M. P., Gommenginger, C., Gleason, S., Galdi, C., & Unwin, M. (2008). Global Navigation Satellite System-Reflectometry (GNSS-R) from the UK-DMC Satellite for Remote Sensing of the Ocean Surface. IGARSS 2008 - 2008 IEEE International Geoscience and Remote Sensing Symposium, 1, I-276-I-279. https://doi.org/10.1109/IGARSS.2008.4778847
  14. Clarizia, M. P., Pierdicca, N., Costantini, F., & Floury, N. (2019). Analysis of CYGNSS Data for Soil Moisture Retrieval. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(7), 2227-2235. https://doi.org/10.1109/jstars.2019.2895510
  15. Clarizia, M. P., & Ruf, C. S. (2016). Wind Speed Retrieval Algorithm for the Cyclone Global Navigation Satellite System (CYGNSS) Mission. IEEE Transactions on Geoscience and Remote Sensing, 54(8), 4419-4432. https://doi.org/10.1109/tgrs.2016.2541343
  16. Cook, D. R. (2016). Soil Temperature and Moisture Profile (STAMP) System Handbook. https://doi.org/10.2172/1332724
  17. Dorigo, W. A., Wagner, W., Hohensinn, R., Hahn, S., Paulik, C., Xaver, A., Gruber, A., Drusch, M., Mecklenburg, S., van Oevelen, P., & others. (2011). The International Soil Moisture Network: a data hosting facility for global in situ soil moisture measurements. Hydrology and Earth System Sciences, 15(5), 1675-1698.
  18. Dorigo, W., Himmelbauer, I., Aberer, D., Schremmer, L., Petrakovic, I., Zappa, L., Preimesberger, W., Xaver, A., Annor, F., Ardö, J., Baldocchi, D., Bitelli, M., Blöschl, G., Bogena, H., Brocca, L., Calvet, J.-C., Camarero, J. J., Capello, G., Choi, M., … Sabia, R. (2021). The International Soil Moisture Network: serving Earth system science for over a decade. Hydrology and Earth System Sciences, 25(11), 5749-5804. https://doi.org/10.5194/hess-25-5749-2021
  19. Entekhabi, D., Njoku, E. G., O’Neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N., Entin, J. K., Goodman, S. D., Jackson, T. J., Johnson, J., Kimball, J., Piepmeier, J. R., Koster, R. D., Martin, N., McDonald, K. C., Moghaddam, M., Moran, S., Reichle, R., Shi, J. C., … Zyl, J. Van. (2010). The Soil Moisture Active Passive (SMAP) Mission. Proceedings of the IEEE, 98(5), 704-716. https://doi.org/10.1109/JPROC.2010.2043918
  20. Eroglu, O., Kurum, M., Boyd, D., & Gurbuz, A. C. (2019). High Spatio-Temporal Resolution CYGNSS Soil Moisture Estimates Using Artificial Neural Networks. Remote Sensing, 11(19), 2272. https://doi.org/10.3390/rs11192272
  21. Filipović, N., Brdar, S., Mimić, G., Marko, O., & Crnojević, V. (2022). Regional soil moisture prediction system based on Long Short-Term Memory network. Biosystems Engineering, 213, 30-38. https://doi.org/https://doi.org/10.1016/j.biosystemseng.2021.11.019
  22. Gleason, S. A. M. U. M. (2005). Sensing Ocean, Ice and Land Reflected Signals from Space: Results from the UK-DMC GPS Reflectometry Experiment. Proceedings of the 18th International Technical Meeting of the Satellite Division of The Institute of Navigation (ION GNSS 2005), 1679-1685.
  23. Jin, S., & Komjathy, A. (2010). GNSS reflectometry and remote sensing: New objectives and results. Advances in Space Research, 46(2), 111-117. https://doi.org/https://doi.org/10.1016/j.asr.2010.01.014
  24. Kerr, Y. H., Waldteufel, P., Richaume, P., Wigneron, J. P., Ferrazzoli, P., Mahmoodi, A., Bitar, A. Al, Cabot, F., Gruhier, C., Juglea, S. E., Leroux, D., Mialon, A., & Delwart, S. (2012). The SMOS Soil Moisture Retrieval Algorithm. IEEE Transactions on Geoscience and Remote Sensing, 50(5), 1384-1403. https://doi.org/10.1109/TGRS.2012.2184548
  25. Larson, K., Small, E., Gutmann, E., Bilich, A., Braun, J., Zavorotny, V., & Larson, C. (2008). Use of GPS receivers as a soil moisture network for water cycle studies. Geophysical Research Letters - GEOPHYS RES LETT, 35(24). https://doi.org/10.1029/2008GL036013
  26. Leavesley. (2010). A Modelling Framework for Improved Agricultural Water-Supply Forecasting. Li, Q., Zhu, Y., Shangguan, W., Wang, X., Li, L., & Yu, F. (2022). An attention-aware LSTM model for soil moisture and soil temperature prediction. Geoderma, 409, 115651. https://doi.org/10.1016/j.geoderma.2021.115651
  27. Ma, C., Li, X., Wei, L., & Wang, W. (2017). Multi-Scale Validation of SMAP Soil Moisture Products over Cold and Arid Regions in Northwestern China Using Distributed Ground Observation Data. Remote Sensing, 9(4), 327. https://doi.org/10.3390/rs9040327
  28. Moghaddam, M., Entekhabi, D., Goykhman, Y., Li, K., Liu, M., Mahajan, A., Nayyar, A., Shuman, D., & Teneketzis, D. (2011). A Wireless Soil Moisture Smart Sensor Web Using Physics-Based Optimal Control: Concept and Initial Demonstrations. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 3, 522-535. https://doi.org/10.1109/JSTARS.2010.2052918
  29. Orth, R. (2021). Global soil moisture data derived through machine learning trained with in-situ measurements. Scientific Data, 8(1), 170. https://doi.org/10.1038/s41597-021-00964-1
  30. Poggio, L., de Sousa, L. M., Batjes, N. H., Heuvelink, G. B. M., Kempen, B., Ribeiro, E., & Rossiter, D. (2021). SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty. Soil, 7(1), 217-240. https://doi.org/10.5194/soil-7-217-2021
  31. Rius, A., Nogués-Correig, O., Ribó, S., Cardellach, E., Oliveras, S., Valencia, E., Park, H., Tarongí, J. M., Camps, A., van der Marel, H., van Bree, R., Altena, B., & Martín-Neira, M. (2012). Altimetry with GNSS-R interferometry: first proof of concept experiment. GPS Solutions, 16(2), 231-241. https://doi.org/10.1007/s10291-011-0225-9
  32. Rodriguez-Alvarez, N., Bosch-Lluis, X., Camps, A., Vall-llossera, M., Valencia, E., Marchan-Hernandez, J. F., & Ramos-Perez, I. (2009). Soil Moisture Retrieval Using GNSS-R Techniques: Experimental Results Over a Bare Soil Field. IEEE Transactions on Geoscience and Remote Sensing, 47(11), 3616-3624. https://doi.org/10.1109/TGRS.2009.2030672
  33. Ruf, C., Gleason, S., Jelenak, Z., Katzberg, S., Ridley, A., Rose, R., Scherrer, J., & Zavorotny, V. (2012). The CYGNSS nanosatellite constellation hurricane mission. IEEE International Geoscience and Remote Sensing Symposium, 214-216. https://doi.org/10.1109/IGARSS.2012.6351600
  34. Santi, E., Paloscia, S., Pettinato, S., Fontanelli, G., Clarizia, M. P., Comite, D., Dente, L., Guerriero, L., Pierdicca, N., & Floury, N. (2020). Remote Sensing of Forest Biomass Using GNSS Reflectometry. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 2351-2368. https://doi.org/10.1109/jstars.2020.2982993
  35. Schaefer, G., Cosh, M., & Jackson, T. (2007). The USDA natural resources conservation service soil climate analysis network (SCAN). Journal of Atmospheric and Oceanic Technology, 24(12), 2073-2077. https://doi.org/10.1175/2007JTECHA930.1
  36. Senyurek, V., Lei, F., Boyd, D., Kurum, M., Gurbuz, A. C., & Moorhead, R. (2020). Machine Learning-Based CYGNSS Soil Moisture Estimates over ISMN sites in CONUS. Remote Sensing, 12(7), 1168. https://doi.org/10.3390/rs12071168
  37. Unwin, M. J., Pierdicca, N., Cardellach, E., Rautiainen, K., Foti, G., Blunt, P., Guerriero, L., Santi, E., & Tossaint, M. (2021). An Introduction to the HydroGNSS GNSS Reflectometry Remote Sensing Mission. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 6987-6999. https://doi.org/10.1109/JSTARS.2021.3089550
  38. Unwin, M., Jales, P., Tye, J., Gommenginger, C., Foti, G., & Rosello, J. (2016). Spaceborne GNSS-Reflectometry on TechDemoSat-1: Early Mission Operations and Exploitation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(10), 4525-4539. https://doi.org/10.1109/JSTARS.2016.2603846
  39. Wang, C., Yu, K., Qu, F., Bu, J., Han, S., & Zhang, K. (2022a). Spaceborne GNSS-R Wind Speed Retrieval Using Machine Learning Methods. Remote Sensing, 14(14). https://doi.org/10.3390/rs14143507
  40. Wang, H., Yuan, Q., Zhao, H., & Xu, H. (2022b). In-situ and triple-collocation based assessments of CYGNSS-R soil moisture compared with satellite and merged estimates quasi-globally. Journal of Hydrology, 615, 128716. https://doi.org/10.1016/j.jhydrol.2022.128716
  41. Yang, G., Bai, W., Wang, J., Hu, X., Zhang, P., Sun, Y., Xu, N., Zhai, X., Xiao, X., Xia, J., Huang, F., Yin, C., Du, Q., Wang, X., Cai, Y., Meng, X., Tan, G., Hu, P., & Liu, C. (2022). FY3E GNOS II GNSS Reflectometry: Mission Review and First Results. Remote Sensing, 14(4), 988. https://doi.org/10.3390/rs14040988
  42. Yu, K., Han, S., Bu, J., An, Y., Zhou, Z., Wang, C., Tabibi, S., & Cheong, J. W. (2022). Spaceborne GNSS Reflectometry. Remote Sensing, 14(7). https://doi.org/10.3390/rs14071605
  43. Arroyo, A. A., Camps, A., Aguasca, A., Forte, G. F., Monerris, A., Rüdiger, C.,. & Onrubia, R. (2014). Dual-polarization GNSS-R interference pattern technique for soil moisture mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(5), 1533-1544. https://doi.org/10.1109/JSTARS.2014.2320792