Field scale computer modeling of soil moisture with dynamic nudging assimilation algorithm

Abstract

Оцінки вологості ґрунту широко використовуються у численних практичних задачах, від прогнозу погоди до точного землеробства. В останні роки доступність даних про вологість зросла завдяки стрімкому розвитку алгоритмів обробки супутникових зображень. Проте, більшість отриманих даних із супутників відображають лише поверхневу вологість із недостатньо високою роздільною здатністю. У цій роботі ставимо за мету відновити поверхневу вологість ґрунту на рівні поля завдяки використанню алгоритмів декомпозиції. Крім того, використовуємо математичну модель на основі рівняння Річардса для оцінки вологості ґрунту в кореневій зоні. Результати обох моделей поєднуються завдяки алгоритму асиміляції даних, що називається ньютонівською релаксацією. Запропонована динамічна варіація методу, яка полегшує його адаптацію до різних типів ґрунту та покращує результати моделювання. Проведено два типи чисельних експериментів. Результати комп’ютерних симуляцій узгоджуються із реальними даними з достатньою точністю. Загалом, отримана модель показує кореляцію 0.58 на всій кореневій зоні, досягаючи 0.85 на приповерхневих шарах ґрунту.Soil moisture analysis is widely used in numerous practical cases, from weather forecasts to precise agriculture. Recently, availability of moisture data increased due to the rapid development of satellite image processing. However, satellite retrievals mostly provide low-resolution surface data. In this study, we attempt to retrieve surface soil moisture on the field scale using a decomposition algorithm. Furthermore, we add a mathematical model based on Richards equation to evaluate soil moisture in the root zone. To combine the results of both models, we employ a nudging data assimilation technique. Also, a dynamical variation of the method is proposed which makes it more adaptive to the soil type and provides improvement to modeling results. Two types of numerical experiments are conducted. Simulation results show reasonably good convergence with the measurements. The model performs with average correlation of 0.58 on the whole root zone, reaching 0.85 on top soil layers.