Evaluation of the Performance of the Integration of Remote Sensing and Noah Hydrologic Model for Soil Moisture Estimation in Hetao Irrigation Region of Inner Mongolia

Abstract

As an important parameter in Land surface system research, surface soil moisture (SSM) links the surface water and groundwater that plays a key role in water resources, agricultural management and global warming studies. Remote sensing techniques provide a direct and convenient means to estimate SSM on a regional scale. In this study, the performance of the normalized land surface temperature-vegetation index (LST-VI) model was evaluated using the in situ soil moisture measurements at Hetao irrigation region of Inner Mongolia that is a representative semi-arid area with relatively uniform underlying surface. The model was used to estimate soil moisture from HJ-1B and Landsat 8 images on clear days in 2014–2017. The overall SSM estimation accuracy was high, and the average RMSE was approximately 0.04 m³/m³. Moreover, a systematic sensitivity analysis was conducted for the input parameters and other impact factors. The results demonstrated that the model could credibly monitor the regional surface soil water content.

RÉSUMÉ

En tant que paramètre important du système de la surface terrestre, l’humidité de la surface du sol (SSM) relie les eaux de surface et les eaux souterraines jouant un rôle clé dans les ressources en eau, la gestion agricole et les études sur le réchauffement climatique. Les techniques de télédétection fournissent un moyen direct et pratique d’estimer l’humidité du sol à l’échelle régionale. Dans cette étude, la performance du modèle normalisé de la température de surface des terres – indice de végétation (LST - VI) a été évaluée à l’aide de mesures in situ de l’humidité du sol dans la région irriguée de l’Hetao en Mongolie intérieure, une zone semi-aride dont la surface sous-jacente est relativement uniforme. Le modèle a été utilisé pour estimer l’humidité de la surface du sol (SSM) à partir d’images HJ-1B et Landsat-8 par temps clair entre 2014 et 2017. La précision globale de l’estimation des SSM est élevée et l’erreur quadratique moyenne est d’environ 0,04 m³/m³. De plus, une analyse systématique de la sensibilité a été effectuée pour les paramètres d’entrée et d’autres facteurs d’impact. Les résultats démontrent que le modèle pourrait surveiller de façon crédible la teneur en eau de la surface du sol à l’échelle régionale.

Acknowledgments

The authors would like to sincerely thank the editor and the anonymous reviewers.

Additional information

Funding

This paper is financially supported by the National Natural Science of China under Grant [number 41431179]; Guangxi Innovative Development Grand Grant under [the grant number: GuikeAA18118038]; the National Key Research and Development Program of China under Grant [numbers 2016YFB0502501] and the BaGui Scholars Program of the Provincial Government of Guangxi (Guoqing Zhou), 2016 Postdoctoral Fund [2016M592886XB] and Guangxi Key Laboratory of Spatial Information and Geomatics [15-140-07-15].