Contenuto Idrico del Suolo

Il contenuto idrico del suolo è un elemento vitale per il ciclo idrologico e la crescita della vegetazione. La sua quantificazione e la sua variabilità spazio-temporale è preziosa per comprendere la disponibilità di acqua in agricoltura, le interazioni terra-atmosfera, gli stati degli ecosistemi, l’idrologia dei bacini fluviali e la gestione delle risorse idriche.

Dinamica spazio-temporale
Nei lavori di Isham et al. (2005), Rodríguez-Iturbe et al. (2006) e Manfreda e Rodríguez-Iturbe (2006), la dinamica spaziale e temporale del contenuto idrico del suolo viene studiata assumendo un suolo omogeneo ed effetti topografici trascurabili. L’analisi si basa su un modello stocastico che tiene conto della variabilità spaziale e temporale delle precipitazioni e incorpora gli effetti dell’eterogeneità spaziale della vegetazione. L’approccio, sebbene sia una rappresentazione molto semplificata di un problema enormemente complesso, fornisce un quadro analitico per la descrizione della dinamica spazio-temporale dell’umidità relativa del suolo che indica chiaramente il ruolo dei parametri della vegetazione e delle precipitazioni in condizioni generali. Questo tipo di quadro può essere molto utile nel tentativo di stabilire criteri generali per la descrizione dell’umidità del suolo su una gamma di scale spaziali e temporali.

L’uso dei dati di telerilevamento
Il telerilevamento offre una straordinaria opportunità di quantificare l’umidità della superficie del suolo (SSM) e della zona radicale del suolo (RZSM). I prodotti SSM attualmente osservati da satellite comprendono osservazioni passive e attive a microonde. Il Soil Moisture and Ocean Salinity (SMOS) e il Soil Moisture Active Passive (SMAP) sono specializzati nel monitoraggio dell’SSM e producono anche il prodotto RZSM basato sul prodotto SSM. Esistono anche diversi prodotti SSM recuperati da satelliti originariamente progettati per altri scopi, ad esempio i prodotti SSM Advanced Microwave Scanning Radiometer (AMSR) recuperati utilizzando il Land Parameter Retrieval Model e i prodotti SSM Advanced Scatterometer (ASCAT) recuperati con il metodo del change detection.

È da notare che l’SSM fornisce informazioni sul grado di saturazione superficiale che possono essere trasformate in una stima all’interno dello strato di suolo della zona radicale utilizzando filtri matematici e statistici (Manfreda et al., 2014). Questo metodo è stato implementato e testato in diversi siti e aree: Africa (Manfreda et al., 2014); Stati Uniti (Baldwin et al, 2017); Iran (Gheybi et al., 2019); Altopiano del Tibet (Zhuang et al., 2020).

Uso dei DRONI per il monitoraggio del contenuto idrico del suolo
Il telerilevamento termico e ottico offre la possibilità di osservare le informazioni sulla superficie terrestre con un’ampia gamma di risoluzioni, poiché i segnali termici e ottici provenienti dalla superficie terrestre sono forti e i sensori possono essere montati non solo sui satelliti ma anche su aerei o UAS. Ad esempio, i prodotti del Moderate Resolution Imaging Spectroradiometer (MODIS, 1km) e del programma LANDSAT (dati ottici e infrarossi termici da 30m a 100m). Tuttavia, il telerilevamento termico e ottico è limitato in modo significativo dalle condizioni meteorologiche.

Tuttavia, il telerilevamento aereo, in particolare gli UAS, offre la possibilità di ottenere informazioni sub-metriche sulla superficie del suolo in modo efficiente, flessibile ed economico (Manfreda et al., 2018; Tmušić et al., 2020). In diversi casi applicativi, sono necessarie mappe SM continue ad alta risoluzione. Per le applicazioni agricole, lo studio si concentra solitamente su una scala di campo e richiede informazioni dettagliate sullo SM fino alla scala di parcella/pianta. Anche il monitoraggio della siccità e la valutazione del bilancio idrico a scala fine richiedono dati di SM ad alta risoluzione.

Numerosi studi hanno dimostrato la capacità di recupero di SM dal telerilevamento ottico e termico basato su UAS. Per i metodi basati sul telerilevamento ottico, il modello Kubelka-Munk offre la possibilità di ricavare la SM superficiale direttamente dai dati di riflettanza delle onde corte. Per i metodi basati sull’infrarosso termico, uno dei metodi consolidati è il metodo dell’inerzia termica, un metodo classico del telerilevamento satellitare, attualmente applicato anche ai dati UAS. Paruta et al. (2020) hanno presentato un buon esempio di utilizzo del metodo dell’inerzia termica basato su UAS per la stima della SM superficiale su un terreno nudo e su un’area scarsamente vegetata, mostrando un risultato soddisfacente rispetto ai dati SM misurati in situ. Un altro metodo consigliato è quello del triangolo temperatura-vegetazione, che rende possibile la stima dell’evapotraspirazione e della SM. Wang et al. (2018) hanno fornito un buon esempio di stima della SM della zona radicale utilizzando un modello modificato di triangolo temperatura-vegetazione con l’aiuto dei dati di rugosità della superficie del terreno ricavati da dati ottici UAS. Anche Petropoulos et al. (2021) hanno fornito esempi di stima della SM superficiale e dell’evapotraspirazione utilizzando modelli a triangolo semplificati e hanno presentato un buon risultato convalidato con misure in situ. Inoltre, le informazioni sulla superficie terrestre basate sugli UAS possono essere utilizzate nella procedura di downscaling dello SM superficiale con l’apprendimento automatico (Su et al., 2020).

Essendo ancora una fase primaria della ricerca sul monitoraggio del SM basato su UAS, la standardizzazione delle procedure operative può essere utile per comprendere e garantire la qualità dell’umidità del suolo recuperata (Manfreda et al., 2018; Tmušić et al., 2020). Ad esempio, quando si utilizzano diversi modelli di recupero di SM, il tipo di sensore e il tempo di acquisizione devono essere ben pianificati in base alla teoria e alla metodologia di elaborazione successiva.

References

1. Paridad, P., S.F. Dal Sasso, A. Pizarro, L. Mita, M. Fiorentino, M.R. Margiotta, F. Faridani, A. Farid, and S. Manfreda, Estimation of soil moisture from UAS platforms using RGB and thermal imaging sensors in arid and semi-arid regions, ACTA Horticulture (in press), 2021.
2. Petropoulos, G.P., A. Maltese, T. N. Carlson, G. Provenzano, A. Pavlides, G. Ciraolo, D. Hristopulos, F. Capodici, C. Chalkias, G. Dardanelli, S. Manfreda, Exploring the use of UAVs with the simplified “triangle” technique for Soil Water Content and Evaporative Fraction retrievals in a Mediterranean setting, International Journal of Remote Sensing, 42(5), 1623–1642, (doi: 10.1080/01431161.2020.1841319) 2021. [pdf]
3. Paruta, A., P. Nasta, G. Ciraolo, F. Capodici, S. Manfreda, N. Romano, E. Bendor, Y. Zeng, A. Maltese, S. F. Dal Sasso and R. Zhuang, A geostatistical approach to map near-surface soil moisture through hyper-spatial resolution thermal inertia, IEEE Transactions on Geoscience and Remote Sensing, 59(6), 5352 – 5369, (doi: 10.1109/TGRS.2020.3019200) 2021. [pdf]
4. Su, Z., Y. Zeng, N. Romano, S. Manfreda, F. Francés, E.B. Dor, B. Szabó, G. Vico, P. Nasta, R. Zhuang, N. Francos, J. Mészáros, S.F. Dal Sasso, M. Bassiouni, L. Zhang, D.T. Rwasoka, B. Retsios, L. Yu, M.L. Blatchford, C. Mannaerts,  An Integrative Information Aqueduct to Close the Gaps between Satellite Observation of Water Cycle and Local Sustainable Management of Water Resources, Water, 12, 1495, (doi: 10.3390/w12051495) 2020. [pdf]
5. Tmušić, G., S. Manfreda, H. Aasen, M. James, G. Gonçalves E. Ben-Dor, A. Brook, M Polinova, J.J. Arranz, J. Mészáros, R. Zhuang, K. Johansen, Y. Malbeteau, I.P. de Lima, C. Davids, S. Herban, M. McCabe, Practical guidance for UAS-based environmental mapping, Remote Sensing, 12, 1001, (doi: 10.3390/rs12061001) 2020. [pdf]
6. Zhuang, R.; Y. Zeng; S. Manfreda; Z. Su, Quantifying Long-term Land Surface and Root Zone Soil Moisture over Tibetan Plateau, Remote Sensing,12, 509, (doi: 10.3390/rs12030509) 2020. [pdf]
7. Baldwin, D., S. Manfreda, H. Lin, and E.A.H. Smithwick, Estimating root zone soil moisture across the Eastern United States with passive microwave satellite data and a simple hydrologic model, Remote Sensing, 11, 2013, (doi: 10.3390/rs11172013), 2019. [pdf]
8. Lazzari, M., M. Piccarreta, and S. Manfreda, The role of antecedent soil moisture conditions on rainfall-triggered shallow landslides, Natural Hazards Earth System Science Discussion, (doi: 10.5194/nhess-2018-371) 2019. [pdf]
9. Manfreda, S., M. F. McCabe, P. E. Miller, R. Lucas, V. Pajuelo Madrigal, G. Mallinis, E. Ben-Dor, D. Helman, L. Estes, G. Ciraolo, J. Müllerová, F. Tauro, M. I. de Lima, J. L. M. P. de Lima, A. Maltese, F. Frances, K. Caylor, M. Kohv, M. Perks, G. Ruiz-Pérez, Z. Su, G. Vico, and B. Toth, On the Use of Unmanned Aerial Systems for Environmental Monitoring, Remote Sensing, 10(4), 641; (doi:10.3390/rs10040641) 2018.  [pdf] 
10. Faridani, F., A. Farid, H. Ansari, S. Manfreda, A modified version of the SMAR model for estimating root-zone soil moisture from time series of surface soil moisture, Water SA, Vol. 43 No. 3 July 2017 (doi: 10.4314/wsa.v43i3.14), 2017.  [pdf]
11. Albano, R., S. Manfreda, G. Celano, MYSIRR: Minimalist agro-hYdrological model for Sustainable IRRigation management – soil moisture and crop dynamics, SoftwareX, 6, 107–117, (doi: 10.1016/j.softx.2017.04.00), 2017. [pdf]
12. Baldwin, D., Manfreda, S., Keller, K., and Smithwick, E.A.H., Predicting root zone soil moisture with soil properties and satellite near-surface moisture data at locations across the United States, Journal of Hydrology, 546, 393-404, (doi: 10.1016/j.jhydrol.2017.01.020), 2017.  [pdf]
13. Manfreda, S., K. K. Caylor, S. Good, An Ecohydrological framework to explain shifts in vegetation organization across climatological gradients, Ecohydrology, 10(3), 1-14, (doi: 10.1002/eco.1809), 2017. [pdf]
14. Faridani, F., A. Farid, H. Ansari, and S. Manfreda, Estimation of the root-zone soil moisture using passive microwave remote sensing and SMAR model, Journal of Irrigation and Drainage Engineering, 04016070, 1-9, (doi: 10.1061/(ASCE)IR.1943-4774.0001115), 2016. [pdf]
15. Calamita, G., A. Perrone, L. Brocca, B. Onorati, S. Manfreda,  Field test of a multi-frequency electromagnetic induction sensor for soil moisture monitoring in southern Italy test sites, Journal of Hydrology, 529(1), 316–329, (doi: 10.1016/j.jhydrol.2015.07.023), 2015.  [pdf]
16. Manfreda, S., L. Brocca, T. Moramarco, F. Melone, and J. Sheffield, A physically based approach for the estimation of root-zone soil moisture from surface measurements, Hydrology and Earth System Sciences, 18, 1199-1212, (doi:10.5194/hess-18-1199-2014), 2014. [pdf] 
17. Manfreda, S., K.K. Caylor, On The Vulnerability of Water Limited Ecosystems to Climate Change, Water, 5(2), 819-833; (doi:10.3390/w5020819), 2013. [pdf]
18. Manfreda, S., T.M. Scanlon, K.K. Caylor, On the importance of accurate depiction of infiltration processes on modelled soil moisture and vegetation water stress, Ecohydrology, 3, 155-165, (doi: 10.1002/eco.79), 2010. [pdf]
19. Manfreda, S., Ecohydrology: a New Interdisciplinary Approach to Investigate on Climate-Soil-Vegetation Interactions, Annals of Arid Zones, 48 (3 & 4), 219-228, (ISSN: 0570-1791), 2009. [pdf]
20. Gigante V., P. Milella, V. Iacobellis, S. Manfreda, and I. Portoghese, Influences of Leaf Area Index estimations on the soil water balance predictions in Mediterranean regions, Natural Hazard and Earth System Sciences, 9, 979-991, (doi:10.5194/nhess-9-979-2009), 2009. [pdf] 
21. Manfreda, S., Runoff Generation Dynamics within a Humid River Basin, Natural Hazard and Earth System Sciences, 8, 1349-1357, (doi:10.5194/nhess-8-1349-2008), 2008. [pdf]
22. Manfreda, S., M. Fiorentino, A Stochastic Approach for the Description of the Water Balance Dynamics in a River Basin, Hydrology and Earth System Sciences, 12, 1189-1200, (doi:10.5194/hess-12-1189-2008), 2008.  [pdf]
23. Sofo, A., S. Manfreda, B. Dichio, M. Fiorentino, C. Xiloyannis, The Olive Tree: a Paradigm for Drought Tolerance in Mediterranean Climates, Hydrology and Earth System Sciences, 12, 293-301, (doi:10.5194/hess-12-293-2008), 2008. [pdf]
24. Manfreda, S., D.R. Cox, V. Isham, A. Porporato, I. Rodríguez-Iturbe, Reply to the Comment by S. Nadarajah on “Space-time modeling of soil moisture: Stochastic rainfall forcing with heterogeneous vegetation”, Water Resources Research, 43, W10602, (doi:10.1029/2007WR006378), 2007. [pdf]
25. Manfreda, S., M. McCabe, E.F. Wood, M. Fiorentino and I. Rodríguez-Iturbe, Spatial Patterns of Soil Moisture from Distributed Modeling, Advances in Water Resources, 30(10), 2145-2150, (doi: 10.1016/j.advwatres.2006.07.009), 2007. [pdf]
26. Manfreda, S. and I. Rodrìguez-Iturbe, On the Spatial and Temporal Sampling of Soil Moisture Fields, Water Resources Research, 42, W05409, (doi:10.1029/2005WR004548), 2006. [pdf]
27. Rodríguez-Iturbe, I., V. Isham, D.R. Cox, S. Manfreda, A. Porporato, Space-time modeling of soil moisture: stochastic rainfall forcing with heterogeneous vegetation, Water Resources Research, 42, W06D05, (doi:10.1029/2005WR004497), 2006. [pdf]
28. Isham, V., D.R. Cox, I. Rodríguez-Iturbe, A. Porporato, S. Manfreda, Representation of Space-Time Variability of Soil Moisture, Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 461(2064), 4035-4055, (doi:10.1098/rspa.2005.1568), 2005. [pdf]
29. Caylor, K.K., S. Manfreda, I. Rodríguez-Iturbe, On the Coupled Geomorphological and Ecohydrological Organization of River Basins, Advances in Water Resources, 28(1), 69-86, (doi: 10.1016/j.advwatres.2004.08.013), 2005.  [pdf]
30. Scanlon, T.M., K.K. Caylor, S. Manfreda, S.A. Levin, I. Rodríguez-Iturbe, Dynamic Response of Grass Cover to Rainfall Variability: Implications the Function and Persistence of Savanna Ecosystems, Advances in Water Resources, 28(3), 291-302, (doi: 10.1016/j.advwatres.2004.10.014), 2005.  [pdf]
31. Manfreda, S., M. Fiorentino, V. Iacobellis, DREAM: a Distributed model for Runoff, Evapotranspiration, and Antecedent Soil Moisture Simulation, Advances in Geosciences, 2, 31-39, (SRef-ID: 1680-7359/adgeo/2005-2-31), 2005. [pdf]