Jak analizować dane dotyczące wilgotności gleby

How to analyze soil moisture data

Dowiedz się wszystkiego, co musisz wiedzieć o analizowaniu danych dotyczących wilgotności gleby.

WSPÓŁTWÓRCY

Zakopałeś w ziemi czujniki zawartości wody w glebie i potencjału wody, zainstalowałeś na polu ATMOS 41 i skonfigurowałeś rejestrator danych ZL6 . Twoja sieć instrumentów zbierała dane przez kilka dni, tygodni, a nawet przez cały sezon. Co teraz? Przeprowadzenie analizy danych dotyczących wilgotności gleby w miejscu prowadzenia badań to jedno. Wiedza o tym, jak ekstrapolować znaczące wnioski i wnioski, aby zrozumieć, co się dzieje i rozwiązywać problemy, jest zupełnie inna.

W tym artykule przejdziemy przez wiele zestawów danych, aby zrozumieć, w jaki sposób można wykorzystać zawartość wody w glebie, temperaturę gleby, potencjał wody w glebie i pomiary atmosferyczne, aby odkryć znaczenie śladów. W tym artykule dowiesz się, jak zidentyfikować następujące zdarzenia w danych:

  • Zachowanie czujników wilgotności gleby w różnych typach gleby
  • Infiltracja
  • Powódź
  • Pękanie gleby
  • Zamrażanie
  • Zmienność przestrzenna
  • Wpływ temperatury
  • Wzorce dobowe spowodowane redystrybucją hydrauliczną
  • Uszkodzone czujniki
  • Problemy z instalacją

Każdy przykład będzie reprezentowany przez wykres. Nie jest konieczne zrozumienie każdego aspektu informacji zawartych na tych wykresach. Każdy z nich służy jako ilustracja typowych wzorców danych wilgotności gleby, na które można się natknąć, oraz sposobu ekstrapolacji najbardziej przydatnych informacji z zaobserwowanych wzorców. Każdy wykres będzie miał pole w prawym górnym rogu z typem gleby i rodzajem uprawy, abyś mógł lepiej zrozumieć zmienne, które wchodzą w grę.

Wszystkie dostarczone dane zostały zebrane przez rejestratory danych, takie jak nasza seria ZL6 i przesłane do ZENTRA Cloud w celu zdalnego przeglądania przez użytkownika. Wszystkie zestawy danych pochodzą z własnych urządzeń METER lub zostały dostarczone przez właściciela danych i zostały zamieszczone za jego zgodą.

A photograph of a ZL6 next to a tablet showing ZENTRA Cloud data
Rysunek 1. Rejestrator danych ZL6 Basic z danymi zebranymi i przechowywanymi na platformie ZENTRA Cloud
Wpływ rodzaju gleby
A graph showing water content and water potential measurements for a turf grass in loamy sand in wet conditions
Rysunek 2. Pomiary zawartości wody i potencjału wody dla trawy darniowej w piasku gliniastym w warunkach wilgotnych

Na rysunku 2 widzimy dane z zaprojektowanego piasku gliniastego z trawą darniową. Naszym celem podczas przeprowadzania eksperymentów w tym przykładzie była poprawa nawadniania trawy darniowej. Trawa ta miała dość płytką strefę korzeniową, której środek znajdował się na głębokości około 6 cm, a dno na około 10 cm. Z biegiem czasu, przykład ten pokazał najpierw stosunkowo wilgotne warunki, które rozpoczęły się w czerwcu i lipcu, stały okres suszy w lipcu i sierpniu oraz suszę aż do zaprzestania pobierania wody w sierpniu i wrześniu.

Ten wykres przedstawia dwa typy danych dotyczących wilgotności gleby: objętościową zawartość wody na lewej osi y i potencjał matyczny lub potencjał wodyna prawej osi y. Czas znajduje się na osi x, od wczesnego lata do początku jesieni. Aby zrozumieć, co te klastry danych mogą nam powiedzieć, musimy przyjrzeć się każdemu zestawowi danych z osobna.

A graph showing the turf grass in loamy sand shown in Figure 2 in wet conditions
Rysunek 3. Trawa darniowa na piasku gliniastym przedstawiona na rysunku 2 w warunkach wilgotnych

Rysunek 3 przedstawia zarówno zawartość wody, jak i potencjał wodny wspomnianej wcześniej trawy darniowej w warunkach wilgotnych. Ta trawa darniowa znajdowała się w gliniastym piasku. Zauważ, że czujniki potencjału wody, reprezentowane przez przerywane linie w górnej części wykresu, w ogóle nie zareagowały. Jednak czujniki zawartości wody w glebie pokazują niesamowite szczegóły, w tym każde zdarzenie nawadniania rzędu dni.

A photograph of the TEROS 10, 11, and 12 volumetric soil water content sensors
Rysunek 4. TEROS 10, 11 i 12 czujników objętościowej zawartości wody w glebie

Pole było nawadniane każdej nocy z widocznym skokiem, gdy woda uderzyła w czujnik, widocznym w czujniku na poziomie 6 cm. Widoczny był również niewielki skok na wysokości 15 cm, czyli na dnie strefy korzeniowej. Nawet na poziomie 30 cm dane wykazały wzrost zawartości wody, ale krzywa była bardziej zaokrąglona niż w przypadku czujnika na poziomie 15 cm. Potencjał wody nie wykazał żadnych zmian. Rozmiary cząstek były tak duże, że czujniki nie były w stanie wykryć wody zatrzymywanej przez te cząstki. Jeśli zamiast tego przyjrzymy się temu, co działo się w tym gliniastym piasku w optymalnych warunkach, zobaczymy kilka całkiem fajnych szczegółów.

A graph showing the turf grass in loamy sand shown in Figure 2 in optimal conditions
Rysunek 5. Trawa darniowa w piasku gliniastym przedstawiona na rysunku 2 w optymalnych warunkach

W tej części danych zawartość wody w glebie na głębokości sześciu centymetrów spłaszczała się w nocy i spadała w ciągu dnia. Było to widoczne dzień po dniu i dało nam wyobrażenie o tym, ile wody pobierały rośliny na wysokości 6 centymetrów, czyli w dolnej części strefy korzeniowej. Odnotowano dzienny spadek na wysokości 15 centymetrów, ale nie był on tak wyraźny, ponieważ znajdował się w dolnej części miejsca, w którym korzenie pobierały wodę.

A photograph of the TEROS 21 matric water potential sensor
Rysunek 6. Matrycowy czujnik potencjału wody TEROS 21

Na rysunku 5 nie było tak dużo wody spływającej przez profil, co było naprawdę dobrą rzeczą. 14 lipca zaobserwowaliśmy niewielki szczyt z czujnika poziomu 30 cm, ale nie zaobserwowaliśmy żadnych wahań podczas kolejnego nawadniania. Ten gliniasty piasek bardzo dobrze reaguje na aplikowaną wodę. Dane dotyczące potencjału wody wykazały niewielką reakcję na poziomie sześciu centymetrów. Nie wskazywało to na stres, ponieważ spadł on tylko do zakresu od -200 do -400 kPa, który nadal znajdował się powyżej zakresu stresu dla tej trawy darniowej.

A graph of the turf grass in loamy sand shown in Figure 2 in drought conditions
Rysunek 7. Trawa darniowa na piasku gliniastym przedstawiona na rysunku 2 w warunkach suszy

W warunkach suszy stopniowy optymalny pobór wody był również widoczny na poziomie 6 cm. Problem w tym zestawie danych zaobserwowano przy czujniku na poziomie 15 cm, gdzie poziom wody był tak samo wysoki jak przy czujniku na poziomie 6 cm, co wskazuje, że woda była wypłukiwana przez glebę bez wchłaniania. Codzienny pobór wody był widoczny aż do nagłego zatrzymania około 5 września. W tym momencie trawa nie jest już w stanie pobierać wody z gleby, przechodząc z aktywnego wzrostu w stan uśpienia.

Potencjał wody wykazuje naprawdę interesującą krzywą w tym zestawie danych wilgotności gleby, spadając ujemnie do -1500 kPa, czyli punktu trwałego więdnięcia. Trawa ta znajdowała się w stanie uśpienia, ponieważ nie mogła pobierać wody. Zarówno pomiary zawartości wody, jak i potencjału wody wykazały wyraźny spadek w warunkach suszy. Niestety w tym przypadku rolnicy nie zareagowali na sygnały w danych, dopóki gleba nie stała się bardzo sucha.

A graph showing an example of water content data for seed potatoes in a well-irrigated clay loam
Rysunek 8. Przykład danych dotyczących zawartości wody dla sadzeniaków ziemniaka w dobrze nawodnionej glinie ilastej

Co się dzieje, gdy gleba nie jest piaskiem gliniastym, ale glebą o drobnej teksturze: gliną ilastą? Rysunek 8 ilustruje gliniastą glinę, na której uprawiano sadzeniaki w południowym Idaho, o średnicy prawie 700 m, w której zainstalowaliśmy czujniki w sześciu lokalizacjach. Wykres ten przedstawia bardzo niewielką zmianę zawartości wody w ciągu całego sezonu, wahając się tylko o około 2 do 3%. Hodowca spojrzał na te dane i zastanawiał się, jak może określić, kiedy powinien wyłączyć wodę na tym polu. Korzystając tylko z tych danych, bardzo trudno jest dokonać takiego ustalenia, jak wyjaśniliśmy w naszym poprzednim webinarium Water Resource Capture: Przekształcanie wody w biomasę. Podczas gdy dane dotyczące zawartości wody są bardzo pomocne w określaniu obecności i ilości wody, w bardzo niewielkim stopniu informują nas, czy rośliny są zestresowane lub pomagają nam zrozumieć, kiedy mają wystarczającą ilość wody.

A graph showing the water potential measurements for the same field represented in Figure 8
Rysunek 9. Pomiary potencjału wody dla tego samego pola przedstawione na rysunku 8

Aby zrozumieć poziom stresu roślin i ich zdolność do odświeżania wody, musimy zbadać potencjał wody macierzystej. Podczas gdy dane dotyczące zawartości wody w glebie nakreśliły obraz spójnego, niezauważalnego nawadniania przez cały sezon, w trzech z sześciu miejsc poziom potencjału wody matric spadł do zakresu stresu, a w jednym spadł bardzo blisko punktu trwałego więdnięcia. Temperatura liści roślin w tych obszarach, mierzona za pomocą przyrządu takiego jak termometr na podczerwień IRT, była rejestrowana w znacznie wyższych temperaturach niż temperatura powietrza. Plony w tych miejscach były znacznie niższe niż plony z obszarów, w których nie mierzono stresu, co potwierdza wiarygodność pomiarów potencjału wody i wskazuje na problem.

Infiltracja
A graph showing volumetric water content for a native system in a desert sandy loam soil in the fall
Rysunek 10. Objętościowa zawartość wody dla systemu natywnego w pustynnej glebie piaszczysto-gliniastej jesienią

Piaszczysto-gliniasta gleba na rysunku 10 znajduje się na pustyni w Rush Valley. W tym przykładzie nie badaliśmy upraw, ale raczej gatunki inwazyjne w rodzimym systemie. Powodem instalacji oprzyrządowania było zrozumienie, dlaczego gatunki inwazyjne, takie jak cheatgrass, konkurują z rodzimą roślinnością na tym obszarze. Zielone linie przedstawiają opady, a poziome linie przedstawiają trzy czujniki zawartości wody umieszczone na różnych głębokościach.

A photograph of the ATMOS 41 all-in-one weather station
Rysunek 11. Uniwersalna stacja pogodowa ATMOS 41

Po przeanalizowaniu danych dotyczących wilgotności gleby można zauważyć, że nawet opady o wielkości od 4 do 5 mm miały niewielki lub żaden wpływ na czujnik na poziomie 5 cm i nie miały zauważalnego wpływu na czujniki na poziomie 10 i 20 cm. Dlaczego opady nie pojawiły się w danych dotyczących zawartości wody? Przyczyniło się do tego kilka czynników. Ten okres pomiarowy był poprzedzony bardzo długim, gorącym i suchym latem, kiedy temperatura gleby przekraczała 40°C prawie każdego dnia, przez co gleba była hydrofobowa. Ponadto gleba była sucha jak pył, co spowodowało, że cała woda została wchłonięta i zatrzymana na powierzchni przed ponownym odparowaniem, nie pozostawiając szansy na przemieszczenie się wody w głąb systemu.

A graph showing volumetric water content for a native system in a desert sandy loam soil in the summer
Rysunek 12. Objętościowa zawartość wody dla systemu natywnego w pustynnej glebie piaszczysto-gliniastej latem

Rysunek 12 przedstawia dane dotyczące wilgotności gleby w tej samej pustynnej glebie piaszczysto-gliniastej wcześniej w tym samym roku. Chociaż dane dotyczące opadów nie zostały uwzględnione na tym wykresie, zdarzenia zwilżania wystąpiły w korelacji z każdym ze skoków widocznych w czujniku zawartości wody na głębokości pięciu centymetrów. Należy zauważyć, że w czujniku poziomu pięciu centymetrów zwilżenie wystąpiło około 28 maja, ale nie zostało odzwierciedlone ani w czujnikach poziomu 10, ani 20 centymetrów. Zwilżenie około 2 czerwca wykazało oznaki poruszenia igły na głębokości 10 cm, ale nie osiągnęło poziomu 20 cm. Jeszcze bardziej zaskakujące jest to, że największe zwilżenie wystąpiło około 14 czerwca i w ogóle nie pojawiło się na głębokości 10 cm, ale spowodowało niewielki skok na głębokości 20 cm. Co mówi nam analiza tych danych dotyczących wilgotności gleby?

Podobnie jak w poprzednim zestawie danych z tego samego obszaru, górna warstwa gleby wchłonęła dużo wilgoci z pierwszego zwilżenia i zaspokoiła wysokie zapotrzebowanie na parowanie, nie pozwalając glebie na spłynięcie w dół. Gdy lustro wody wypełniło się podczas drugiego zwilżenia, część wody dotarła do czujnika głębokości 10 cm, ale zatrzymała się poniżej 20 cm. Większą zagadką było ostatnie zwilżenie. Dlaczego czujniki 5 i 20 cm zarejestrowały wzrost zawartości wody bez żadnego wzrostu na 10 cm?

Łatwo jest myśleć o opadach deszczu tworzących równomierny rozkład wody na powierzchni gleby, infiltrując równomiernie, ale nie zawsze tak jest. Zamiast przechodzić przez glebę jako jeden gigantyczny blok, woda przemieszcza się przez glebę w rozgałęzionych palcach, nie zawsze dotykając każdej cząsteczki gleby. To, co najprawdopodobniej wydarzyło się w tym przypadku, to fakt, że jeden z tych palców wody okrążył czujnik głębokości 10 cm i kontynuował podróż w dół do czujnika poziomu 20 cm. Jest to najbardziej prawdopodobne wyjaśnienie tej anomalii danych, ale nadal ważne byłoby monitorowanie tego obszaru, aby upewnić się, że nie ma żadnych problemów z infiltracją w tym obszarze.

Oznaki zalania

Chociaż stworzyliśmy przewodnik edukacyjny zatytułowany Klasa mistrzowska monitorowania pogody zawierający wszystko, co musisz wiedzieć o monitorowaniu pogody, do celów interpretacji danych wilgotności gleby, zbadajmy kilka przypadków użycia, w których monitorowanie pogody może mieć znaczenie dla zrozumienia tego, co dzieje się w glebie. Kilka lat temu doświadczyliśmy powodzi w Pullman w stanie Waszyngton, gdzie znajduje się siedziba METER. Bardzo mały strumień o nazwie Missouri Flat Creek, który biegnie równolegle do głównej arterii miasta, zalał ulicę i wiele firm po drodze, tworząc duży obszar zniszczeń w sercu społeczności. Jak do tego doszło? Czy dane mogą pomóc nam zrozumieć znaki ostrzegawcze przed zbliżającą się powodzią?

A graph showing precipitation in Pullman, WA for the week proceeding the flood
Rysunek 13. Opady w Pullman, WA w tygodniu poprzedzającym powódź

Dane dotyczące opadów przedstawione na rysunku 13 nie wyjaśniają przyczyn powodzi. Największe opady wyniosły tylko około trzech mm. Wiele czujników wykazało taką samą objętość opadów, co nie wydaje się sugerować potencjału powodzi na skalę, która wystąpiła w tym małym potoku. Aby lepiej zrozumieć, co się stało, musimy zwrócić się do pomiarów zawartości wody w glebie na tym obszarze (Rysunek 14).

A graph showing water content measurements leading up to the flooding event in Pullman, WA
Rysunek 14. Pomiary zawartości wody prowadzące do powodzi w Pullman, WA

Poziomy zawartości wody w glebie utrzymywały się na bardzo stałym poziomie do momentu, gdy 6 kwietnia zaczęło się podmokłe wydarzenie, powodując wzrost na poziomie 20 cm, następnie 40 cm, trochę na 60 cm i 90 cm, a nawet trochę na 120 cm. Pod koniec 7 kwietnia woda zaczęła spływać z górnych poziomów gleby i przenikać do niższych regionów. Kolejne opady deszczu sprawiły, że do 9 kwietnia poziom 60 cm wskazywał raczej pełne poziomy zawartości wody i zaczął się spłaszczać, podobnie jak pozostałe głębokości, co było oznaką, że lustro wody wypełnia się do pełna, sygnalizując zbliżającą się powódź. Pod koniec 9 kwietnia kolejne opady deszczu przechyliły szalę i potok Missouri Flat Creek przekroczył swoje brzegi.

A graph showing water depths on the bank of the Missouri Flat Creek just before and at the beginning of the flooding event
Rysunek 15. Głębokość wody na brzegu Missouri Flat Creek tuż przed i na początku powodzi

Rysunek 15 przedstawia głębokości wody wzdłuż brzegu potoku, co pokazuje, że poziom wody utrzymywał się na poziomie 1 m. Końcowe zdarzenie deszczowe korelowało z plateau zawartości wody, gdy woda przekroczyła brzegi i osiągnęła prawie 2,5 m.

Pękanie

W glinie okrętowej (Rysunek 16), glinie o wysokiej kurczliwości znajdującej się w południowym Teksasie, umieściliśmy kilka czujników zawartości wody, aby zilustrować, jak wyglądałaby analiza danych wilgotności gleby w przypadku pękania gleby.

A graph showing water content sensors in a high shrink-swell clay in south Texas
Rysunek 16. Czujniki zawartości wody w glinie o wysokiej kurczliwości w południowym Teksasie

Jeśli porównamy zachowanie czujników, zobaczymy interesujący wzór. Jeden czujnik na głębokości 20 cm wykazywał stopniowy spadek po każdym zwilżeniu, ale drugi czujnik na tej samej głębokości wykazywał gwałtowny spadek, czego zwykle można oczekiwać w glebie piaszczystej. Nasuwa się pytanie - co działo się w tej glinie, powodując takie odczyty? Zjawisko obserwowane w tym zestawie danych polega na tym, że czujnik o bardziej stromej krzywej był osadzony w sekcji gliny o wysokim skurczu, co powodowało kurczenie się gleby wokół czujnika, tworząc szczeliny powietrzne, powodując, że czujnik elektromagnetyczny nie odczytywał tak wysoko, jak oczekiwano. Rysunek 16 jest doskonałym przykładem, który pokazuje, że ten gwałtowny spadek wskazywał na pękanie gleby.

Zamrażanie
A graph showing water content and precipitation during freezing in sandy loam soil with invasive species growing on top during winter
Rysunek 17. Zawartość wody i opady podczas zamarzania w glebie piaszczysto-gliniastej z gatunkami inwazyjnymi rosnącymi na wierzchu w okresie zimowym

Rysunek 17 przedstawia piaszczysto-gliniaste pole zawierające gatunki inwazyjne, które obumarły z powodu wysokich temperatur. Podczas każdego deszczu można zauważyć, że pomiary zawartości wody rosły, a następnie spadały po schodach. Czy te czujniki się rozładowały? Co może wyjaśnić wahania przedstawione w tych danych? Jeśli dodamy do wykresu pomiary temperatury, stanie się jasne, co się działo.

A graph showing water content, precipitation, and temperature during freezing in sandy loam soil with invasive species growing on top during winter
Rysunek 18. Zawartość wody, opady i temperatura podczas zamarzania w glebie piaszczysto-gliniastej z gatunkami inwazyjnymi rosnącymi na wierzchu w okresie zimowym

Pogrubiona czarna pozioma linia na rysunku 18 wskazuje 0°C lub zamarzanie. Dzięki pomiarom temperatury i dodaniu punktu zamarzania stało się jasne, że gdy warunki zamarzły, odczyty zawartości wody spadły i wydawały się wahać. Gdy temperatura wzrosła powyżej zera, pomiary zawartości wody wzrosły z powrotem do oczekiwanego zakresu. Ta zależność ma sens. Im bardziej woda zamarza, tym bardziej cząsteczki wody znikają w elektrycznym polu magnetycznym, którego czujniki używają do wykrywania obecności wody. Nie cała woda została zamrożona, więc ilość mierzonej wody nie spadła do zera, ale znacznie spadła. Po rozmrożeniu dane pokazały, że poziomy zawartości wody w glebie wygładziły się i powróciły do poziomu sprzed zamrożenia. Jest to wzorzec, którego należy oczekiwać w sytuacjach zamarzania. Rysunek 19 przedstawia widok tego samego zestawu danych w kontekście całego roku. Zwróć uwagę, że zamarznięcia wyglądały wyraźnie inaczej niż łagodniejsze przypływy i odpływy danych letnich. Kropkowana linia w miesiącach zimowych to wzór, którego należy oczekiwać w danych dotyczących zawartości wody bez wystąpienia zamarzania.

A graph showing the same data set from Figure 18 expanded to include data from the entire year
Rysunek 19. Ten sam zestaw danych z wykresu 18 został rozszerzony o dane z całego roku
Zmienność przestrzenna

Na rysunku 20 umieściliśmy czujniki w siedmiu obszarach, wszystkie w odległości od trzech do czterech kilometrów od siebie, w gliniastej glebie z sadzeniakami ziemniaków. Czujniki na rysunku 20 zostały zainstalowane po mokrej zimie z dużą ilością śniegu, a następnie deszczu.

A graph showing water content readings for seven locations within a clay loam soil, all planted with seed potatoes
Rysunek 20. Odczyty zawartości wody dla siedmiu lokalizacji w glebie gliniasto-ilastej, wszystkie obsadzone sadzeniakami ziemniaków

W zależności od poziomu doświadczenia w odczytywaniu danych dotyczących zawartości wody, można się zastanawiać, dlaczego istnieje tak duża zmienność między tymi siedmioma czujnikami, nawet na początku zestawu danych. Ta zmienność jest funkcją rodzaju gleby. Nawet jeśli rodzaj gleby jest sklasyfikowany podobnie, każde miejsce będzie miało własną linię bazową, dlatego ważne jest, aby porównać pomiary zawartości wody w glebie z poprzednimi pomiarami w tym samym miejscu i nie oczekiwać identycznych odczytów z jednej lokalizacji do drugiej, bez względu na to, jak blisko siebie się znajdują. Jeśli jednak przeanalizujemy dane dotyczące potencjału wody dla tych samych pól w tym samym okresie (rysunek 21), zobaczymy, że potencjał wody dla tych czujników zaczynał się w granicach +/- 10 kPa od siebie, co było niezwykle zbliżone. Na tym polega siła wykorzystania pomiarów potencjału wody na całym polu, niezależnie od rodzaju gleby.

A graph showing water potential measurements in the same seven locations shown in Figure 20
Rysunek 21. Pomiary potencjału wody w tych samych siedmiu lokalizacjach pokazanych na rysunku 20
Wrażliwość na temperaturę

W okresie letnim ważne jest uwzględnienie pewnych wahań zawartości wody, zwłaszcza w przypadku odczytów w pobliżu powierzchni gleby. W ten sposób wszystkie czujniki zawartości wody mogą również działać jako czujniki temperatury.

A graph showing water content and temperature measurements across the summer months showing the effect of temperature fluctuations on water content readings
Rysunek 22. Pomiary zawartości wody i temperatury w miesiącach letnich pokazujące wpływ wahań temperatury na odczyty zawartości wody

Na rysunku 22 dane wykazały dzienne wahania temperatury o +/- 14°C. Bez wiedzy o tych zmianach temperatury, poszarpany charakter pomiarów zawartości wody może być błędnie interpretowany jako hydrologiczny ruch wody, podczas gdy w rzeczywistości ilustruje on wpływ zmian ciepła na zawartość wilgoci w glebie. Każda niewielka zmiana zawartości wody wynosiła w rzeczywistości tylko 0,0003m3 m-3 /°C.

Redystrybucja hydrauliczna

Do tej pory pokazaliśmy kilka przykładów, które początkowo mogły wyglądać jak oznaki poboru wody przez roślinność, ale zostały wyjaśnione po dokładniejszym zbadaniu danych. Jak więc wygląda redystrybucja hydrauliczna w danych? Przeanalizujmy kolejno cztery wykresy, aby sprawdzić, czy możemy udowodnić obecność poboru wody z gleby do roślin. Każdy wykres przedstawia dane z tego samego okresu na tym samym nawadnianym polu pszenicy w odległości 500 m od siebie.

A graph showing water content measurements at a depth of 15 cm across six sites on the same field combined with watering and precipitation data
Rysunek 23. Pomiary zawartości wody na głębokości 15 cm w sześciu lokalizacjach na tym samym polu w połączeniu z danymi dotyczącymi nawadniania i opadów.

Rysunek 23 przedstawia zawartość wody na głębokości 15 cm na polu. Nawadnianie było włączane i wyłączane do końca lipca, z kilkoma opadami występującymi po punkcie wyłączenia nawadniania. Każdy czujnik zawartości wody wykazywał klasyczny wzorzec dobowy, który na pierwszy rzut oka mógł wyglądać na wahania temperatury, ale w tym momencie sezonu pole miało pełny baldachim liści pszenicy z Leaf Area Index (LAI) około czterech do pięciu z bardzo niewielką ilością promieniowania docierającego do powierzchni gleby. To sprawia, że jest mało prawdopodobne, aby dzienny strumień promieniowania można było przypisać zmianom temperatury. Wzorzec zatrzymał się dopiero po wyłączeniu nawadniania, gdy rośliny wchłonęły tyle, ile były w stanie.

A graph showing water content measurements for the same field shown in Figure 23, but at a depth of 45 cm
Rysunek 24. Pomiary zawartości wody dla tego samego pola pokazanego na rysunku 23, ale na głębokości 45 cm

Na głębokości 45 cm na rysunku 24 wzorzec dobowy nie występował na początku czerwca, a stał się widoczny dopiero pod koniec czerwca. Mniej więcej w czasie, gdy woda została wyłączona pod koniec lipca, wzorzec dobowy był najbardziej wyraźny, spadając w ciągu dnia i osiągając plateau w nocy. Będąc tak głęboko w glebie, dane te były znacznie bardziej zgodne z poborem wody przez rośliny, a nie ze zmianami temperatury.

A graph showing water content measurements for the same field shown in Figure 23, but at a depth of 65 cm
Rysunek 25. Pomiary zawartości wody dla tego samego pola pokazanego na rysunku 23, ale na głębokości 65 cm

Gdy przenosimy się głębiej w glebę (Rysunek 25), to samo dzienne schodkowanie nie było widoczne aż do połowy lub końca lipca i było widoczne aż do sierpnia.

Uszkodzony czujnik

Chociaż dokładność i niezawodność to dla nas dwa najważniejsze czynniki, jeśli chodzi o wszystkie produkowane przez nas oprzyrządowanie, istnieją inne czynniki, takie jak instalacja i konserwacja, które mogą spowodować awarię dowolnego czujnika.

A graph showing an example of data that indicates the potential of a failed sensor
Rysunek 26. Przykład danych wskazujących na potencjalną awarię czujnika

Rysunek 26 jest doskonałym przykładem tego, jak wygląda uszkodzony czujnik w danych. Kilka czujników wyznaczało bardzo stabilny kurs i płynnie przesyłało dane, gdy nagle tylko jeden czujnik spadł niemal natychmiast i zaczął dostarczać dużą liczbę zmiennych danych. Na szczęście dla tego użytkownika, jego czujnik był podłączony do ZENTRA Cloud , który automatycznie powiadomił go o awarii czujnika, dzięki czemu można było zająć się nim w odpowiednim czasie przy minimalnym zakłóceniu ciągłego pomiaru. W tym przypadku czujnik został odłączony, a po ponownym podłączeniu do rejestratora danych czujnik nadal działał idealnie.

Problemy z instalacją

Ostatnią anomalią danych, którą omówimy w tym artykule, są błędne dane spowodowane problemami podczas procesu instalacji.

A graph showing the water content measurements of a silt loam soil without any cover crop
Rysunek 27. Pomiary zawartości wody w glebie mułowo-gliniastej bez uprawy okrywowej

Podobnie jak w przypadku wszystkich przedsięwzięć naukowych, ważne jest, aby wiedzieć, jakich informacji można się spodziewać przed analizą odczytów. W przypadku gleby mułowo-gliniastej, takiej jak ta pokazana na rysunku 27, gleba była dość mokra i spodziewalibyśmy się, że odczyty będą wynosić co najmniej 30% objętościowej zawartości wody. Zamiast tego widzieliśmy dwa czujniki, które odczytywały 10% i poniżej. Jest to doskonały przykład momentu, w którym warto sprawdzić czujniki i potencjalnie zainstalować je ponownie.

Klucz do interpretacji danych dotyczących wilgotności gleby

Każda sytuacja i zestaw danych będą inne. Upewnienie się, że wyciągasz prawidłowe wnioski i wnioski z danych ma kluczowe znaczenie dla ważności twoich wniosków. Mając to na uwadze, podsumujmy kilka rzeczy, o których należy pamiętać podczas interpretacji unikalnych danych.

  • Spodziewaj się nieoczekiwanego. Powodem, dla którego instalujesz czujniki, jest to, że nie wiesz wszystkiego, co dzieje się w Twojej glebie. Zakładanie, że wiesz, spowoduje zignorowanie kluczowych znaków.
  • Wilgotność gleby zachowuje się inaczej w różnych glebach. Dane dotyczące wilgotności gleby z gleby gruboziarnistej nie zachowują się tak samo, jak dane z gleby drobnoziarnistej. Poświęć trochę czasu na zrozumienie swojego rodzaju gleby i współpracuj z ekspertem, aby upewnić się, że uzyskujesz z niej prawidłowe odczyty.
  • Zdolność gleby do wchłaniania i magazynowania wody może zatrzymać jej infiltrację. Jeśli zauważysz tabletopping w danych, zwróć uwagę na zatrzymaną infiltrację lub zalaną glebę.
  • Uważaj na glebę podatną na pęknięcia. Niektóre gleby, zwłaszcza gliny, mogą powodować powstawanie pęknięć wokół czujnika, co będzie miało wpływ na wyniki. Wiedz, z jaką glebą pracujesz i wypatruj oznak takiego zachowania w danych.
  • Zamarzanie może spowodować, że woda glebowa zniknie z czujników. Zamarznięta woda staje się niewidoczna dla czujników, powodując dziwne zachowania i często wymagając usunięcia części danych z zestawów danych w celu zachowania dokładności przy poświęceniu ciągłości.
  • Zawartość wody w glebie charakteryzuje się dużą zmiennością przestrzenną. Wiele czujników zainstalowanych na tym samym polu powinno wykazywać zmienność. Jeśli nie ma żadnej zmienności, jest to znak, że należy się martwić. Z drugiej strony, spójność czujników potencjału wody w glebie jest znakiem, że coś robisz dobrze.
  • Wzorce dobowe mogą mieć wiele znaczeń. Codzienne przypływy i odpływy pomiarów zawartości wody mogą być spowodowane wahaniami temperatury blisko powierzchni gleby lub wodą korzeniową i redystrybucją. Ważne jest, aby zbadać wszystkie zmienne poza samą zawartością wody, aby zidentyfikować przyczynę wzorców dobowych.
  • Słaba instalacja ma ogromny wpływ na wydajność czujnika. Problemy pojawią się zarówno w przypadku źle zainstalowanych czujników, jak i tych, które ulegną awarii elektrycznej. Ważne jest, aby mieć oko na swoje dane i obserwować alerty dostarczane przez ZENTRA Cloud , aby działać szybko, aby zminimalizować wpływ na badania.
Pytania?

Nasi naukowcy mają wieloletnie doświadczenie w pomaganiu badaczom i hodowcom w pomiarach kontinuum gleba-roślina-atmosfera.

Wgląd w pomiary

Zobacz wszystkie artykuły

Czujniki wilgotności gleby - jak działają. Dlaczego niektóre z nich nie są klasy badawczej

TDR, FDR, pojemność, rezystancja: Porównanie popularnych metod pomiaru wilgotności gleby, ich zalet i wad oraz unikalnych zastosowań.

PRZECZYTAJ INFORMACJE O POMIARACH

Czujnik wilgotności gleby: Który czujnik gleby jest idealny dla Ciebie?

Wśród tysięcy recenzowanych publikacji wykorzystujących czujniki gleby METER, żaden typ nie jest faworytem. Dlatego wybór czujnika powinien opierać się na potrzebach i zastosowaniu. Skorzystaj z poniższych wskazówek, aby wybrać idealny czujnik do swoich badań.

PRZECZYTAJ INFORMACJE O POMIARACH

Czym jest wilgotność gleby? Nauka stojąca za pomiarem

Większość ludzi patrzy na wilgotność gleby tylko w kategoriach jednej zmiennej - zawartości wody. Jednak do opisania stanu wody w glebie wymagane są dwa rodzaje zmiennych.

PRZECZYTAJ INFORMACJE O POMIARACH

Studia przypadków, webinaria i artykuły, które pokochasz

Regularne otrzymywanie najnowszych treści.

icon-angle paski ikon ikona-czasu