مٹی کی نمی کی نگرانی پر ادب کا جائزہ

1. مٹی کی نمی کی نگرانی کرنے والی ٹیکنالوجیز کی درجہ بندی

مٹی کی نمی کی نگرانی کرنے والی ٹیکنالوجیز کو نگرانی کے پیمانے اور اصول کے مطابق تین زمروں میں تقسیم کیا جا سکتا ہے: زمینی سطح پر پوائنٹ کی پیمائش کرنے والی ٹیکنالوجی، قربت سینسنگ ٹیکنالوجی، اور ریموٹ سینسنگ مانیٹرنگ ٹیکنالوجی۔ تینوں ٹیکنالوجیز میں سے ہر ایک کا اپنا فوکس ہے، جس میں مقامی پوائنٹ کی پیمائش سے لے کر عالمی سطح پر نگرانی تک درخواست کی ضروریات کی مکمل رینج شامل ہے۔

(1) زمینی بنیاد پر نقطہ پیمائش کی ٹیکنالوجی

زمینی بنیاد پر نقطہ پیمائش کی ٹیکنالوجی براہ راست رابطے کی مٹی کے سینسر کی پیمائش پر مرکوز ہے، جو مٹی کی نمی کے اعداد و شمار کو مسلسل یا مقررہ سطح پر جمع کر سکتی ہے اور یہ مٹی کی نمی کی نگرانی کا بنیادی ذریعہ ہے۔ اس میں بنیادی طور پر ریزسٹنس پروبس، ٹائم ڈومین ریفلیکٹومیٹری (TDR)، کپیسیٹینس سینسرز، نیوٹران پروبس اور دیگر اقسام شامل ہیں۔ مختلف سینسر درستگی، لاگت اور قابل اطلاق منظرناموں میں نمایاں طور پر مختلف ہوتے ہیں۔

(2) پروکسیمل سینسنگ ٹیکنالوجی

پراکسیمل سینسنگ ٹیکنالوجی بنیادی طور پر فیلڈ یا واٹرشیڈ پیمانے پر لاگو ہوتی ہے۔ یہ غیر حملہ آور ذرائع سے مٹی کی نمی کی مقامی تقسیم کی خصوصیات حاصل کرتا ہے، جس سے زمینی بنیاد پر نقطہ کی پیمائش کی مقامی حد بندی ہوتی ہے۔ عام ٹیکنالوجیز میں الیکٹرو میگنیٹک انڈکشن (EMI)، گراؤنڈ پینیٹریٹنگ ریڈار (GPR)، کاسمک رے نیوٹران پروب (CRNP) وغیرہ شامل ہیں۔ ان میں سے، CRNP ٹیکنالوجی ایک بڑے رقبے پر علاقائی اوسط مٹی کی نمی کی غیر جارحانہ پیمائش کو محسوس کر سکتی ہے، اور یہ ایک اہم پل بن گیا ہے جو زمینی سطح پر ریگولیشن پوائنٹ کو مربوط کرتا ہے۔

(3) ریموٹ سینسنگ مانیٹرنگ ٹیکنالوجی

ریموٹ سینسنگ ٹیکنالوجی پلیٹ فارمز جیسے سیٹلائٹ اور ہوائی جہاز کے ذریعے بڑے پیمانے پر (علاقائی سے عالمی) مٹی کی نمی کی متحرک نگرانی کا احساس کرتی ہے۔ ریموٹ سینسنگ بینڈ کے مطابق، اسے آپٹیکل ریموٹ سینسنگ، تھرمل انفراریڈ ریموٹ سینسنگ اور مائکروویو ریموٹ سینسنگ میں تقسیم کیا جا سکتا ہے۔ ان میں سے، مائیکرو ویو ریموٹ سینسنگ موسمی حالات کے لیے اس کی کم حساسیت اور پودوں اور سطح کی مٹی میں گھسنے کی صلاحیت کی وجہ سے بڑے پیمانے پر مٹی کی نمی کی نگرانی کے لیے مرکزی دھارے کی ٹیکنالوجی بن گئی ہے۔ اسے مزید فعال مائکروویو ریموٹ سینسنگ (جیسے مصنوعی یپرچر ریڈار، SAR) اور غیر فعال مائکروویو ریموٹ سینسنگ (جیسے ریڈیو میٹر) میں تقسیم کیا جا سکتا ہے۔

2. مین مانیٹرنگ ٹیکنالوجیز کے اصول اور کارکردگی کا موازنہ

(1) گراؤنڈ بیسڈ پوائنٹ پیمائش سینسر کی کارکردگی کا موازنہ

سینسر کی قسم	فوائد	نقصانات	قابل اطلاق منظرنامے۔	درستگی انڈیکس
مزاحمتی تحقیقات	1. مسلسل پیمائش کے لیے ڈیٹا لاگرز کے ساتھ جوڑا جا سکتا ہے۔ 2. سب سے کم قیمت؛ 3. کم بجلی کی کھپت	1. ناقص درستگی، انشانکن قدر مٹی کی قسم اور نمکیات کے ساتھ مختلف ہوتی ہے۔ 2. سینسر عمر بڑھنے کا شکار ہیں۔	ایسے منظرنامے جن میں صرف نمی کے مواد میں تبدیلیوں کا فیصلہ کرنے کی ضرورت ہوتی ہے اور درستگی کے لیے کم تقاضے ہوتے ہیں۔	کم درستگی
TDR تحقیقات	1. مسلسل پیمائش کر سکتے ہیں؛ 2. مٹی کے مخصوص انشانکن کے بعد اعلی درستگی (2-3%)؛ 3. نمکیات کے لیے بے حس (سگنل غائب ہونے تک)؛ 4. اعلیٰ تعلیمی پہچان	1. اہلیت کے سینسر سے زیادہ آپریشنل پیچیدگی؛ 2. تنصیب کے لیے خندق کی ضرورت ہوتی ہے، جو کہ وقت طلب ہے۔ 3. زیادہ نمکین ماحول میں غلط؛ 4. زیادہ بجلی کی کھپت (بڑی ریچارج ایبل بیٹریوں کی ضرورت ہے)	متعلقہ نظاموں سے لیس لیبارٹریز جنہیں اعلیٰ درستگی کی پیمائش کی ضرورت ہوتی ہے۔	اعلی درستگی (2-3%)
اہلیت کا سینسر	1. مسلسل پیمائش کر سکتے ہیں؛ 2. کچھ اقسام کے لیے آسان تنصیب؛ 3. انشانکن کے بعد اعلی درستگی (2-3%)؛ 4. کم بجلی کی کھپت (چھوٹی بیٹریاں کافی ہیں)؛ 5. کم قیمت، کثیر نکاتی پیمائش کو چالو کرنا	1. زیادہ نمکین ماحول میں درستگی کم ہو جاتی ہے (سیچوریٹڈ ایکسٹریکٹ برقی چالکتا > 8 dS/m)؛ 2. کم معیار کے برانڈز کی خراب کارکردگی	ایسے منظرنامے جن میں کثیر نکاتی پیمائش، سادہ نظام کی تعیناتی اور دیکھ بھال، اور کم بجلی کی کھپت کی ضرورت ہوتی ہے۔	اعلی درستگی (2-3%)
نیوٹران پروب	1. بڑے پیمانے پر حجم 2. نمکیات کے لیے بے حس؛ 3. اعلیٰ تعلیمی پہچان (بالغ ٹیکنالوجی)؛ 4. مٹی سینسر کے رابطے کے مسائل سے متاثر نہیں ہوتا ہے۔	1. مہنگا 2. آپریشن کے لیے ریڈی ایشن سرٹیفیکیشن کی ضرورت ہوتی ہے۔ 3. انتہائی وقت طلب؛ 4. مسلسل پیمائش نہیں کر سکتے	موجودہ سازوسامان اور سرٹیفیکیشن کے ساتھ منظرنامے جن میں زیادہ نمکین یا وسیع سکڑتی ہوئی مٹی کی پیمائش کی ضرورت ہوتی ہے۔	کم درستگی (فیلڈ کیلیبریشن کے بعد بہتر ہوا)
CRNP (کاسمک رے نیوٹران پروب)	1. انتہائی بڑی پیمائش کی حد (800m قطر کے ساتھ اثر انداز)؛ 2. خودکار پیمائش؛ 3. سیٹلائٹ ڈیٹا کی زمینی توثیق کے لیے موزوں (بڑے پیمانے پر تغیر کو ہموار کرنا)؛ 4. مٹی سینسر کے رابطے کے مسائل سے متاثر نہیں ہوتا ہے۔	1. سب سے زیادہ قیمت؛ 2. پیمائش کے حجم کی غیر واضح تعریف، مٹی کی نمی کے ساتھ مختلف ہوتی ہے۔ 3. درستگی الجھانے والے عوامل جیسے کہ پودوں کی وجہ سے محدود ہے۔	ایسے منظرنامے جن میں بڑے پیمانے پر اوسط نمی کی قدر اور سیٹلائٹ ڈیٹا کی زمینی توثیق کی ضرورت ہوتی ہے۔	RMSE ≈ 0.032 cm³/cm³ (انشانکن کے بعد)

سینسر کی قسم	فوائد	نقصانات	قابل اطلاق منظرنامے۔	درستگی انڈیکس
مزاحمتی تحقیقات	1. مسلسل پیمائش کے لیے ڈیٹا لاگرز کے ساتھ جوڑا جا سکتا ہے۔ 2. سب سے کم قیمت؛ 3. کم بجلی کی کھپت	1. ناقص درستگی، انشانکن قدر مٹی کی قسم اور نمکیات کے ساتھ مختلف ہوتی ہے۔ 2. سینسر عمر بڑھنے کا شکار ہیں۔	ایسے منظرنامے جن میں صرف نمی کے مواد میں تبدیلیوں کا فیصلہ کرنے کی ضرورت ہوتی ہے اور درستگی کے لیے کم تقاضے ہوتے ہیں۔	کم درستگی
TDR تحقیقات	1. مسلسل پیمائش کر سکتے ہیں؛ 2. مٹی کے مخصوص انشانکن کے بعد اعلی درستگی (2-3%)؛ 3. نمکیات کے لیے بے حس (سگنل غائب ہونے تک)؛ 4. اعلیٰ تعلیمی پہچان	1. اہلیت کے سینسر سے زیادہ آپریشنل پیچیدگی؛ 2. تنصیب کے لیے خندق کی ضرورت ہوتی ہے، جو کہ وقت طلب ہے۔ 3. زیادہ نمکین ماحول میں غلط؛ 4. زیادہ بجلی کی کھپت (بڑی ریچارج ایبل بیٹریوں کی ضرورت ہے)	متعلقہ نظاموں سے لیس لیبارٹریز جنہیں اعلیٰ درستگی کی پیمائش کی ضرورت ہوتی ہے۔	اعلی درستگی (2-3%)
اہلیت کا سینسر	1. مسلسل پیمائش کر سکتے ہیں؛ 2. کچھ اقسام کے لیے آسان تنصیب؛ 3. انشانکن کے بعد اعلی درستگی (2-3%)؛ 4. کم بجلی کی کھپت (چھوٹی بیٹریاں کافی ہیں)؛ 5. کم قیمت، کثیر نکاتی پیمائش کو چالو کرنا	1. زیادہ نمکین ماحول میں درستگی کم ہو جاتی ہے (سیچوریٹڈ ایکسٹریکٹ برقی چالکتا > 8 dS/m)؛ 2. کم معیار کے برانڈز کی خراب کارکردگی	ایسے منظرنامے جن میں کثیر نکاتی پیمائش، سادہ نظام کی تعیناتی اور دیکھ بھال، اور کم بجلی کی کھپت کی ضرورت ہوتی ہے۔	اعلی درستگی (2-3%)
نیوٹران پروب	1. بڑے پیمانے پر حجم 2. نمکیات کے لیے بے حس؛ 3. اعلیٰ تعلیمی پہچان (بالغ ٹیکنالوجی)؛ 4. مٹی سینسر کے رابطے کے مسائل سے متاثر نہیں ہوتا ہے۔	1. مہنگا 2. آپریشن کے لیے ریڈی ایشن سرٹیفیکیشن کی ضرورت ہوتی ہے۔ 3. انتہائی وقت طلب؛ 4. مسلسل پیمائش نہیں کر سکتے	موجودہ سازوسامان اور سرٹیفیکیشن کے ساتھ منظرنامے جن میں زیادہ نمکین یا وسیع سکڑتی ہوئی مٹی کی پیمائش کی ضرورت ہوتی ہے۔	کم درستگی (فیلڈ کیلیبریشن کے بعد بہتر ہوا)
CRNP (کاسمک رے نیوٹران پروب)	1. انتہائی بڑی پیمائش کی حد (800m قطر کے ساتھ اثر انداز)؛ 2. خودکار پیمائش؛ 3. سیٹلائٹ ڈیٹا کی زمینی توثیق کے لیے موزوں (بڑے پیمانے پر تغیر کو ہموار کرنا)؛ 4. مٹی سینسر کے رابطے کے مسائل سے متاثر نہیں ہوتا ہے۔	1. سب سے زیادہ قیمت؛ 2. پیمائش کے حجم کی غیر واضح تعریف، مٹی کی نمی کے ساتھ مختلف ہوتی ہے۔ 3. درستگی الجھانے والے عوامل جیسے کہ پودوں کی وجہ سے محدود ہے۔	ایسے منظرنامے جن میں بڑے پیمانے پر اوسط نمی کی قدر اور سیٹلائٹ ڈیٹا کی زمینی توثیق کی ضرورت ہوتی ہے۔	RMSE ≈ 0.032 cm³/cm³ (انشانکن کے بعد)

(2) ریموٹ سینسنگ مانیٹرنگ ٹیکنالوجیز کے بنیادی اصول اور کارکردگی

ریموٹ سینسنگ مانیٹرنگ ٹکنالوجی مختلف بینڈوں میں مٹی کی برقی مقناطیسی تابکاری سے عکاسی، اخراج یا بکھرنے والی خصوصیات کا پتہ لگا کر مٹی کی نمی کو بازیافت کرتی ہے۔ پیمائش کی گہرائی، مقامی ریزولوشن اور مختلف بینڈز میں ٹیکنالوجیز کے قابل اطلاق منظرنامے نمایاں طور پر مختلف ہوتے ہیں:

• آپٹیکل اور تھرمل انفراریڈ ریموٹ سینسنگ: آپٹیکل ریموٹ سینسنگ (دیکھنے والی روشنی، قریب اورکت، شارٹ ویو انفراریڈ) مٹی کے رنگ میں تبدیلی کے ذریعے انتہائی پتلی سطح کی تہہ (≤1mm) میں مٹی کی نمی کو بازیافت کرتی ہے (نم مٹی گہری ہوتی ہے)؛ تھرمل انفراریڈ ریموٹ سینسنگ بالواسطہ سطح کی مٹی کے درجہ حرارت میں ہونے والی تبدیلیوں کی نگرانی کرکے نمی کے حالات کی عکاسی کرتی ہے۔ دونوں موسم اور پودوں کے احاطہ کے لیے حساس ہیں اور ان کی پیمائش کی گہرائی کم ہے۔

• مائیکرو ویو ریموٹ سینسنگ: مٹی کے والیومیٹرک ڈائی الیکٹرک مستقل (پانی کا ڈائی الیکٹرک کنسٹنٹ تقریباً 80، مٹی کے ٹھوس اور ہوا سے بہت زیادہ ہے) کی پیمائش کرکے نمی حاصل کرتا ہے، جسے فعال (رڈار بازگشت کی پیمائش کرنے کے لیے سگنل منتقل کرتا ہے) اور غیر فعال (قدرتی مائیکرو ویو تابکاری کی پیمائش کرتا ہے) اقسام میں تقسیم ہوتا ہے۔ مائیکرو ویو بینڈوں میں سے، ایل بینڈ اور پی بینڈ میں پودوں میں گھسنے کی مضبوط صلاحیت ہے اور یہ قریب کی سطح اور جڑ کے علاقے کی مٹی کی نمی کی نگرانی کے لیے موزوں ہیں۔ سی بینڈ ننگی مٹی یا کم پودوں والے علاقوں کے لیے موزوں ہے۔

مین اسٹریم مائکروویو ریموٹ سینسنگ سیٹلائٹ مشن کی کارکردگی کا موازنہ

سیٹلائٹ مشن	سینسر کی قسم	بینڈ	مقامی ریزولوشن	مدت دوبارہ دیکھیں	بنیادی فوائد	درستگی انڈیکس
SMOS (مٹی کی نمی اور سمندری نمکیات سیٹلائٹ)	غیر فعال مائکروویو ریڈیومیٹر	ایل بینڈ	25 کلومیٹر (EASE-2 گرڈ)	3 دن	پہلا سیٹلائٹ مشن خاص طور پر مٹی کی نمی کی نگرانی کے لیے، جو ویجیٹیشن آپٹیکل ڈیپتھ (VOD) کو بازیافت کرنے کے قابل ہے۔	میڈین R²=0.75، RMSE=0.023 m³/m³
SMAP (مٹی کی نمی فعال غیر فعال سیٹلائٹ)	ایکٹو ریڈار + غیر فعال ریڈیومیٹر (ریڈار ناکام)	ایل بینڈ	36 کلومیٹر (معیاری)، 9 کلومیٹر (بہتر)	2-3 دن	فی الحال سب سے درست عالمی سطح پر مٹی کی نمی کی مصنوعات، جو روٹ زون (0-100 سینٹی میٹر) نمی کا ڈیٹا فراہم کرنے کے قابل ہے	ubRMSE=0.035-0.038 cm³/cm³ (سطح کی تہہ)؛ 0.026-0.03 cm³/cm³ (روٹ زون)
سینٹینیل-1	فعال مصنوعی یپرچر ریڈار (SAR)	سی بینڈ	10-20 میٹر	6 دن	اعلی مقامی ریزولوشن، 3 کلومیٹر ریزولوشن پروڈکٹس بنانے کے لیے SMAP ڈیٹا کے ساتھ فیوز کیا جا سکتا ہے	RMSE<0.046 cm³/cm³
ESA CCI (موسمیاتی تبدیلی کی پہل)	ایکٹو + غیر فعال مائکروویو فیوژن	ملٹی بینڈ	متعدد قراردادیں	ڈیٹا سورس پر منحصر ہے۔	1978 سے طویل مدتی مسلسل عالمی سطح پر مٹی کی نمی کا ڈیٹا فراہم کرتا ہے۔	درمیانی جامع درستگی، طویل مدتی موسمیاتی تبدیلی کی تحقیق کے لیے موزوں ہے۔

3. مٹی کی نمی کی نگرانی کی درستگی کو متاثر کرنے والے اہم عوامل

لٹریچر 3 کے میٹا تجزیہ کے نتائج کی بنیاد پر، مٹی کی نمی کی نگرانی کی درستگی مختلف عوامل جیسے سینسر کی قسم، ماڈلنگ کا طریقہ، اور ماحولیاتی حالات سے متاثر ہوتی ہے۔ بنیادی طور پر متاثر کرنے والے عوامل درج ذیل ہیں:

(1) سینسر اور تکنیکی ترتیب

سینسر کی قسم: اکیلے استعمال ہونے پر فعال اور غیر فعال مائکروویو سینسر کی درستگی کا موازنہ کیا جا سکتا ہے (میڈین R²=0.7 دونوں کے لیے)، لیکن ان کے مشترکہ استعمال پر کچھ مطالعات موجود ہیں۔ موجودہ شواہد سے پتہ چلتا ہے کہ فیوژن کی درستگی کو نمایاں طور پر بہتر نہیں کیا گیا ہے (میڈین R²=0.59)، جس کے لیے مزید تحقیق اور اصلاح کی ضرورت ہے۔

• پولرائزیشن موڈ: فعال مائیکرو ویو سینسروں میں، VV+VH دوہری پولرائزیشن کے امتزاج میں سب سے زیادہ درستگی ہے (میڈین R²=0.76، RMSE=0.035 m³/m³)، اس کے بعد HH پولرائزیشن، اور VH پولرائزیشن میں سب سے کم درستگی ہے۔

• پیمائش کی گہرائی: مائیکرو ویو ریموٹ سینسنگ بنیادی طور پر سطح کی تہہ (0-5 سینٹی میٹر) مٹی کی نمی کی نگرانی کے لیے موزوں ہے۔ گہری تہہ (>20cm) نمی کو مشین لرننگ ماڈلز کے ذریعے بالواسطہ طور پر بازیافت کرنے کی ضرورت ہے۔ فی الحال، گہری پرت کی نگرانی کی درستگی کے لیے ڈیٹا کے نمونوں کی تعداد کم ہے، اور نتیجہ ابھی تک واضح نہیں ہے۔

(2) ماڈلنگ اور ڈیٹا پروسیسنگ کے طریقے

ڈیٹا کی نگرانی کا الٹا ماڈلنگ طریقہ درستگی کو نمایاں طور پر متاثر کرتا ہے:

• مشین لرننگ ماڈلز (خاص طور پر اعصابی نیٹ ورکس) میں اوسط R²=0.73 اور RMSE=0.035 m³/m³ کے ساتھ سب سے زیادہ درستگی ہوتی ہے۔ ان میں سے، LSTM نیٹ ورکس میں سب سے زیادہ درستگی ہے (میڈین R²=0.86) کیونکہ وہ عارضی انحصار کو پکڑ سکتے ہیں۔

• نیم تجرباتی ماڈلز (جیسے واٹر کلاؤڈ ماڈل (WCM)، τ-ω ماڈل) بڑے پیمانے پر استعمال ہوتے ہیں، اور ان کی درستگی مشین لرننگ (میڈین R²=0.71، RMSE=0.042 m³/m³) سے تھوڑی کم ہے۔

• مشین لرننگ اور نیم تجرباتی ماڈلز کا امتزاج درستگی کو مزید بہتر بنا سکتا ہے (میڈین R²=0.79، RMSE=0.030 m³/m³)۔

(3) ماحولیاتی اور سطحی حالات

آب و ہوا کی قسم: خشک اور نیم خشک علاقوں میں نگرانی کی درستگی (زیادہ درمیانی R² کے ساتھ) مرطوب اور نیم مرطوب علاقوں سے بہتر ہے۔ کیونکہ مرطوب علاقوں میں گھنے پودوں اور نمی کے بڑے اتار چڑھاؤ ہوتے ہیں، جو سگنلز میں مداخلت کا امکان رکھتے ہیں۔

• مٹی کی ساخت: سینڈی لوم میں سب سے زیادہ نگرانی کی درستگی ہوتی ہے (میڈین R²=0.75)؛ غیر فعال سینسر مٹی کے لوم اور مٹی میں بہتر کارکردگی کا مظاہرہ کرتے ہیں، جبکہ فعال سینسر سینڈی لوم اور لوم میں بہتر کارکردگی کا مظاہرہ کرتے ہیں۔

• زمین کا احاطہ: زرعی زمین (گندم، مکئی، سویابین، وغیرہ) اہم تحقیقی منظر نامہ ہے۔ پودوں کی کثافت مائیکرو ویو سگنلز کے دخول کو متاثر کرتی ہے، جس سے درستگی متاثر ہوتی ہے، لیکن مختلف موسموں کے درمیان نگرانی کی درستگی میں فرق اہم نہیں ہے، جو مائیکرو ویو ٹیکنالوجی کے استحکام کو ظاہر کرتا ہے۔

4. مٹی کی نمی کی نگرانی کے لیے ایپلیکیشن سسٹمز اور ڈیٹا کے وسائل

(1) چیزوں کا انٹرنیٹ (IoT) اور ڈیٹا مینجمنٹ سسٹم

لٹریچر 1 میں تجویز کردہ ZENTRA سسٹم مٹی کی نمی کی نگرانی کے لیے ایک عام IoT حل ہے۔ یہ سینسرز، ڈیٹا لاگرز اور کلاؤڈ پلیٹ فارمز (ZENTRA Cloud) کو آسان انسٹالیشن، ریموٹ ڈیٹا ڈاؤن لوڈ، ریئل ٹائم فالٹ ارلی وارننگ اور ملٹی سائٹ ڈیٹا فیوژن کا احساس کرنے کے لیے مربوط کرتا ہے۔ یہ محققین کے کام کے بوجھ کو نمایاں طور پر کم کر سکتا ہے اور ڈیٹا مینجمنٹ کی کارکردگی کو بہتر بنا سکتا ہے۔

(2) عالمی اور علاقائی نگرانی کے نیٹ ورکس

• COSMOS نیٹ ورک: CRNP ٹیکنالوجی پر مبنی ایک عالمی سطح پر مٹی کی نمی کے مشاہدے کا نیٹ ورک۔ فی الحال، دنیا بھر میں تقریباً 194 مستقل اسٹیشن ہیں، جو کہ ریاستہائے متحدہ، جرمنی، آسٹریلیا اور برطانیہ جیسے خطوں کا احاطہ کرتے ہیں۔ یہ زمین پر مبنی پوائنٹ کی پیمائش اور سیٹلائٹ ریموٹ سینسنگ کے درمیان مقامی پیمانے کے فرق کو پُر کر سکتا ہے۔

• بین الاقوامی مٹی کی نمی کا نیٹ ورک (ISMN): دنیا بھر کے متعدد اسٹیشنوں کے اندر موجود مٹی کی نمی کے ڈیٹا کو مربوط کرتا ہے، جس میں پیمائش کی مختلف ٹیکنالوجیز کا احاطہ کیا جاتا ہے، اور ریموٹ سینسنگ ڈیٹا کی توثیق کے لیے ایک اہم بنیادی ڈیٹا وسیلہ ہے۔

• TERENO نیٹ ورک: جرمنی کا زمینی ماحولیاتی آبزرویٹری نیٹ ورک، جس میں واٹرشیڈ پیمانے پر مٹی کی نمی کی متحرک نگرانی کے لیے 20 CRNP اسٹیشن شامل ہیں۔

(3) ڈیٹا پروڈکٹس اور شیئرنگ پلیٹ فارم

• SMOS ڈیٹا: ESA کی آفیشل ویب سائٹ اور CATDS پلیٹ فارم سے دستیاب ہے، بشمول سطح کی مٹی کی نمی، VOD، جڑ کے علاقے کی مٹی کی نمی اور دیگر مصنوعات۔

• SMAP ڈیٹا: ریاستہائے متحدہ کے نیشنل اسنو اینڈ آئس ڈیٹا سینٹر (NSIDC) کے ذریعہ جاری کیا گیا، جس میں سطح اور جڑ کے علاقے کی مٹی کی نمی کی مصنوعات سب سے زیادہ درستگی کے ساتھ شامل ہیں۔

• ESA CCI ڈیٹا: 1978 سے طویل مدتی عالمی سطح پر مٹی کی نمی کا ڈیٹا (تین قسم کی مصنوعات: فعال، غیر فعال اور فیوزڈ) فراہم کرتا ہے، جو ESA Soil Moisture CCI کی آفیشل ویب سائٹ سے حاصل کیا جا سکتا ہے۔

5. تحقیقی نتائج اور مستقبل کی سمت

تین لٹریچرز مستقل طور پر اس بات کی نشاندہی کرتے ہیں کہ مٹی کی نمی کی نگرانی کرنے والی ٹیکنالوجیز نے زمینی بنیاد پر نقطہ کی پیمائش سے لے کر عالمی ریموٹ سینسنگ تک ایک مکمل نظام تشکیل دیا ہے۔ ان میں، مائیکرو ویو ریموٹ سینسنگ بڑے پیمانے پر نگرانی کے لیے بنیادی ٹیکنالوجی ہے، اور مشین لرننگ ماڈلز نے الٹا درستگی کو نمایاں طور پر بہتر کیا ہے۔ موجودہ ٹیکنالوجیز کے بنیادی چیلنجوں میں شامل ہیں: فعال اور غیر فعال مائیکرو ویو سینسر کے فیوژن کی درستگی کی اصلاح، گہری مٹی کی نمی کی نگرانی کے طریقوں کی تصدیق، اور پیچیدہ پودوں اور مرطوب علاقوں میں نگرانی کی درستگی میں بہتری۔ مستقبل کی تحقیق کو ان سمتوں پر توجہ مرکوز کرنی چاہیے، جبکہ ڈیٹا کے انضمام کے طریقوں کو مزید بہتر بناتے ہوئے، ریموٹ سینسنگ ڈیٹا اور زمینی مشاہدات کے امتزاج کو مضبوط کرتے ہوئے، اور زرعی آبپاشی کے انتظام، خشک سالی اور سیلاب کی ابتدائی وارننگ، اور موسمیاتی تبدیلی کی تحقیق جیسے شعبوں میں مٹی کی نمی کے اعداد و شمار کے گہرائی سے استعمال کو فروغ دینا چاہیے۔