In 2011, Texas beleefde een van de ergste droogtes ooit. de droge, uitgedroogde omstandigheden veroorzaakten meer dan $ 7 miljard aan oogst- en veeverliezen, veroorzaakte bosbranden, duwde elektriciteitsnetten tot het uiterste, en verminderde reservoirs tot gevaarlijk lage niveaus.

En volgens een recente studie onder leiding van geowetenschappers van de Universiteit van Texas in Austin, de droogte was erger dan eerder werd gedacht.

De studie, gepubliceerd in de Tijdschrift voor Hydrologie , aanvullende bodemvochtgerelateerde gegevens van zwaartekracht- en microgolfsensoren op satellieten opgenomen in een landoppervlakmodel dat door wetenschappers wordt gebruikt om de ernst van droogtes te bepalen. Volgens de bijgewerkte modelsimulatie, ernstige droogte was meer wijdverbreid en duurde langer dan geoordeeld door de U.S. Drought Monitor (USDM), dat is de huidige standaard voor het aanwijzen van droogte in de Verenigde Staten.

"De ontwikkeling van technologie heeft ons in staat gesteld om meer realtime observatie te verkrijgen, en deze waarneming kan de grondcondities nauwkeuriger weergeven, " zei Weijing Chen, de hoofdauteur van de studie en een postdoctoraal onderzoeker aan de UT Jackson School of Geosciences.

Hoewel de droogte van 2011 nu tien jaar voorbij is, de onderzoeksresultaten zijn belangrijk omdat ze aantonen dat het opnemen van nieuwe gegevensbronnen met betrekking tot bodemvocht in een bestaand landoppervlakmodel de ernst en impact van droogtes nauwkeuriger kan voorspellen.

Bodemvocht is een belangrijke indicator van droogte en een van de belangrijkste factoren als het gaat om de impact van droogte op de landbouwproductie.

De USDM bevat een aantal indexen, expertise en gegevensbronnen om haar bevindingen te doen, inclusief een hydrologisch model dat een schatting geeft van de bodemvochtigheid van een gebied. De UT-onderzoekers gingen een stap verder met hun model door met behulp van data-assimilatietechnologie een combinatie van realtime satellietmetingen met betrekking tot bodemvocht in hun model op te nemen. De microgolfsatellietgegevens gaven metingen van de bovenste 2 inch bodemvocht. Door de zwaartekrachtsatellietgegevens toe te voegen, kregen ze bodemvochtmetingen in de rest van de wortelzone - tot ongeveer 40 inch.

"Bodemvocht in de wortelzone is erg belangrijk omdat het bepalend is voor de watervoorziening voor vegetatie, ' zei Chen.

De USDM geeft elke week een kaart vrij die laat zien welke delen van de VS in droogte verkeren. Het wordt geproduceerd door het National Drought Mitigation Centre aan de Universiteit van Nebraska-Lincoln, de National Oceanic and Atmospheric Administration en het Amerikaanse ministerie van landbouw. De resultaten ervan worden gebruikt om rampenverklaringen en andere federale, provinciale en lokale reacties.

Chen en haar team verwerkten de satellietgegevens in een bestaand landoppervlakmodel dat door onderzoekers over de hele wereld wordt gebruikt. Vervolgens richtten ze zich op wat dat betekende voor de droogte in Texas van 2010 tot 2013.

De geactualiseerde modelsimulatie en de USDM waren het eens over de geografische omvang van de droogte. Maar de bijgewerkte modelsimulatie toonde aan dat meer gebieden te maken hadden met ernstigere droogte dan bepaald door de USDM, vooral in de westelijke helft van de staat. Het nieuwe model ontdekte ook dat wijdverbreide droogte begon in 2010, veel eerder dan de USDM.

De resultaten verschillen ook in wat de ergste week van de historische droogte was. Voor de USDM was het de week van 4 oktober, 2011, met de meest ernstige categorie van droogte die 87,99% van de staat aangrijpt. Voor het nieuwe model het was de week van 5 april 2011, met 95,1% van de staat die de meest ernstige categorie van droogte ervaart.

De onderzoekers zeiden dat het ontwikkelen van methoden voor een beter begrip van droogtes belangrijk is voor Texas, aangezien beleidsmakers proberen te bepalen hoe de watervoorraden van de staat zullen worden beïnvloed door klimaatverandering en bevolkingsgroei.

"Meting vanuit de ruimte is een slimme manier om droogtes realistischer te detecteren en te monitoren, " zei co-auteur Zong-Liang Yang, een professor aan de Jackson School.