پديد آورندگان :
سلطانيان، مريم دانشگاه شهركرد , نادري خوراسگاني، مهدي دانشگاه شهركرد - گروه خاكشناسي , تدين، علي دانشگاه شهركرد - گروه زراعت
كليدواژه :
پيش‌بيني عملكرد , تصاوير ماهواره‌اي , سنجش از دور , شاخص‌هاي گياهي , NDVI
چكيده فارسي :
سابقه و هدف: پيش‌بيني و تخمين ميزان عملكرد گندم، از وظايف تصميم‌گيران اقتصادي به منظور ايجاد امنيت غذايي و تأمين نيازهاي عمده جامعه مي‌باشد. از طرف ديگر توليدات كشاورزي هميشه با احتمال خطر در زمينه‌ي تغييرات آب و هوا و تغييرات بازارهاي بين‌المللي همراه بوده است، هر چند كه اين احتمال خطر هرگز به طور كامل حذف نمي‌شود، اما مي‌توان با تخمين ميزان محصول قبل از فصل برداشت آن‌ها را به حداقل رساند. يكي از روش‌هاي تخمين محصول، استفاده از تصاوير ماهواره‌اي مي‌باشد. داده‌هاي سنجش از دور، تخمين عملكرد گياه را بر اساس شاخص‌هاي گياهي امكان‌پذير مي‌سازد. تحقيق حاضر با هدف يافتن روشي سريع همراه با دقتي قابل قبول براي پيش‌بيني مقدار عملكرد در مزارع تحت كشت گندم در منطقه شهركرد با استفاده از تصاوير ماهواره‌اي لندست 8 مي‌باشد.
مواد و روش‌ها: به منظور بررسي امكان‌سنجي تخمين عملكرد مزارع گندم به وسيله تصاوير ماهواره لندست 8، سه مزرعه زير كشت گندم به ترتيب به وسعت 20، 13 و 10 هكتار در سال زراعي 95-1394 در شهرستان شهركرد، استان چهار محال و بختياري، در نظر گرفته شد. تصاوير مربوط به سه تاريخ 15 و 31 خرداد و 16 تير و داده‌هاي زميني شامل عملكرد مزارع، مرحله رشدي و موقعيت جغرافيايي آن‌ها در تاريخ‌هاي فوق بود. موقعيت جغرافيايي مناطق به وسيله دستگاه GPS ثبت شد. در مرحله نمونه‌برداري تعداد 60 نمونه از مزارع ذكر شده برداشت شدند. نمونه‌برداري و اندازه‌گيري عملكرد در داخل مربعات يا كوادرات‌هاي 0/25 مترمربعي انجام گرفت. هم‌زمان تعداد بوته در سطح 0/25 مترمربع شمارش و تراكم در مترمربع محاسبه شد. سپس شاخص‌هاي گياهي به كمك باندهاي ماهواره‌اي تشكيل و روابط همبستگي بين داده‌هاي عملكرد و نتايج شاخص‌ها محاسبه شد. توابع رگرسيوني مختلفي براي برآورد عملكرد از شاخص‌هاي پوشش گياهي استفاده شد كه بر اساس بيشترين مقدار ضريب تبيين (R2) و كمترين مقدار خطاي استاندارد، بهترين مدل مشخص شد. به منظور اعتبارسنجي مدل از واريانس كاهش يافته (RV) و ميانگين خطاي تخمين (MEE) استفاده شد. كليه پردازش‌هاي تصويري در محيط نرم‌افزارILWIS 3.3 و تجزيه و تحليل‌ها و محاسبات آماري توسط نرم‌افزار SigmaPlot 10.0 انجام شد.
يافته‌ها: نتايج تحقيق حاضر نشان داد كه از بين تصاوير، بالاترين همبستگي در تصوير 31 خرداد (هم‌زمان با مرحله خميري شدن دانه گندم) به دست آمد. شاخص‌هاي پوشش گياهي NDVI، NRVI، OSAVI، RVI، SAVI، RDVI، DVI، EVI و GNDVI به ترتيب با ضريب تبيين 0/86، 0/86، 0/86، 0/86، 0/86، 0/83، 0/81، 0/80، 0/78 بيشترين همبستگي را با ميزان عملكرد نشان دادند. در نهايت مناسب‌ترين رابطه براي اين شاخص‌ها، معادله رگرسيون غيرخطي و مطلوب‌ترين مدل، مدل چند جمله‌اي درجه دو بود. نتايج نشان داد كه قبل از برداشت، اين شاخص‌ها اين قابليت را دارند كه عملكرد مزارع را بيش از 80 درصد پيش‌بيني نمايند
نتيجه‌گيري: براساس مطالعه حاضر، بهره‌گيري از تصاوير ماهواره‌اي و داده‌هاي مشاهداتي زميني در مرحله خميري گندم به تخمين عملكرد در مناطق نيمه خشك كمك مي‌كند. مناسب‌ترين شاخص‌ها براي تخمين عملكرد، NDVI، NRVI و OSAVI بودند.
چكيده لاتين :
Background and objectives: In order to improve food security as one of the most crucial needs of the society, prediction and estimation of wheat yield should be considered by decision makers in the country. On the other hand, agricultural production is always at risk of climate and international markets changes, however, this risk is never completely eliminated, but we can estimate the yield before the harvest season to minimize them. Nowadays, one of the methods of yield estimating is using satellite- imagery. Remote sensing data allow estimating crop yield based on vegetation indices. The present study aimed to find a fast way with acceptable accuracy for predicting wheat yield in the field in Shahrekord County, Chaharmahal and Bakhtiari province, Iran by using Landsat 8 data.
Materials and Methods: In order to fulfill the goal three sets of Landsat 8 imagery data dated on June 4th, 20th and July 6th 2016 were downloaded from http://earthexplorer.usgs.gov. The acquisition dates were corresponded with milk, dough and ripening stages of wheat growth cycle. Concurrently three wheat cultivated farms were selected in the Shahrekord County, based upon surface area, homogeneity in wheat cultivated farms and satisfaction of landlords with sampling. Coordinates of samples were recorded using GPS device (Garmin etrex). In the whole, the yield of 60 plots (0.25 m2) from selected fields were used for yield prediction. The density of plants per plots was considered and the yield in each plot was estimated. Nine introduced vegetation indices by literature were considered and the correlation coefficients between indices' valued and estimated yields were calculated. The models were evaluated using the coefficient of determination (R2) and standard error of estimation (SEE), reduced variance (RV) and mean estimation error (MEE). Image processing and statistical analysis were carried out using ILWIS 3.3 and Sigma Plot 10.0 software, respectively.
Results: The results showed that among the imagery data, the highest correlation coefficients existed between wheat yield and vegetation indices developed by images dated on 20th June 2016 corresponded to wheat dough stage. The coefficients of determinations (R2) of models with vegetation indices NDVI, NRVI, OSAVI, RVI, SAVI, RDVI, DVI, EVI and GNDVI were 0.86, 0.86, 0.86, 0.86, 0.86, 0.83, 0.81, 0.80, 0.78, respectively. The results indicated that the most appropriate models were Polynomial and quadratic. The results also showed the potential of satellite images for yield prediction at pre-harvest stage with an accuracy above 80 percents.
Conclusion: According to this study appropriate utilizing of satellite images and field observation at dough stage aided yield estimation of wheat in semi-arid regions. The most appropriate indices for yield estimation were NDVI, NRVI and OSAVI. Among the statistical models, polynomial and quadratic models with the highest coefficients of determination were introduced as the best models. Based upon the results Landsat 8 data and field samples could be used for wheat yield forecasting which help decision makers managing the market for this strategic crop. The results should be tested in other similar climates.
