ارزيابي قابليت تصاوير ماهواره‌اي Sentinel-2 در تخمين ميزان بايومس محصول ذرت علوفه‌اي منطقه مورد مطالعه: شركت كشاورزي و دامپروري مگسال (قزوين)

Evaluation of Sentinel-2 imagery for the estimation of Silage maize biomass: A case study of Magsal Animal Husbandry & Agriculture, Qazvin, Iran

استفاده از داده‌هاي ماهواره‌اي، در برآورد دقيق مقدار بايومس محصول به‌عنوان يكي از مهم‌ترين چالش‌هاي سنجش از دور محيطي محسوب مي‌شود. اگرچه، به طور سنتي از شاخص‌هاي طيفي پوشش‌گياهي استخراج شده از باندهاي قرمز (R) و مادون قرمز نزديك (NIR) براي برآورد آماري بايومس محصول استفاده شده است، اما بيشتر اين شاخص‌ها در مقادير خاصي از شاخص سطح برگ اشباع مي‌شوند. لذا به‌منظور غلبه بر محدوديت اشباع­شدگي، اخيرا مطالعات زيادي بر روي استفاده از بازتابندگي طيفي در محدوده لبه قرمز انجام شده است. براي ارزيابي عملكرد شاخص‌هاي مختلف پوشش‌گياهي در برآورد بايومس محصول، پنج نوبت نمونه برداري از ويژگي‌هاي بيوفيزيكي ذرت علوفه‌اي در طول دوره رشد اين محصول در اراضي زراعي شركت كشت و صنعت مگسال، قزوين انجام شد و جمعا 182 نمونه ميداني جمع‌آوري شد. سپس 10 شاخص طيفي از سري زماني تصاوير Sentinel-2 كه همزمان با نوبت‌هاي نمونه برداري ميداني در سال 2017 اخذ شده بودند، محاسبه شده و با استفاده از آنها بايومس ذرت علوفه‌اي برآورد شد. بايومس ذرت علوفه‌اي با اندازه‌گيري‌هاي ميداني مورد ارزيابي قرار گرفت. نتايج نشان داد شاخص با ضريب تعيين و كمترين ريشه ميانگين مربعات خطا ، بهترين شاخص براي تخمين بايومس ذرت علوفه‌اي است. علاوه بر اين، تحقيق حاضر نشان داد كه تصاوير ماهواره‌اي Sentinel-2 با توان تفكيك مكاني بالا و محدوده لبه قرمز، قابليت تخمين مقدار بايومس محصول ذرت علوفه‌اي را با دقت مناسب دارد.

The accurate estimation of crop biomass using satellite data is one of the important challenges in environmental remote sensing. Traditionally, spectral vegetation indices (VIs) derived from spectral reflectances in red (R) and near infrared (NIR) bands have been employed to statistically estimate the crop biomass; however, most of these VIs saturate at some level of LAI. Therefore, most of the recent studies have been investigated on using the reflectance spectra in the red-edge region to overcome the saturation limitation. In order to evaluate the performance of different VIs for the estimation of crop biomass, we conducted five sampling campaigns during the growing season of silage maize in Magsal, Qazvin and we totally collected 182 silage maize biomass samples. Then, ten spectral indices from the time series of Sentinel-2 images of 2017 which were simultaneous with our campaigns were computed and employed to statistically estimate the silage maize biomass. The silage maize biomasses were evaluated with the field measurements. The results showed that index with and the lowest root mean square error () was the best index to estimate silage maize biomass. Moreover, this work also showed that Sentinel-2 satellite which delivers high spatial resolution images of the red-edge band can be employed to accurately estimate the silage maize biomasses.