پديد آورندگان :
سلطانيان، مريم دانشگاه شهركرد - دانشكده كشاورزي، شهركرد , نادري خوراسگاني، مهدي دانشگاه شهركرد - دانشكده كشاورزي - گروه خاكشناسي، شهركرد , تدين، علي دانشگاه شهركرد - دانشكده كشاورزي - گروه زراعت، شهركرد
كليدواژه :
زيست توده , سنجش از دور , شاخص گياهي , شبكه عصبي مصنوعي , گندم
چكيده فارسي :
سابقه و هدف: زيست‌توده ارتباط حياتي بين مصرف انرژي خورشيدي و عملكرد گياه را فراهم مي‌كند، بنابراين برآورد صحيح آن براي پايش دقيق رشد محصول و پيش‌بيني عملكرد بسيار مهم است و به مديران كشاورزي براي بهبود مديريت زمين‌هاي زراعي كمك مي‌كند. در چند دهه اخير، سنجش از دور به عنوان ابزاري براي تخمين پارامترهاي بيوفيزيكي گياه به صورت گسترده مورد استفاده قرار گرفته است. توانايي فناوري سنجش از دور براي تخمين زيست‌توده گياهي اميد بخش، سريع، دوره‌اي و غيرمخرب است. بدين منظور، اين تحقيق با هدف كاربرد فناوري سنجش از دور و مقايسه دو مدل آماري رگرسيون خطي چندگانه و شبكه عصبي مصنوعي براي برآورد زيست‌توده گندم زمستانه در شهرستان شهركرد، استان چهارمحال و بختياري در سال 1396 انجام شد.
مواد و روش‌ها: در اين پژوهش به منظور برآورد زيست‌توده گياه گندم به وسيله تصاوير ماهواره لندست 8، هشت مزرعه زير كشت گندم زمستانه با مساحت بين 10 تا 60 هكتار در سراسر شهرستان شهركرد، در نظر گرفته شد. سپس موقعيت 120 واحد نمونه برداري به صورت تصادفي در مزارع مورد مطالعه توسط GPS تعيين گرديد. واحدهاي نمونه‌برداري به صورت مربع‌هاي 30×30 متري مطابق با پيكسل‌هاي لندست بود. هر يك از اين واحدها، شامل 5 پلات 25/0 مترمربعي در چهار گوشه و مركز مربع مي‌باشد. درطي فصل رشد در تاريخ‌هاي 31 فروردين (20 آوريل)، 1 خرداد (22 مي)، 2 تير (23 ژوئن) و 3 مرداد (25 ژولاي) سال 1396 همزمان با عبور ماهواره لندست 8 به مزارع مراجعه و نمونه‌برداري انجام گرديد. جمع‌آوري داده‌هاي ميداني شامل زيست‌توده اندام هوايي و شمارش تعداد بوته‌ها در هر پلات بود. سپس نمونه‌ها به آزمايشگاه منتقل گرديده و آون خشك و وزن شدند. همزمان داده-هاي مربوط به سنجش از دور ماهواره لندست 8 در اين تاريخ‌ها به دست آمد و شاخص‌هاي گياهي به كمك باندهاي ماهواره‌اي محاسبه شد. در اين بررسي زيست‌توده گندم با استفاده از 25 شاخص گياهي و دو روش رگرسيون خطي چند متغيره و شبكه عصبي مصنوعي (Artificial Neural Network, ANN) برآورد شد. مدل شبكه عصبي مصنوعي پرسپترون با چندلايه (پيش‌خور) طراحي شد و كارايي آن با نتايج مدل رگرسيون خطي چند متغيره مقايسه گرديد. اعتبارسنجي و آزمون مدل ها و مقايسه نتايج اين دو مدل با استفاده از آماره‌هايي نظير ضريب تبيين (R2)، شاخص جذر ميانگين مربعات خطا (RMSE)، و ميانگين خطا (ME) انجام گرفت.
يافته‌ها: نتايج نشان داد كه مدل شبكه عصبي مصنوعي با 0/83=R2 و g/m2 53/91=RMSE براي داده‌هاي آموزش و 0/85=R2 و g/m2 46/74=RMSE براي داده‌هاي آزمون و مدل رگرسيون خطي چند متغيره با 0/78=R2 و g/m2 65/68=RMSE زيست‌توده را برآورد كرده‌اند. در روش رگرسيون خطي چند متغيره، شاخص‌هاي EVI، CIgreen، PSRI، CRI، VARI و GNDVI به ترتيب مؤثرترين شاخص در تخمين ميزان زيست‌توده محصول بودند. شاخص‌هاي GI، SAVI، ARVI، CRI، EVI، NDWI، MSR و NDVI به ترتيب بيشترين حساسيت را در رابطه با زيست‌توده گندم در مدل شبكه عصبي مصنوعي داشتند.
نتيجه‌گيري: يافته‌هاي پژوهش حاضر نشان داد كه با بهره‌گيري از تصاوير ماهواره‌اي و توسعه مدل‌هاي آماري پارامتري و غيرپارامتري امكان برآورد زيست‌توده گندم زمستانه در منطقه مورد مطالعه وجود دارد. همچنين روش شبكه عصبي مصنوعي نسبت به روش رگرسيون خطي چندگانه صحت پيش‌بيني بهتري دارد و لذا استفاده از اين روش به عنوان يك رهيافت مناسب در برآورد زيست‌توده گندم زمستانه پيشنهاد مي‌شود.
چكيده لاتين :
Background and objectives: Above-ground biomass (AGB) provides a vital link between solar energy consumption and crop yield, so accurate estimation of biomass is very important for accurate monitoring of crop growth and yield prediction and helps agricultural managers to improve crop management. In recent decades, remote sensing has been widely used as a tool to estimate crop biophysical parameters. The potentials of remote sensing techniques promise fast, periodical, and non-destructive estimation of above-ground biomass. For this purpose, this study was conducted with the aim of applying remote sensing technology and comparing two statistical models of multiple linear regression and artificial neural network to estimate winter wheat biomass in Shahrekord County, Chaharmahal and Bakhtiari province in 2017.
Materials and methods: In this study, in order to estimate the wheat biomass by Landsat 8 satellite images, eight fields under winter wheat cultivation with an area between 10 to 60 hectares throughout Shahrekord County were considered. Then the location of 120 sampling units was randomly determined by GPS. Samples units were taken as 30 × 30 m squares according to Landsat pixels. Each of these units includes 5 plots of 0.25 m2 in four corners and the center of the square. During the growing season, on 20th April, 22nd May, 23rd June, and 25th July 2017, at the same time the satellite passes, sampling was carried out on farms. Field data collection included above-ground biomass and counting the number of plants per plot. Then the samples were transferred to the laboratory and dried and weighed. At the same time, data from Landsat 8 satellite remote sensing were obtained at these dates, and vegetation indices were calculated using satellite bands. In this study, wheat biomass was estimated using 25 vegetation indices and multivariate linear regression (MLR) and artificial neural network methods (ANN). Multilayer perceptron artificial neural network model (feed-forward) was designed and its performance was compared with multivariate linear regression model. To construct and validate the model and compare the results of these two models, statistics such as coefficient of determination (R2), root mean square error index (RMSE) and mean error (ME) were used.
Results: The results showed that the ANN model with R2=0.83 and RMSE=53.91 g/m2 for training data and R2=0.85 and RMSE=46.74 g/m2 for test data and multivariate linear regression model with R2=0.78 and RMSE=65.68 g/m2 estimated biomass. In multivariate linear regression, EVI, CIgreen, PSRI, CRI, VARI, and GNDVI indices are the most effective indices for estimating crop biomass, respectively. GI, SAVI, ARVI, CRI, EVI, NDWI, MSR, and NDVI indices were the most sensitive to wheat biomass in ANN model, respectively.
Conclusion: The findings of the present study showed that the use of satellite images and developing parametric and non-parametric statistical models helps to estimate winter wheat biomass in the study area. Also, the artificial neural network method has better predictive accuracy than the multiple linear regression method. Therefore, the use of this method as a suitable approach in estimating winter wheat biomass is suggested.
