برآورد عملكرد گندم ديم با استفاده از شاخص‌هاي اقليم ـ كشاورزي و سنجش از دور در استان كردستان

Estimation Rainfed Wheat Yield Using Agro Climatic and Remote Sensing Indices in Kurdistan Province, Iran

هدف از اين مطالعه مدل‌سازي آماري عملكرد گندم ديم در استان كردستان است. به اين منظور از مدل‌هاي رگرسيون خطي چندمتغيره استفاده شده، كه متغير وابسته آنها ميزان عملكرد گندم ديم است و متغيرهاي مستقل‌شان سه دسته‌اند: نخستين گروه، عناصر اقليمي و شاخص‌هاي اقليم كشاورزي هستند. دومين گروه از متغيرهاي مستقل در اين تحقيق را شاخص‌هاي گياهي استخراج‌شده از سنجنده AVHRR از ماهواره NOAA براي زمان حداكثر سبزينگي (حداكثر شاخص سطح برگ)، تشكيل داده‌اند. سومين گروه متغيرهاي مستقل تحقيق، تركيب دو گروه متغيرهاي مستقل فوق است. روش بازنمونه‌گيري بوت استرپ روي همه مدل‌هاي استخراج‌شده اجرا، و برمبناي نتايج آن، ميزان عملكرد براي سال‌هاي 1383 تا 1385 تخمين زده شده است. تحليل‌هاي انجام‌شده نشان مي‌دهد كه با ورود عناصر اقليمي و شاخص‌هاي اقليم كشاورزي به عنوان متغيرهاي مستقل به مدل‌هاي رگرسيون خطي، مناسب‌ترين مدل‌هاي برآورد عملكرد گندم ديم در كل استان كردستان و شهرستان‌هاي سقز و بيجار، داده‌هاي مرحله زايشي (23 ارديبهشت تا 20 خرداد) است. در شهرستان ديوان‌دره، بهترين مدل از مجموع دو مرحله دوم رويشي و مرحله زايشي به‌دست آمده است. در شهرستان مريوان بهترين مدل، با توجه به داده‌هاي مرحله خواب (22 آذر تا 25 اسفند)، و در دو شهرستان سنندج و قروه با توجه به داده‌هاي كل فصل رشد به‌دست آمده است. همچنين نتايج نشان مي‌دهد كه استفاده از شاخص‌هاي گياهي استخراج‌شده شاخص DVI براي مدل‌سازي و پيش‌بيني عملكرد گندم ديم مناسب‌تر است. افزون بر اينها، مدل‌هاي تركيبي شامل تركيب عناصر اقليمي و شاخص‌هاي اقليم كشاورزي با شاخص‌هاي طيفي گياه، مدل‌هايي با دقت بالاتر به دست مي‌دهند. كاربرد روش بازنمونه‌گيري بوت استرپ روي مدل‌هاي رگرسيوني به‌دست آمده، در مطالعات مدل‌سازي محصول ـ كه تعداد نمونه‌ها زياد نيست ـ دقت درون مدلي را افزايش مي‌دهد و به همين دليل مي‌توان از آن براي عملكرد محصول گندم ديم استفاده كرد.

The aim of this study is statistical modeling of rainfed wheat yield in Kurdistan province of Iran. In order to do this, multiple linear regression models were used. Dependent variable was rainfed wheat yield and independent variables were three, including climatic, agroclimatic and spectral indices extracted from satellite images. Boot strop method was run on all calculated models and based on this method forecasting values were presented for 2003 to 2006. The results show that the best model is based on Reproductive stage data. In Divandareh County, the best model is based on second growing period and creative process. In Marivan County, the best model established on dormancy stage and in Sanandaj and Ghorveh County calculated based on all growing season data. Also results show that among spectral indices, DVI index is a better predictive variable. Furthermore the accuracy of calculated models is increases based on a combination of agroclimatic and remote sensing indices. Running bootstrap resampling method also increases accuracy of calculated models. Therefore this method can be used for rainfed wheat yield forecasting.