واسنجي معادلات برآورد شاخص سطح برگ محصولات ذرت و چغندرقند با استفاده از داده‌هاي ماهواره‏اي سنجنده موديس (شبكه آبياري قزوين)

Calibration of Leaf Area Index Estimating Equations for Maize and Sugar Beet as Based upon MODIS Sensor Satellite Data (Qazvin Irrigation Network)

يكي از رايج‏ترين روش‏هاي تعيين تغييرات مكاني و زماني شاخص سطح برگ (LAI) در مقياس منطقه‌اي استفاده از معادلات تجربي مبتني بر تفاضل نرمال‌شده بازتابش سطحي است. اين تحقيق با هدف ارزيابي و واسنجي معادلات موجود در مراجع و بهينه‏سازي ضرايب اين معادلات رياضي براي برآورد LAI انجام گرفت. بدين منظور مقادير LAI در طول دوره رشد سه محصول اصلي كشت تابستانه در شبكه آبياري قزوين اندازه‏گيري و مقادير LAI ماهواره‏اي با استفاده از شاخص گياهي تعديل‌شده خاك، حاصل از تصاوير سنجنده موديس ماهواره ترا، تعيين شد. نتايج حاكي از خطاي نسبي بالاي معادلات موجود در مراجع در برآورد LAI در همه گياهان مطالعه‌شده (مجذور ميانگين مربعات خطا (RMSE) 7/4-3 متر مربع بر متر مربع) بود. در مجموع از ميان معادلات اصلاحي به‌دست‌آمده در اين تحقيق بهترين معادله، با داشتن مقدار RMSE برابر با 57/1 و ضريب تبيين برابر با 72/0، به عنوان برآوردكننده LAI از تصاوير موديس براي تركيب سه گياه به‌دست آمد.

One of the most widespread methods to determine the temporal and spatial variations of Leaf Area Index (LAI) in a regional scale is the use of empirical relations as based on the Normalized Difference of Aerial Reflectance deducted from bands of satellite data. The Present study was done to evaluate the equations of remotely sensed LAI estimations and to optimize the related parameters. LAI was measured in the field during summer growing season in irrigated fields in Qazvin Irrigation Network. Remotely sensed LAI was estimated using Soil Adjusted Vegetation Index (SAVI), derived from the TERRA-MODIS images. Results indicated that LAI estimated through reference equations for all the crops bear a high value of the Root Mean Square Error (RMSE) (3 to 4.7). Calibration of LAI according to SAVI was done to determine the most appropriate model constants. The modified version of the equation was finally obtained as the best fitting LAI estimation equation with RMSE equal to 1.57 and coefficient of determination (R2) equal to 0.72.