پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,694 |
| تعداد مقالات | 72,251 |
| تعداد مشاهده مقاله | 129,281,056 |
| تعداد دریافت فایل اصل مقاله | 102,139,310 |
ارزیابی روش‌های مختلف تعیین سطح سایه‌انداز ذرت علوفه‌ای | ||
| تحقیقات آب و خاک ایران | ||
| دوره 55، شماره 12، اسفند 1403، صفحه 2467-2482 اصل مقاله (2.25 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.378106.669737 | ||
| نویسندگان | ||
| زهرا پرتوی1؛ عباس کاویانی* 2؛ هادی رمضانی اعتدالی2؛ مسعود سلطانی2؛ لیلا خسروی3 | ||
| 1دانشجوی دوره دکتری آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران. | ||
| 2عضو هیات علمی، گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران. | ||
| 3کارشناس گروه آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| شاخص‌های گیاهی به‌خوبی شرایط گیاه در مزرعه را بیان می‌کنند. از آنجاکه سطح سایه‌انداز (CC) با فعالیت فتوسنتزی گیاه همبستگی دارد، هدف از مطالعه حاضر بررسی دقت دو روش تعیین CC ذرت در طول مراحل مختلف رشد در مزرعه ذرت علوفه‌ای در قزوین توسط نرم‌افزار ENVI و مدل Canopeo و مقایسه نتایج حاصل با مقادیر حاصل از مدل Aquacrop است. در فواصل زمانی مختلف در طول فصل رشد گیاه ذرت تصویر برداری در چهار حالت: 1) از بالا به پایین بدون لنز چشم ماهی، 2) بالا به پایین با لنز چشم ماهی، 3) پایین به بالا بدون لنز چشم ماهی و 4) پایین به بالا با لنز چشم ماهی انجام شد. مقدار CC در تصاویر حاصله توسط سه الگوریتم حداکثر احتمال، حداقل فاصله و روش موازی در ENVI تعیین شد. ابتدا ارزیابی کیفی کلاس‌بندی تصاویر در سه الگوریتم نامبرده صورت گرفت. نتایج بیانگر دقت بیشتر الگوریتم حداکثر احتمال نسبت به دو الگوریتم دیگر بود. ارزیابی آماری نتایج کمی حاصل از ENVI بیانگر دقت بالا مدل در الگوریتم حداکثر احتمال بود( ضریب کاپا > 82/0، دقت کلی > 93، Commision و Omission حداقل مقدار). حداقل مقدار RMSE به ترتیب مربوط به سطح سایه‌انداز برآورد شده توسط نرم‌افزار Canopeo در تصویر برداری از پایین به بالا با لنز(92/9) بود. به طورکلی می‌توان دریافت که تصویر برداری پایین به بالا بدون لنز (Canopeo) (R=0.8 و 11.81=RMSE ) و تصویربرداری از بالا به پایین با لنز (ENVI) (R=0.82 و 13.26=RMSE ) نسبت به سایر حالت‌ها در تعیین سطح سایه‌انداز توانمندتر بوده‌اند. | ||
| کلیدواژه‌ها | ||
| سطح سایه‌انداز؛ ENVI؛ Canopeo | ||
| عنوان مقاله [English] | ||
| Evaluation of different methods of determining the Canopy Cover of Silage Maize | ||
| نویسندگان [English] | ||
| Zahra Partovi1؛ Abbas Kaviani2؛ hadi ramezani etedali2؛ masoud soltani2؛ leila khosravi3 | ||
| 1Water Sci. & Eng. Dept., Faculty of agriculture and natural Res., Imam Khomeini International University, Qazvin, Iran. | ||
| 2Water Sci. & Eng. Dept., Faculty of agriculture and natural Res., Imam Khomeini International University, Qazvin, Iran. | ||
| 3Staff of Irrigation and reclamation Dept., Faculty of agriculture and natural resources, University of Tehran, Karaj, Iran | ||
| چکیده [English] | ||
| Vegetation indices effectively represent plant conditions in the field. Since Canopy Cover (CC) correlates with the plant’s photosynthetic activity, this study aimed to evaluate the accuracy of two methods for determining CC in silage maize during different growth stages in a maize field in Qazvin using ENVI software and the Canopeo model and to compare the results with values obtained from the AquaCrop model. Imaging was conducted at different time intervals throughout the maize growing season in four scenarios: 1) top-down without a fisheye lens, 2) top-down with a fisheye lens, 3) bottom-up without a fisheye lens, and 4) bottom-up with a fisheye lens. The CC values in the obtained images were determined using three algorithms: maximum likelihood, minimum distance, and parallel method in ENVI. Initially, a qualitative assessment of image classification was performed using the three mentioned algorithms. The results indicated that the maximum likelihood algorithm had higher accuracy compared to the other two algorithms. The Statistical evaluation of the quantitative results from ENVI demonstrated high model accuracy in the maximum likelihood algorithm (Kappa coefficient > 0.82, overall accuracy > 93%, and minimal Commission and Omission errors). The lowest RMSE value was observed for CC estimated using the Canopeo software with bottom-up imaging with a lens (9.92). In general, it was found that bottom-up imaging without a lens (Canopeo) (R=0.8 and RMSE=11.81) and top-down imaging with a lens (ENVI) (R=0.82 and RMSE=13.26) were more capable in determining CC than the other Scenarios. | ||
| کلیدواژه‌ها [English] | ||
| Canopy Cover, Canopeo, ENVI | ||
| مراجع | ||
|
Adabi, V., Azizian, G, A., Ramezani, E H., Kaviyani, A., Adabi, B. (2020). Local sensitivity analysis of AquaCrop model for Wheat and Maize in Qazvin plain and Moghan Pars_Abad in Iran. Iranian Journal of Irrigation and Drainage. 13. 1565-1579. (In Persian). Bruinsma, J. (2017). World agriculture: Towards 2015/2030: an FAO study. 1-431. https://doi.org/10.4324/9781315083858. Erenstein, O., Jalet, M., Sonder, K., Mottaleb, K., Prasanna, B, M. (2022). Global maize production, consumption and trade: trends and R&D implications. Food Security. 14. 1295-1319. https://doi.org/10.1007/s12571-022-01288-7. FAO. (2012). Reference Manual, Chapter 3 – AquaCrop, Version 4.0. Garcia, M, H., Flores, M, H., Ascencio, H, R., Khalil, G, A., Tijerina, C, L., Mancilla, V, O. R., Vazquez, P, M, A. (2020). Corn grain yield estimation from vegetation indices, canopy cover, plant density, and a neural network using multispectral and RGB images acquired with unmanned aerial vehicles. Agriculture.10. 1-24. Goodwin, A. W., Lindsey, L. E., Harrison, S. K., & Paul, P. A. (2018). Estimating Wheat Yield with Normalized Difference Vegetation Index and Fractional Green Canopy Cover. Crop, Forage & Turfgrass Management, 4. 1–6. Govindasamy, P., Mahawer, S. K., Sarangi, D., Halli, H. M., Das, T, K., Raj, R., Pooniya, V., Muralikrishnan, L., Kumar, S., Chandra, A. (2022). The Comparison of Canopeo and SamplePoint for Measurement of Green Canopy Cover for Forage Crops in India. MethodsX, Hedayati, D, A., & Kakavand, R. (2012). Climatic zoning of Qazvin province. NIVAR, 36(77). (In Persian) Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001 Jorenush, M. H., Nasab, S. B., Taghvaeian, S., Pakparvar, M., & Sherbafi, A. (2022). Evaluation of wheat canopy cover using NDVI in large areas of Iran. Iran Agricultural Research. 41.1–8. Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote Sensing and Image Interpretation. John Wiley & Sons. Lu, Y., Chibarabada, T. P., Ziliani, M. G., Onema, J. M. K., McCabe, M. F., Sheffield, J. (2021). Assimilation of soil moisture and canopy cover data improves maize simulation using an under-calibrated crop model. Agricultural Water Management, 252. https://doi.org/10.1016/j.agwat.2021.106884 Luiz, J., De Souza, M., Tamiris De Oliveira, C., Lais, S., Rosa, K., Tsukahara, R. Y. (2022). Sensitivity analysis of AquaCrop model for maize crop in a humid subtropical climate in Brazil. CIGR Journal. 24. McHugh, M. (2012). Interrater_reliability_The_kappa_statistic. Biochemia Mwdica, 22(3), 276–282. Nielsen, D. C., Miceli-Garcia, J. J., & Lyon, D. J. (2012). Canopy cover and leaf area index relationships for wheat, triticale, and corn. Agronomy Journal, 104(6), 1569–1573. Patrignani, A., & Ochsner, T. E. (2015). Canopeo: A powerful new tool for measuring fractional green canopy cover. Agronomy Journal, 107(6), 2312–2320. Pearson, K. (1997). Mathematical Contributions to the Theory of Evolution.–On a Form of Spurious Correlation Which May Arise When Indices Are Used in the Measurement of Organs. Proceedings of the Royal Society of London, 60, 489–498. Saedi, R., Ramezani E, H., Sotoodeh N, A., Nazari, B., & Kaviyani, A. (2021). Evaluation of the AquaCrop model in estimating the trend of changes in soil moisture, evaporation-transpiration and corn yield under salinity and fertility stresses. Environmental Stresses in Crop Sciences. (In Persian) Shan, Y., Li, G., Su, L., Zhang, J., Wang, Q., Wu, J., Mu, W., & Sun, Y. (2022). Performance of AquaCrop Model for Maize Growth Simulation under Different Soil Conditioners in Shandong Coastal Area, China. Agronomy, 12(7), 1541. Sodari, L., Alam, J., & Das, K. K. (2021). Performance Assessment of Aquacrop Model for Estimating Canopy Cover, Aboveground Biomass and Grain Yield of Winter Wheat in Saptari District: An Application to Irrigation Management. Proceedings of 9th IOE Graduate Conference. Vanha, M, I., Salemaa, M., Tuominen, S., & Mikkola, K. (2000). Digitized photographs in vegetation analysis ‐ a comparison of cover estimates. Applied Vegetation Science, 3(1), 89–94. Wang, G., Mehmood, F., Zain, M., Hamani, A. K. M., Xue, J., Gao, Y., & Duan, A. (2022). AquaCrop Model Evaluation for Winter Wheat under Different Irrigation Management Strategies: A Case Study on the North China Plain. Agronomy, 12(12), 3184. Xing, H., XU, X., LI, Z., Chen, Y., Feng, H., Yang, G., & Chen, Z. (2017). Global sensitivity analysis of the AquaCrop model for winter wheat under different water treatments based on the extended Fourier amplitude sensitivity test. Journal of Integrative Agriculture, 16(11), 2444–2458. https://doi.org/10.1016/S2095-3119(16)61626-X | ||
|
آمار تعداد مشاهده مقاله: 130 تعداد دریافت فایل اصل مقاله: 71 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب