پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,099,275 |
| تعداد دریافت فایل اصل مقاله | 97,206,816 |
ارزیابی شاخصهای سبزینگی در مدلسازی عملکرد نیشکر با تأکید بر الگوی رشد بر اساس پردازش تصاویر ماهوارهای مطالعه موردی: خوزستان کشت و صنعت امام خمینی (ره) | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 10، دوره 50، شماره 10، اسفند 1398، صفحه 2511-2524 اصل مقاله (1.52 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2019.275237.668118 | ||
| نویسندگان | ||
| مصطفی خسروی راد1؛ محمود امید* 2؛ فریدون سرمدیان3؛ سلیمان حسین پور4 | ||
| 1دانشجوی دکتری مهندسی مکانیزاسیون کشاورزی، گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، کرج، ایران | ||
| 2استاد گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3استاد گروه مهندسی خاکشناسی کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 4استادیار گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| هدف از این تحقیق تعیین الگوی رشد و بررسی قدرت شاخصهای سبزینگی برای مدلسازی عملکرد نیشکر در سطح مزارع کشت و صنعت امام خمینی (ره) در استان خوزستان است. برای این منظور شاخصهای سبزینگی مستخرج از تصاویر ماهوارهای لندست7 به کمک سری زمانی بررسی و مورد تحلیل قرار گرفت. در مجموع، تعداد 306 تصویر مربوط به اسفند سال 1383 لغایت بهمن سال 1396 استفاده شد کلیه تصاویر با الگوریتم فلش (FLAASH) به انعکاس سطحی تبدیل شدند. میانگین مقادیر 13 شاخص سبزینگی استخراج و با درونیابی به‌صورت سری زمانی هفت‌روزه تنظیم شد. به‌منظور حذف اعوجاج، سریها با استفاده از الگوریتم ساویتزکی گلای (Savitzky-Golay) بازسازی شدند. بدین ترتیب 13 سری زمانی متفاوت از شاخصهای سبزینگی برای 523 مزرعه نیشکر تشکیل گردید. سپس با میانگینگیری از سری زمانی شاخص سبزینگی NDVI، الگوی رشد نیشکر مشخص و به سه دوره رشد تقسیم شد. سپس مقادیر تجمعی شاخصهای سبزینگی در دوره‌های رشد اول و دوم الگوی رشد برای سال‌های 1383 تا 1396 استخراج شد. بنابراین در مجموع 3286 نمونه بدست آمد که 2628 نمونه برای مدلسازی و 658 نمونه برای ارزیابی مدلها استفاده شد. برای مدلسازی عملکرد، مقادیر تجمعی شاخصهای سبزینگی در مقابل میانگین عملکرد مشاهده‌شده با روش رگرسیونی خطی ساده مورد بررسی و ارزیابی قرار گرفت. نتایج نشان داد برای دوره رشد اول شاخص سبزینگی تجمعی GNDVI با ضریب تبیین 47/0 و ضریب RMSE برابر 70/11 تن در هکتار و برای دوره رشد دوم شاخص سبزینگی تجمعی NDI با ضریب تبیین 56/0 و RMSE برابر 62/10 تن در هکتار نمایش‌دهنده بهتری برای عملکرد نیشکر نسبت به شاخصهای دیگر میباشند. همچنین برای مجموع دوره رشد اول و دوم، مجموع شاخصهای سبزینگی GNDVI و NDI با ضریب تبیین 65/0 و RMSE برابر 47/9 تن در هکتار نتیجه بهتری نسبت به حالتی که فقط از یک شاخص سبزینگی و یک دوره رشد استفاده شد، داشت. در انتها برای 658 نمونه، عملکرد نیشکر برای ارزیابی مدلها تخمین زده شد و ضریب تبیین و RMSE بهترین مدل برابر 58/0 و 99/10 تن در هکتار بدست آمد. نتایج این تحقیق مناسب بودن شاخص GNDVI و NDI را برای پایش رشد نیشکر در دوره رشد اول و دوم تائید می‌کند. | ||
| کلیدواژه‌ها | ||
| سری زمانی؛ پردازش تصویر؛ شاخص های سبزینگی؛ بایومس؛ لندست | ||
| عنوان مقاله [English] | ||
| Evaluation of Vegetation Indices for Sugarcane Yield Modeling with Emphasis on Growth Pattern Based on Satellite Imagery: (Case Study: Khouzestan Imam Khomeini Agro Industry) | ||
| نویسندگان [English] | ||
| mostafa khosravirad1؛ Mahmoud Omid2؛ Fereydoun sarmadian3؛ soleiman hosseinpour4 | ||
| 1Ph.D. Student of Agricultural Mechanization, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj: Iran | ||
| 3.Professor, Department of Science and Soil Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj: Iran | ||
| 4Assistant Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj: Iran | ||
| چکیده [English] | ||
| The aim of this study is to determine the growth pattern and to investigate the vegetation indices power for sugarcane yield modelling at field scale in Imam Khomeini Agro-industry. For this purpose, the vegetation indices extracted from Landsat7 satellite images were investigated using time series analysis. Overall, 306 Landsat7 satellite images from March 2004 to February 2017 were used. All of the images were converted to surface reflectance via FLAASH algorithm. The average values of 13 vegetation indices related to the study region extracted from satellite images and converted to seven days' time-series via interpolation. In order to eliminate the noise, all series were reconstructed using the Savitzky-Golay algorithm. Thus, 13 different time series of vegetation indices were made for 523 sugarcane fields. Then the growth pattern was drawn via averaging NDVI time series and it was divided into three growth periods. Then the accumulative values of vegetation indices related to the first and second periods of growth stage were extracted since 2004 to 2017. Therefore, 3286 samples were prepared overall, of which 2628 samples were used for modelling and 658 samples for evaluation. The samples extracted from time series were evaluated by simple linear regression model against the average observed yields. The result showed that the accumulative vegetation index of GNDVI for the first growth period with R2=0.47, RMSE=11.70 ton/ha and the accumulative vegetation index of NDI for the second growth period with R2=0.56, RMSE=10.62 ton/ha are a better indeces for sugarcane yield estimation as compared to the other vegetation indices. Also, the sum of GNDVI and NDI indeces for summation of first and second growth periods had a better result (R2=0.65, RMSE=9.47 ton/ha) than that's where one index at one period was used. Finally, the sugarcane yield of 658 samples was estimated for evaluation and the R2 and RMSE of the best model was obtained to be 0.58 and 10.99 ton/ha, respectively. The results of this study confirm the suitability of the GNDVI and NDI indeces for monitoring sugarcane growth during the first and second growth stages. | ||
| کلیدواژه‌ها [English] | ||
| Timeseries, Image pricessing, Vegetation indices, Biomass, Landsat | ||
| مراجع | ||
|
Apan, A., Held, A., Phinn, S., and Markley, J. (2004). Detecting sugarcane “orange rust” disease using EO-1 Hyperion hyperspectral imagery.International Journal of Remote Sensing 25(2): 489-498 Bégué, A., Lebourgeois, V., Bappel, E., Todoroff, P., Pellegrino, A., Baillarin, F., and Siegmund, B. (2010). Spatio-temporal variability of sugarcane fields and recommendations for yield forecast using NDVI. International Journal of Remote Sensing. 31 (20), 5391-5407. Cai, Z., Jönsson, P., Jin, H., and Eklundh, L. (2017). Performance of smoothing methods for reconstructing NDVI time-series and estimating vegetation phenology from MODIS data. Remote Sensing.9, 1271 Crist, E. P. (1985). A TM Tasseled Cap equivalent transformation for reflectance factor data. Remote Sensing of Environment. 17(3), 301-306. doi.org/10.1016/0034-4257(85)90102-6 Do Bendini, H. N., Sanches, I. D., Körting, T. S., Fonseca, L. M. G., Luiz, A. J. B., and Formaggio, A. R. (2016). Using Landsat 8 image time series for crop mapping in a region of Cerrado, Brazil. In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 41, 845–850. doi.org/10.5194/isprsarchives-XLI-B8-845-2016 Elhag, A., and Abdelhadi, A. (2018). Monitering And Yield Estimation of Sugarcane Using Remote Sensing and GIS. American Journal of Engineering Research (AJER), 7(1), 170–179 Essari, M., and Mirlatifi, S. (2004). Exploring the use of TERRA satellite,MODIS sensor,CSWB model imagery To estimate the production of cane sugar. Case study of sugarcane cultivation and production of Mirzakochek Khan. Ph. D. dissertation, University of Tarbiat Modares.(In Farsi) FAOSTAT (2017). Sugarcane stat Of United Nation. Retrieved December 15 from http://www.fao.org/faostat/en/#data Gitelson, A. A., Kaufman, Y. J., and Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS- MODIS. Remote Sensing of Environment. 58(3), 289-298 ,doi.org/10.1016/S0034-4257(96)00072-7 Gitelson, A. A., and Merzlyak, M. N. (1998). Remote sensing of chlorophyll concentration in higher plant leaves. Advances in Space Research. 22(5), 689-692, doi.org/10.1016/S0273-1177(97)01133-2 Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., and Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment. 83(1-2), 195-213, doi.org/10.1016/S0034-4257(02)00096-2 Huete, A., Justice, C., and Liu, H. (1994). Development of vegetation and soil indices for MODIS-EOS. Remote Sensing of Environment. 49(3), 224-234, doi.org/10.1016/0034-4257(94)90018-3 Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment. 25(3), 295-309, doi.org/10.1016/0034-4257(88)90106-X IKAI. District (2018). Iman Khomeini Agro Industy. Retrieved September 18, 2018, from http://www.ik-sugarcane.ir/ Jiang, Z., Huete, A., Didan, K., and Miura, T. (2008). Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment. 112(10), 3833-3845, Kaufman, Y. J., and Tanr, D. (1992). Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, 30(2), 261–270. Kauth, R. J., and Thomas, G. S. (1976). The tasselled cap - A graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. Laboratory for Applications of Remote Sensing. doi.org/10.1529/biophysj.106.083931 Landsat-SLC-off. (2018). Landsat7 SLC off. Retrieved November 18, 2018, from https://landsat.usgs.gov/landsat-7 Landsat7-BQA. (2018). Landsat Collection 1 Level-1 Quality Assessment Band. Retrieved November 18, 2018, from https://landsat.usgs.gov/collectionqualityband Landsat7-L1TP. (2018). Landsat 7 Enhanced Thematic Mapper Plus (ETM+) Level-1 Data Products. Retrieved November 18, 2018, from https://lta.cr.usgs.gov/LETMP Lisboa, I. P., Damian, J. M., Cherubin, M. R., Barros, P. P. da S., Fiorio, P. R., Cerri, C. C., and Cerri, C. E. P. (2018). Prediction of Sugarcane Yield Based on NDVI and Concentration of Leaf-Tissue Nutrients in Fields Managed with Straw Removal. Agronomy. doi.org/10.3390/agronomy8090196 Mcnairn, H., and Protz, R. (1993). Mapping corn residue cover on agricultural fields in oxford county, ontario, using thematic mapper. Canadian Journal of Remote Sensing. 19(2), 152–159. Mobasheri, M. R., Chahardoli, M., and Farajzadeh, M. (2010). Introducing PASAVI and PANDVI methods for sugarcane physiological date estimation, using ASTER images. Journal of Agricultural Science and Technology. Journal agriculture science technology. 12, 309-320 Morel, J., Bégué, A., Todoroff, P., Martiné, J. F., Lebourgeois, V., and Petit, M. (2014). Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation. European Journal of Agronomy. 61, 60-68, doi.org/10.1016/j.eja.2014.08.004 Muir, J. S., Robson, A. J., and Rahman, M. M. (2018). ‘Sugar from space’: Using satellite imagery to predict cane yield and variability. In 40th Annual Conference Australian Society of Sugar Cane Technologists, ASSCT 2018. Mutanga, S., Schoor, C. Van, Olorunju, P. L., Gonah, T., and Ramoelo, A. (2013). Determining the Best Optimum Time for Predicting Sugarcane Yield Using Hyper-Temporal Satellite Imagery. Advances in Remote Sensing. 2(3), 269-275, doi.org/10.4236/ars.2013.23029 Rahman, M. M., and J. Robson, A. (2016). A Novel Approach for Sugarcane Yield Prediction Using Landsat Time Series Imagery: A Case Study on Bundaberg Region. Advances in Remote Sensing. 5(2), 93-102, doi.org/10.4236/ars.2016.52008 Robson, A., Abbott, C., Lamb, D., and Bramley, R. O. B. (2012). Developing sugar cane yield prediction algorithms from satellite imagery. Proceedings of the Australian Society of Sugar Cane Technologists. 34(11). Rondaux, G., Steven, M., and Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment. 55(2), 95-107, doi.org/10.1016/0034-4257(95)00186-7. Rouse, J.W, Haas, R.H., Scheel, J.A., and Deering, D. W. (1974). ’Monitoring Vegetation Systems in the Great Plains with ERTS. In Proceedings, 3rd Earth Resource Technology Satellite (ERTS) Symposium (pp. 48–62). Vicente, L. E., Gomes, D., Victoria, D. de C., Koga-Vicente, A., and Iwashita, F. (2013). Evaluation of annual sugarcane monitoring using MODIS/EVI temporal series and spectral mixture analysis approach. In International Geoscience and Remote Sensing Symposium. Retrieved from https://www.researchgate.net/publication/264458361 Zhang, R. H., Rao, N. X., and Liao, K. N. (1996). Approach for a vegetation index resistant to atmospheric effect. Acta Botanica Sinica, 38(1), 53–62. | ||
|
آمار تعداد مشاهده مقاله: 768 تعداد دریافت فایل اصل مقاله: 515 |
||