تعداد نشریات | 31 |
تعداد شمارهها | 742 |
تعداد مقالات | 7,034 |
تعداد مشاهده مقاله | 10,117,541 |
تعداد دریافت فایل اصل مقاله | 6,805,050 |
برآورد عملکرد برنج با استفاده از مدل VSM و تصاویر ماهوارهای در استان گیلان | ||
تحقیقات غلات | ||
مقاله 10، دوره 6، شماره 3، آذر 1395، صفحه 397-410 اصل مقاله (537.26 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
لیلا صدوقی1؛ مهدی همایی* 2؛ علیاکبر نوروزی3؛ صفورا اسدی4 | ||
1دانشآموخته کارشناسی ارشد، گروه خاکشناسی، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، تهران، ایران | ||
2استاد، گروه آبیاری و زهکشی، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران، تهران، ایران | ||
3استادیار، پژوهشکده حفاظت خاک و آبخیزداری، تهران | ||
4استادیار گروه علوم خاک دانشکده علوم کشاورزی دانشگاه گیلان | ||
چکیده | ||
برآورد عملکرد گیاه پیش از برداشت برای هرگونه مدیریت زراعی ضروری است. تخمین صحیح عملکرد گیاهان در حقیقت تأثیر نهادههای مختلف کشاورزی بر عملکرد نهایی را نشان میدهد. یکی از روشهای نوین برای تخمین عملکرد، استفاده از مدلهای رشد و نمو گیاهان زراعی است. به هر حال، اگرچه پیشرفتهای زیادی در توسعه این مدلها صورت گرفته است، اما واسنجی و اعتبارسنجی آنها در مقیاسهای زراعی بزرگ مستلزم برداشت نمونههای فراوان و عملیات میدانی زیادی است. به همین دلیل، استفاده از تصاویر ماهوارهای و فناوری سنجش از دور برای این منظور مورد توجه پژوهشگران قرار گرفته است. هدف از انجام این پژوهش، ارزیابی امکان استفاده از مدل VSM و تصاویر ماهوارهای برای تخمین عملکرد برنج در استان گیلان بود. بدین منظور، نخست تصاویر ماهوارهای مودیس و لندست-8 استخراج شد. تعداد 20 مزرعه بهعنوان نمونه انتخاب و اطلاعات مورد نیاز از جمله عملکرد واقعی و اندازهگیریهای میدانی در مزارع منتخب بهدست آمد. سپس با استفاده از نقاط نمونهبرداری شده و با کمک نرمافزار ArcGIS10.2 و با استفاده از روش درونیابی به کل مزارع منطقه تعمیم داده شد. آنگاه با استفاده از دادههای ماهوارهای یاد شده و مدل VSM مقدارعملکرد دانه برنج برای کل منطقه مورد مطالعه برآورد شد. برای صحتسنجی مدل، مقادیر عملکرد واقعی برنج با مقادیر عملکرد برآورد شده توسط مدل مقایسه شد که دارای رابطهای خطی با همبستگی بالای 80 درصد و ضریب تبیین حدود 65 درصد بود. نتایح بهدست آمده از مدل نشان داد که این مدل از توانایی مناسبی برای شبیهسازی عملکرد برنج برخوردار است، بهطوری که ارتباط قوی (بیش از 80 درصد) و معنیداری بین پارامترهای استفاده شده در مدل و عملکرد محصول برنج وجود داشت. بنابراین، به نظر میرسد که تصاویر ماهوارهای، قابلیت مناسبی برای برآورد عملکرد محصول برنج به عنوان ورودی مدل VSM دارند. نتایج این تحقیق نشان داد که امکان برآورد محصول برنج برای منطقه مورد نظر طی سالهای آینده با استفاده از این مدل بومی شده و دادههای ماهوارهای واسنجی شده فراهم است و احتمالاً دیگر نیازی به انجام عملیات میدانی گسترده و صرفه هزینه زیاد نمیباشد. | ||
کلیدواژهها | ||
سامانه اطلاعات جغرافیایی؛ سنجش از دور؛ عملکرد برنج؛ مدل VSM | ||
مراجع | ||
Amiri Larijani, B., Sarvestani, Z. T., Nematzadeh, Gh., Manschadt, A. M. and Amiri, E. 2011. Simulating phenology, growth and yield of transplanted rice at different seedling ages in northern Iran using ORYZA2000. Rice Science 18 (4): 321-334.##Adamchuk, V. I., Perk, R. L. and Schepers, J. S. 2003. Application of remote sensing in site- specific management. Institute of agriculture and natural resources. University of Nebraska Cooperative Extension. Precision Agriculture EC 03-702.##Bannayan, M., Kobayashi, K., Kim, H. Y., Lieffering, M., Okada, M. and Miura, S. 2005. Modeling the interactive effects of atmospheric CO2 and N on rice growth and yield. Field Crops Research 93: 237-251.##Bastiaanssen, W. G. M. and Ali, S. 2003. A new crop yield forecasting model based on satellite measurements applied across the Indus Basin Pakistan. Agriculture Ecosystems and Environment 94: 321-340.##Behrens, T., Muller, J. and Diepenbrock, W. 2006. Utilization of canopy reflectance to predict properties of oilseed rape (Brassica napus L.) and barley (Hordeumvulgare L.) during ontogenesis. European Journal of Agronomy 25: 345-355.##Carmelita, M., Albertoa, R., Wassmanna, R., Hiranob, T., Miyatac, A., Hatanob, R., Kumara, A., Padrea, A. and Amante, M. 2011. Comparisons of energy balance and evapotranspiration between flooded and aerobic rice fields in the Philippines. Agricultural Water Management 98: 1417-1430.##Du Ning, X., Li, X. Y., Song, D. and Yang, G. 2007. Temporal and spatial dynamical simulation of groundwater characteristics in Minqin Oasis. Science in China Series D: Earth Sciences 2: 261-273.##FAO. 2010. Food and Agriculture Organization. Statistics: FAOSTAT Agriculture and Food Trade. Retrieved June 10, 2012, from www.faostat.fao.org.##FAO. 2011. Food and Agriculture Organization. Statistics: FAOSTAT Agriculture and Food Trade. from http://fao.org/crop/statistics.##Izaddoost, H., Samizadeh, H., Rabiei, B. and Abdollahi, S. 2013. Evaluation of salt tolerance in rice (Oryza sativa L.) cultivars and lines with emphasis on stress tolerance indices. Cereal Research 3 (3): 167-180. (In Persian with English Abstract).##Johnston, K., Ver Hoef, J. M., Krivoruchko, K. and Lucas, N., 2001. Using arcGIS geostatistical analyst. ESRI, Redlands, CA.##Karimi, A., Moezardalan, M., Liaghat, A. M. and Homaee, M. 2007a. Effect of fertigation on yield component and water use efficiency of sunflower in a tape irrigation system. Agricultural Sciences and Technology 21 (1): 11-22. (In Persian with English Abstract).##Karimi, A., Moezardalan, M., Homaee, M. and Liaghat, A. M. 2007b. Fertilizer Use Efficiency for Sunflower with Fertigation System. Journal of Water and Soil Science (Science and Technology of Agriculture and Natural Resources) 11 (40): 65-77. (In Persian with English Abstract).##Karimi, A., Homaee, M., Liaghat, A. M. and Moezardalan, M. 2005. Uniformity of applied water and fertilizers in tape irrigation system. Agricultural Research 5 (2): 53-67. (In Persian with English Abstract).##Kazemi Posht Masari, H., Pirdashti, H. A., Bahmanyar, M. A. and Nasiri, M. 2007. Effect of split application of nitrogen fertilizer rates on yield and yield components of different rice cultivars. Journal of Research and Development in Agriculture and Horticulture 75: 68-77. (In Persian with English Abstract).##Leon, C. T., Shaw, D. R., Cox, M. S., Abshire, M. J., Ward, B. and Wardlaw, M. C. 2003. Utility of remote sensing in predicting crop and soil characteristics. Precision Agriculture 4: 359-384.##Mohammadi, E., Mahmodi, A., Kamkar, B. and Abdi, O. 2015a. Analysis of yield status and it its relation with leaf area in wheat fields based on interpolation methods (A case study in army fields, Golestan province). Journal of Plant Production 22 (2): 47-69. (In Persian with English Abstract).##Mohammadi, S., Mahmoodi, A., Kamkar, B. and Abdi, O. 2015b. Comparison of geostatistical- and remote sensing data-based methods in wheat yield predication in some of growing stages (A case study: Nemooneh filed, Golestan province). Electronic Journal of Crop Production 8 (2): 51-76. (In Persian with English Abstract).##Noroozi, A. A. 2014. Estimating rice leaf area index at North Iran. Journal of Soil and Water Conservation 3 (2): 1-10. (In Persian with English Abstract).##Noureldin, N. A., Aboelghar, M. A., Saudy, H. S. and Ali, A. M. 2013. Rice yield forecasting models using satellite imagery in Egypt. The Egyptian Journal of Remote Sensing and Space Sciences 16: 125-131.##Nouri, M., Homaee, M. and Bybordi, M. 2014. Parametric investigation of diesel fuel-air capillary pressure–saturation functions. Iranian Journal of Soil and Water Research 44 (4): 365-372. (In Persian with English Abstract).##Omidi, F. and Homaee, M. 2015. Deriving crop production functions to estimate wheat virtual water and irrigation water price. Cereal Research 5 (2): 131-143. (In Persian with English Abstract).##Padilla, F. L. M., Maasb, S. J., González-Dugoa, M. P., Mansillaa, F., Rajanc, N., Gavilána, P. and Domíngueza, J. 2012. Monitoring regional wheat yield in southern Spain using the GRAMI model and satellite imagery. Field Crops Research 130: 145-154.##Patel, N. R., Mohammed, A. J. and Rakhesh, D. 2006. Modeling of wheat yields using multi-temporal Terra/MODIS satellite data. Geocarto International 21 (1): 43-50.##Pirmoradian, N. and Sepaskhah, A. R. 2006. A very simple model for yield prediction of rice underdifferent water and nitrogen applications. Biosystems Engineering 93 (1): 25-34.##Ren, J., Chen, Z., Zhou, Q. and Tang, H. 2008. Regional yield estimation for winter wheat with MODIS- NDVI data in Shandong China. International Journal of Applied Earth Observation and Geoinformation 10: 403-413.##Saadat, S. and Homaee, M. 2015. Modeling sorghum response to irrigation water salinity at early growth stage. Agricultural Water Management 152: 119-124.##Shen, S. H., Yang, S. B. and Li, B. B. 2009. A scheme for regional rice yield estimation using ENVISAT ASAR data. Science in China Series D: Earth Sciences 52: 1183-1194.##Shi, H. and Mo, X. 2011. Interpreting spatial heterogeneity of crop yield with a process model and remote sensing. Journal of Ecological Modelling 22: 2530- 2541.##Wang, Y., Chang, K., Chen, R., Lo, J. and Shen, Y. 2010. Large-area rice yield forecasting using satellite imageries, International Journal of Applied Earth Observation and Geoinformation 12: 27-35.##Yang, W., Shabanov, N. V., Huang, D., Wang, W., Dickinson, R. E., Nemani, R. R., Knyazikhin, Y. and Myneni R. B. 2006. Analysis of leaf area index products from combination of MODIS Terra and Aqua data. Remote Sensing of Environment 10: 297-312.##Yingbin, H., Chida, S. U., Huajun, T., Youqi, C. and Jia, L. 2010. Application of Terra/MODIS images, TM images and weather data to assess the effect of cold damage on rice yield. International Journal of Agricultural and Biological Engineering 3: 31-38.##Zarei, G., Homaee, M., Liaghat, A. M. and Hoorfar, A. H. 2010. A model for soil surface evaporation based on Campbell’s retention curve. Journal of Hydrology 380: 356-361. | ||
آمار تعداد مشاهده مقاله: 1,637 تعداد دریافت فایل اصل مقاله: 1,261 |