مقایسه شاخص پوشش گیاهی نرمال سیب‌زمینی بین سبزینه‌سنج و ماهواره لندست

ماشین های کشاورزی

مقاله 7، دوره 8، شماره 2 - شماره پیاپی 16، 1397، صفحه 321-331   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v8i2.64486

نویسنده

حسنی محمدی منور^*

گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

چکیده

تغییرات زیاد میزان نیتروژن خاک مزارع کاربرد مفید کود ازت را محدود می‌کند. مدیریت خلاقانه کود باید به‌گونه‌ای باشد تا از اثرات مخرب کوددهی زیاد جلوگیری کند و همچنین بتواند بازدهی مزرعه را افزایش دهد. استفاده کمتر یا بیشتر از ازت بر روی کیفیت غده سیب‌زمینی مؤثر است. هدف استفاده از حسگر سبزینه‌سنج (GS) و تصاویر ماهواره‌ای در یک مزرعه تجاری سیب‌زمینی رقم مارفونا واقع در شهرستان بهار استان همدان، قابلیت به‌کار‌گیری این حسگرها و امکان جایگزینی آن نسبت به روش‌های متداول بود و همچنین با استفاده از طیف‌سنجی برگ، میزان شاخص پوشش گیاهی نرمال (NDVI) مطابق طول موج حسگر GS محاسبه شد. اندازه‌گیری با سبزینه‌سنج هر هشت روز در هر متر مربع ثبت گردید. در طول دوره رشد تا برداشت دوبار از تصاویر ماهواره لندست 8 (OLI) استفاده شد. ضریب تبیین عملکرد فصلی (INSEY) و داده‌های هواشناسی با مقدار NDVI بررسی شده در مدل رگرسیونی بردار پشتیبان (SVR) به‌ترتیب 0/947 و 0/964 توسط سبزینه‌سنج و 0/947 و 0/997 توسط تصویر لندست پیش‌بینی گردید. نتایج نشان داد که NDVI محاسبه شده توسط GS (0/94) با دقت بیشتری نسبت به تصاویر OLI (0/81) توسط طیف‌سنجی تأیید شد که علت آن را می‌توان به تغییرات جوی مربوط دانست. لذا سبزینه‌سنج به‌طور دقیق و مؤثر می‌تواند در مزارع برای مدیریت کود ازت به‌کار گرفته شود.

کلیدواژه‌ها

تصاویر ماهواره‌ای؛ سبزینه‌سنج؛ شاخص پوشش گیاهی نرمال

مراجع

1. Brereton, R. G., and G. R. Lloyd. 2010. Support Vector Machines for classification and regression. Analyst Journal 135: 230-267.

2. Chavez, P. S. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote sensing of environment 24 (3): 459-479.

3. Cheret, V., and J. Denux. 2011. Analysis of MODIS NDVI time series to calculate indicators of Mediterranean forest fire susceptibility. GIScience and Remote Sensing 48: 171-194.

4. Deng, F., J. M. Chen, S. Plummer, M. Chen, and J. Pisek. 2006. Algorithm for global leaf area index retrieval using satellite imagery. IEEE Transactions on Geoscience and Remote Sensing 44 (8): 2219.

5. Durbha, S. S., R. L. King, and N. H. Younan. 2007. Support vector machines regression for retrieval of leaf area index from multiangle imaging spectroradiometer. Remote Sensing of Environment 107 (1-2): 348-361.

6. Feng, M., C. Huang, S. Channan, E. F. Vermote, J. G. Masek, and J. R. Townshend. 2012. Quality assessment of Landsat surface reflectance products using MODIS data. Computers & Geosciences 38 (1): 9-22.

7. Gavier-Pizarroa, G. I., T. Kuemmerle, L. E. Hoyos, S. I. Stewart, C. D. Huebner, N. S. Keuler, and V. C. Radelof. 2012. Monitoring the invasion of an exotic tree (Ligustrum lucidum) from 1983 to 2006 with Landsat TM/ETM + satellite data and Support Vector Machines in Cordoba, Argentina. Remote Sensing of Environment 122: 134-145.

8. Hadjimitsis, D. G., G. Papadavid, A. Agapiou, K. Themistocleous, M. G. Hadjimitsis, and A. Retalis. 2010. Atmospheric correction for satellite remotely sensed data intended for agricultural applications: Impact on vegetation indices. Natural Hazards and Earth System Sciences 10 (1): 89-95.

9. Hong, S. H., J. M. Hendrickx, and B. Borchers. 2009. Up-scaling of SEBAL derived evapotranspiration maps from Landsat (30 m) to MODIS (250 m) scale. Hydrology 370 (1): 122-138.

10. Im, J., Z. Lu, J. Rhee, and L. J. Quackenbush. 2012. Impervious surface quantification using a synthesis of artificial immune networks and decision/regression trees from multisensor data. Remote Sensing of Environment 117: 102-113.

11. Ke, Y., J. Im, J. Lee, H. Gong, and Y. Ryu. 2015. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations, Remote Sensing of Environment 164: 298-313.

12. Kitchen, N. R., K. A. Sudduth, S. T. Drummond, P. C. Scharf, H. L. Palm, D. F. Roberts, and E. D. Vories. 2010. Ground-based canopy reflectance sensing for variable-rate nitrogen corn fertilization. Agronomy 102: 71-84.

13. Li, P., L. Jiang, and Z. Feng. 2014. Cross-comparison of vegetation indices derived from Landsat-7 Enhanced Thematic Mapper Plus (ETM+) and Landsat-8 Operational Land Imager (OLI) sensors. Remote Sensing 6: 310-329.

14. Maiersperger, T. K., P. L. Scaramuzza, L. Leigh, S. Shrestha, K. P. Gallo, and C. B. Jenkerson 2013. Characterizing LEDAPS surface reflectance products by comparisons with AERONET, field spectrometer, and MODIS data. Remote Sensing of Environment 136: 1-13.

15. Meng, Q., W. Cooke, and J. Rodgers. 2013. Derivation of 16-day time-series NDVI data for environmental studies using a data assimilation approach. GIScience and Remote Sensing 50: 500-514.

16. MohammadZamani, D., A. Taghavi, M. Gholami-parshokouhi, and J. Massah. 2014. Design, implementation and evaluation of a monitoring system of potato yield. Journal of Agricultural Machinery 4 (1): 50-56. (In Farsi).

17. Olfs, H. W. 2009. Improved precision of arable nitrogen applications: requirements, technologies and implementation. The International FertiliserSociety, Proceeding 662: 35.

18. Pastor-Guzman, J., P. M. Atkinson, J. Dash, and R. Rioja-Nieto. 2015. Spatotemporal Variation in Mangrove Chlorophyll Concentration Using Landsat 8. Remote Sensing 7: 14530-14558.

19. Raun, W. R., J. B. Solie, G. V. Johnson, M. L. Stone, R. W. Mullen, K. W. Freeman, W. E. Thomason, and E.V. Lukina. 2002. Improving nitrogen use efficiency in cerealgrain production with optical sensing and variable rate application. Agronomy 94: 815-820.

20. Roberts, D. F., V. I. Adamchuk, J. F. Shanahan, R. B. Ferguson, and J. S. Schepers. 2009. Optimization of crop canopy sensor placement for measuring nitrogen statusin corn. Agronomy 101: 140-149.

21. Rostami, M. A., M. H. Raofat, A. Jafari, M. Loghavi, M. Kasraee, and M. J. Nazem-Alsadat. 2014. Monitoring of protection tillage and intensity of tillage using satellite and terrestrial images. Journal of Agricultural Machinery 4 (2): 255-265. (In Farsi).

22. Samborski, M., D. Gozdowski, M. Stepie´na, O. S. Walshc, and E. Leszczy´nska. 2016. On-farm evaluation of an active optical sensor performance forvariable nitrogen application in winter wheatStanisław. Agronomy 74: 56-67.

23. Schepers, J. S., and J. F. Shanahan. 2009. Managing nitrogen with active sensors. 13th Annual Symposium on Precision Agriculture in Australia.

24. Sharma, L. K., H. Bu, A. Denton, and D. W. Franzen. 2015. Active-Optical Sensors Using Red NDVI Compared to Red Edge NDVI for Prediction of Corn Grain Yield in North Dakota USA. Sensors 15: 27832-27853.

25. Stark, J. C., and B. D. Brown. 2003. Nutrient Management. In L.D. Robertson and J.C. Stark (Eds) Idaho Spring Barley Production Guide. pp. 22-26.

26. Teillet, P., and X. Ren. 2008. Spectral band difference effects on vegetation infices derived from multiple satellite sensor data. Canadian Journal of Remote Sensing 34: 159-173.

27. Tremblay, N., E. Fallon, and N. Ziadi. 2011. Sensing of crop nitrogen status: Opportunities, tools, limitations, and supporting information requirements. Horticulture Technology 21: 274-281.

28. Yuan, F., C. Wang, and M. Mitchell. 2014. Spatial patterns of land surface phenology relative to monthly climate variations: US Great Plains. GIScience and Remote Sensing 51: 30-50.