ترکیب مدل فائو و شاخص‌های گیاهی در برآورد ضریب گیاهی با استفاده از تحلیل مولفه‌های اصلی

آب و خاک

مقاله 2، دوره 31، شماره 5 - شماره پیاپی 55، دی 1396، صفحه 1290-1301  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v31i5.63990

نویسنده

لاله پرویز

دانشگاه شهید مدنی آذربایجان

چکیده

تقاضای روزافزون به آب و تغییرات اقلیمی منجر به ایجاد فشار جهت استفاده کارآمد آب در بخش کشاورزی شده است. بنابراین آگاهی از نیاز آبی گیاه جهت افزایش بازده آبیاری لازم می‌باشد. در این راستا یازده شاخص گیاهی حاصل از تصاویر ماهواره‌ای سنجنده MODIS در بازه زمانی 2013- 2016 برای محصول سیب‌زمینی در محدوده بین شهرستان‌های بستان آباد و تبریز استخراج شدند. جهت انتخاب شاخص‌های گیاهی مؤثر از تحلیل مؤلفه‌های اصلی استفاده شد که برای این منظور شبکه عصبی مصنوعی برای مدلسازی مؤلفه‌های حاصل از تحلیل و ضریب گیاهی بکار برده شد. از بین مؤلفه‌های مورد بررسی، سه مولفه اول با در اختیار داشتن 45/85 درصد واریانس کل انتخاب شدند. در سه بررسی انجام شده در مورد نوع مؤلفه‌های روش تحلیل مؤلفه‌های اصلی، به‌طور متوسط بررسی اول نسبت به بررسی دوم و سوم منجر به کاهش 75/55 درصد RMSE شد. شاخص‌های حاصل از باندهای انعکاسی مانند شاخص NDVI و شاخص‌های بهبود یافته براساس منطقه مورد مطالعه مانند شاخص‌های SAVI و MSAVI از کارایی قابل قبولی برخوردار بودند. کاهش 66/66 درصد ضریب LST از مولفه سوم به اول حاکی از افزایش دقت نتایج شاخص‌های باندهای حرارتی در صورت ترکیب با شاخص‌های باندهای انعکاسی مانند شاخص TVX بود. برآورد ضریب گیاهی با شاخص‌های گیاهی حاصل از تحلیل مؤلفه‌های اصلی در مدلسازی شبکه عصبی دارای تخمین کم‌برآوردی حدود یک درصد در دوره صحت‌سنجی بوده است.

کلیدواژه‌ها

شبکه عصبی مصنوعی؛ مؤلفه‌ها؛ نیاز آبی؛ SAVI

مراجع

1- Adamala S., Rajwade Y.A., and Krishna Reddy Y.V. 2016. Estimation of wheat crop evapotranspiration using NDVI vegetation index. Journal of Applied and Natural Science, 8(1):159-166.

2- Agapiou A., Hadjimitsis D.G., and Alexakis D.D. 2012. Evaluation of broadband and narrowband vegetation indices for the identification of archaeological crop marks. Remote Sensing, 4:3892-3919.

3- Amirmoradi K., and Bahmani O. 2014. Estimation the daily soil temperate using neural artificial network. Journal of Soil Research (Soil Science and Water), 28(3):543-556. (In Persian)

4- El-Shirbeny M.A., Ali A-E M., Badr M.A., and Bauomy E.M. 2014. Assessment of wheat crop coefficient using remote sensing techniques. World Research Journal of Agricultural Sciences, 1(2):012-016.

5- Er-Raki S., Chehbouni A., Guemouria N., Duchemin B., Ezzahar J., and Hadria R. 2007. Combining FAO-56 model and ground-based remote sensing to estimate water consumptions of wheat crops in a semi-arid region. Agriculture Water Management, 87(1):41-54.

6- Gholami M.A., Mirlatifi S.M., Mohammadi K., and Alimohammadi A. 2010. Estimating crop coefficient and actual evapotranspiration of wheat by remote sensing: A case study, gorgan rood command area, Golestan, Iran. Iranian Journal of lrrigation and Drainage, 2(4):222-231. (In Persian with English abstract)

7- Gontia N.K., and Tiwari K.N. 2010. Estimation of crop coefficient and evapotranspiration of wheat (Triticum aestivum) in an irrigation command using remote sensing and GIS. Water Resources Managemnet, 24:1399-1414.

8- Jiang Z., Huete A.R., Didan K., and Miura T. 2008. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 112: 3833–3845.

9- Kamble B., Kilic A., and Hubbard K. 2013. Estimating crop coefficients using remote sensing-based vegetation index. Remote Sensing, 5:1588-1602.

10- Karamouz M., and Araghinejad S. 2006. Advanced hydrology. 2nd ed. Amirkabir University of Technology, Tehran. (In Persian)

11- Mohammadi H., Ahmadi A., Moradi F., Abbasi A., Poustini K., Joudi M., and Fatehi F. 2011. Evaluation of critical traits for improving wheat yield under drought stress. Iranian Journal of Agricultural Science, 42(2):373-385. (In Persian)

12- Pimpale A.R., Rajankar P.B., Wadatkar S.B., and Ramteke I.K. 2014. Determination of spatial crop coefficient of chickpea using remote sensing and GIS. American International Journal of Research in Formal, Applied and Natural Sciences, 59-64.

13- Price J.C. 1984. Land surface temperature measurements from the split window channel of the NOAA 7 advanced very high resolution radiometer. Journal of Geophysical Research, 89(5):7231–7237.

14- Richard G.A., Luis S.P., Dirk R., and Martin S. 2006. Crop evapotranspiration (guidelines for computing crop water requirements). FAO Irrigation and Drainage, Paper No. 56.

15- Rostami A., and Raeini-Sarjanz M. 2016. Remotely sensed measurements of apple orchard actual evapotranspiration and plant coefficient using MODIS images and SEBAL algorithm (Case Study: Ahar plain, Iran). Journal of Agricultural and Meteorology, 4(1):32-43. (In Persian with English abstract)

16- Shahabfar A., Ghulam A., and Eitzinger J. 2012. Drought monitoring in Iran using the perpendicular drought indices. International Journal of Applied Earth Observation and Geoinformation, 18:119–127.

17- Sheikholeslami N., Ghahraman B., Mosaedi A., Davary K., and Mohejerpour M. 2014. Estimating reference evapotranspiration by using principal component analysis (PCA) and the development of a regression model (MLR-PCA) (Case Study: Mashhad Station). Journal of Water and Soil, 28(2):420-429. (In Persian with English abstract)