مقایسه روش‌های زمین‌آمار و سنجش از دور در برآورد عملکرد دانه برنج (Oryza sativa L.) در استان گیلان

بوم شناسی کشاورزی

مقاله 12، دوره 14، شماره 3 - شماره پیاپی 53، آذر 1401، صفحه 579-599  

نوع مقاله: علمی - پژوهشی

شناسه دیجیتال (DOI): 10.22067/agry.2021.20308.0

نویسندگان

پویا اعلایی بازکیایی¹؛ بهنام کامکار ²؛ ابراهیم امیری³؛ حسین کاظمی ⁴؛ مجتبی رضایی⁵

¹دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران.

²گروه اگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.

³گروه مهندسی آب، دانشکده فنی، دانشگاه آزاد اسلامی، واحد لاهیجان، ایران.

⁴گروه زراعت، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران.

⁵مؤسسه تحقیقات برنج کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، رشت، ایران.

چکیده

به‌منظور مقایسه روش‏های مبتنی بر سنجش از دور و زمین‌آمار برای برآورد عملکرد برنج (Oryza sativa L.) اراضی کشت برنج استان گیلان، پژوهشی در سال­های زراعی 1395 و 1396 انجام شد. جهت انجام عملیات میدانی، 320 نمونه عملکرد دانه در مرحله رسیدگی فیزیولوژیکی گیاه برنج از 238 هزار هکتار اراضی برنج برداشت شد. در این تحقیق، از 33 روش-مدل زمین‌آمار برای درون‌یابی مقدار عملکرد دانه استفاده شد و سپس دقت روش‌های درون‌یابی با کمک معیارهای آماری مختلف ارزیابی شد. در روش مبتنی بر سنجش از دور، از تصاویر سنجنده تصویربردار عملیاتی زمین (OLI) ماهواره لندست-8 و تصاویر سنجنده تصویربردار ماهواره سنتینل-2 استفاده شد. هشت شاخص­ گیاهی از تصاویر استخراج و ارتباط بین آن‌ها و متغیر عملکرد با استفاده از رابطه رگرسیونی استخراج و نقشه عملکرد با کمک تصاویر تهیه و ارزیابی شد. نتایج ارزیابی روش‌های درون‌یابی بیان‌گر برتری روش-مدل کریجینگ معمولی - stable نسبت به دیگر مدل‌ها بود. در این مطالعه، شاخص RVI در بین شاخص­های گیاهی بیش­ترین دقت را در پیش­بینی عملکرد اراضی برنج داشته است. مقایسه روش زمین­آمار و روش مبتنی بر سنجش از دور بر اساس ضریب تبیین و جذر میانگین مربعات خطا در برآورد عملکرد دانه در سطح استان گیلان نشان داد که هر دو روش دقت قابل قبولی داشتند، امّا با توجه به توانایی سنجش از دور در تفکیک نقطه­ای بازتاب نوری پدیده­ها و پیش­بینی عملکرد با تفکیک مکانی بالا، در این روش دقت بالاتری در تخمین عملکرد حاصل شد.

کلیدواژه‌ها

سنتینل- 2؛ عملکرد واقعی؛ کریجینگ؛ لندست- 8

مراجع

Alizadeh Dehkordi, P., Nehbandani, A.R, Hassanpour-bourkheili, S., and Kamkar, B., 2020. Yield gap analysis using remote sensing and modeling approaches: Wheat in the Northwest of Iran. International Journal of Plant Production 1-10.  https://doi.org/10.1007/s42106-020-00095-4

Azhirabi, R., Kamkar, B., and Abdi, O., 2019. Comparison of geostatistical interpolation models (kriging) to estimate soil salinity and wheat yield (A case study: Army field of Aq Qala. Crop Production 12(1): 1-16. (In Persian with English Summary) https://doi.org/10.22069/EJCP.2019.6955.1495

Badsar, M., 2014. Yield gap estimation in wheat fields using GIS, RS and SSM model (A case study: Qaresso basin, Gorgan distinct). M.Sc. Thesis. Gorgan University of Agricultural Sciences and Natural, Iran. 95 p. (In Persian)

Balasundram, S.K., Memarian, H., and Khosla, R., 2013. Estimating oil palm yields using vegetation indices derived from Quickbird. Life Science Journal 10(4): 851-860

Bannari, A., Staenz, K., Haboudane, D., and Khurshid, K., 2006. Sensitivity analysis of chlorophyll indices to soil optical properties using ground-reflectance data. In: 2006 IEEE International Symposium on Geoscience and Remote Sensing (pp. 120-123). https://doi.org/10.1109/IGARSS.2006.36.

Baskent, E.Z., and Keles, S., 2005. Spatial forest planning: A review. Ecological Modeling 188(2-4): 145-173. https://doi.org/10.1016/j.ecolmodel.2005.01.059

Cambardella, C.A., Moorman, T.B., Novak, J.M., Parkin, T.B., Karlen, D.L., Turco, R.F., and Koropaka, A.E., 1994. Field-scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal 58: 1501-1511. https://doi.org/10.2136/sssaj1994.03615995005800050033x

Dente, L., Satalino, G., Mattia, F., and Rinaldi, M., 2008. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield. Remote Sensing of Environment 112(4): 1395-1407. https://doi.org/10.1016/j.rse.2007.05.023

Elvidge, C.D., and Chen, Z., 1995. Comparison of broad-band and narrow-band red and near-infrared vegetation indices. Remote Sensing of Environment 54(1): 38-48. https://doi.org/10.1016/0034-4257(95)00132-K

FAO. 2018. Food and Agricultural Organization of the United Nations (sited in: http://www,fao.org/index_en.htm/, 1/1/2020.

Fatemi, B., and Rezaei, Y., 2006. Basic of Remote Sensing. Azade publication. 257 p. (In Persian)

Ghasemi, M., 2011. Investigating Weed biodiversity in wheat fields of Gorgan County. M.Sc. Thesis. Gorgan University of Agricultural Sciences and Natural Resources, Iran. 114 p. (In Persian with English Summary)

Goudarzi, M., Farahpour, M., and Mosavi, A.R., 2006. Land cover and rangeland classification map using Land sat satellite image (TM) (Case study) Namrood watershed. Rangeland and Desert Research 13(3): 265-277. (In Persian with English Summary)

Gutierrez, M., Norton, R., Thorp, K.R., and Wang, G., 2012. Association of spectral reflectance indices with plant growth and lint yield in upland cotton. Crop Science 52(2): 849-857. https://doi.org/10.2135/cropsci2011.04.0222

Huete, A.R., 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment 25: 295–309. https://doi.org/10.1016/0034-4257(88)90106-X

Kazemi, H., Tahmasebi Sarvestani, Z., Kamkar, B., Shataei, S., and Sadeghi, S., 2012. Evaluation of geostatistical methods for estimating and zoning of macronutrients in agricultural lands of Golestan province. Water Soil Science. 22(1): 201-218. (In Persian with English Summary)

Khosravi, R., Hemami, M.R. and Malekian, M., 2014. Comparison of geostatistical methods to determine the best bioclimatic data interpolation method for modeling species distribution in Central Iran. Iranian Journal of Applied Ecology 3(8): 55-68. (In Persian with English Summary) 20.1001.1.24763128.1393.3.8.5.5

Kim, Y., Jackson, T., Bindlish, R., Hong, S., Jung, G., and Lee, K., 2013. Retrieval of wheat growth parameters with radar vegetation indices. IEEE Geoscience and Remote Sensing Letters 11(4): 808-812. https://doi.org/10.1109/LGRS.2013.2279255

Kim, Y., and Van Zyl, J., 2009. A time-series approach to estimate soil moisture using polarimetric radar data. IEEE Transactions on Geoscience and Remote Sensing 47: 2519-2527. https://doi.org/10.1109/TGRS.2009.2014944

Koppe, W., Gnyp, M., Hutt, C., Yao, Y., Miao, Y., Chen, X., and Bareth, G., 2013. Rice monitoring with multitemporal and dualpolarimetric TerraSAR-X data.International Journal of Applied Earth Observation and Geoinformation, 21: 568-576. https://doi.org/10.1016/j.jag.2012.07.016

Liu, Z., Zhou, W., Shen, J., He, P., Lei, Q., and Liang, G., 2014. A simple assessment on spatial variability of rice yield and selected soil chemical properties of paddy fields in South China. Geoderma 235: 39-47. https://doi.org/10.1016/j.geoderma.2014.06.027

Lobell, D.B., 2013. The use of satellite data for crop yield gap analysis. Field Crops Research 143: 56-64. https://doi.org/10.1016/j.fcr.2012.08.008

Ma, J.W., Nguyen, C.H., Lee, K., and Heo, J., 2019. Regional-scale rice-yield estimation using stacked auto-encoder with climatic and MODIS data: A case study of South Korea. International Journal of Remote Sensing 40(1): 51-71. https://doi.org/10.1080/01431161.2018.1488291

Mo, X., Liu, S., Lin, Z., Xu, Y., Xiang, Y., and McVicar, T.R., 2005. Prediction of crop yield, water consumption and water use efficiency with a SVAT-crop growth model using remotely sensed data on the North China Plain. Ecological Modelling 183(2): 301-322. https://doi.org/10.1016/j.ecolmodel.2004.07.032

Mohammadi Ahmad Mahmoudi, E., Kamkar, B., and Abdi, O., 2015. Comparison of geostatistical- and remote sensing data-based methods in wheat yield prediction in some of growing stages (A case study: Nemooneh filed, Golestan province). Crop Production 8(2): 51-76. (In Persian with English Summary). 20.1001.1.2008739.1394.8.2.3.5

Nassiri Mahallati, M., Koocheki, A.R., and Jahani, M., 2016. Estimating within field variability of wheat yield using spatial variables: An approach to precision agriculture. Journal of Agroecology 8(3): 329-345. (In Persian with English Summary) https://doi.org/10.22067/jag.v8i3.34502

Pourhadian, H., Kamkar, B., Soltani, A., and Mokhtarpour, H., 2019. Evaluation of forage maize yield gap using an integrated crop simulation model-satellite imagery method (Case study: Four watershed basins in Golestan Province). Archives of Agronomy and Soil Science 65(2): 253-268. https://doi.org/10.1080/03650340.2018.1493579

Rahmat, S.R., Firdaus, R.R., Shaharudin, S.M., and Ling, L.Y., 2019. Leading key players and support system in Malaysian paddy production chain. Cogent Food and Agriculture 5(1): 1708682. https://doi.org/10.1080/23311932.2019.1708682

Raziei, T., 2017. Köppen-Geiger climate classification of Iran and investigation of its changes during 20^th century. Earth and Space Physics 43: 419-439. (In Persian with English Summary).  https://doi.org/10.22059/JESPHYS.2017.58916

Ren, H., Zhou, G., and Zhang, F., 2018. Using negative soil adjustment factor in soil-adjusted vegetation index (SAVI) for aboveground living biomass estimation in arid grasslands. Remote Sensing of Environment 209: 439-445. https://doi.org/10.3390/s21062115

Rezaei Hossein Abad, A.R., 2013. An Investigation on the relationship between soil nutrients and wheat yield using Geographic Information Systems (GIS). M.Sc. Thesis, Gorgan University of Agricultural Sciences and Natural Resources, Iran. 71 p. (In Persian with English Summary)

Sanaienejad, S.H., Shah Tahmasbi, A.R., Sadr Abadi Haghighi, R., and Kelarestani, K.A., 2008. Study of spectral reflection on wheat fields in Mashhad using MODIS data. Journal of Water and Soil Science 12(45):11-19. (In Persian with English Summary) 20.1001.1.24763594.1387.12.45.2.9

SAS Institute., 2015. Base SAS 9.4 procedures guide. SAS Institute. www.sas.com

Shi, H., and Xingguo, M., 2011. Interpreting spatial heterogeneity of crop yield with a process model and remote sensing. Ecological Modeling 222(14): 2530-2541. https://doi.org/10.1016/j.ecolmodel.2010.11.011

Simoes, M.D.S., Rocha, J.V., and Lamparelli, R.A.C., 2005. Spectral variables, growth analysis and yield of sugarcane. Scientia Agricola 62(3): 199-207. https://doi.org/10.1590/S0103-90162005000300001

Siyal, A.A., Dempewolf, J., and Becker-Reshef, I., 2015. Rice yield estimation using Landsat ETM+ Data. Journal of Applied Remote Sensing 9: 1-16. https://doi.org/10.1117/1.JRS.9.095986

Tesfahunegn, G.B., Tamene, L., and Vlek, P.L.G., 2011. Catchment-scale spatial variability of soil properties and implications on site-specific soil management in northern Ethiopia. Soil Tillage Research 117: 124–139. https://doi.org/10.1016/j.still.2011.09.005

Utset, A., Lopez, T., and Diaz, M., 2000. A comparison of soil maps, kriging and a combined method for spatially prediction bulk density and field capacity of Ferralsols in the Havana-Matanaz Plain. Geoderma 96(3): 199-213. https://doi.org/10.1016/S0016-7061(99)00055-5

Wang, J., Dai, Q., Shang, J., Jin, X., Sun, Q., Zhou, G., and Dai, Q., 2019. Field-scale rice yield estimation using Sentinel-1A Synthetic Aperture Radar (SAR) data in coastal saline region of Jiangsu province, China. Remote Sensing 11(19): 2274. https://doi.org/10.3390/rs11192274

Webster, R., and Oliver, M., 2001. Geostatistics for Environmental Scientists. John Wiley & Sons, Ltd, Chichester, 271 p.

Yaghouti, H., Pazira, E., Amiri, E., and Masihabadi, M.H., 2019. The feasibility of using vegetation indices and soil texture to predict rice yield. Polish Journal of Environmental Studies 28(4). DOI: https://doi.org/10.15244/pjoes/81088

Zarco-Tejada, P.J., Ustin, S.L., and Whiting, M.L., 2005. Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery. Agronomy Journal 97(3): 641-653. https://doi.org/10.2134/agronj2003.0257

Zhu, Y., Yao, X., Tian, Y., Liu, X., and Cao, W., 2008. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice. International Journal of Applied Earth Observation and Geoinformation 10(1): 1-10. https://doi.org/10.1016/j.jag.2007.02.006

Zolekar, R.B., and Bhagat, V.S., 2015. Multi-criteria land suitability analysis for agriculture in hilly zone: Remote sensing and GIS approach. Computers and Electronics in Agriculture 118: 300-321. https://doi.org/10.1016/j.compag.2015.09.016