پیش‌آگاهی سرمازدگی بهاره باغات سیب با استفاده از مدل WRF

آب و خاک

مقاله 9، دوره 36، شماره 1 - شماره پیاپی 81، فروردین و اردیبهشت 1401، صفحه 127-144   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2022.73254.1107

نویسندگان

سیده محبوبه ابن حجازی¹؛ حجت اله یزدان پناه^{* 2}؛ سعید موحدی³؛ محمدعلی نصراصفهانی⁴؛ مینا مرادی زاده⁵

¹دانشجوی دکتری آب و هواشناسی کشاورزی، گروه جغرافیای طبیعی، دانشکده علوم جغرافیایی و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران

²دانشیار اقلیم شناسی گروه جغرافیای طبیعی، دانشکده علوم جغرافیایی و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران

³دانشیار اقلیم شناسی، گروه جغرافیای طبیعی، دانشکده علوم جغرافیایی و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران

⁴استادیار هواشناسی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

⁵استادیار سنجش از دور، گروه مهندسی نقشه برداری، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان، اصفهان، ایران

چکیده

سرمازدگی محصولات کشاورزی در فصل بهار، همه‌ساله زیان‌های سنگین مالی را به بخش کشاورزی به‌ویژه در باغات شمال غرب ایران وارد می‌کند. هدف این مقاله، ارزیابی سیستمی برای پیش‌آگاهی سرمازدگی با استفاده از شبیه‌سازی دمای حداقل 72 ساعته به‌وسیله مدل WRF و تشخیص مراحل فنولوژی سیب از تصاویر لندست است تا با شناخت مراحل فنولوژی محصول و دمای بحرانی در آن مرحله چنانچه دمای حداقل در 72 ساعت آینده به دمای بحرانی برسد پیش‌آگاهی سرمازدگی صورت گیرد. داده‌های دمای 2 متری خروجی مدل WRF برای شبکه محاسباتی داخلی، در 51 ایستگاه سینوپتیک با دمای حداقل مشاهداتی در ایستگاه‌ها مقایسه شد. مقادیر شاخص NDVI نیز با استفاده از تصاویر لندست 7 و 8 سنجنده‌های ETM+ و OLI در سال‌های 2016-2007 برای باغ سیب واقع در ایستگاه تحقیقات هواشناسی کشاورزی کهریز ارومیه محاسبه و با زمان مراحل فنولوژی ثبت‌شده در محل مقایسه شد. نتایج نشان داد که معنی‌داری همبستگی و مدل رگرسیونی بین متغیر دمای 2 متری خروجی مدل WRF و متغیر دمای حداقل مشاهداتی در مجموع کل ایستگاه‌ها برای شبیه‌سازی 72 ساعته وجود دارد. درنتیجه می‌توان از مدل WRF در شبیه‌سازی 72 ساعته دما در منطقه موردمطالعه بهره برد. یافته دیگر این تحقیق نشان داد که در مقایسه با داده‌های زمینی ثبت‌شده در منطقه، مقادیر NDVI به‌دست‌آمده از تصاویر لندست به‌خوبی گویای تغییرات مراحل فنولوژی در باغ سیب موردمطالعه است.

کلیدواژه‌ها

تشخیص مراحل فنولوژیکی؛ سرمازدگی بهاره؛ سیستم هشدار سریع؛ مدلNDVI؛ WRF

مراجع

1. Agricultural Mechanization Development Center. 2019. Frost and hail damage reduction plan using new mechanization technologies. Ministry of Agriculture-Jahad, Agricultural Mechanization Development Center: 10 p. Available at http://www.agmdc.ir (visited 22 December 2020).
2. Ahmadi K., ebadzadeh HR., Hatami F., Hoseinpour R., and Abdshah H. 2020. Amarnameh Keshavarzi 2019- 3: Horticultural products. Ministry of Agriculture-Jahad, Deputy of Planning and Economy, Information and Communication Technology Center, Tehran: 156 p. Available at https://www.maj.ir (visited 10 November 2020).
3. Azadi M., Taghizadeh E., and Memarian MH. 2012. Verification of WRF precipitation forecast over IRAN country during NOV.2008-JUN.2009. Iran-Water Resources Research, 8(2): 48-59. (In Persian with English abstract)
4. Chmielewski F., Blumel K., Henniges Y., Blanke M., Weber R., and Zoth M. 2011. Phenological models for the beginning of apple blossom in Germany. Meteorologische Zeitschrift 20(5): 487-496. https://doi.org.10.1127.0941-2948.2011.0258.
5. Duan H., Li Y., Zhang T., PU Z., ZHAO C., and LIU Y. 2018. Evaluation of the forecast accuracy of near-surface temperature and wind in northwest China based on the WRF model. Journal of Meteorological Research 32: 469–490. http://dx.doi.org.10.1007.s13351-018-7115-9.
6. Fallah Ghalhari GA., and Ahmadi H. 2017. Trend analysis of phenological stages length and chilling requirements of apple tree (Case study: Karaj station). Journal of Agricultural Meteorology 5(1):57-70. (In Persian with English abstract)
7. Farajzadeh M., Rahimi M., Kamali GA., and Mavrommatis T. 2010. Modelling apple tree bud burst time and frost risk in Iran. Meteorological Applications 17(1): 45-52. https://doi.org.10.1002.met.159.
8. Fazel Dehkordi L., Azarnivand H., Zare Chahouki M., Mahmoudi Kohan F., and Khalighi Sigaroudi S. 2016. Drought Monitoring Using Vegetation Index (NDVI) (Case study: Rangelands of Ilam Province). Journal of Range and Watershed Management, 69(1) :141-154. (In Persian with English abstract). http://dx.doi.org.10.22059.jrwm.2016.61739.
9. Ghafarian P., and Barekati SM. 2013. Verification of the weather research and forecasting model (WRF) for the heavy precipitation forecasting in the Karun basin. A case study (8-9 February 2006). Journal of Climate Research 4(15): 129-149. (In Persian with English abstract)
10. Gholami S., Ghader S., Khaleghi Zavareh H., and Ghafarian P. 2018. Verification of WRF wind field hindcast forced by different initial and boundary conditions over the Persian Gulf: Comparison with synoptic data and QuikSCAT and ASCAT satellites data. Journal of the Earth and Space Physics, 44(1): 227-243. (In Persian with English abstract)
11. Graczyk D., and Szwed M. 2020. Changes in the occurrence of late spring frost in Poland. Agronomy 10(11): 2-14. https://doi.org.10.3390.agronomy10111835.
12. Hesari B., Rezaee R., Nikanfar R., and Tayefe Neskili N. 2015. Study and preparation of frost maps for field and orchard crops in West Azerbaijan. Journal of Geography and Environmental Hazards 4(14): 117-135. (In Persian with English abstract)
13. Hiratsuka Y., and Zalasky H. 1993. Frost and other climate-related damage of forest trees in the prairie provinces. Forestry Canada, Northwest Region, Northern Forestry Centre, Edmonton, Alberta. Information Report NOR-X-331: 25 p. Available at https://d1ied5g1xfgpx8.cloudfront.net.pdfs.11782.pdf (visited 16 June 2019).
14. Huete AR. 2012. Vegetation indices, remote sensing and forest monitoring. Geography Compass 6(9): 513–532.  https://doi.org.10.1111.j.1749-8198.2012.00507.x.
15. Hur J., and Ahn JB. 2015. Seasonal prediction of regional surface air temperature and first-flowering date over South Korea. International Journal of Climatology 35: 4791–4801. https://doi.org.10.1002.joc.4323.
16. Kamali Gh., Rahimi M., Mohammadian N., and Mahdavian A. 2007. Prediction of flowering time of Golden apple cultivar based on cumulative chilling requirments for preventing frost damage in Golmakan area of Khorasan. Journal of Humanities the University of Isfahan 1(22): 171–182. (In Persian with English abstract)
17. Khalili A. 2014. Quantitative evaluation of spring frost risk to agricultural and horticultural crops in Iran and modeling. Journal of Agricultural Meteorology 2(1): 17-31. (In Persian with English abstract)
18. Khare S., Drolet G., Sylvain JD., Paré MC., and Rossi S. 2019. Assessment of Spatio-Temporal Patterns of Black Spruce Bud Phenology across Quebec Based on MODIS-NDVI Time Series and Field Observations. Remote Sensing 11(23): 2745. https://doi.org.10.3390.rs11232745.
19. Khosravi M., Habibi No Khandan M., and Esmaeli R. 2008. Zonation of late chilblain risk impacts on orchards case study: Mahvalat region. Geography and Development Iranian Journal 6(12): 145-162. (In Persian with English abstract)
20. Liu L., Ma Y., Menenti M., Zhang X., and Ma W. 2019. Evaluation of WRF Modeling in Relation to Different Land Surface Schemes and Initial and Boundary Conditions: A Snow Event Simulation Over the Tibetan Journal of Geophysical Research: Atmospheres 124: 209-226. https://doi.org.10.1029.2018JD029208.
21. Martínez-Lüscher J., Hadley P., Ordidge M., Xu X., and Luedeling E. 2017. Delayed chilling appears to counteract flowering advances of apricot in southern UK. Agricultural and Forest Meteorology 237–238: 209-218. https://doi.org.10.1016.j.agrformet.2017.02.017.
22. McFeeters SK. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing 17(7): 1425-143. https://doi.org.10.1080.01431169608948714.
23. Müller OV., Lovino MA., and Berbery EH. 2016. Evaluation of WRF model forecasts and their use for hydroclimate monitoring over southern south America. Weather and Forecasting 31(3): 1001-1017. https://doi.org.10.1175.WAF-D-15-0130.1.
24. Myneni RB., Hall FG., Sellers PJ., and Marshak AL. 1995. The interpretation of spectral vegetation indexes. IEEE Transactions on Geoscience and Remote Sensing 33(2): 481-486.
25. Nasr Esfahani M., and Yazdanpanah 2019. Prognosis of frosting occurrence almond orchards in Najafabad region. Physical Geography Research Quarterly 51(3): 497-512. (In Persian with English abstract). http://dx.doi.org.10.22059.JPHGR.2019.281346.1007380.
26. Nasr Esfahani M., Yazdanpanah H., and Nasr Esfahani MA. 2018. Evaluation of WRF model for temperature forecast and frosting occurrence in Zayandeh Rud Basin. Physical Geography Research Quarterly 51(1): 163-182. (In Persian with English abstract). https://dx .doi.org.10.22059.JPHGR.2019.262062.1007258.
27. Omidvar K., and Dehghan Banadoki Z. 2013. Studying and Analyzing Strong Spring Frostbite Phenomenon of Pistachio Orchards in Yazd Province. Journal Of Geography and Regional Development Reseach 10(19): 237-253. (In Persian with English abstract)
28. Plan and Budjet Organization, Management and Planning Organization of Azerbaijan-e-Gharbi Province, Statistical Year book of West Azerbaijan Province-2018. Available at https://azgharbi.mporg.ir (visited 11 October 2020).
29. Raper TB., Varco JJ., and Hubbard KJ. 2013. Canopy-based normalized difference vegetation index sensors for monitoring cotton nitrogen status. Agronomy Journal 105(5): 1345-1354. https://doi.org.10.2134.agronj2013.0080.
30. Rouse JW., Haas RH., Schell JA., and Deering DW. 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA Specefic Publication 351: 309-317.
31. Safa , Khalili A., Teshnehlab M., and Liaghat A. 2014. Artificial Neural Networks (ANNs) application to predict occurrence of phenological stages in wheat using climatic data. International Journal of Agricultural Policy and Research 2(10): 352-361. http://dx.doi.org.10.15739.IJAPR.007.
32. Sahebjalal , and Dashtekian K. 2013. Analysis of land use-land covers changes using normalized difference vegetation index (NDVI) differencing and classification methods. African Journal of Agricultural Research 8(37): 4614-4622. https://doi.org.10.5897.AJAR11.1825.
33. Shuai , Schaaf C., Zhang X., Strahler A., Roy D., Morisette J., Wang Z., Nightingale J., Nickeson J., Richardson AD., Xie D., Wang J, Li X., Strabala K., and Davies JE. 2013. Daily MODIS - 500 m reflectance anisotropy direct broadcast (DB) products for monitoring vegetation phenology dynamics. International Journal of Remote Sensing 34(16): 5997–6016. https://doi.org.10.1080.01431161.2013.803169.
34. Valashedi RN., and Sabziparvar AA. 2016. Evaluation of winter chill requirement models using the observed apple tree phenology data in Kahriz (Urmia, Iran). Iranian Horticultural Science 47(3): 561-570.. (In Persian with English abstract). https://doi.org.10.22059.IJHS.2016.59818.
35. Vitasse Y., Schneider L., Rixen C., Christen D., and Rebetez M. 2018. Increase in the risk of exposure of forest and fruit trees to spring frosts at higher elevations in Switzerland over the last four decades. Agricultural and Forest Meteorology 248: 60–69. https://doi.org.10.1016.j.agrformet.2017.09.005.
36. Von Bennewitz Alvarez E., Cazanga-Solar R., and Carrasco-Benavides M. 2018. Studying phenological stages of cherry (Prunus avium) using field observations and satellite-derived vegetation indexes. IDESIA 36(1): 65-71. http://dx.doi.org.10.4067.S0718-34292018000100065.
37. Yáñez-Morroni G., Gironás J., Caneo Marta., Delgado R., and Garreaud R. 2018. Using the Weather Research and Forecasting (WRF) Model for Precipitation Forecasting in an Andean Region with Complex Topography. Atmosphere 9(8): 304. https://doi.org.10.3390.atmos9080304.
38. Yazdanpanah , Ohadi D., and Soleimanitabar M. 2010. Forecasting different phenological phases of apple using artificial neural network. Journal of Research in Agricultural Science 6(2): 97-106. (In Persian with English abstract)
39. Yoder BJ., and Waring RH. 1994. The normalized difference vegetation index of small Douglas-Fir canopies with varying chlorophyll concentrations. Remote Sensing of Environment 49: 81-91. https://doi.org.10.1016.0034-4257(94)90061-2.
40. Zakeri Z., Azadi M., and Sahraeiyan F. 2014. Verification of WRF forecasts for precipitation over Iran in the period Feb-May 2009. Nivar, 38(87-86): 3-10. (In Persian with English abstract)
41. Zheng Y., Wu B., Zhang M., and Zeng H. 2016. Crop Phenology Detection Using High Spatio-Temporal Resolution Data Fused from SPOT5 and MODIS Products. Sensors, 16(12), 2099. https://doi.org.10.3390.s16122099
42. Zoljoodi M., Ghazi Mirsaeed M., and Seifari Z. 2013. Verification of WRF model on accuracy and precision of various schemes and evaluation of precipitation forecast in Iran. Geographical Research 28(2): 187-194. (In Persian with English abstract)