ورود
مقالات فارسیISIکنفرانسهاژورنالها

پیش بینی عملکرد کلزا در مراحل مختلف رشد به وسیله تصاویر سنجنده OLI ماهواره لندست

محل انتشار: مجله مهندسی بیوسیستم ایران، دوره: 50، شماره: 1
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 305

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1660155

شناسه ملی سند علمی:

JR_IJBSE-50-1_009

تاریخ نمایه سازی: 31 اردیبهشت 1402

چکیده مقاله:

کلزا منبع روغن خوراکی است و کشت آن در ایران و جهان رو به رشد می­باشد. در زمینه تخمین عملکرد کلزا به­وسیله سنجش از دور تحقیقات کمی صورت گرفته است. در سال زراعی ۹۶-۹۵ با هدف پیش­بینی عملکرد کلزا به­وسیله ماهواره لندست ۸، سنجنده OLI، سه مزرعه کشت این محصول مورد ارزیابی قرار گرفت. تصاویر ماهواره­ای در پنج مرحله قبل از گل­دهی، اوایل گل­دهی، اوج گل­دهی، رسیدگی سبز و رسیدگی خشک پردازش گردید و تعدادی از شاخص­های گیاهی براساس نسبت بین باندها استخراج گردید. محدوده شبکه­ای پیکسل­های مزارع تعیین گردید و برای افزایش دقت تعیین موقعیت پیکسل­ها در مزارع از سیستم موقعیت­یابی جهانی سینماتیک زمان واقعی (RTKGPS) استفاده گردید. نمونه­برداری از داخل پیکسل­های مزارع در هنگام برداشت انجام گردید و عملکرد دانه کلزا اندازه­گیری گردید. در مجموع از سه مزرعه مورد مطالعه ۲۸ پیکسل برای پیاده­سازی مدل­های پیش­بینی و نیز اعتبارسنجی آنها اخذ شد. از مدل­های رگرسیونی خطی ساده و چند متغیره برای ارزیابی ارتباط بین عملکرد کلزا و شاخص­های گیاهی استفاده گردید. نتایج نشان داد براساس مدل رگرسیون خطی ساده، بین مراحل رشد، بالاترین ضریب تبیین (R۲) در هر یک از شاخص­های گیاهی به یکی از دو مرحله اوج گل­دهی و رسیدگی سبز تعلق داشت. ضریب تبیین در تمام شاخص­های گیاهی، در مرحله قبل از گل­دهی ضعیف (پایین­تر از ۱۰ درصد) و در دو مرحله اوائل گل­دهی و رسیدگی خشک نسبتا متوسط (۵۲-۲۴ درصد) بوده است. براساس این مدل، در مرحله اوج گل­دهی شاخص تفاضل نرمال شده زردی (NDYI) با ۶۷ درصد و در مرحله رسیدگی سبز شاخص نسبت پوشش گیاهی (RVI) با ۶۴ درصد بالاترین ضریب تبیین را نسبت به سایر شاخص­های گیاهی کسب کرده­اند. با به­کارگیری مدل رگرسیون خطی چند متغیره گام به گام با چهار باند مرئی و مادون قرمز نزدیک به­عنوان ورودی، بهترین مدل پیش­بینی عملکرد کلزا در مرحله گل دهی با ضریب تبیین ۷۸ درصد و میزان اعتبارسنجی ۷۴ درصد به­دست آمد.

کلیدواژه ها:

نویسندگان

نعیم لویمی

Ph.D. Student, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering & Technology, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran

اسداله اکرم

Associate Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering & Technology, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran

نیکروز باقری

Assistant Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and Extension Organization (AREEO), karaj, Iran

علی حاجی احمد

Assistant Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering & Technology, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Alavipanah, S.K. (۲۰۱۶). Fundamentals of modern remote sensing and interpretation ...
  • Ash, M. (۲۰۱۷). Canola Production and Processing. Retrieved March ۲۷, ...
  • Basnyat, P., McConkey, B., Lafond, G. P., Moulin, A. & ...
  • Birth, G.S. & McVey, G.R. (۱۹۶۸). Measuring color of growing ...
  • Buschmann, C., & Nagel, E. (۱۹۹۳). In vivo spectroscopy and ...
  • Darvishzadeh, R., Matkan, A. & Eskandari, N. (۲۰۱۲). Evaluation of ...
  • Fang, H., Song, H.Y., Cao, F., He, Y. & Qiu, ...
  • Gallego, J., Carfagna, E. & Baruth, B. (۲۰۱۰). Accuracy, objectivity ...
  • Gitelson, A.A., Kaufman, Y.J., Stark, R. & Rundquist, D. (۲۰۰۲). ...
  • Goel, P.K., Prasher, S.O., Landry, J.A., Patel, R.M., Viau, A.A. ...
  • Hogya, P., Franzaring, J., Schwadorf, K., Breuer, J., Schütze, W. ...
  • Huete, A. R., Justice, C. & Van Leeuwen, W. (۱۹۹۶). ...
  • Jago, R.A., Cutler, M.E.J. & Curran, P.J. (۱۹۹۹). Estimating canopy ...
  • Johnson, D.M. (۲۰۱۶). A comprehensive assessment of the correlations between ...
  • Kazem, M., Mirzaei, S. & Maadi, B. (۲۰۱۶). Canola cultivation. ...
  • Liu, F., Jin, Z.L., Naeem, M.S., Tian, T., Zhang, F., ...
  • Liu, F., Zhang, F., Jin, Z.L., He, Y., Fang, H., ...
  • Matsushita, B., Yang, W., Chen, J., Onda, Y. & Qiu, ...
  • McBratney, A., Whelan, B., Ancev, T. & Bouma, J. (۲۰۰۵). ...
  • Mohammadi, E., Kamkar, B., & Abdi, O. (۲۰۱۶). Comparison of ...
  • Piekarczyk, J. (۲۰۱۱). Winter oilseed-rape yield estimates from hyperspectral radiometer ...
  • Pirnazar, M. & Zandkarimi, A. (۲۰۱۶). Guide of ENVI application ...
  • Raun, W.R., Solie, J.B., Stone, M.L., Lukina, E.V., Thomason, W.E. ...
  • Rezaei, A. & Mirmohammadi, S.A. (۲۰۱۱). Statistics and probability, application ...
  • Rouse, J.W., Haas, R.H., Schell, J.A., & Deering, D.W. (۱۹۷۴). ...
  • Sanaeinejad, H., Nassiri Mahallati, M., Zare, H., Salehnia, N. & ...
  • Sulik, J.J. & Long, D.S. (۲۰۱۶). Spectral considerations for modeling ...
  • Vigneau, N., Ecarnot, M., Rabatel, G. & Roumet, P. (۲۰۱۱). ...
  • Weber, V.S., Araus, J.L., Cairns, J.E., Sanchez, C., Melchinger, A.E. ...
  • Xiaolei, Z. & Yong, H. (۲۰۱۳). Rapid estimation of seed ...
  • Yamamoto, K., Guo, W., Yoshioka, Y. & Ninomiya, S. (۲۰۱۴). ...
  • Zou, X.B., Shi, J.Y., Hao, L.M., Zhao, J.W., Mao, H.P., ...
    • نمایش کامل مراجع