توصيفگر ها :
نياز آبي , تبخير-تعرق , مدل OPTRAM , تصاوير ماهواره‌اي , سنجش از دور , سيب زميني
چكيده فارسي :
در شرايط كمبود منابع آبي، افزايش توليد با افزايش بهره‌وري آب از جمله راهكارهاي حفظ امنيت غذايي است. اطلاع از وضعيت رطوبتي خاك، نياز آبي و شرايط رشد گياه موقعيت را براي اجراي مديريت هوشمند در سطح مزرعه و دشت فراهم مي كند. از جمله پارامترهاي مهم براي مديريت هوشمند مزرعه، آگاهي از شاخص سطح برگ و رطوبت خاك است. هدف از مطالعه حاضر تعيين شاخص سطح برگ و رطوبت خاك با استفاده از تصاوير ماهواره و ارزيابي دقت آنها با استفاده از داده هاي ميداني است. بدين منظور داده هاي ميداني شاخص سطح برگ و رطوبت خاك در دشت هرمزآباد طي ماه‌هاي تير، مرداد، شهريور و مهر در كشت سيب زميني، به صورت كشت جوي و پشته تحت آبياري باراني برداشت شد. به‌طوركلي براي محاسبه رطوبت خاك با استفاده از تصاوير ماهواره‌اي از 3 روش كلي استفاده شد. روش ريزمقياس گرداني تصاوير FLDAS به كمك ماهواره سنتينل-1، اين روش در سطح مزرعه و براي محاسبه رطوبت يك پيكسل دقت قابل‌قبول را نداشت. روش نيمه‌تجربي ذوزنقه اپتيكي (OPTRAM) ، در اين روش از 2 فضاي STR_EVI و STR_SAVI استفاده شد كه نتايج نزديك به هم بودند. مقدار R2 براي STR_SAVI برابر با 344/0 و براي STR_EVI برابر 337/0 به دست آمد. همچنين براي محاسبه رطوبت خاك از روش رگرسيون چندمتغيره استفاده شد و چهار مدل رگرسيوني خطي كه متغيرها شامل باندهاي سنتينل-2 و شاخص‌هاي گياهي و خاكي همچون NDVI، EVI،SAVI ، NDMI و NDRE بودند، به دست آمد. اين چهار مدل رگرسيون خطي عملكردهاي قابل‌قبولي داشتند و مدل SM1 بهترين عملكرد را در مرحله ارزيابي داشت، براي اين مدل مقادير R2 برابر 89/0، RMSE و NRMSE به ترتيب برابر 033/0 سانتي متر مكعب بر سانتي متر مكعب و 91/11 درصد بودند. در اين پژوهش براي محاسبه شاخص سطح برگ از روش رگرسيون چندمتغيره استفاده شد، متغيرها شامل باندهاي سنتينل-2 و شاخص‌هاي گياهي همچون NDVI، EVI،SAVI و NDRE بودند. چهار مدل رگرسيون خطي و 3 مدل رگرسيون غيرخطي تواني به دست آمد. دقت تمامي مدل‌ها قابل‌قبول بودند و مدل LAI2 بهترين عملكرد را در مرحله ارزيابي داشت، براي اين مدل مقادير R2 برابر 91/0، RMSE و NRMSE به ترتيب برابر با 06/1 متر مربع بر متر مربع و 5/13 در صد به دست آمد.
چكيده انگليسي :
In areas with limited water resources, increasing production through enhanced efficiency is one of the strategies to ensure food security. Being informed about soil moisture status, plant water requirements, and growth conditions facilitates precise irrigation management at the field. Since two critical factors for precise irrigation are leaf area index (LAI) and soil moisture levels, the objective of this study is to determine LAI and soil moisture indices using satellite imagery and compare their accuracy with the costly and time-consuming field measurements. In the Hermozabad plain, field data for LAI and soil moisture were gathered from July to October, focusing on potato cultivation using sprinkler irrigation method. Overall, three primary methods were used to compute soil moisture from satellite images. The fine-scale downscaling method, utilizing FLDAS imagery with support from the Sentinel-1 satellite, was utilized. However, it did not demonstrate acceptable pixel-level accuracy, especially at the field scale. The semi-empirical triangle method (OPTRAM) employed two indices, STR_EVI and STR_SAVI, which produced closely correlated results with R2 values of 0.344 and 0.337, respectively. Additionally, we utilized multiple linear regression models for soil moisture estimation, integrating Sentinel-2 bands and various vegetation indices, including NDVI, EVI, SAVI, NDMI, and NDRE. All four linear regression models exhibited satisfactory performance, with model SM1 performing the best during the evaluation phase, achieving R2 values of 0.890, RMSE of 0.033 cm³/cm³, and NRMSE of 11.91 %. In this research, a multivariable regression approach was utilized to calculate the leaf area index. The variables considered included Sentinel-2 bands and vegetation indices such as NDVI, EVI, SAVI, and NDRE. We developed four linear regression models and three power-law nonlinear regression models. All models demonstrated satisfactory performance, with the LAI2 model delivering the best results during the evaluation phase, achieving R2 values of 0.910, RMSE of 0.061 m²/m², and NRMSE of 13.5%.
