معرفی و ارزیابی مدلی پایدار برای تخمین شاخص سطح برگ گندم بوسیله تصاویر ماهوارهای در شرایط اقلیمی متفاوت
(ندگان)پدیدآور
زارع, حسینبنایان, محمدنصیری محلاتی, مهدیثنائی نژاد, حسیناشترک, تیلونوع مدرک
Textمقاله پژوهشی
زبان مدرک
فارسیچکیده
تخمین دقیق شاخص سطح برگ به عنوان یکی از متغیرهای کلیدی اکوسیستم دارای اهمیت فراوانی میباشد. هدف از این تحقیق معرفی مدلی مناسب جهت برآورد شاخص سطح برگ گندم بوسیله NDVI محاسبه شده از تصاویر لندست و مقایسه دقت آن با مدلهای رایج آماری میباشد. در این راستا، دادههای چندساله در دو منطقه در جنوب غرب آلمان برای واسنجی و اعتبارسنجی مدلهای تجربی، نیمه تجربی و مدل معرفی شده در این مقاله با نام NPLE مورد استفاده قرار گرفت. سپس مقادیر بهینه پارامترهای هر مدل برای ارزیابی در مزارع آستان قدس مشهد استفاده شد. مدلهای مورد ارزیابی عبارتند از: 1- وینا (مدل تجربی سه پارامتری). 2- لیو (مدل نیمهتجربی با دو پارامتر تجربی و یک پارامتر مربوط به ضریب خاموشی). 3- چادوری (مدل نیمه تجربی با پارامتر ضریب خاموشی) و 4- NPLE (مدل تجربی بدون پارامتر) و 5- نسخه اصلاح شدهی NPLE که در آن بجای NDVI از درصد پوشش گیاهی استفاده شده است. نتایج نشان داد که مدلهای NPLE و وینا دارای خطای بیشتری نسبت به بقیه مدلها بودند. مدل لیو، چادوری و NPLE اصلاح شده دارای خطای قابل قبولی در واسنجی و اعتبارسنجی بودند (RMSE~0.30). در مرحله ارزیابی مدلها در مشهد، مدل NPLE اصلاح شده و چادوری بهترین نتیجه را داشتند، در حالی که مدلهای دیگر دارای خطای سیستماتیک بالایی بودند، این مطلب نشان میدهد که مقادیر بهینه بدست آمده برای پارامترهای مدلهای لیو و وینا با تغییر مکان آزمایش (مشهد) معتبر نمیباشند. بدلیل کمتر بودن و همچنین غیر سیستماتیک بودن خطای پیش بینی در مدل NPLE اصلاح شده، پیشنهاد میشود که خروجی این مدل در مطالعات واسنجی مدلهای زراعی مورد استفاده قرار گیرد
کلید واژگان
تخمین سطح برگمدل آماری
سنجش از دور
شاخص گیاهی
شماره نشریه
39تاریخ نشر
2020-08-221399-06-01
ناشر
سازمان هواشناسی کشور- پژوهشکده اقلیم شناسیسازمان پدید آورنده
دانشجوی دکتری گروه زراعت، دانشکده کشاورزی دانشگاه فردوسی مشهدگروه زراعت ، دانشکده کشاورزیو دانشگاه فردوسی مشهد
استاد، گروه زراعت، دانشکده کشاورزی دانشگاه فردوسی مشهد
استاد گروه بیوژئوفیزیک، انستیتو علوم خاک، دانشگاه هونهایم آلمان




