سنجش از دور
مریم مزیدی؛ موسی حسام؛ خلیل قربانی؛ چوقی بایرام کمکی
چکیده
تنش آبی در نتیجه عدم تعادل بین آب خاک در محیط ریشه و آب مصرفی گیاه رخ می‌دهد که ضرورت تعیین شاخص تنش آبی گیاه را ایجاب می‌کند. رطوبت خاک سطحی ارتباط مستقیمی با آب موجود در گیاه دارد. در دسترس بودن دادههای ماهواره‌ای منجر به تفکیک زمانی و مکانی دادههای مزرعه‌ای شده است و فرصت‌های جدیدی را برای نظارت بر شرایط کشت ارائه می‌دهد. در ...
بیشتر
تنش آبی در نتیجه عدم تعادل بین آب خاک در محیط ریشه و آب مصرفی گیاه رخ می‌دهد که ضرورت تعیین شاخص تنش آبی گیاه را ایجاب می‌کند. رطوبت خاک سطحی ارتباط مستقیمی با آب موجود در گیاه دارد. در دسترس بودن دادههای ماهواره‌ای منجر به تفکیک زمانی و مکانی دادههای مزرعه‌ای شده است و فرصت‌های جدیدی را برای نظارت بر شرایط کشت ارائه می‌دهد. در این پژوهش، پایش دقیق و مستمر رطوبت خاک به‌عنوان نماینده تنش رطوبتی خاک، با اندازه‌گیری‌های میدانی رطوبت خاک و مقایسه با دادههای چند طیفی تصاویر ماهواره‌ای لندست 9 و سنتینل 2 صورت گرفت. ارتباط بین شاخص‌های گیاهی به‌عنوان متغیر مستقل و رطوبت خاک سطحی به‌عنوان متغیر وابسته، با استفاده از روش‌های رگرسیون چند متغیره خطی و رگرسیون درخت M5بررسی شد. با توجه به غیرخطی بودن رابطه بین رطوبت خاک با بازتاب‌های طیفی، رگرسیون چند متغیره خطی نتایج رضایت‌بخشی را نشان نداد (با ضریب تعیین (R2) 0/46 و0/34 به ترتیب برای ماهواره لندست 9 و سنتتینل 2 و همچنین جذر میانگین خطا (RMSE) برابر 0/043 و 0/052). ولی، رگرسیون درختی M5، نتایج قابل قبول‌تری را نشان داد، به‌طوری‌که با برقراری 16 و 20 رابطه رگرسیونی برای ماهواره‌های لندست 9 و سنتینل 2 ، رطوبت خاک را با ضریب تعیین 0/70 و0/67 و جذر میانگین مربعات خطا برابر 0/033 و 0/038 برآورد کرد. نتایج نشان داد که تخمین رطوبت خاک با روش‌های مبتنی بر یادگیری ماشین، همچون مدل M5، دقت محاسبات را بالا می‌برد. در رگرسیون درخت تصمیم M5، لزوماً تعداد بالای متغیر، منجر به افزایش دقت تخمین رطوبت خاک نمی‌شود و در تعداد متغیرهای کم هم رابطه‌ای با بالاترین دقت یافت می‌شود. بنا بر این، بدون اندازه‌گیری دادههای خاک، می‌توان رابطه بدست آمده در سطح مزرعه را برای ارزیابی تنش آبی خاک و تعیین زمان آبیاری در زمینهای کشاورزی در مقیاس وسیع استفاده کرد.