برآورد شاخص سطح برگ و ضریب گیاهی برنج با استفاده از داده‌های سنجنده OLI

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی آب دانشکده مهندسی زراعی دانشگاه علوم کشاورزی و منابع طبیعی ساری.

2 دانشیار گروه مهندسی آب دانشکده مهندسی زراعی دانشگاه علوم کشاورزی و منابع طبیعی ساری.

3 استاد گروه مهندسی آب دانشکده مهندسی زراعی دانشگاه علوم کشاورزی و منابع طبیعی ساری.

چکیده

تعیین نیاز آبی گیاهان از عوامل مؤثر در برنامه­ریزی دقیق آبیاری است. ضریب گیاهی به عنوان نماینده ویژگی­های گیاهان مختلف در معادله محاسبه تبخیر- تعرق گیاهی دارای اهمیت بسیار است. محاسبه این ضریب با روابط و روش­های موجود هزینه­بر و زمان­بر بوده و اطلاعات حاصل از این روش­ها به صورت نقطه­ای گزارش می­شود، در حالیکه امروزه یافتن روش­های محاسبه ضریب گیاهی در سطوح گسترده مورد توجه می‌باشد. در این میان روش­های مبتنی بر سنجش از دور مورد استقبال بسیاری از پژوهشگران قرار گرفته است. پژوهش حاضر با هدف برآورد ضریب گیاهی(Kc) و شاخص سطح برگ (LAI) برنج در مراحل مختلف زراعی با استفاده از سنجنده OLIانجام شد. بدین منظور، داده­های شاخص سطح برگ در مراحل مختلف رشد طی دو فصل زراعی (1394-1393) و (1395-1394) از دو قطعه شالیزار 65 و 15 هکتاری در شمال شهرستان ساری مورد استفاده قرار گرفت. مقدار متوسط ضریب گیاهی برآورد شده در مراحل نشا، پنجه­زنی، خوشه­دهی و رسیدن به ترتیب 92/0، 24/1، 19/1 و 12/1 به دست آمد که نشان از وجود رابطه خطی بین این ضریب و شاخص تفاوت نرمال شده گیاهی (NDVI)دارد (97/0 r >). نتایج نشان می­دهد که شاخص NDVIبرآوردگر خوبی برای ضریب گیاهی برنج است. هم­چنین شاخص رشد برنج (RGVI)نیز در تمامی مراحل دارای ضریب همبستگی 93/0 r > بود. براساس یافته­ها، شاخص رشد برنج (RGVI) برآوردگر خوبی برای تعیین شاخص سطح برگ (LAI) محسوب می­شود و تقریباً در تمامی مراحل رشد گیاه، بیش از 90 درصد تغییرات مقدار شاخص سطح برگ را پیش­بینی می­نماید.

کلیدواژه‌ها

عنوان مقاله [English]

Leaf Area Index and Crop Coefficient Estimation from Operational Land Imager (OLI) Sensor Data

نویسندگان [English]

  • fatemeh jafari sayadi 1
  • Mohammad Ali Gholami Sefidkouhi 2
  • mirkahlegh ziyaeetabar ahmadi 3
1 PhD Student of Irrigation and Drainage, Sari Agricultural Sciences and Natural Resources University.
2 Associate Professor, Water Engineering Department, Sari Agricultural Sciences and Natural Resources University.
3 Professor, Water Engineering Department, Sari Agricultural Sciences and Natural Resources University.
چکیده [English]

Water demand is one of the most effective factors in irrigation scheduling. In evapotranspiration formulas, crop coefficient (Kc), as a representative of different plants characteristics, is of great importance. Calculating this coefficient using the existing methods and formulas is costly and time-consuming, and results are point-specific. However, nowadays, calculation methods that provide large- scale Kc values are of interest. The methods based on remote sensing have been welcomed by many researchers. The objective of the present study was calculating crop coefficient (Kc) and leaf area index (LAI) of rice in different growing stages, using OLI sensor. In this regard, data LAI of two rice fields (areas of 15 and 65 hectares) located in north part of Sari, Iran, were used in two growing seasons (2014-2015 and 2015-2016). The average Kc at transplantation, tillering, heading, and maturity stages was, respectively, 0.92, 1.24, 1.19, and 1.12, showing that Kc had a good correlation with NDVI at different stages (r>0.97). According to the results, NDVI is a good estimator for rice Kc. In addition, Rice Growth Vegetation Index (RGVI) in all growing stages had a correlation coefficient r>0.93. RGVI is considered as a good estimator of LAI. Approximately at all growing stages, except heading, more than 93% of LAI changes were predicted by RGVI. Generally, it can be concluded that the most suitable indices for estimating Kc and LAI of rice are NDVI and RGVI, respectively.
 

کلیدواژه‌ها [English]

  • Normalized Difference Vegetation Index (NDVI)
  • Rice Growth Vegetation Index (RGVI)
  • Landsat 8

مراجع

  1. امینی بازیانی، س.، اکبری، م. و زارع ابیانه، ح. (1392). برآورد سطح و تراکم کشت با استفاده از سنجش از دور در دشت همدان- بهار. نشریه آبیاری و زهکشی ایران. 7 (1). 48-36.
  2. بخت فیروز، ع. (1390). بررسی اثر سامانه­های زهکشی بر گسیل گاز متان و دی اکسید کربن از شالیزارها. پایان­نامه کارشناسی ارشد دانشگاه علوم کشاورزی و منابع طبیعی ساری، ص 50.
  3. پیرمرادیان، ن.، ذکری، ف.، رضایی، م. و عبدالهی، و. (1392). استخراج ضرایب گیاهی سه رقم برنج بر پایه روش برآورد تبخیر- تعرق مرجع در منطقه رشت. تحقیقات غلات. 3(2). 95-106.
  4. جعفری صیادی، ف. 1395. کاربرد سنجش از دور در براورد سطح زیر کشت و مقدار آب مصرفی برنج. پایان­نامه کارشناسی­ارشد. دانشکده مهندسی زراعی. دانشگاه علوم کشاورزی و منابع طبیعی ساری.
  5. درویش­صفت ع ا.، پیرباوقار م. و رجب­پور رحمتی م. (1391). سنجش از دور برای مدیران GIS. چاپ دوم. دانشگاه تهران.
  6. غلامی سفیدکوهی، م ع.، میرلطیفی، س م.، محمدی، ک. و علیمحمدی، ع. (1389). برآورد ضریب گیاهی و تبخیر- تعرق واقعی گندم با استفاده از سنجش از دور، مطالعه موردی حوضه گرگانرود. نشریه آبیاری و زهکشی ایران. 2(4). 222-231.
  7. مدبری، ه.، میرلطیفی، س م. و غلامی، م ع. (1393). تعیین تبخیر- تعرق و ضریب گیاهی ارقام هاشمی و خزر برنج در دشت مرداب- گیلان. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک. 18(69). 97- 107.
    1. Aboelghar, M., Arafat, S., Abo Yousef, M., El-Shirbeny, M., Naeem, S., Massoud, A. and Saleh, N. (2011). Using SPOT data and leaf area index for rice yield estimating in Egyptian Nile Delta. The Egyptian Journal of Remote Sensing and Space. 14. 81-89.
    2. Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. (1998). Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements. Irrigation and Drainage paper 56. United Nations FAO, Rome. Italy, 300p.
    3. Department of the Interior U.S. Geological Survey (USGS). (2015). LANDSAT 8 (L8) DATA USER HANDBOOK. Version 1.
    4. Duchemin, B., Hadria, R., Erraki, S., Boulet, G., Maisongrande, P., Chehbouni, A., Escadafal, R., Ezzahar, J., Hoedjes, J.C.B., Kharrou, M.H., Khabba, S., Mougenot, B., Olioso, A., Rodriguez, J.C. and Simonneaux, V. (2006). Monitoring wheat phenology and irrigation in Central Morocco: on the use of relationships between evapotranspiration, crops coefficients, leaf area index and remotely sensed vegetation index. Agricultural Water Management. 79. 1-27.
    5. Kamble, B., Kilic, A. and Hubbaed, K. (2013). Estimating Crop Coefficient Using Remote Sensing-Based Vegetation Index. Sensor. 5: 1588-1602.
    6. Mosleh, M.K., Hassan, Q.K. and Chowdhury, E.H. (2015). Application of Remote Sensing in Mapping Rice Rea and Forecasting Its Production. Sensor. 15: 769-791.
    7. Russo, A.L., Simoniello, T., Greco, M., Squicciarrino, G., Lanfredi, M. and Macchiato, M. (2010). Correlation between satellite vegetation indeces and crop coefficients. Geophysical Research Abstracts. 12.
    8. Sari, DK., Isullah, I.H., Sulasdi, W.N. and Harto, A.B. (2013). Estimation of water consumption of lowland rice in tropical area based on heterogeneous cropping calendar using remote sensing technology. Procedia Environmental Sciences. 17. 298-307.
    9. Yoshida, S. 1981. Fundamentals of Rice Crop Science. The International Rice Research Institute. Philippines.
    10. Zhang, Y., Qu, Y., Wang, J., Liang, S. and Liu, Y. (2012) Estimating Leaf Area Index from MODIS and surface meteorological data using dynamic Bayesian network. Remote Sensing of Environment. (127). 30-43.
پژوهش آب در کشاورزی
دوره 32، شماره 3
مهر 1397
صفحه 395-404

فایل ها

هم رسانی

ارجاع به این مقاله

آمار