به کارگیری الگوریتم ادغام مکانی-زمانی در استخراج شاخص های طیفی گیاه در مراحل رشد برنج (مورد مطالعه: شمال شهرستان ساری)

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 161

فایل این مقاله در 22 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:

شناسه ملی سند علمی:

JR_JOPP-29-2_005

تاریخ نمایه سازی: 24 مهر 1401

چکیده مقاله:

سابقه و هدف: وجود ماهواره های پایش سطح زمین این امکان را فراهم می کند تا بتوان در مراحل مختلف رشد وضعیت سبزینگی گیاه را با کمک شاخص های گیاهی مختلف مورد بررسی قرار داد. گستردگی زمین های شالیزاری در مناطق شمالی کشور این فرصت را فراهم نموده تا پژوهش های مربتط با محصول برنج توسط فناوری های نوین امکان پذیر شود اما وجود ابرناکی در دوره های رشد گیاه منجر می شود تا اطلاعات حاصل از سنجش از دور در مناطق مرطوب با استقبال کمتری روبرو شود. وجود الگوریتم های ادغام مکانی-زمانی این فرصت را فراهم نموده است تا بتوان در دوره های ابرناکی به بازسازی تصاویر ماهواره ای پرداخته و امکان بهره گیری از داده های دورسنجی را در دوره رشد گیاهی فراهم نمود. در این پژوهش از الگوریتم ادغام مکانی- زمانی به منظور بازسازی تصاویر ماهواره های لندست ۸ و سنتینل ۲ در دوره رشد گیاه برنج استفاده شد تا شاخص سطح برگ به عنوان نماینده ای از سلامت و توسعه یافتگی پوشش گیاهی در مراحل مختلف رشد محاسبه شود.مواد و روش ها: برای دستیابی به اهداف این پژوهش، تصاویر ماهواره های لندست ۸ و سنتینل ۲ مورد استفاده قرار گرفت. در دوره ابرناکی با کمک الگوریتم STARFM تصاویر دو ماهواره بازسازی و برای استخراج شاخص های تفاوت نرمال شده گیاهی (NDVI)، رشد برنج (RGVI) و پوشش گیاهی با اصلاح خاک (SAVI) مورد استفاده قرار گرفت. به منظور برآورد شاخص سطح برگ با استفاده از تصاویر ماهواره ای رابطه ای مناسب میان شاخص های گیاهی و شاخص سطح برگ برنج (رقم طارم هاشمی) در مراحل مختلف رشد به دست آمد.یافته ها: با توجه به ابرناکی در تیرماه و اوج سبزینگی گیاه برنج، استفاده از الگوریتم STARFM برای بازسازی تصاویر بسیار کارآمد بود. با کمک ۱۵ تصویر در کل دوره رشد برنج (۹۰ روز) چهار رابطه خطی بین شاخص های تفاوت نرمال شده گیاهی (NDVI)، رشد برنج (RGVI) و پوشش گیاهی با اصلاح خاک (SAVI) برای چهار مرحله از رشد با شاخص سطح برگ ایجاد شد که بالاترین و پایین ترین ضریب همبستگی بین شاخص های سنجش از دوری و شاخص سطح برگ به ترتیب ۹۶/۰ برای شاخص NDVI در مرحله نشا و رسیدن و ۷۵/۰ برای شاخص RGVI در مرحله نشا مشاهده شد. همچنین نقشه تغییرات شاخص سطح برگ برای هر دو ماهواره در دوره رشد زراعی به خوبی تغییرات سبزینگی پوشش برنج را نمایش داد.نتیجه گیری: در مجموع به نظر می رسد با استفاده از داده های ماهواره ای و بازسازی تصاویر در روزهای ابرناکی، می توان به شاخص سطح برگ با دقت بالایی دست یافت و اطلاعات مختلف همچون سن و مرحله رشد را برای گیاه برنج استخراج نمود.

کلیدواژه ها:

لندست ۸ ، سنتینل ۲ ، شاخص سطح برگ و نقشه پوشش گیاهی

نویسندگان

فاطمه جعفری صیادی

دانشجوی دکتری رشته مهندسی آب، گرایش آبیاری و زهکشی، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

محمدعلی غلامی سفیدکوهی

نویسنده مسئول، دانشیار گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

همت الله پیردشتی

استاد گروه زراعت، دانشکده علوم زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

مجتبی خوش روش

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

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 :
  • ۱.Jafari Sayadi, F. ۲۰۱۶. Application of remote sensing for estimating ...
  • ۷.Huete, A.R. ۱۹۸۸. A soil-adjusted vegetation index (SAVI). Remote Sens. ...
  • ۸.Nuarsa, I.W., Nishio, F. and Hongo, C. ۲۰۱۱. Spectral characteristics ...
  • ۹.Jafari Sayadi, F., Gholami Sefidkhohi, M.A. and Ziyaeetabar Ahmadi, M.K. ...
  • ۱۱.Ihlen, V. and Zanter, K. ۲۰۱۹. Landsat ۸ (L۸) data ...
  • ۱۲.Hoersch, B. ۲۰۱۵. SENTINEL-۲ user handbook. European Space Agency (ESA).Europe. ...
  • ۱۳.Attarchi, S. and Poorakbar, N. ۲۰۲۰. Preliminary comparative assessment of ...
  • ۱۶.Walker, J.J., De Beurs, K.M., Wynne, R.H. and Gao, F. ...
  • ۱۷.Wu, M., Wu, C., Huang, W., Niu, Z., Wang, C., ...
  • ۱۸.Mokhtari, A., Noory, H., Vazifedoust, M., Palouj, M., Bakhtiari, A., ...
  • ۱۹.Moreno-Martίnez, Á., Izquierdo-Verdiguier, E., Maneta, M.P., Camps-Valls, G., Rpbinson, N., ...
  • ۲۰.Guo, Y., Wang, C., Lei, S., Yang, J. and Zhao, ...
  • ۲۱.Kumar Ranjan, A. and Ranjan Parida, B. ۲۰۲۱. Predicting paddy ...
  • ۲۲.Vermote, E.F., Roger, J.C. and Ray, J.P. (۲۰۱۵). MODIS surface ...
  • ۲۳.Samadzadegan, F., Tabib Mahmoudi, F. and Bigdeli, B. ۲۰۱۴. Data ...
  • ۲۶.Yoshida, S. ۱۹۸۱. Fundamentals of rice crop science. The international ...
  • ۲۷.Wang, X., Mosley, C.T., Frankenberger, J.R. and Kladivko, E.J. ۲۰۰۶. ...
  • ۲۸.Castro, A.I., Six, J., Plant, R.E. and Peǹa, J.M. ۲۰۱۸. ...
  • ۲۹.Wang, J. Huang, J.F., Wang, X.Z., Jin, M.T., Zhou, Z., ...
  • ۳۰.Bakhshandeh, A., Hoseyni, M., Farzin, N. and Pirdashti, H. ۲۰۱۶. ...
  • ۳۲.Wei, C., Chen, J., Chen, J. M., Yu, J.C., Cheng, ...
  • ۳۳.Rees, W.G., Golubeva, E.I., Tutubalina, O.V., Zimin, M.V. and Derkacheva, ...
  • ۳۴.Xie, D., Zhang, J., Zhu, X., Pan, Y., Liu, H., ...
  • ۳۵.Mokhtari, S., Pirmoradian, N., Vazifehdoost, M. and Davatgar, N. ۲۰۱۳. ...
  • نمایش کامل مراجع