ارزیابی قابلیت تصاویر ماهواره ای Sentinel-۲ در تخمین میزان بایومس محصول ذرت علوفه ای منطقه مورد مطالعه: شرکت کشاورزی و دامپروری مگسال (قزوین)
Publish place: Remote Sensing and Iran GIS، Vol: 10، Issue: 4
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 197
This Paper With 23 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-10-4_006
تاریخ نمایه سازی: 9 آبان 1400
Abstract:
استفاده از داده های ماهواره ای، در برآورد دقیق مقدار بایومس محصول به عنوان یکی از مهم ترین چالش های سنجش از دور محیطی محسوب می شود. اگرچه، به طور سنتی از شاخص های طیفی پوشش گیاهی استخراج شده از باندهای قرمز (R) و مادون قرمز نزدیک (NIR) برای برآورد آماری بایومس محصول استفاده شده است، اما بیشتر این شاخص ها در مقادیر خاصی از شاخص سطح برگ اشباع می شوند. لذا به منظور غلبه بر محدودیت اشباعشدگی، اخیرا مطالعات زیادی بر روی استفاده از بازتابندگی طیفی در محدوده لبه قرمز انجام شده است. برای ارزیابی عملکرد شاخص های مختلف پوشش گیاهی در برآورد بایومس محصول، پنج نوبت نمونه برداری از ویژگی های بیوفیزیکی ذرت علوفه ای در طول دوره رشد این محصول در اراضی زراعی شرکت کشت و صنعت مگسال، قزوین انجام شد و جمعا ۱۸۲ نمونه میدانی جمع آوری شد. سپس ۱۰ شاخص طیفی از سری زمانی تصاویر Sentinel-۲ که همزمان با نوبت های نمونه برداری میدانی در سال ۲۰۱۷ اخذ شده بودند، محاسبه شده و با استفاده از آنها بایومس ذرت علوفه ای برآورد شد. بایومس ذرت علوفه ای با اندازه گیری های میدانی مورد ارزیابی قرار گرفت. نتایج نشان داد شاخص با ضریب تعیین و کمترین ریشه میانگین مربعات خطا ، بهترین شاخص برای تخمین بایومس ذرت علوفه ای است. علاوه بر این، تحقیق حاضر نشان داد که تصاویر ماهواره ای Sentinel-۲ با توان تفکیک مکانی بالا و محدوده لبه قرمز، قابلیت تخمین مقدار بایومس محصول ذرت علوفه ای را با دقت مناسب دارد.
Keywords:
Authors
فرزانه حدادی
کارشناس مرکز تحقیقات فضایی، پژوهشگاه فضایی ایران
حسین عقیقی
استادیار مرکز مطالعات سنجش از دور و GIS، دانشگاه شهید بهشتی
ایوب مرادی
کارشناس مرکز تحقیقات فضایی، پژوهشگاه فضایی ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :