برآورد عملکرد برنج و تعیین بهره وری آب اراضی شالیزاری با استفاده از سنجش از دور و داده های لایسیمتر (مورد مطالعه: شمال شهرستان ساری)

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 155

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IJSWR-52-10_004

تاریخ نمایه سازی: 31 اردیبهشت 1402

Abstract:

با توجه به نقش کلیدی محصول برنج در تامین امینت غذایی و اشتغال زایی در کشور، دست­یابی به اطلاعات به هنگام عملکرد و بهره وری زمین های شالیزاری می تواند راهبردهای مهمی را به منظور برنامه ریزی فعالیت هایی مانند برداشت، ذخیره­سازی، بازاریابی و مدیریت منابع و نهاده ها فراهم نماید. هدف پژوهش حاضر، برآورد عملکرد و تعیین بهره وری آب شالیزارهای شمال شهرستان ساری با استفاده از داده های ماهواره لندست ۸ و لایسمتر نوع N است. به­این منظور، پس از انجام تصحیح های اتمسفریک و رادیومتریک تصاویر ماهواره ای در دوره رشد برنج، شاخص های گیاهی NDVI، SAVI و RGVI به دست آمد. با استفاده از این شاخص ها رابطه رگرسیونی مناسب با عملکرد برنج ایجاد شد. همچنین، با پایش مداوم شالیزارها و نصب لایسیمتر نوع N داده های مربوط به آب مصرفی و تبخیر- تعرق برنج اندازه گیری شد. در نهایت، نقشه بهره وری آب برنج در منطقه مورد مطالعه با تلفیق داده های سنجش از دور (عملکرد) و مزرعه ای (آب مصرفی و تبخیر-تعرق) به­دست آمد. نتایج نشان داد، شاخص های گیاهی در مرحله پنجه زنی بیشترین همبستگی را با میزان عملکرد گیاهی برنج دارند و در صورتی که، برآورد عملکرد با استفاده از داده های سنجش از دور مدنظر باشد، شاخص های گیاهی در مرحله پنجه زنی باید مورد استفاده قرار گیرد. در میان شاخص های گیاهی، شاخص SAVI بهترین همبستگی (۹۴/۰=r) را با عملکرد داشته و نقشه عملکرد حاصل از این شاخص گیاهی برای تهیه نقشه بهره وری آب بر مبنای آب مصرفی شالیزار و تبخیر- تعرق گیاه برنج مورد استفاده قرار گرفت. میانگین بهره وری با استفاده از شاخص SAVI، ۶۳/۰ کیلوگرم بر مترمکعب و میانگین بهره وری اندازه گیری شده ۶۸/۰ کیلوگرم بر مترمکعب بود. یافته ها نشان می دهد سنجش از دور حاوی اطلاعات مفیدی برای تهیه نقشه عملکرد گیاهی و بهره وری آب در اراضی شالیزاری بوده و از پتانسیل خوبی برای استفاده درکشاورزی دقیق و هوشمند برخوردار است.

Authors

فاطمه جعفری صیادی

گروه مهندسی آب- دانشکده مهندسی زراعی- دانشگاه علوم کشاورزی و منابع طبیعی ساری- استان مازندران- ایران

محمد علی غلامی سفیدکوهی

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

همت اله پیردشتی

عضو هیات علمی گروه زراعت دانشگاه علوم کشاورزی و منابع طبیعی ساری

مجتبی خوش روش

گروه مهندسی آب، دانشکده مهندسی زارعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، 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 :
  • Badiehneshin, A., Noory, H. and Vazifedoust, M. (۲۰۱۵). Improving Crop ...
  • Balaghi, R., Tychon, B., Eerens, H. and Jlibene, M. (۲۰۰۸). ...
  • Bastiaanssen, W. G. and Steduto, P. (۲۰۱۶). The water productivity ...
  • Bastiaanssen, W.G.M. and Ali, S. (۲۰۰۳). A new crop yield ...
  • Farahza, M. N., Nazari, B., Akbari, M. R., Naeini, M. ...
  • Foster, T. Brozovic, N., Butler, A. P., Neale, C. M. ...
  • Funk, C. and Budde, M.E. (۲۰۰۹). Phonologically-tuned MODIS NDVI-based production ...
  • Gemechu, M.G., Huluka, T.A., Steenbergen, F.V., Wakjira, Y.C., Chevalking, S. ...
  • Huang, J.F., Wang, F.M. and Wang, X.Z. (۲۰۱۰). Hyper-spectral experiment ...
  • Huete, A.R. (۱۹۸۸). A soil-adjusted vegetation index (SAVI). Remote Sensing ...
  • Jalali Koutenaei, N. ۲۰۰۹. Basic and criteria survey, design and ...
  • Kamali, L., Kaviani, A., Nazari, B. and Liaghat, A. M. ...
  • Karthikeyan, L., Chawla, I. and Mishra, A.K. (۲۰۲۰). A review ...
  • Kastens, J.H., Kastens, T.L., Kastens, D.L.A., Price, K.P., Martinko, E.A., ...
  • Loveimi, N., Akram, N., Bagheri, N. and Hajiahmad, A. (۲۰۲۱). ...
  • Manjunath, K.R., Potdar, M.B. and Purohit, N.L. (۲۰۰۲). Large area ...
  • Maselli, F. and Rembold, F. (۲۰۰۱). Analysis of GAC NDVI ...
  • Maselli, F., Romanelli, S., Bottai, L. and Maracchi, G. (۲۰۰۰). ...
  • Mcbratney, A., Whelan, B., Ancev, T. and Bouma, J. (۲۰۰۵). ...
  • Meier, U. ۲۰۰۱. Growth stages of mono-and dicotyledonous plants, BBCH ...
  • Mkhabela, M.S., Bullock, P., Raj, S., Wang, S. and Yang, ...
  • Mkhabela, M.S. and Mashinini, N.N. ۲۰۰۵. Early maize yield forecasting ...
  • Mika, J., Kerenyi, J., Rimoczi-Paal, A., Merza, A., Szinell, C., ...
  • Mo, X., Liu, S., Lin, Z., Xu, Y., Xiang, Y. ...
  • Mosleh M.K., Hassan Q.K. and Chowdhury E.H. (۲۰۱۵). Application of ...
  • Nazari, B., Liaghat, A., Akbari, M. R. and Keshavarz, M. ...
  • Noureldin, N.A., Aboelghar, M.A., Saudy, H.S. and Ali, A.M. (۲۰۱۳). ...
  • Nuarsa, I.W., Nishio, F. and Hongo, C. (۲۰۱۲). Rice yield ...
  • Prasad, A.K., Singh, R.P., Tare, V. and Kafatos, M. (۲۰۰۷). ...
  • Ren, J.Q., Chen, Z.X., Zhou, Q.B. and Tang, H.J. (۲۰۰۸). ...
  • Sanaeinejad, H., Nassiri Mahallati, M., Zare, H., Salehnia, N. and ...
  • Virnodkar, S.S., Pachghare, V.K., Paril, V.C. and Jha, S.K. (۲۰۲۰). ...
  • Wannebo, A. and Rosenzweig, C. (۲۰۰۳). Remote sensing of US ...
  • Wang, R.C, Huang, J.F. (۲۰۰۲). Rice yield estimation using remote ...
  • Weissteiner, C. and Ku¨hbauch, W. (۲۰۰۵). Regional Yield Forecasts of ...
  • Wendroth, O., Reuter, H.I. and Kersebaum, K.C. (۲۰۰۳). Predicting yield ...
  • Zandsalimi, Z., Sima, S. and Mousivand, A.J. (۲۰۲۱). Evaluating the ...
  • Zhang, F., Wu, B.F. and Luo, Z.M. (۲۰۰۴). Winter wheat ...
  • نمایش کامل مراجع