Alfalfa yield prediction by some vegetative indices and environmental variables in Southern Khorasan:Case study of Sarayan

Document Type : Research Paper

Authors

Department of Agronomy and Plant Breeding, Faculty of Agriculture, University of Tehran, Tehran, Iran.

Abstract

This study was conducted to predict alfalfa forage yield based on some climatic, soil and vegetative indices (PVI) derived from Sentinel-2 sensor in Sarayan (Southern Khorasan) of Iran in July 2018. Alfalfa yield data were collected from 52 points (10 of those experimental points) in two consecutive harvests to predict alfalfa performance, a stepwise multivariate linear regression was used. Results showed that the alfalfa performance map, in both consecutive harvests, with the mean of rainfall, PVI index and soil class was significant at 1% probability level. Validation showed that R2, RMSE and GMER were 0.82, 0.88 and 0.91, respectively, indicating the high compliance of the estimated performance model with the actual yield of alfalfa. Also, the results of chi-square test (P = 0.99) showed non-significant difference between actual values and estimated hay yield during two harvests. Therefore, due to the high reliability of terrestrial observations and climatic data in the region, these variables can be used to provide proper utilization pattern for forage plants.

Keywords

Full Text

مقدمه

از میان گیاهان زراعی، یونجه (Medicago sativa L.) به دلیل عملکرد بالا و غنی بودن از مواد پروتینی و معدنی، به عنوان مهم‌ترین گیاه علوفه­ای دنیا محسوب میشود (Yarnia et al., 2005). متوسط عملکرد علوفه خشک آن در ایران 9838 کیلوگرم در هکتار گزارش شده است (Agricultural Statistics, 2015). بررسی عملکرد علوفه در مناطق مختلف، به­عنوان یکی از منابع اصلی فیبر و پروتین مورد نیاز دام، از اهمیت غیر قابل انکاری برخوردار است. امروزه روش­های مختلفی برای بررسی و تخمین عملکرد گیاهان زراعی مورد استفاده قرار می­گیرند که از آن جمله می­توان به سنجش از دور و مدل­های رشد گیاهی اشاره کرد.

فاکتورهای اقلیمی، خاکی و گیاهی، تعیین کننده عملکرد گیاهی در هر منطقه می­باشند (Anderson, 1968; Burrough, 1991; Guisan et al., 1998). برخی محققان، از پارامترهای هواشناسی جهت پیش­بینی عملکرد ذرت استفاده کردند و نشان دادند که زیر مدل آب و خاک، منجر به افزایش دقت مدل می­شود (Dadrasi and Torabi, 2016). می­توان میزان تولید علوفه در حوضه آب­خیز دماوند را به‌­وسیله سه متغیر بارندگی، شیب و شاخص گیاهی نرمال شده تخمین زد؛ بر این اساس، ضریب همبستگی در رابطه بین شاخص گیاهی تفاضل نرمال شده و تولید علوفه، 72 درصد به­دست آمد (Mirakhorlo & Hosseini, 2006). همچنین با مطالعه عوامل محیطی مؤثر بر پراکنش گیاهان در جنگل های بارانی آتلانتیک دریافتند که دمای اتمسفر و خاک و در مرحله بعد، رطوبت هوا، از همه مهم‌تر هستند (Nunes & Santue, 2012). با استفاده از روش رگرسیون لجستیک تحت تأثیر، متوسط بارش سالیانه، میزان رس، میانگین دمای گرمترین فصل سال و درجه شیب، پراکنش گونه­ گون زرد در منطقه اصفهان مشخص شد (Safaei et al., 2013). در مطالعات برخی از محققین نیز اشاره شده است که گون زرد، بیشترین همبستگی را با میانگین درجه حرارت و سه عامل خاک (هدایت الکتریکی، میزان رس و کربن آلی) دارد (Saki et al., 2012) به­طوری‌که حضور این گونه با میزان رس و کربن آلی همبستگی مستقیم و با میزان هدایت الکتریکی همبستگی معکوس دارد. در بررسی تأثیر شرایط اقلیمی بر تولید علوفه مراتع استپی استان مرکزی، از بین شاخص‌های مهم اقلیمی، شاخص بارندگی فصل رویش به اضافة بارش فصول پیشین، به­عنوان مؤثرترین شاخص اثرگذار بر تولید گیاهان بوته‌ای معرفی شدند (Ehsani et al., 2007).

در مطالعه Eldeiry and Garcia  (2012)که با هدف مقایسه سه روش کریجینگ فصلی، شاخص و احتمالاتی در برآورد پتانسل عملکرد گیاه یونجه و ذرت، تحت آستانه­های مختلف شوری انجام شد به این نتیجه رسیدند که هر سه روش مورد آزمایش در برآورد عملکرد، توانایی خوبی دارند ولی روش کریجینگ فصلی از بقیه روش­ها مناسب­تر است. در شبه­جزیره مالزی، مطالعه­ای با استفاده از خط خاک و بر اساس پنج شاخص پوشش گیاهی انجام گرفت. نتایج نشان داد که شاخص SAVI[1] (شاخص گیاهی تعدیل شده خاک)، بهترین شاخص برای نقشه­برداری از درختان با دقت 79 درصد در مقایسه با دیگر شاخص­ها بود (Baugh & Groeneveld, 2006). برخی محققین با بررسی رابطه بین شاخص پوشش گیاهی نرمال شده حاصل از ماهواره مودیس[2] با عملکرد گندم نشان دادند که با برازش خوبی (R2=0.75) می­توان عملکرد گندم را در بخش شمالی آرژانتین ارزیابی کرد (Lopresti et al., 2015). جهت تعیین عملکرد علوفه گراس­ها و کاربرد شاخص پوشش گیاهی نرمال شده (NDVI[3]) به روش رگرسیون بهینه مشخص شد که این روش می­تواند در سطح وسیع به کار رود (Song et al, 2014). به­منظور تعیین شاخص­های مناسب ارزیابی تولید گیاهان در مناطق ییلاقی جنوب استان مازندران، داده­های ماهواره­ای شاخص­های پوشش گیاهی TVI[4]، MIRV[5]، LAI[6] و VI[7] که همگی از مشتقات شاخص گیاهی نرمال شده هستند، رابطه معنی­داری با تولید علوفه نشان دادند (Arzani et al., 2008).

استفاده از تصاویر ماهواره­ای به­همراه داده­های مشاهداتی زمینی و داده­های اقلیمی، روش مناسبی برای تخمین عملکرد علوفه است اما باید آزمون شود که چه اندازه می­توان به خروجی به­دست آمده از این روش اطمینان کرد. به­طورکلی، هدف اصلی این پژوهش، ارزیابی دقت تخمین عملکرد یونجه بر پایه پارامترهای اقلیمی، خاکی و شاخص­های پوشش گیاهی طی دو برداشت متوالی، توسط رگرسیون خطی چند متغیره بود.

 

مواد و روش‌ها

منطقه مورد مطالعه

این منطقه در شمال استان خراسان جنوبی، بین طول جغرافیایی 58 درجه و 65 دقیقه تا 58 درجه و 20 دقیقه شرقی و عرض جغرافیایی 33 درجه و 79 دقیقه و 33 درجه و 99 دقیقه شمالی قرار دارد که بالاترین ارتفاع آن، 1789 و پایین­ترین ارتفاع آن، 1102 متر از سطح دریا است. مساحت منطقه (شهرستان سرایان)، 477 کیلومتر مربع است (شکل 1). میانگین بارندگی طی دوره آماری 20 ساله، 153 میلیمتر گزارش شده است و حداکثر میزان بارندگی در اسفند ماه است. بارندگی از آذرماه شروع می‌شود که در طول سه ماه زمستان و ماه اول بهار ادامه می‌یابد و در اردیبهشت ماه، بارندگی با افت شدیدی روبه‌رو می‌شود و در ماه‌های مرداد و شهریور به صفر می‌رسد. این منطقه دارای تابستان­های گرم و خشک و زمستان­های سرد و خشک می­باشد و میانگین دمای سالیانه 19 درجه سانتی­گراد گزارش شده است. بر اساس طبقه­بندی آمبرژه، منطقه سرایان در اقلیم خشک قرار دارد (Alizadeh, 2007).

 

 

 

جهت پیش­بینی عملکرد یونجه، از شاخص­های پوشش گیاهی(NDVI،[8]PVI،[9]WDVI،[10]DVI،[11]MSAVI)، خصوصیات خاک (Soil Class،[12]EC،[13]OC و[14]SI1) و پارامترهای اقلیمی (میانگین دما[15]، میانگین بارش[16]، میانگین سرعت باد[17]، ارتفاع[18]، میانگین کمترین و بیشترین دما[19] و میانگین رطوبت[20] و باند 9 (نشاندهنده رطوبت خاک)، استفاده شد. شاخص­های گیاهی، از داده های ماهواره Sentinel-2 به‌طور مستقیم از سازمان هوایی ناسا[21] (www.usgs.com) و در تاریخ 27/06/2018 تهیه شدند (جداول 1 و 2). این تصویر، به روش نزدیک­ترین همسایه در سیستم مختصات متریک (UTM zone 40N)، با 30 نقطه کنترل زمینی و با استفاده از نقشه توپوگرافی سازمان نقشه برداری کشور با مقیاس یک به 25000 و میزان خطای (RMSE=0.38) زمین مرجع شدند. جهت محاسبه برخی شاخص­های پوشش گیاهی، به‌دست آوردن معادله خط خاک[22] ضروری است. خط خاک، در واقع خطی در فضای طیفی بازتاب خاک در باند مادون قرمز نزدیک و باند قرمز است (شکل 2).

 

جدول 1- شاخص­های پوشش گیاهی و شوری مورد استفاده.

Table 1- Vegetation Plants and salinity indexes.

Kindofindex

Reference

Formula

Cover Plant

Qi et al., 1994

MSAVI=(1+L) * (NIR - red)/(NIR + red+L)

MSAVI=2*RNIR+1-((2*RNIR+1)2- 8(RNIR- RRED))0.5/2

Cover Plant

Rouse et al., 1974

NDVI=RNIR - Rred/ RNIR+Rred

Cover Plant

Qi et al., 1994

WDVI= NIR -a*Red

Cover Plant

Qi et al., 1994

PVI=(NIR-a*Red*3-b)/(1+a^2)

Cover Plant

Kappa et al., 2005

SI= (Green2 + Rred2)0.5

Cover Plant

Kappa et al., 2005

BI=(Red2 + NIR2)0.5

 

Darvishzadeh et al., 2011

L= 1- 2*NDVI*WDVI

R NIR، Rred، Green، a و b به ترتیب بازتاب در ناحیه مادون قرمز، قرمز، سبز، شیب و عرض از مبدأ خط خاک را نشان می دهد.

RNIR, Rred, Green, a and b show the reflection in the infrared, red, green, Slope and Source width of the soil line, respectively.

 

جدول 2- خصوصیات ماهواره Sentinel.

Table 2. Characteristics of Sentinel satellite.

Satellite

Date

Number of Bonds

Spatial resolution

Image width

Sentinel2A/2B

2018,June,27

12

Bond 2,3,4,8- (10m)

Bond 5,6,6A,11,12-(20m)

Bond 1,9,10- (60m)

290 Km

 

 

 

 

نقشه کلاس خاک منطقه ، بر اساس نسبت جذب سدیم SAR[23] بود، که از سایت https://farafile.ir/product/19422/9240 خریداری شد و نقشه هدایت الکتریکی خاک و ماده آلی خاک حاصل از 52 نقطه، توسط روش آزمایشگاهی و نقشه اقلیمی، از شش نقطه توسط معکوس فاصله وزنی[24] تولید شدند. اطلاعات پارامترهای اقلیمی از شش ایستگاه منطقه استخراج شد (جدول 3). به‌عنوان نمونه، میزان بارندگی ایستگاه‌ها در شکل 3 نشان داده شده است. پس از تهیه نقشه­های اولیه، اطلاعات آنها استخراج شد و سپس مدلسازی شد.

با توجه به­این موضوع که اطلاعات استخراج شده هر تصویر، وضعیت مزارع را به صورت لحظه­ای در همان زمان نشان می­دهد، ممکن است خطاهایی داشته باشد (به عنوان مثال، مزارع گندم، جو، ذرت و حتی زیره به دلیل متراکم بودنشان دچار خطا شوند). از زمانی که این گیاهان برداشت شدند یا در حال برداشت شدن بودند، تاریخ تهیه تصاویر بعد انتخاب شد. داده­های زمینی شامل مختصات جغرافیایی 52 نقطه (توسط GPS دستی گارمین)، به­همراه عملکرد علوفه طی دو چین متوالی (هشت تیر و 28 مرداد سال 1397)، هدایت الکتریکی خاک و کربن آلی خاک آن‌ها بود.

 

جدول 3. مشخصات ایستگاه های هواشناسی.

Table 3. Characteristics of meteorological stations.

Elevation

Latitude

Longitude

Station Name

1284

59.167

33.716

Haji Abad

1405

58.517

33.85

Sarayan

1293

58.167

34.017

Ferdows

1256

58.683

34.35

Gonabad

1491

59.483

33.4

Birjand

885

54.417

37.8

Boshrouye

 

  

 

نرم افزارهای ERDAS IMAGIN 2014 جهت استخراج اطلاعات تصاویر و همچنین نرمال کردن تصاویر، ArcGIS 10.3.1 جهت تهیه نقشه­ها و نرم افزار SPSS 22 جهت محاسبات آماری و تهیه مدل رگرسیون چند متغیره و روش گام به گام[25] مورد استفاه قرار گرفتند. جهت سنجش اعتبار مدل تخمین عملکرد، از 10 داده تست استفاده شد؛ برای این منظور، پارامترهای ضریب تبیین (R2)، RMSE و GMER[26] و آزمونکای اسکوئر بین مقادیر واقعی و تخمینی استفاده شدند (معادلات 1 و 2).

معادله1              

         

 

معادله2    

 

 

معادله 3   

 

معادله 4        

                          

در این معادلات، O و E به‌ترتیب مقادیر واقعی و تخمینی،  (xi-xi^)و RMSE به‌ترتیب تفاوت مقادیر تخمینی و واقعی و خطای میانگین مربعات، N ، ، ،  و GMER به‌ترتیب نشان­دهنده تعداد نمونه، نسبت خطا، مقادیر تخمینی، مقادیر واقعی و میانگین هندسی نسبت خطا بودند. بر این اساس، GMER برابر با یک، بیانگر انطباق مقادیر برآورد شده و اندازه گیری شده است. GMER بالاتر از یک، نشان از بیشتر بودن داده­های تخمینی از داده­های واقعی دارد و GMER کمتر از یک، نشان دهنده کمتر بودن داده­های تخمینی از داده­های واقعی است. بنابراین مدلی از اعتبار بالاتری برخوردار است که GMER نزدیک به یک و ضریب تبیین بالا داشته باشد (Wagner et al, 2001).

 

نتایج و بحث

زمانی که مقادیر چولگی داده­ها بین منفی یک تا مثبت یک  باشد، این مطلب را نشان می­دهد که توزیع داده­ها نرمال است (Savari et al., 2016). همان‌طور که در جدول 1 مشاهده می­شود، مقادیر چولگی تمام متغیرها در این محدوده قرار گرفت. نزدیکی میانه و متغیر نیز دلیل دیگری بر نرمال بودن متغیرها بود. با این حال باید نرمال بودن توزیع داده‌ها مورد آزمون قرار گیرد. برای تست این فرضیه، از آزمون کولموگروف-اسمیرنوف یک استفاده شد (جدول 4).

 

جدول 4- آزمون نرمال بودن داده­ها.

Table 4. Normality test of data.

 

Median

Mean

Mode

Kurtosis

Skewness

Sig

Yield 1(*250gr/m2)

5.6

5.61

5.8

1.31

0.739

0.197

Yield 2(*250gr/m2)

5.55

5.53

5.5

-0.89

0.833

0.207

EC (ds/m)

72.50

74.16

12

-1.39

-0.159

0.53

Organic Carbone (%)

15

15.6

15

0.76

0.96

0.39

Soil Class

1.15

1.2

1.1

.457

.607

0.185

Mean Temperature (0c)

19.85

19.79

20

-0.203

0.97

0.053

Mean Lowest T (0c)

-2.5

-2.46

-3

4.97

2.42

0.00

Mean Highest T (0c)

32

32.48

30

-0.66

0.67

0.21

Mean Rain (mm)

120.4

120.8

134

.960

.764

0.49

Wind Speed (m/s)

3.3

4

3

41.69

6.45

0.00

Humidity (%)

38.60

36.60

39

41.76

-6.75

0.00

Elevation (m)

1497.5

1480.9

1319

0.133

0.09

0.76

NDVI

183.00

176.14

100

-1.2

-0.39

0.14

PVI

133.00

130.67

131

-0.503

-0.127

0.11

WDVI

209

208.1

205

-0.85

.71

0.92

Salinity Index 1

148.5

142.62

146

0.79

-0.82

0.093

Salinity Index 2

130.5

130.1

141

0.027

-0.405

0.8

Bond 9

171.00

175.07

171

-0.044

-0.805

0.99

MSAVI

132

131.5

134

0.32

0.21

0.86

DVI

158

152.5

174

-0.37

-0.94

0.09

 

 

نتایج نشان داد که با توجه به مقدار Sig، فرض H0 (نرمال نبودن داده ها) رد شد و داده­ها دارای توزیع نرمال بودند. داده‌های غیر نرمال (میانگین رطوبت، میانگین کمترین و بیشترین دما، میانگین دمای سالیانه و میانگین سرعت باد)، از روش کاکس-باکس (Cox & Box) و با نرم افزار SPSS-22 نرمال شدند.

توزیع خطا داده­ها، جزو فرضیات اولیه همه کارهای آماری است؛ بنابراین همان‌گونه که در شکل 4 نشان داده شده است، فراوانی رگرسیون استاندارد باقیمانده عملکرد یونجه طی هر دو چین دارای توزیع نرمال بود (Ardakani et al., 2017).

جهت تجزیه­های رگرسیونی خطی چند متغیره، از روش گام به گام استفاده شد. با توجه به جداول ضرایب همبستگی بین عملکرد علوفه طی دو چین متوالی و متغیرها، همبستگی بالایی بین عملکرد علوفه و شاخص­های پوشش گیاهی NDVI، PVI، EVI، Bond9، بارندگی، کلاس خاک و شوری خاک طی هر دو چین وجود داشت (جداول 5، 6 و 7). نقشه بارندگی، کلاس خاک، شوری و شاخص NDVI در شکل 5 نشان داده شده است.

 

جدول 5- همبستگی عملکرد یونجه با شاخص­های گیاهی.

Table 5. Corrolation between alfalfa yield and plants cover indexes.

NDVI

PVI

MSAVI

DVI

WDVI

Plant Index

-0.6**

-0.66**

-0.006

-0.59**

-0.18

Yield cutting1

-0.55**

-0.69**

-0.002

-0.55**

-0.17

Yield cutting 2

b
 

a
 

 

 

 

جدول 6- همبستگی عملکرد یونجه با برخی پارامترهای اقلیمی.

Table 6. Corrolation between alfalfa yield and some climatic parameters.

Minimum Temperature

Maximum Temperature

Mean Temperature

Rain

Wind Speed

Humidity

Elevation

Climate

0.11

-0.13

0.09

0.58**

-0.12

-0.15

-0.00

Yield cutting1

0.14

-0.08

0.08

0.55**

-0.09

-0.12

-0.04

Yield cutting 2

 

جدول 7- همبستگی عملکرد یونجه با برخی خصوصیات خاک.

Table 7. Corrolation between alfalfa yield and some soil characteristics.

Bond9

Salinity Index 2

Salinity Index 1

Soil Class (EC-Cation)

Organic Carbone

EC

Soil Index

0.46**

-0.07

0.17

-0.26*

0.13

-0.37**

Yield cutting1

0.48**

-0.03

0.17

-0.29*

0.16

-0.35**

Yield cutting 2

 

 

برخی از محققان با تخمین عملکرد گندم توسط شاخص­های گیاهی دریافتند که همبستگی معنی­داری بین عملکرد گندم با شاخص­های NDVI، SAVI و EVI وجود دارد (Sanaeinejad et al., 2014). برخلاف نتایج به­دست آمده در این پژوهش، Liaghat et al (2017) در مطالعه روی گندم نشان دادند که برای پیش­بینی عملکرد، شاخص NDVI چندان مناسب نیست. آن ها همچنین نشان دادند که همبستگی شاخص SAVI با عملکرد در ماهواره مودیس نسبت به ماهواره لندست بیشتر است. برخی محققان نیز نشان دادند که بین وزن خشک و سطح برگ گندم با شاخص­های گیاهی رابطه معنی­داری وجود دارد ولی با عملکرد دانه در هیچ تاریخی و هیچ شاخصی رابطه معنی­داری وجود نداشت (Mahmoudi et al., 2014).

 

 

جدول 8- ضرایب تشخیص تخمین عملکرد یونجه.

Table 8. Determination coefficients of alfalfa yield estimation.

Std. Error of Estimate

Adjusted R Square

R Square

R

Model

1.81

0.56

0.59

0.77

Yield 1

1.71

0.55

0.58

0.76

Yield 2

 

 

 

 

 

با توجه به جدول ضرایب رگرسیونی مدل، معادله عملکرد یونجه در سطح احتمال 99 درصد معنی­دار شد (معادلات 5 و 6).

 

معادله 5

 

 معادله 6

 

 

جدول 9- تجزیه رگرسیون مدل تخمین عملکرد یونجه.

Table 9- Regression analysis of alfalfa yield estimation model.

Sig

F

Mean of Square

Sum of Square

d.f.

Model

0.000

18.50

60.32

180.96

3

Regression1

 

 

3.26

123.91

38

Residual1

 

 

 

304.86

41

Total1

0.000

17.98

52.44

157.3

3

Regression2

 

 

2.92

110.8

38

Residual2

 

 

 

268.12

41

Total2

 

 

برای استفاده از متغیرهای مستقل این معادله، معنی­دار بودن ضرایب رگرسیونی یعنی برابر بودن این ضرایب با یک مقدار ثابت (B) مورد آزمون قرار گرفت. این آزمون نشان ­داد که متغیرهای این معادله در سطح 99 درصد معنی­دار بودند (جدول 10) و از متغیرهای بارندگی، کلاس خاک و شاخص گیاهی PVI می­توان جهت تولید نقشه عملکرد یونجه با ضریب تعیین و ضریب همبستگی 63/0 و 79/0 استفاده کرد (جدول 10).

 

جدول 10- ضرایب رگرسیونی مدل.

Table 10- Regression coefficient of models.

Sig.

T

Std. Error

B

 

 

0.005

-2.96

12.56

-37.2

(Constant)

 

0.001

3.5

0.102

0.35

Rain

Yield 1

0.021

-2.4

0.33

-0.789

Soil Class

 

0.001

-3.54

0.006

-0.021

PVI

 

0.006

-2.67

11.87

-35.67

(Constant)

 

0.001

3.5

0.096

0.34

Rain

Yield 2

0.02

-2.37

0.31

-0.74

Soil Class

 

0.001

-3.43

0.006

0.019

PVI

 

 

 

برخی محققان نیز نشان دادند که به­وسیله سه متغیر بارندگی، شیب و شاخص گیاهی نرمال شده می­توان میزان تولید علوفه در حوضه آبخیز دماوند را تخمین زد (Mirakhorlo & Hosseini, 2006). رطوبت ناشی از بارندگی فصل رویش و ابتدای فصل رشد، به‌صورت رطوبت ذخیره شده در خاک باقی می‌ماند و گیاهان از این رطوبت استفاده می­کنند. بر اساس نمودار همبستگی، ضریب تبیین در رابطه بین شاخص گیاهی تفاضل نرمال شده و تولید علوفه، 72 درصد به­دست آمد. نتایج Saki et al (2012)، نشان داده است که حضور گون زرد با عامل­های محیطی میانگین درجه حرارت و سه عامل خاک (رس، هدایت الکتریکی و کربن آلی) بیشترین همبستگی را داشت به­طوری که حضور این گونه با میزان رس و مواد آلی همبستگی مستقیم و با میزان هدایت الکتریکی همبستگی معکوس داشت (Song et al, 2014). برخی محققین در تعیین عملکرد علوفه گراس­ها و کاربرد شاخص NDVI به روش رگرسیون بهینه دریافتند که این روش می­تواند در سطح وسیع به‌کار رود. از بین شاخص­های پوشش گیاهی، NDVI، SAVI، MSAVI و EVI در تهیه نقشه عملکرد گندم تحت شرایط آبیاری شاخص SAVI از دقت بالاتری (R2=0.63)، برخوردارند و می­توان از آن ها در جهت تعیین عملکرد استفاده کرد (Liaghat et al., 2017). تعداد 14 شاخص پوشش گیاهی با استفاده از ماهواره لندست پنج و سنجنده TM در دره سان­لوئیس ایالات متحده آمریکا، برای یافتن بهترین شاخص در مناطق خشک با پوشش گیاهی تنک مورد ارزیابی قرار گرفتند. پس از آن، مقدار ضریب تبیین از رگرسیون خطی این شاخص­ها برای تعیین عملکرد، مورد استفاده قرار گرفت و نتایج مطلوبی را ارائه داد (Baugh & Groeneveld, 2006) به‌طوری‌که شاخص­های دارای ضریب خط خاک، برای این مناطق مناسبتر هستند. Bocco et al(2013) نیز پیشنهاد کردند که شاخص SAVI جهت پوشش گیاهان سویا و ذرت بسیار مفید است؛ البته آن ها از ماهواره مودیس استفاده کرده بودند. به­منظور تعیین شاخص­های مناسب ارزیابی تولید گیاهان در مراتع ییلاقی جنوب استان مازندران، داده­های ماهواره­ای شاخص­های گیاهی TV، MIRV، LAI و VI که همگی از مشتقات شاخص گیاهی نرمال شده هستند، رابطه معنی­داری با تولید علوفه نشان دادند (Arzani et al., 2008). پس از یافتن بهترین معادله، اقدام به تهیه نقشه در محیط GIS شد (شکل 6).

 

 

 

 

نتایج اعتبارسنجی مدل نشان داد که میانگین هندسی نسبت خطا در هر دو چین، بالاتر از یک شد که نشان دهندهکمی بالاتر بودن مقادیر تخمینی  نسبت به مقادیر واقعی است. ضریب تبیین بالاتر، میانگین خطای آزمایشی کمتر (RMSE) و نزدیک­تر بودن میانگین هندسی نسبت خطا (GMER)، در چین اول نسبت به چین دوم مناسب­تر است (جدول 11). با توجه به جدول 12 که نتایج آزمون کای اسکوئر را نشان می­دهد، پیداست که تفاوت معنی­داری بین مقادیر واقعی و تخمینی عملکرد یونجه طی هر دو چین وجود ندارد.

 

 

جدول 11- پارامترهای ارزیابی مدل.

Table 11. Model evaluation parameters.

GMER

RMSE

R2

 

1.03

35.4

0.757

Yield 1

1.09

43.03

0.624

Yield 2

 

 

جدول 12- آزمون کای اسکوئر.

Table 12. Chi-Square test.

Asymp. Sig.

d.f.

Chi-Square

 

0.74

7

4.28

Yield 1

0.63

8

2.43

Estimation of yield

0.61

7

5.42

Yield 2

0.99

8

1.43

Estimation of yield

 

 

نتیجه­ گیری کلی

بر اساس این مدل طی هر دو چین، از بین پارامترهای اقلیمی، بارندگی و از بین شاخص­های گیاهی، شاخص PVI و از بین خصوصیات خاکی، کلاس خاک تعیین شدند. اگر فرض شود که شاخص PVI برابر صفر، بارندگی برابر 120 و کلاس خاک برابر یک (SAR<0.05) باشد، به عملکرد بالای 575 گرم بر متر مربع خواهیم رسید (مکان دو). اگر همین مقادیر را فرض بگیریم اما کلاس خاک را به دو (SAR= 0.05-0.1) برسانیم، عملکرد به 480 گرم بر متر مربع می­رسد (مکان سه) و اگر در کلاس خاک دو، بارندگی را به 110 میلیمتر کاهش داده، عملکرد به کمتر از 180 گرم بر متر مربع (مکان 1) می­رسد. به­طور‌کلی، این روش پیش­بینی عملکرد علوفه، به دلیل این که از پارامترهای اقلیمی، خاکی و پوشش گیاهی در آن استفاده شده است، از اعتبار بالایی برخوردار است. مدیران می­توانند از این نقشه­ها جهت ارائه الگوی بهره­برداری مناسب منطقه استفاده کنند، به­طوری‌که در مناطقی با شوری کم، می­توان یونجه تولید کرد؛ این امر می‌تواند منجر به کاهش مهاجرت از این مناطق می­شود.

 

سپاسگزاری

بدینوسیله از مسئولان محترم دانشکده کشاورزی شهرستان سرایان، جهاد کشاورزی و منابع طبیعی که در امر اجرای این تحقیق، همکاری­های لازم را به عمل آورده­اند صمیمانه قدردانی می­شود.

 

REFERENCES

  1. Alizadeh, A. (2007). Principles of applied hydrology. Emam Reza University. Press, Mashhad, P: 265-290. (In Persian).
  2. Anderson, E. W. (1968). Soil information for range resource evaluation. Journal of Range management, 21(1), 406-409.
  3. Ardakani, A. H., Karimi Ahmadabad, M. Ekhtesasi, M. R. & Payedar Ardakani, A. (2017). Evaluation of modeling methods and supervised classification for mapping soil salinity using ASTER and ETM images. Journal of Water and Soil Conservation, 23(5), 123-140.
  4. Arzani, H., Noori, S., Kaboli, S., Moradi, H. & Ghelichnia, H. (2008). Determination of suitable indices for vegetation cover assessment in summer rangelands in south of Mazandaran. Journal Natural Resource, 61(4), 997-1016. (In Persian)
  5. Bahar, M., Ghobadi, S., Erfani Moghadam, V., Yamchi, A. & Talebi Badaf, M. (2005). Evaluation of Iranian alfalfa with ESTS. Journal Agriculture Research, 2(1), 141-151. (In Persian)
  6. Baugh, W. M. & Groeneveld, D. P. (2006). Broadband vegetation index performance evaluated for a low cover environment. International Journal of Remote Sensing, 27, 4715-4730.
  7. Bocco, M., Ovando, G. Sayago, S. & Willington, E. (2013). Simple models to estimate soybean and corn percent ground cover with vegetation indices from Modis. Asociacion Espaniola de Teledeteccion, 39(13), 1-9.
  8. Burrough, P. A. (1991). Sampling designs for quantifying map unit composition. Spatial Variabilities of Soil and Landforms. Special Publication, 36 Pp.
  9. Cohen, W. B., Maiersperger, T. K., Gower S. T., & Turner, D. P. (2003). An improved strategy for regression of biophysical variables and Land sat ETM+ Data. Remote Sensing of Environment, 84, 561-571.
  10. Dadrasi, A. & Torabi, B. (2016). Predict the growth and yield of corn in Hamedan. Iranian Journal of Field Crop Science, 47(4), 595-610. (In Persian)
  11. Ehsani, A., Arzani, H., Farahpour, M., Ahmadi, H., Jafari, M., Jalili, A., Abasi, H. R., Azimi M. S. & Mirdavoudi, H. R. (2007). The effect of climatic conditions on range forage production in steppe Rangelands, Akhtar Abad of Saveh. Journal of Range and Desert Research, 14(2), 249-260, (In Persian)
  12. Eldeiry, A. A. & Garcia, L. A. (2012). Management of soil salinity and crop yield using conditional probability maps. Annual American Geophysical Union Hydrology days. 25-27March, Colorado State University, pp: 52-67.
  13. Eldeiry, A. & Garcia, L. A. (2010). Comparison of regression kriging and cokriging techniques to estimate soil salinity using LANDSAT images. Journal of Irrigation and Drainage Engineering, 136, 355–364.
  14. Guisan, A. Theurillat, J. P. & Kienast, F. (1998). Predicting the potential distribution of plant species in an alpine environment. Journal of Vegetation Science, 9, 65-74.
  15. Liaqat, M., Jehanze, M., Cheema, M., Huang, W., Mahmood, T., Zaman, M. & Khan, M. (2017). Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin. Computers and Electronics in Agriculture, 138(17), 39-47. (In Persian)
  16. Mahmoudi, A., Mohammadi, E., Kamkar, B. & Abdi, O. (2014). Comparison of geostatistical- and remote sensing data-based methods in wheat yield predication in some of growing stages (A case study: Nemooneh filed, Golestan province).Crop production publication, 8(2), 51-76.
  17. Mirakhorlo, K. & Hosseini, S. Z. (2006). Estimating rangelands yield using remote sensing data (Case study: Damavand region of Iran), Iranian Journal of Range and Desert Research, 13(2), 127-138. (In Persian).
  18. Nunes, G. K. M. & Santos, S. B. (2012). Environmental factors affecting the distribution of land snails in the Atlantic Rain Forest of Ilha Grande, Brazillian Journal of Biology, 72(1), 79-86.
  19. Safaei, M., Torkesh, M., Basiri, M. & Bashirii, H. (2013). Produce of map Astragalus verus by regression Logistic. Journal of Dry Ecology, 3(1), 43-54. (In Persian)
  20. Saki, M., Torkesh, M., Basiri, M. & Vahhabi, M. R. (2012). Application of tree regression Logistic for Species of Astragalus verus. Journal of Application Ecology, 1(2), 27-37. (In Persian)
  21. Sanaeinejad, H., Nassiri Mahallati, M., Zare, H., Salehnia, N. & Ghaemi, M. (2014). Wheat yield estimation using Landsat images and field observation: A case study in Mashhad. Journal of Plant Production. 20(4), 45-63. (In Persian)
  22. Savari, Z., Hojati, S. & Taghizadeh-Mehrjerdi, R. (2016). Assessing the ability of kriging methods for mapping surface soil salinity in Ahvaz County. Journal of Water and Soil Science, 77 (20), 127-143.
  23. Song, W. H., Jia, f., Liu, S., Liang, S., Wang, Z., Hao, L. & Cha, S. (2014). A remote sensing based forage biomass yield inversion model of Alpine-cold meadow during Grass-withering Period in Sanjiangyuan Area. Earth and Environmental Science, 17, 1-6.
  24. Wagner, B., Tarnawaski, W. R., Henning, V., Muller, V., Wessolek, V. & Plagge, R. (2001). Evaluation of pedotransfer functions unsaturated soil hydraulic conductivity using an independent data set. Geoderma, 102(1), 275-297.
  25. Yarnia, M., Heydari Sharif Abad, H. & Rahim Zadeh Khui, F. (2005). Effect of carbonate calcium on tolerance to salinity in alfalfa figures. Journal in Agriculture Knowledge, 2, 9-21. (In Persian).

[1] Soil Adjustment Vegetation Index

[2] MODIS

[3] Normal Different Vegetation Index

[4] Transformed Vegetation Index

[5] Mid Infrared Index

[6] Leaf Area Index

[7] Vegetation Index

[8] Perpendicular Vegetation Index

[9] Weighted Difference Vegetation Index

[10] Difference Vegetation Index

[11] Modified Soil Adjustment Vegetation Index

[12] Electric Conduction

[13] Organic Carbon

[14] Salinity Index

[15] Temperature Means

[16] Rain Means

[17] Wind Speed Means

[18] Elevation

[19] Lowest and Highest Temperature

[20] Moisture Means

[21] www.usgs.com

[22] Soil Line

[23] Sodium Adsorption Ratio

[24] IDW

[25] Stepwise

[26] Geometric Mean Error Ratio

References

  1. REFERENCES

    1. Alizadeh, A. (2007). Principles of applied hydrology. Emam Reza University. Press, Mashhad, P: 265-290. (In Persian).
    2. Anderson, E. W. (1968). Soil information for range resource evaluation. Journal of Range management, 21(1), 406-409.
    3. Ardakani, A. H., Karimi Ahmadabad, M. Ekhtesasi, M. R. & Payedar Ardakani, A. (2017). Evaluation of modeling methods and supervised classification for mapping soil salinity using ASTER and ETM images. Journal of Water and Soil Conservation, 23(5), 123-140.
    4. Arzani, H., Noori, S., Kaboli, S., Moradi, H. & Ghelichnia, H. (2008). Determination of suitable indices for vegetation cover assessment in summer rangelands in south of Mazandaran. Journal Natural Resource, 61(4), 997-1016. (In Persian)
    5. Bahar, M., Ghobadi, S., Erfani Moghadam, V., Yamchi, A. & Talebi Badaf, M. (2005). Evaluation of Iranian alfalfa with ESTS. Journal Agriculture Research, 2(1), 141-151. (In Persian)
    6. Baugh, W. M. & Groeneveld, D. P. (2006). Broadband vegetation index performance evaluated for a low cover environment. International Journal of Remote Sensing, 27, 4715-4730.
    7. Bocco, M., Ovando, G. Sayago, S. & Willington, E. (2013). Simple models to estimate soybean and corn percent ground cover with vegetation indices from Modis. Asociacion Espaniola de Teledeteccion, 39(13), 1-9.
    8. Burrough, P. A. (1991). Sampling designs for quantifying map unit composition. Spatial Variabilities of Soil and Landforms. Special Publication, 36 Pp.
    9. Cohen, W. B., Maiersperger, T. K., Gower S. T., & Turner, D. P. (2003). An improved strategy for regression of biophysical variables and Land sat ETM+ Data. Remote Sensing of Environment, 84, 561-571.
    10. Dadrasi, A. & Torabi, B. (2016). Predict the growth and yield of corn in Hamedan. Iranian Journal of Field Crop Science, 47(4), 595-610. (In Persian)
    11. Ehsani, A., Arzani, H., Farahpour, M., Ahmadi, H., Jafari, M., Jalili, A., Abasi, H. R., Azimi M. S. & Mirdavoudi, H. R. (2007). The effect of climatic conditions on range forage production in steppe Rangelands, Akhtar Abad of Saveh. Journal of Range and Desert Research, 14(2), 249-260, (In Persian)
    12. Eldeiry, A. A. & Garcia, L. A. (2012). Management of soil salinity and crop yield using conditional probability maps. Annual American Geophysical Union Hydrology days. 25-27March, Colorado State University, pp: 52-67.
    13. Eldeiry, A. & Garcia, L. A. (2010). Comparison of regression kriging and cokriging techniques to estimate soil salinity using LANDSAT images. Journal of Irrigation and Drainage Engineering, 136, 355–364.
    14. Guisan, A. Theurillat, J. P. & Kienast, F. (1998). Predicting the potential distribution of plant species in an alpine environment. Journal of Vegetation Science, 9, 65-74.
    15. Liaqat, M., Jehanze, M., Cheema, M., Huang, W., Mahmood, T., Zaman, M. & Khan, M. (2017). Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin. Computers and Electronics in Agriculture, 138(17), 39-47. (In Persian)
    16. Mahmoudi, A., Mohammadi, E., Kamkar, B. & Abdi, O. (2014). Comparison of geostatistical- and remote sensing data-based methods in wheat yield predication in some of growing stages (A case study: Nemooneh filed, Golestan province).Crop production publication, 8(2), 51-76.
    17. Mirakhorlo, K. & Hosseini, S. Z. (2006). Estimating rangelands yield using remote sensing data (Case study: Damavand region of Iran), Iranian Journal of Range and Desert Research, 13(2), 127-138. (In Persian).
    18. Nunes, G. K. M. & Santos, S. B. (2012). Environmental factors affecting the distribution of land snails in the Atlantic Rain Forest of Ilha Grande, Brazillian Journal of Biology, 72(1), 79-86.
    19. Safaei, M., Torkesh, M., Basiri, M. & Bashirii, H. (2013). Produce of map Astragalus verus by regression Logistic. Journal of Dry Ecology, 3(1), 43-54. (In Persian)
    20. Saki, M., Torkesh, M., Basiri, M. & Vahhabi, M. R. (2012). Application of tree regression Logistic for Species of Astragalus verus. Journal of Application Ecology, 1(2), 27-37. (In Persian)
    21. Sanaeinejad, H., Nassiri Mahallati, M., Zare, H., Salehnia, N. & Ghaemi, M. (2014). Wheat yield estimation using Landsat images and field observation: A case study in Mashhad. Journal of Plant Production. 20(4), 45-63. (In Persian)
    22. Savari, Z., Hojati, S. & Taghizadeh-Mehrjerdi, R. (2016). Assessing the ability of kriging methods for mapping surface soil salinity in Ahvaz County. Journal of Water and Soil Science, 77 (20), 127-143.
    23. Song, W. H., Jia, f., Liu, S., Liang, S., Wang, Z., Hao, L. & Cha, S. (2014). A remote sensing based forage biomass yield inversion model of Alpine-cold meadow during Grass-withering Period in Sanjiangyuan Area. Earth and Environmental Science, 17, 1-6.
    24. Wagner, B., Tarnawaski, W. R., Henning, V., Muller, V., Wessolek, V. & Plagge, R. (2001). Evaluation of pedotransfer functions unsaturated soil hydraulic conductivity using an independent data set. Geoderma, 102(1), 275-297.
    25. Yarnia, M., Heydari Sharif Abad, H. & Rahim Zadeh Khui, F. (2005). Effect of carbonate calcium on tolerance to salinity in alfalfa figures. Journal in Agriculture Knowledge, 2, 9-21. (In Persian).
Iranian Journal of Field Crop Science
Volume 51, Issue 1
April 2020
Pages 137-148

Files

History

  • Receive Date: 09 September 2018
  • Revise Date: 10 February 2019
  • Accept Date: 23 February 2019
  • Publish Date: 20 April 2020

Share

How to cite

Statistics