تهیه نقشه تولید علوفه در مراتع نیمه‌خشک گرم با استفاده از تصاویر سنتیل 2 (مطالعه موردی: مراتع شهرستان هفتکل)

سابقه و هدف: تعیین میزان دقیق تولید علوفه می تواند به مدیران مراتع و متخصصان مربوطه در راستای تعیین دقیق تر تعداد دام مجاز کمک شایانی نماید. در صورت استقرار مناسب قطعات نمونه، استفاده از داده های سنجش از دور می تواند به برآورد دقیق تر تولید علوفه با توجه به گستردگی سطوح مراتع، هزینه بر بودن، صرف زمان زیاد و همچنین دیگر مشکلات موجود در برداشت داده های زمینی، کمک کند. هدف از این تحقیق بررسی امکان تهیه نقشه تولید علوفه و تعیین بهترین شاخص سنجش از دور با استفاده از داده های میدانی و شاخص های پوشش گیاهی ndvi، savi، msavi2، dvi و gci حاصل از تصاویر ماهواره ای سنتیل 2 است. مواد و روشها: با استفاده از شبکه نمونه برداری تعداد 58 قطعه نمونه یک مترمربعی در منطقه مورد مطالعه برداشت گردید و از روش قطع و توزین برای اندازه گیری تولید علوفه استفاده شد. سپس با استفاده از نرم افزار snap شاخص های پوشش گیاهی ndvi، savi، msavi2، dvi و gci ایجاد شدند. با استفاده از نرم افزار arcgis 10.4 و موقعیت مکانی قطعات نمونه برداشت شده، ارزش های شاخص های فوق استخراج شدند و با استفاده از آزمون کولموگرف اسمیرنف نرمال بودن داده ها مورد بررسی قرار گرفت. سپس روابط آنها با استفاده از رگرسیون در نرم افزار spss 16 مورد تحلیل قرار گرفت. همچنین از رگرسیون خطی چندگانه نیز برای بررسی رابطه بین شاخص های گیاهی و تولید علوفه استفاده شد. برای ایجاد مدل از 70 درصد داده ها و برای آزمون مدل از 30 درصد آنها استفاده شد. از شاخص های ضریب تبیین (r^2) و جذر میانگین مربعات خطا (root mean square error= rmse) برای انتخاب بهترین مدل و شاخص استفاده شد. در نهایت با استفاده از مدل انتخاب شده و به کمک arcgis 10.4، نقشه میزان تولید علوفه بر حسب کیلوگرم در هکتار تهیه شد و با بهره گیری از آزمون تی مستقل، نقشه نهایی تولید علوفه با مقدار تولید در 58 پلات های اندازه گیری شده مورد ارزیابی قرار گرفت.نتایج: نتایج مربوط به بررسی رابطه بین تولید علوفه و شاخص های گیاهی با رگرسیون خطی تک متغیره نشان داد که همه شاخص های مورد استفاده رابطه معنی داری با تولید برقرار کردند. مدل رگرسیون خطی تک متغیره با شاخص msavi2، بیشترین ضریب تبیین و کمترین خطاrmse (y= 649.3-8523.7×msavi2; r^2= 0.68 and rmse= 16). را به خود اختصاص داد. همچنین نتایج نشان داد که میزان دقت شاخص dvi (r^2 =0.66; rmse =19) نسبت به شاخصndvi (r^2 =0.58; rmse =22)  در برآورد تولید علوفه در منطقه مورد مطالعه بیشتر است. نتایج رگرسیون خطی چندگانه نشان داد که با در نظر گرفتن مفروضات رگرسیون، فقط دو شاخص gci و msavi2 می تواند وارد مدل شود و میزان ضریب تبیین و جذر میانگین مربعات خطا بین شاخص های ورودی و میزان تولید علوفه در قطعات نمونه برابر با مدل رگرسیون خطی تک متغیره با شاخص msavi2 بود. نتایج آزمون تی نشان داد که بین نقاط مشاهداتی (تولید علوفه در 58 پلات) و نقاط برآوردی (تولید تخیمنی متناظر 58 پلات) در مدل رگرسیون خطی تک متغیره با شاخص msavi2، تفاوت معنی دار در سطح 0/05 درصد وجود ندارد. در نقشه نهایی حداقل، متوسط و حداکثر تولید علوفه برابر با 10، 220 و 475 کیلوگرم در هکتار به دست آمد.نتیجه گیری: باتوجه به اینکه میزان دقت و ضریب تبیین مدل رگرسیون چندگانه و رگرسیون خطی تک متغیره برابر بود و همچنین نتایج آزمون تی استیودنت نشان داد که بین داده های مشاهداتی و مدل ایجاد شده با استفاده از شاخص msavi2 تفاوت معنی دار وجود نداشت، پیشنهاد می شود برای برآورد تولید در مراتع نیمه خشک گرم از این شاخص استفاده شود. 

mapping of forage production in poor rangelands haftkel rangelands using sentile-2 images

background and objectives: determination of the exact rangelands forage production could be of great help to rangeland managers in sake of proper stocking rate. with implementing proper sampling design, remote sensing data could be used to estimate forage production due to the extent of rangelands areas, cost, time consumption and other problems in field data gathering. the objectives of this study were to select the best model and the best remote sensing index in order to map forage production using field data and vegetation indices of ndvi, savi, msavi2, dvi and gci extracted from satellite images of sentinel 2. methodology: a sampling network with a total of 58 plots (1×1 meters) were established in the studied area and cut and weight method was used to measure forage production. then, vegetation indices of ndvi, savi, msavi2, dvi and gci were created with snap software. the values of the mentioned indices were extracted from the location of the plots, using the arcgis 10.4 software. the normality of the data was checked by the kolmogorov smirnov test. then their relationships were analyzed with regression in spss 16 software. also, multiple linear regression was used to investigate the relationship between plant indicators and forage production. the train model was created by 70% of the total plots and 30% of the data were used to test the model. coefficient of determination (r2) and root mean square error (rmse) were used to select the best model and index. finally, the selected model was used to create the map of forage production (kg/hec), using arcgis 10.4. the values of final map as the estimated data and a total of 58 plots as observed data were evaluated by independent t-test.results: the results related to the relationship between forage production and plant indices with univariate linear regression showed that all tested indices had a significant relationship with forage production. the univariate linear regression model with msavi2 index had the highest coefficient of determination and the lowest rmse (y= 649.3-8523.7×msavi2; r2= 0.68 and rmse= 16). the results also showed that the accuracy of the dvi index (r2= 0.66; rmse= 19) was higher than the ndvi index (r2= 0.58; rmse= 22) for estimating forage production in studied area. by applying the assumptions of multivariate linear regression model, only two indices of gci and msavi2 were included in the model, and the amount of r2 and rmse were the same as univariate linear model with msavi2 index. the results of independent t-test indicated that there were not significant differences between observed data and the ones estimated by selected model (p<0.05). the minimum, mean and maximum of forage production in the final map were 10, 220 and 475 kg/hec., respectively. conclusion: according to the equality of the root mean square error and the coefficient of determination of the multiple and linear regression models and also the results of independent t-test that indicated no significant difference between observed and estimated forage production, we suggest using the msavi2 index to estimate forage production in warm semi-arid rangelands.