برآورد شاخص سطح برگ و ضریب گیاهی برنج با استفاده از داده‌های سنجنده Oli

تعیین نیاز آبی گیاهان از عوامل موثر در برنامه ریزی دقیق آبیاری است. ضریب گیاهی به عنوان نماینده ویژگی های گیاهان مختلف در معادله محاسبه تبخیر تعرق گیاهی دارای اهمیت بسیار است. محاسبه این ضریب با روابط و روش های موجود هزینه بر و زمان بر بوده و اطلاعات حاصل از این روش ها به صورت نقطه ای گزارش می شود، در حالیکه امروزه یافتن روش های محاسبه ضریب گیاهی در سطوح گسترده مورد توجه می‌باشد. در این میان روش های مبتنی بر سنجش از دور مورد استقبال بسیاری از پژوهشگران قرار گرفته است. پژوهش حاضر با هدف برآورد ضریب گیاهی(kc) و شاخص سطح برگ (lai) برنج در مراحل مختلف زراعی با استفاده از سنجنده oliانجام شد. بدین منظور، داده های شاخص سطح برگ در مراحل مختلف رشد طی دو فصل زراعی (13941393) و (13951394) از دو قطعه شالیزار 65 و 15 هکتاری در شمال شهرستان ساری مورد استفاده قرار گرفت. مقدار متوسط ضریب گیاهی برآورد شده در مراحل نشا، پنجه زنی، خوشه دهی و رسیدن به ترتیب 0.92، 1.24، 1.19 و 1.12 به دست آمد که نشان از وجود رابطه خطی بین این ضریب و شاخص تفاوت نرمال شده گیاهی (ndvi)دارد (0.97

Leaf Area Index and Crop Coefficient Estimation from Operational Land Imager (OLI) Sensor Data

Water demand is one of the most effective factors in irrigation scheduling. In evapotranspiration formulas, crop coefficient (Kc), as a representative of different plants characteristics, is of great importance. Calculating this coefficient using the existing methods and formulas is costly and timeconsuming, and results are pointspecific. However, nowadays, calculation methods that provide large scale Kc values are of interest. The methods based on remote sensing have been welcomed by many researchers. The objective of the present study was calculating crop coefficient (Kc) and leaf area index (LAI) of rice in different growing stages, using OLI sensor. In this regard, data LAI of two rice fields (areas of 15 and 65 hectares) located in north part of Sari, Iran, were used in two growing seasons (20142015 and 20152016). The average Kc at transplantation, tillering, heading, and maturity stages was, respectively, 0.92, 1.24, 1.19, and 1.12, showing that Kc had a good correlation with NDVI at different stages (r>0.97). According to the results, NDVI is a good estimator for rice Kc. In addition, Rice Growth Vegetation Index (RGVI) in all growing stages had a correlation coefficient r>0.93. RGVI is considered as a good estimator of LAI. Approximately at all growing stages, except heading, more than 93% of LAI changes were predicted by RGVI. Generally, it can be concluded that the most suitable indices for estimating Kc and LAI of rice are NDVI and RGVI, respectively.