روشی غیر تخریبی برای برآورد میزان زیست توده گیاه با استفاده ازتصاویر دوربین دیجیتال

مطالعه و برآورد مستمر زیست توده از طریق تصاویر ماهواره ای یکی از مهمترین موضوعاتی می باشد که در زمینه مطالعات اکوسیستم مورد توجه هستند. روش های اندازه گیری مستقیم زیست توده علیرغم دقیق بودن، معمولا با تخریب بخشی از پوشش گیاهی همراه می باشد که این عمل با توجه تعداد مورد نیاز برای مدلسازی ماهواره ای، علاوه بر ضرر رساندن به محیط زیست و کشاورزی، نیازمند تجهیزات خاص می باشد. در این پژوهش روشی ارائه شده است که بوسیله آن می توان با استفاده از تصاویر دوربین دیجیتال و بدون نیاز به تخریب فیزیکی، مقدار زیست توده را محاسبه کرد. در روش پیشنهادی با بررسی رابطه مقدار پوشش گیاهی (گندم زمستانه) که از تصویر دوربین دیجیتال از مزارع بدست می آید و ndvi که از داده های ماهواره ای همان مزارع محاسبه می شود، یک مدل توسعه داده شده است. با استفاده از این مدل، از تصاویر دوربین دیجیتال مقدار ndvi محاسبه می شود. با محاسبه ndvi از عکس دیجیتال، مقدار انرژی جذب شده فتوسنتزی با روابط معتبر موجود، محاسبه شد. سپس با استفاده از مدل های lue (مونتیس) مقدار زیست توده برآورد گردید. ضریب تعیین بدست آمده در این پژوهش برای برآورد ndvi از تصاویر دوربین دیجیتال برابر با 0.71 ((rmse= 0.087 می باشد. همچنین ضریب تعیین بدست آمده در برآورد زیست توده با استفاده از داده های عکس دیجیتال برابر با 0.63 با rmse= 238 g/m2 محاسبه شده است. از مزایای این روش نسبت به روش های زمینی سرعت، کمی هزینه و سهولت انجام آن می باشد. همچنین از این روش می توان در غیاب دسترسی به داده های ماهواره ای نیز استفاده نمود.

Non-destructive Method for Estimating Biomass of Plants Using Digital Camera Images

AbstractPlant growth and biomass assessments are required in production and research. Such assessments are followed by major decisions (e.g., harvest timing) that channel resources and influence outcomes. In research, resources required to assess crop status affect other aspects of experimentation and, therefore, discovery. Destructive harvests are important because they influence treatment selection, replicate number and size, and the opportunity for true repeated measures. For indirect biomass estimation, remote sensing data are used to determine agriculture species biomass using multiple regression analysis or Radiation Use Efficiency (RUE) models. In agriculture, RUE or Light Use Efficiency (LUE) is defined as dry biomass produced per unit of solar absorbed radiation or Photosynthetic Active Radiation.The LUE model needs a time series of NDVI index. Here, the lack of a few satellite images may make this time series incomplete. To overcome this deficiency, the farmer provided digital images that can be replaced for the missing satellite pixels/images that were deployed. Digital cameras can provide a consistent view of vegetation phenology at fine spatial and temporal scales that are impractical to collect manually and are currently unobtainable by satellite and most aerialbased sensors.This study demonstrated a reliable, fast, and costeffective approach for estimating NDVI using digital camera images. Highresolution digital images were acquired in the wheat field, and automated image processing methods were developed to segment the wheat canopy from the soil background. Exponential models for aboveground total NDVI showed acceptable precision and accuracy. Canopy cover estimated with images from digital cameras was sufficiently well correlated with satellite NDVI. Here, using a regression model, the NDVI index was estimated from the digital photographs. This method is named Digital NDVI (DNDVI). To develop this method, the relationship between the vegetation fractions (VF) obtained from the digital photos and the NDVI calculated from the satellite image of the same location were examined. For calculation of DNDVI to be used in cloudy days, the farmer is asked to supply a few photos from different parts of the farm (the number of photos depends on the size of the farm). These photos will be sent to the server where the VF values and then the averaged DNDVI will be calculated. The uncertainty of the DNDVI model in estimating biomass was 0.071 with relative RMSE of about 0.14. Next, wheat biomass was calculated using DNDVI and LUE model. The results of LUE model (and in estimating biomass show a coefficient of determination (R2) 0.62 with an RMSE of 238 (gm2).In conclusion, as a nearground remote assessment tool, digital cameras have good potential for monitoring wheat NDVI and growth status.