بررسی کارایی داده بارش trmm در ارزیابی خسارت ناشی از باران بر مزارع برنج استان گیلان

آگاهی از میزان دقیق و تغییرات زمانی و مکانی باران در هر منطقه می‌تواند در مدیریت بخش کشاورزی بویژه در ارتباط با بیمه محصولات کشاورزی، مفید باشد. گیاه برنج به عنوان یکی از مهمترین محصولات استراتژیکی در کشور محسوب می‌شود. در شرایط حاضر برآورد خسارت وارد به اراضی شالیزاری در اثر عوامل مختلف از جمله باران، از طریق روش های سنتی اندازه گیری انجام می‌شود. در این تحقیق، پس از تفکیک اراضی شالیزاری در تصاویر لندست با استفاده از شاخص های طیفی و حدود آستانه ای مربوط، از داده‌های بارش trmm_3b42 جهت تشخیص ارتفاع و شدت بارش در پیکسل های مربوط به این اراضی استفاده شد که این داده با نام trmm نسخه 7 شناخته می گردد. در این پژوهش محاسبات خسارت، بر مبنای دستورالعمل تشخیص و ارزیابی خسارت زای محیطی و مدیریتی که اساس کار صندوق بیمه محصولات کشاورزی در این بخش است، صورت گرفته است.جهت ارزیابی عملکرد داده فوق در محاسبه خسارت ناشی از باران بر مزارع برنج استان گیلان، معادله خط حاصل از رگرسیون گیری بین مقادیر محاسباتی و مشاهداتی خسارت در شهرستان ها و همچنین در تعدادی از روستاهای شهرستان رشت، بررسی گردید که نتایج حاکی از کارایی خوب این داده در تخمین خسارت ناشی از باران در سطح استان گیلان دارد؛ بطوریکه در معادله خط حاصل از رگرسون گیری بین این مقادیر در کل شهرستان های استان گیلان، ضریب همبستگی پیرسون برابر با 0.945 بدست آمد.

Scrutiny of TRMM Satellite Precipitation Data Efficiency for Evaluation of Rainfall Damages on Gilan’s Province Rice Farming

Rice is considered as one of the most strategic plants in Iran. The production of rice has been confronted with new challenges since the year of 2000, so the necessity of supporting policies implemented by all relevant authorities has been revealed more and more. Average rainfall records in Gilan province, a ricefavored tropical region, often show a range of 800 ml - 2000 ml with the latter number knowns as the desirable quantity for rice farming. Generally, rice farming needs humidity of 7080 per cent and Gilan province is wellknown for its tropical climate that formulates the necessities for successful productive rice farming industry in this specified district. Long tedious hours of work roughly reach out to 10501400 hours for each hectare of rice farm so that all three stages of the rice farming process could be completed respectively. This long hours of work commands stretched hours of pay for the staff that may leave the business overdrawn in the long run. With population overgrowth and lack of unlimited resources, a need for research and development in terms of optimized rice productivity, is inevitably on the rise. Each advanced plan that guarantees higher product yield with better quality boosts the country one step closer to economical and political independence. A comprehensive knowledge over rainfall locations and its seasonal changes enhances the farming productivity and plays key role in the agricultural risk management and its crops insurance. Considering rice dominance in Iran rsquo;s farming, use of old fashioned methods in evaluation of the damages imposed by different hazards; such as heavy rainfalls, seems defectively inefficient due to the fact that the surveys are conducted in a very short period of time with a great deal of cost. Recent developments in the field of Remote Sensing (RS) have popularized the technique; as it offers unique vast insight, high levels of data transition speed, and availability of fieldspecialized software/hardware. In this research, TRMM_3B42 data which is known as TRMM data (version 07), is utilized for measuring precipitation.In an attempt to evaluate the efficiency of TRMM in reporting the damages occurred to Gilan rsquo;s province rice farms, Pearson correlation coefficient, was compared among processed data and the gathered observational results separately across the larger states where rice farms cover the area of 15 hectares and less than that, also few villages in Rasht district so that the results indicate the promising use of method in Gilan rsquo;s province ultimately since Pearson correlation coefficient between calculations and observations equals to 0.945, so it is meaningful in the statistical level of 1%, although in the occasion of smaller villages its efficiency was graded as poor.