بررسی اثر بروز‌ رسانی ماده خشک حاصل از مشاهدات زمینی و ماهواره‌ای بر دقت شبیه‌سازی عملکرد برنج رقم هاشمی با استفاده از مدل swap

پیش‌بینی عملکرد گیاه پیش از برداشت با استفاده از مدل‌های‌‌ شبیه‌ساز و فناوری سنجش از دور در مدیریت کشاورزی پایدار بسیار حائز اهمیت است. پژوهش حاضر با هدف کاربرد تصاویر ماهواره‌ای سنتینل 2 در بهبود دقت مدلswap برای شبیه‌سازی عملکرد برنج رقم هاشمی در یکی از مزراع تحقیقاتی موسسه برنج کشور انجام شد. بدین منظور شاخص‌های گیاهی lai، ndvi و savi برای دوره‌ رشد گیاه برنج از تصاویر ماهواره‌ای استخراج شدند. همچنین شاخص سطح برگ به‌طور مستقیم و هفتگی در سطح مزرعه اندازه‌گیری و با شاخص‌های استخراجی از تصاویر ماهواره‌ای جهت ارائه بهترین معادله برای تخمین مقدار ماده خشک مقایسه شد. سپس با استفاده از معادله رگرسیون خطی چند متغیره مقدار ماده خشک از تصاویر ماهواره‌ای برآورد و در مدل swap به‌عنوان پارامتر ورودی داده شد. در نهایت عملکرد اندازه‌گیری شده با مقادیر شبیه‌سازی توسط مدل swap با و بدون استفاده از تصاویر ماهواره‌ای مقایسه شد. نتایج نشان داد خطای مدل در حالتی‌که مقدار ماده خشک اندازه‌گیری شده به‌عنوان ورودی مدل در نظر گرفته شد 3.93 درصد معادل 396.88 kg/ha بوده و مدل از دقت قابل قبولی (0.95= r2) برخوردار بوده است. لیکن زمانی که مقدار ماده خشک برآورد شده از تصاویر ماهواره‌ای به‌عنوان ورودی مدل داده شد، مدل مقدار عملکرد شلتوک را با r2 برابر با 0.99 و خطای 2.04 درصد معادل 241.20 kg/ha شبیه‌سازی کرد. در نهایت بر اساس نتایج به‌دست آمده به‌روز رسانی مدل swap با استفاده از تصاویر ماهواره‌ای سبب بهبود دقت شبیه‌سازی شده و مدل با دقت بالاتری توانست عملکرد برنج را شبیه‌سازی کند.

Investigation the effect of observated and estimated dry matter from satellite imagery on the accuracy of Hashemi rice yield simulation using SWAP model

Predicting crop yields before harvest using simulation models and remote sensing technology is very important in sustainable agricultural management. The objective of this study was to use Sentinel 2 satellite images to improve the accuracy of SWAP model to simulate Hashemi rice yield in one of the research farms at the Rice Research Institute of Iran. For this purpose, LAI, NDVI and SAVI indices were derived from satellite images for growth period of plant. Also, leaf area index was measured directly and weekly at the field level and compared with indices derived from satellite images to provide the best equation for estimating the amount of dry matter. Then, using multivariate linear regression equation, the amount of dry matter was estimated from satellite images and given as the input parameter in the SWAP model. Finally, the measured yield was compared with the simulated values by the SWAP model with and without using satellite imagery. The results showed, when measured dry matter was as the model input, the error of model was 3.93% equal to 396.88 kg/ha and the model accuracy was acceptable (R2=0.95). but when the estimated dry matter from the satellite imagery was modeled as input, the model simulated the yield value of paddy with R2 equal to 0.99 and an error of 2.04% equal to 241.20 kg/ha. Finally, based on the obtained results, updating the SWAP model using satellite imagery improved the simulation accuracy and the model was able to simulate rice yield with higher accuracy.