پیش بینی مقدار تولید محصول ذرت علوفه‌ای با استفاده از اطلاعات ماهواره‌ای

اندازه‌ گیری مستقیم عملکرد محصول ذرت علوفه‌ای علیرغم دقیق‌بودن و غیرقابل اجرا بودن در مناطق وسیع، امری سخت، زمان بر و هزینه‌بر است. این محدودیت‌ها، موجب تمایل به استفاده از روش‌های غیر‌مستقیم مانند سنجش‌ازدور در برآورد عملکرد محصول شده ‌است. البته برآورد دقیق عملکرد محصول از طریق سنجش از دور نیز همواره با چالش‌هایی از جمله استفاده از تصاویر و پارامتر‌های تصویری مناسب برای هر منطقه، روبرو است. پژوهش حاضر با هدف افزایش دقت برآورد عملکرد تر ذرت علوفه‌‌ای قبل از رسیدن به تاریخ برداشت محصول در منطقه مورد مطالعه بااستفاده از مدل مانتیث و سنجش ازدور انجام شد. بدین منظور پارامترهای مدل مانتیث مانند ضریب راندمان انرژی جذب‌شده در منطقه مورد مطالعه بهینه گردید و زیست‌توده ذرت علوفه‌ای بااستفاده از اطلاعات ماهواره لندست 8 برآورد و با زیست‌توده اندازه‌گیری‌شده در مزرعه مقایسه شد. میزان عملکرد برآورد‌شده با مدل بهینه‌شده، همبستگی و پراکنش خوبی (0.87=r2) با عملکرد واقعی مزارع نشان داد. نتایج نشان داد که با بهینه‌کردن پارامترهای مدل مانتیث خطای برآورد در مقایسه با بهینه‌نشدن پارامترها در حد قابل قبولی (±10%) کاهش پیدا خواهد کرد. از سوی دیگر، بااستفاده از میانگین درصد ماده خشک بدست‌آمده در اندازه‌گیری‌های مزرعه‌ای، زیست‌توده برآورد‌شده از مدل بهینه‌شده، به عملکرد تر تبدیل شد و بااستفاده از مقادیر ndvi تصاویر ماهواره‌ای در دوره رشد بعد از بیشترین مقدار ndvi ، رابطه خطی با ضریب همبستگی قابل قبول (0.81= 2r) برای برآورد عملکرد تر ذرت علوفه‌ای در منطقه مورد مطالعه ارائه گردید. این نتایج نشان داد که با استفاده از نتایج ndviیک یا دو تصویر قبل از برداشت محصول (یک تا سه هفته قبل از برداشت) و استفاده از رابطه بدست‌آمده می‌توان عملکرد ذرت علوفه‌ای را با دقت قابل‌قبولی پیش‌بینی کرد.

silage maize yield prediction using satellite data

although direct measurement of silage maize yield is accurate but is difficult, time-consuming, costly despite, and not applicable in large scale. due to these limitations, the tendency to use indirect methods has increased such as remote sensing in estimating crop yield. however, accurate estimation of crop yield through remote sensing always faces challenges such as the use of images and image parameters suitable for each region. the aim of this study was to increase the accuracy of estimating the fresh weight of silage maize before the harvest by using monteith model (1972) and remote sensing. the parameters of the monteith model were optimized such as the energy efficiency coefficient absorbed in the area, and the biomass of silage maize was estimated using landsat 8 satellite data and compared with the biomass measured in the field. the estimated yield with the optimized model showed a significant correlation (r2 = 0.85) with the actual yield of the fields. the results showed that the estimation error was reduced to an acceptable level (± 10%) by optimizing the parameters with the monteith model compared with the none-optimization of the parameters. the corn dry weight estimated by the optimized model was converted to fresh weight yield and then by using the ndvi values of satellite images, after the highest ndvi value, a linear relationship with an acceptable correlation coefficient (r2= 0.81) for fresh weight estimation of fodder corn was presented in during the growing period in the study area. overall, the yield of silage maize can be predicted with acceptable accuracy by using ndvi results with one or two pre-harvest images (1-3 weeks before harvest) and using the obtained relationship.