تخمین عملکرد نیشکر با استفاده از تصاویر ماهواره ای لندست و سنتینل (مطالعه موردی: کشت و صنعت نیشکر هفت تپه)

تخمین مقدار محصول نیشکر، نقش کلیدی برای گستره وسیعی از کاربردها مانند مدیریت تولید نیشکر دارد. در این تحقیق تخمین عملکرد محصول نیشکر با روش‌های شاخص سبزینگی تفاضلی نرمال شده (ndvi)، شاخص سبزینگی ارتقاء‌یافته (evi) و شاخص طیفی پوشش گیاهی اصلاحی خاک (savi) که از تصاویر ماهواره ای استخراج شده، مورد بررسی قرار گرفت. برای اینکار از تصاویر ماهواره ای لندست هشت و نه و سنتینل دو مربوط به اسفندماه 1401 لغایت بهمن‌ماه 1402 استفاده شد. ابتدا سه مزرعه با بافت خاک متفاوت انتخاب گردید، سپس تصاویر ماهواره ای در سه مرحله برای هر مزرعه با توجه به گذر همزمان دو ماهواره از منطقه مورد مطالعه برداشت شد و در نقاط مشخص مقادیر شاخص‌های ndvi، evi و savi پس از اصلاحات و پردازش از تصاویر ماهواره ای استخراج گردید و میزان همبستگی آن ها با داده های مشاهده ای عملکرد به‌دست آمد. نتایج نشان داد که شاخص های savi ماهواره سنتینل دو در بافت خاک لومی و evi ماهواره سنتینل دو در بافت خاک لومی- رسی- سیلیتی و رسی با ضریب تبیین 0.76 دارای ارتباط بیشتری بودند. سپس بر اساس شاخص برتر، رابطه رگرسیون خطی برازش شده بین شاخص و میزان عملکرد برای هر مزرعه با بافت خاک متفاوت به‌دست آمد. نتایج بررسی رابطه ها نشان از وجود همبستگی قوی بین مقادیر مشاهده ای و محاسبه‌شده با رابطه رگرسیون خطی عملکرد نیشکر در هر سه مزرعه بود. بیشترین ضریب تبیین و همبستگی تخمین رابطه رگرسیونی با مقادیر مشاهده‌ای 0.83 و 0.91 در مزرعه با بافت خاک لومی به‌دست آمد. به‌طور کلی، نتایج این پژوهش نشان داد که هر چه از بافت سنگین خاک کاسته شود به نتایج رابطه رگرسیونی برازش شده بیشتر می توان اعتماد نمود.

estimation of sugarcane yield using landsat and sentinel satellite images (case study: haft-tappeh sugarcane cultivation and industry)

estimating the amount of sugarcane crop has a key role for a wide range of applications such as sugarcane production management. in this research, the prediction of sugarcane crop yield with the methods of normalized differential greenness index (ndvi), enhanced greenness index (evi) and soil amended vegetation spectral index (savi) extracted from satellite images is examined. was placed for this, landsat 8 and 9 and sentinel 2 satellite images from march 1401 to february 1402 were used. first, three fields with different soil texture were selected, then satellite images were taken in three stages for each field according to the simultaneous passage of two satellites from the study area, and at specific points the values of ndvi, evi and savi indices after correction and processing it was extracted from satellite images and their correlation with observed vield data was obtained. the results showed that savi of sentinel 2 satellite in loamy soil texture and evi of sentinel 2 satellite in loamy-clay-silty and clayey soil texture were more related with explanation coefficient of 0.76. then, based on the superior index, the fitted linear regression relationship between the index and yield was obtained for each farm with different soil texture. the results of the relationship analysis showed a strong correlation between the observed and calculated values with the linear regression relationship of sugarcane yield in all three fields. the highest explanatory coefficient and predictive correlation of the regression relationship with observed values of 0.83 and 0.91 were obtained in the field with loamy soil texture. in general, the results of this research showed that the more the heavy texture of the soil is reduced, the more reliable the results of the fitted regression relationship can be.