انتخاب روش درون‌یابی مناسب برای پهنه‌بندی افت‌ دانه‌ای کمباین

گندم یکی از مهم‌ترین محصولات زراعی کشور است و نقش اساسی در تامین نیاز غذایی مردم دارد. تولید گندم مانند بسیاری محصولات دیگر با ضایعات همراه است که بخش عمده این ضایعات به مرحله برداشت محصول بر‌می‌گردد. مقدار این افت در ایران بیش از مقدار مجاز جهانی آن می‌باشد و هر تلاشی برای کاهش این افت، می‌تواند در بهبود عملکرد محصول موثر باشد. چنانچه افت‌ها با استفاده از تکنیک های کشاورزی دقیق به‌صورت مکان‌ویژه مورد ارزیابی قرار گیرند، می‌توان اقدامات اصلاحی متناسب با هر مکان برای کاهش افت و افزایش راندمان انجام داد. در مطالعه حاضر سعی شده تا با استفاده از روش درون‌یابی مناسب، نقشه افت مزرعه با دقت قابل قبول تهیه شود. برای این منظور، افت‌های طبیعی، هد و عقب هم‌زمان با تغییر در تنظیمات کمباین، در حین برداشت جمع‌آوری شدند. سپس با استفاده از روش‌های درون‌یابی کریجینگ، وزن‌دهی فاصله معکوس و میانگین متحرک، پهنه‌بندی افت‌های دانه‌ای برداشت در نرم افزار arcgis انجام شد. نتایج کراس ولیدیشن و مقایسه دقت روش‌ها نشان داد مقدار میانگین خطای پیش‌بینی افت در تمامی روش‌های درون‌یابی به هم نزدیک هستند. برای مثال، مقدار مجذور میانگین مربعات خطای محاسبه شده (rmse) در افت هد برای روش وزن‌دهی فاصله معکوس برابر با 0.006017 محاسبه شد که کمتر از مقادیر محاسبه شده آن در روش‌های کریجینگ و میانگین متحرک است که به ترتیب برابر با 0.006732 و 0.006095 به دست آمدند. با توجه به نتایج، به نظر می‌رسد روش وزن‌دهی فاصله معکوس بهترین روش درون‌یابی برای ایجاد پهنه‌های افت دانه می‌باشد.

choosing the proper interpolation method for grain loss mapping in combine harvester

wheat is one of the most important crops in the country and plays an essential role in meeting the food needs of the people.wheat production is associated with waste, and most of this waste comes from the harvesting stage. the amount of this loss in iran is more than the world’s allowed amount and any effort to reduce this loss can be effective in improving the product’s performance. if losses are evaluated using precision agriculture techniques on site specific, corrective measures can be taken according to each location to reduce losses and increase efficiency. in the present study, an attempt was made to prepare a grain loss map with acceptable accuracy by using a suitable interpolation method. for this purpose, natural, head and rear losses were collected simultaneously with the change in combine settings during harvesting. then, using kriging interpolation methods, inverse distance weighting and moving average, the mapping of grain losses was done in arcgis software. the results of cross validation and comparison of the accuracy of the methods showed that the mean value of the loss prediction error in all the interpolation methods is close to each other. for example, the rmse value in the header loss for the inverse weighting method was calculated as 0.006017, which is lower than the values calculated for the kriging and moving average methods, which were obtained as 0.006732 and 0.006095, respectively. according to the results, the inverse distance weighting method is the best interpolation method for creating grain loss maps.