ارزیابی شاخص‌های سبزینگی در مدل‌سازی عملکرد نیشکر با تاکید بر الگوی رشد بر اساس پردازش تصاویر ماهواره‌ای مطالعه موردی: خوزستان کشت و صنعت امام خمینی (ره)

هدف از این تحقیق تعیین الگوی رشد و بررسی قدرت شاخص‌های سبزینگی برای مدل سازی عملکرد نیشکر در سطح مزارع کشت و صنعت امام خمینی (ره) در استان خوزستان است. برای این منظور شاخص های سبزینگی مستخرج از تصاویر ماهواره ای لندست7 به کمک سری زمانی بررسی و مورد تحلیل قرار گرفت. در مجموع، تعداد 306 تصویر مربوط به اسفند سال 1383 لغایت بهمن سال 1396 استفاده شد کلیه تصاویر با الگوریتم فلش (flaash) به انعکاس سطحی تبدیل شدند. میانگین مقادیر 13 شاخص سبزینگی استخراج و با درون یابی به‌صورت سری زمانی هفت‌روزه تنظیم شد. به‌منظور حذف اعوجاج، سری ها با استفاده از الگوریتم ساویتزکی گلای (savitzky-golay) بازسازی شدند. بدین ترتیب 13 سری زمانی متفاوت از شاخص های سبزینگی برای 523 مزرعه نیشکر تشکیل گردید. سپس با میانگین گیری از سری زمانی شاخص سبزینگی ndvi، الگوی رشد نیشکر مشخص و به سه دوره رشد تقسیم شد. سپس مقادیر تجمعی شاخص های سبزینگی در دوره‌های رشد اول و دوم الگوی رشد برای سال‌های 1383 تا 1396 استخراج شد. بنابراین در مجموع 3286 نمونه بدست آمد که 2628 نمونه برای مدل سازی و 658 نمونه برای ارزیابی مدل ها استفاده شد. برای مدل سازی عملکرد، مقادیر تجمعی شاخص های سبزینگی در مقابل میانگین عملکرد مشاهده‌شده با روش رگرسیونی خطی ساده مورد بررسی و ارزیابی قرار گرفت. نتایج نشان داد برای دوره رشد اول شاخص سبزینگی تجمعی gndvi با ضریب تبیین 0.47 و ضریب rmse برابر 11.70 تن در هکتار و برای دوره رشد دوم شاخص سبزینگی تجمعی ndi با ضریب تبیین 0.56 و rmse برابر 10.62 تن در هکتار نمایش‌دهنده بهتری برای عملکرد نیشکر نسبت به شاخص های دیگر می باشند. همچنین برای مجموع دوره رشد اول و دوم، مجموع شاخص‌های سبزینگی gndvi و ndi با ضریب تبیین 0.65 و rmse برابر 9.47 تن در هکتار نتیجه بهتری نسبت به حالتی که فقط از یک شاخص سبزینگی و یک دوره رشد استفاده شد، داشت. در انتها برای 658 نمونه، عملکرد نیشکر برای ارزیابی مدل‌ها تخمین زده شد و ضریب تبیین و rmse بهترین مدل برابر 0.58 و 10.99 تن در هکتار بدست آمد. نتایج این تحقیق مناسب بودن شاخص gndvi و ndi را برای پایش رشد نیشکر در دوره رشد اول و دوم تائید می‌کند.

Evaluation of Vegetation Indices for Sugarcane Yield Modeling with Emphasis on Growth Pattern Based on Satellite Imagery: (Case Study: Khouzestan Imam Khomeini Agro Industry)

The aim of this study is to determine the growth pattern and to investigate the vegetation indices power for sugarcane yield modelling at field scale in Imam Khomeini Agroindustry. For this purpose, the vegetation indices extracted from Landsat7 satellite images were investigated using time series analysis. Overall, 306 Landsat7 satellite images from March 2004 to February 2017 were used. All of the images were converted to surface reflectance via FLAASH algorithm. The average values of 13 vegetation indices related to the study region extracted from satellite images and converted to seven days’ timeseries via interpolation. In order to eliminate the noise, all series were reconstructed using the SavitzkyGolay algorithm. Thus, 13 different time series of vegetation indices were made for 523 sugarcane fields. Then the growth pattern was drawn via averaging NDVI time series and it was divided into three growth periods. Then the accumulative values of vegetation indices related to the first and second periods of growth stage were extracted since 2004 to 2017. Therefore, 3286 samples were prepared overall, of which 2628 samples were used for modelling and 658 samples for evaluation. The samples extracted from time series were evaluated by simple linear regression model against the average observed yields. The result showed that the accumulative vegetation index of GNDVI for the first growth period with R2=0.47, RMSE=11.70 ton/ha and the accumulative vegetation index of NDI for the second growth period with R2=0.56, RMSE=10.62 ton/ha are a better indeces for sugarcane yield estimation as compared to the other vegetation indices. Also, the sum of GNDVI and NDI indeces for summation of first and second growth periods had a better result (R2=0.65, RMSE=9.47 ton/ha) than that’s where one index at one period was used. Finally, the sugarcane yield of 658 samples was estimated for evaluation and the R2 and RMSE of the best model was obtained to be 0.58 and 10.99 ton/ha, respectively. The results of this study confirm the suitability of the GNDVI and NDI indeces for monitoring sugarcane growth during the first and second growth stages.