مروری بر داده‌ گواری سنجش از دور در مدل‌های شبیه‌سازی رشد گیاه زراعی

برآورد دقیق و به موقع عملکرد محصول قبل از برداشت و پیش‌‌بینی آن از طریق مدل‌‌های رشد محصول، برای دستیابی به برنامه‌‌ریزی عملیات زراعی و حفظ و توسعه عملکرد در مقیاس منطقه‌‌ای، از اهمیت زیادی برخوردار است. مدلسازی تغییرات پویا در هنگام رشد محصول کمک شایان توجهی به محققین می‌‌نماید تا راهکارهای مدیریت محصول را به منظور افزایش عملکرد آن برنامه‌‌ریزی کنند. این مدل‌‌ها حاوی پارامترهای متعددی بوده که بایستی با توجه به ویژگی‌‌های منطقه مورد مطالعه تنظیم شوند، از طرفی فقدان مولفه مکان در این مدل‌‌ها و نیز عدم قطعیت در مورد مقادیر پارامترهای آنها، منجر به بروز خطا در خروجی‌‌های برآورد شده می‌‌شود. داده‌‌گواری سنجش از دور می‌‌تواند برای حل این مشکل و ارزیابی تغییرپذیری مکانی در اراضی بویژه در مقیاس منطقه‌‌ای مفید باشد. سنجش از دور برای تخمین و برآورد مقادیر پارامترهای ورودی مدل‌‌های رشد محصول نظیر شاخص سطح برگ، سطح پوشش، زیست توده گیاه، خصوصیات خاک می‌‌تواند استفاده شود. در این تحقیق، روش‌‌های مختلف داده‌‌گواری سنجش از دور در مدل‌‌های رشد محصول معرفی، مقایسه و مزایا و معایب هر کدام بررسی می‌‌شود. علاوه بر این، مروری بر تحقیقاتی که در این زمینه اجرا شده می‌‌تواند به خوانندگان در مورد انتخاب نوع مدل رشد محصول، روش داده‌‌گواری سنجش از دور، متغیر حالت (کنترل) مورد استفاده کمک نماید. مطالعه تحقیقات مختلف نشان می‌‌دهد که با آمدن سنجنده‌‌ها و روش‌‌های جدید در برآورد متغیرهای حالت (کنترل) سنجش از دوری نظیر شاخص سطح برگ و نیز توسعه و بهبود مدل‌‌های رشد محصول، می‌‌توان دقت تخمین عملکرد محصول را بهبود بخشید.

a review of remotely sensed data assimilation into crop simulation models

a significant course of action to planning agricultural operations and further maintaining and developing performance on a regional scale involves the accurate and timely estimation of crop yield prior to harvesting using crop growth models. modeling dynamic changes during crop growth can assist researchers in planning crop management strategies aimed at increasing crop yield. such models include several parameters that can be calibrated according to the characteristics of the study area. however, insufficent information on location/spatial-wise components or the lack of  thereof in these models along with uncertainties in parameter values may lead to errors in the estimated outputs. in this light, remote sensing data assimilation can be useful for resolving such complications and evaluating the spatial variability of lands, particularly at the regional scale. remote sensing can estimate values of input parameters for crop growth models such as leaf area index (lai), fcover, biomass, and soil characteristics. this review paper seeks to introduce and compare different methods of remote sensing data assimilation in crop growth models and examine their advantages and disadvantages. in addition, a literature review conducted in this field can guide the readers in slecting the appropriate crop growth model, relevant remote sensing data assimilation method, and pertinent state/control variables. the literature review indicates that with new sensors and methods in the estimation of remote sensing state/control variables such as lai and the development and improvement of crop growth models, it is possible to improve the accuracy of crop yield estimation.