ارزیابی روش‌های مختلف تعیین سطح سایه‌انداز ذرت علوفه‌ای

شاخص‌های گیاهی به‌خوبی شرایط گیاه در مزرعه را بیان می‌کنند. از آنجاکه سطح سایه‌انداز (cc) با فعالیت فتوسنتزی گیاه همبستگی دارد، هدف از مطالعه حاضر بررسی دقت دو روش تعیین cc ذرت در طول مراحل مختلف رشد در مزرعه ذرت علوفه‌ای در قزوین توسط نرم‌افزار envi و مدل canopeo و مقایسه نتایج حاصل با مقادیر حاصل از مدل aquacrop است. در فواصل زمانی مختلف در طول فصل رشد گیاه ذرت تصویر برداری در چهار حالت: 1) از بالا به پایین بدون لنز چشم ماهی، 2) بالا به پایین با لنز چشم ماهی، 3) پایین به بالا بدون لنز چشم ماهی و 4) پایین به بالا با لنز چشم ماهی انجام شد. مقدار cc در تصاویر حاصله توسط سه الگوریتم حداکثر احتمال، حداقل فاصله و روش موازی در envi تعیین شد. ابتدا ارزیابی کیفی کلاس‌بندی تصاویر در سه الگوریتم نامبرده صورت گرفت. نتایج بیانگر دقت بیشتر الگوریتم حداکثر احتمال نسبت به دو الگوریتم دیگر بود. ارزیابی آماری نتایج کمی حاصل از envi بیانگر دقت بالا مدل در الگوریتم حداکثر احتمال بود( ضریب کاپا > 0.82، دقت کلی > 93، commision و omission حداقل مقدار). حداقل مقدار rmse به ترتیب مربوط به سطح سایه‌انداز برآورد شده توسط نرم‌افزار canopeo در تصویر برداری از پایین به بالا با لنز(9.92) بود. به طورکلی می‌توان دریافت که تصویر برداری پایین به بالا بدون لنز (canopeo) (r=0.8 و 11.81=rmse ) و تصویربرداری از بالا به پایین با لنز (envi) (r=0.82 و 13.26=rmse ) نسبت به سایر حالت‌ها در تعیین سطح سایه‌انداز توانمندتر بوده‌اند.

evaluation of different methods of determining the canopy cover of silage maize

vegetation indices effectively represent plant conditions in the field. since canopy cover (cc) correlates with the plant’s photosynthetic activity, this study aimed to evaluate the accuracy of two methods for determining cc in silage maize during different growth stages in a maize field in qazvin using envi software and the canopeo model and to compare the results with values obtained from the aquacrop model. imaging was conducted at different time intervals throughout the maize growing season in four scenarios: 1) top-down without a fisheye lens, 2) top-down with a fisheye lens, 3) bottom-up without a fisheye lens, and 4) bottom-up with a fisheye lens. the cc values in the obtained images were determined using three algorithms: maximum likelihood, minimum distance, and parallel method in envi. initially, a qualitative assessment of image classification was performed using the three mentioned algorithms. the results indicated that the maximum likelihood algorithm had higher accuracy compared to the other two algorithms. the statistical evaluation of the quantitative results from envi demonstrated high model accuracy in the maximum likelihood algorithm (kappa coefficient > 0.82, overall accuracy > 93%, and minimal commission and omission errors). the lowest rmse value was observed for cc estimated using the canopeo software with bottom-up imaging with a lens (9.92). in general, it was found that bottom-up imaging without a lens (canopeo) (r=0.8 and rmse=11.81) and top-down imaging with a lens (envi) (r=0.82 and rmse=13.26) were more capable in determining cc than the other scenarios.