بررسی تنوع درون میدانی برنج از تصاویر ماهواره ای با وضوح بالا در شهرستان مزرعه Qixing، شمال شرقی چین

خلاصه

برنج یک غذای اصلی برای جمعیت جهان است و نیاز شدیدی به نقشه برداری از منطقه کشت آن و نظارت بر وضعیت محصول آن در مقیاس های منطقه ای وجود دارد. این مطالعه در شهرستان مزرعه Qixing در دشت Sanjiang، شمال شرقی چین انجام شد. ابتدا، مناطق کشت برنج با ادغام نقشه های طبقه بندی سنجش از دور (RS) از سه تاریخ و داده های سیستم اطلاعات جغرافیایی (GIS) به دست آمده از یک آژانس محلی شناسایی شدند. به طور خاص، سه تصویر FORMOSAT-2 (FS-2) در طول فصل رشد در سال 2009 و یک نقشه توپوگرافی GIS با استفاده از یک روش طبقه‌بندی مبتنی بر دانش ترکیب شدند. یک نقشه طبقه بندی بسیار دقیق (دقت کلی = 91.6٪) بر اساس این رویکرد چند داده ای (MDA) ایجاد شد. ثانیاً، متغیرهای زراعی اندازه‌گیری شده که شامل زیست توده، شاخص سطح برگ (LAI) است. غلظت نیتروژن گیاهی (N) و جذب نیتروژن گیاهی با طیف‌های تصویری FS-2 مربوط به تاریخ با استفاده از مدل‌های رگرسیون خطی چندگانه گام به گام در ارتباط بود. بهترین نتایج اعتبارسنجی مدل با خطای نسبی (RE) 8.9٪ در مدل رگرسیون زیست توده در مرحله فنولوژیکی سرفصل یافت شد. بهترین شاخص توافق (IA) مقدار 0.85 با RE 13.6٪ در مدل LAI، همچنین در مرحله عنوان یافت شد. برای تخمین جذب N گیاه، دقیق ترین مدل دوباره در مرحله عنوان با RE 11٪ و مقدار IA 0.77 به دست آمد. با این حال، برای تخمین غلظت N کارخانه، عملکرد مدل در مرحله راه‌اندازی بهترین بود. سرانجام، مدل‌های رگرسیون به مناطق برنج شناسایی‌شده برای نقشه‌برداری تنوع درون مزرعه چهار متغیر زراعی در مراحل مختلف رشد برای شهرستان مزرعه Qixing اعمال شد. نتایج اطلاعات مکانی مفصلی را در مورد تغییرپذیری درون میدانی در مقیاس منطقه‌ای ارائه می‌کند که برای مدیریت مؤثر میدانی در کشاورزی دقیق حیاتی است.

کلید واژه ها:

برنج ؛ FORMOSAT-2 ; متغیر زراعی ; طبقه بندی تخصصی ; رویکرد چند داده ای (MDA) ؛ تنوع درون میدانی ; دشت سانجیانگ ؛ شمال شرقی چین

1. معرفی

برنج ( Oryza sativa L. ) یکی از مهمترین محصولات غذایی است که بیش از نیمی از جمعیت جهان را تغذیه می کند. در سال 2010، تولید جهانی برنج تقریباً 672 میلیون تن از سطح زیر کشت حدود 154 میلیون هکتار بود که چین به ترتیب در 29 درصد و 19 درصد از سطح تولید و کشت برنج مشارکت داشت [ 1 ]. مدیریت برنج شلتوک و استراتژی آبیاری آن اثرات قابل توجهی بر انتشار گازهای گلخانه ای دارد [ 2 و 3 ]. در سطح جهانی، شالیزارهای برنج حدود 10 درصد از کل شار متان را به جو کمک می کنند [ 4 ]]. در سال 2000، کمبود مواد مغذی نیتروژن (N)، فسفر (P) و پتاسیم (K) خاک ناشی از تولید برنج، 42 درصد از مقدار کمبود جهانی را به خود اختصاص داد [ 5 ]. بنابراین، کشاورزی برنج شلتوک در چین از نظر امنیت غذایی و توسعه پایدار از اهمیت ملی و جهانی برخوردار است.

در سال های گذشته، سنجش از دور (RS) به عنوان یک فناوری پیشرفته به طور گسترده در کشاورزی برای به دست آوردن اطلاعات مکانی و زمانی در مورد محصولات استفاده شده است [ 6 ، 7 ، 8 ، 9 ]. مناطق برنج شالیزاری به خوبی با استفاده از تکنیک های RS پیش بینی شدند [ 10 ، 11 ، 12 ]. ثابت شده است که داده های سیستم اطلاعات جغرافیایی (GIS) برای افزایش دقت کاربری زمین و طبقه بندی پوشش زمین مهم است [ 13 ، 14 ]. داده های RS با وضوح درشت و متوسط به طور گسترده در تحقیقات کشت برنج استفاده می شود [ 12 ، 15 ، 16 ، 17 ،18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 , 26 ]. با این حال، تعداد مطالعات انجام شده بر روی برنج با استفاده از تصاویر RS با وضوح بالا در دو دهه گذشته محدود بود [ 23 ، 27 ، 28 ]. شناسایی مناطق کشت برنج و برآورد پارامترهای زراعی از تصاویر با وضوح بالا برای بهبود تولید برنج ارزشمند است.

نقشه برداری دقیق مناطق کشت برنج برای ارزیابی بهره وری کشاورزی و زیست محیطی، تجزیه و تحلیل امنیت غذایی و در نتیجه تصمیمات تجارت مواد غذایی ملی و بین المللی [ 29 ، 30 ، 31 ] اساسی است. بسیاری از مطالعات قبلی مناطق برنج را نقشه برداری کرده اند [ 12 ]. طبقه‌بندی‌کننده‌های مختلفی از جمله حداکثر احتمال، شبکه عصبی مصنوعی، درخت تصمیم و هسته طبقه‌بندی مجدد فضایی، در نقشه‌برداری پوشش گیاهی با استفاده از RS استفاده شده‌اند. با این حال، دقت طبقه بندی عمدتاً با کیفیت و کمیت داده های RS تعیین می شود. هیچ طبقه‌بندی‌کننده تصویر ایده‌آل به طور یکنواخت برای همه کارها قابل استفاده نیست [ 32]. دانش میدانی گسترده و داده های کمکی به بهبود دقت طبقه بندی کمک می کند [ 32 ]. در رویکرد چند داده‌ای (MDA) برای طبقه‌بندی کاربری و پوشش زمین و همچنین نقشه‌برداری تناوب زراعی، داده‌های برداری RS و GIS چند زمانی ترکیب می‌شوند تا حداکثر اطلاعات ممکن را به دست آورند. مطالعات [ 16 ، 17 ] نشان داد که در نظر گرفتن دانش میدانی گسترده و داده های GIS کمکی در فرآیند پس از طبقه بندی می تواند دقت طبقه بندی را تا 10٪ بهبود بخشد.

RS کشاورزی به روش اندازه گیری بدون تماس تابش الکترومغناطیسی بازتاب شده یا منتشر شده از مواد گیاهی یا خاک در مزارع کشاورزی اشاره دارد [ 33 ]. پوشش‌های رویشی مختلف را می‌توان بر اساس رفتار طیفی منحصربه‌فردشان در رابطه با عناصر کلی زمین تشخیص داد [ 34 ]: تابش مرئی در رنگ قرمز (630-690 نانومتر) توسط کلروفیل جذب می‌شود در حالی که تابش در مادون قرمز نزدیک (760-900 نانومتر) به شدت توسط ساختارهای سلولی برگ منعکس می شود. شاخص‌های گیاهی (VIs) برای ارزیابی کیفی و کمی ویژگی‌های رویشی با ترکیب اندازه‌گیری‌های طیفی از کانال‌های طول موج مختلف توسعه داده می‌شوند [ 35 ].]. از نظر تئوری، VIs باید به ویژه به پوشش های رویشی حساس، غیر حساس به عوامل غیر گیاهی مانند خواص خاک، اثرات جوی و شرایط مشاهده حسگر [ 36 ] باشد. در عمل، عوامل ویژگی های خاک، اتمسفر و تخریب رادیومتری حسگر، و همچنین تفاوت در پاسخ های طیفی و اثرات دو طرفه، همگی تأثیرات قابل توجهی بر شاخص های پوشش گیاهی دارند. بنابراین، بسیاری از VI ها برای تقویت سیگنال پوشش رویشی و در عین حال به حداقل رساندن پاسخ پس زمینه توسعه یافته اند [ 35 ]. هانسن و شورتینگ [ 37] NDVI بهینه‌سازی‌شده را از مراکز باند و عرض نوارهای مختلف برای نشان دادن پارامترهای گندم مانند زیست توده، شاخص سطح برگ (LAI)، کلروفیل و وضعیت N مورد بحث قرار داد. در مطالعه آنها از الگوریتم رگرسیون حداقل مربعات جزئی استفاده شد. یائو و همکاران [ 38 ] با موفقیت مدل‌های تجربی مبتنی بر تکنیک‌های RS را برای تخمین وضعیت N و بهبود کارایی استفاده از N در برنج بررسی کرد. یو و همکاران [ 39] پتانسیل ترکیب باندهای فراطیفی را در تفسیر وضعیت تاج N در برنج بررسی کرد. علیرغم عدم تفسیر مکانیسم‌های فیزیکی و تعاملات بین ویژگی‌های هدف و سیگنال‌های اندازه‌گیری شده، این مدل‌های تجربی مواد اساسی برای تحقیقات بیشتر به منظور نمایش واقعیت فیزیکی هستند.

تابش فعال فتوسنتزی سنجش از راه دور برای ارزیابی تولید اولیه محصولات استفاده شده است [ 40 ، 41 ]. پیچیده ترین روش معمولا داده های RS را با مدل های پویا رشد محصول ترکیب می کند [ 42 ، 43 ]. با این حال، این روش ها به پارامترهای عددی نیاز دارند و به شرایط پس زمینه خاک حساس هستند.

کشاورزی دقیق (PA) در اواسط دهه 1980 ظهور کرد [ 33 ]. بعدها، در سال 1991، داده های ماهواره ای برای اولین بار در PA استفاده شد [ 44 ]. تنوع مکانی و زمانی عوامل خاک و محصول در یک مزرعه پایه اساسی PA است [ 45 ]. اندازه‌گیری متغیرهای مختلف تاج‌پوش محصول در طول فصل رشد، فرصتی برای بهبود عملکرد و کیفیت دانه با استفاده از کودهای مخصوص سایت فراهم می‌کند. با توجه به توانایی ارائه تصاویر با وضوح زمانی، مکانی و طیفی بالا، ماهواره RS پتانسیل قابل توجهی در PA دارد [ 33 ، 46 ]. اطلاعات چند زمانی درون مزرعه در مورد وضعیت محصول ثبت شده توسط ماهواره RS در PA بسیار ارزشمند است.

به دلیل کاربردهای عملیاتی و اقتصادی آن در مناطق وسیع، فناوری RS ماهواره ای به طور گسترده ای برای انجام پیش بینی عملکرد محصول در فصل برای تصمیم گیری در مورد مداخله بازاریابی و حمایت از سیاست در مقیاس منطقه ای یا جهانی استفاده شده است [ 29 ، 31 ]. ماهواره RS نیز یک تکنیک ضروری برای مطالعات آگرواکوسیستم در مقیاس های منطقه ای است [ 47 ، 48 ، 49 ].

هدف کلی این مطالعه بررسی احتمالات و دقت تنوع درون مزرعه پایش وضعیت برنج در طول کل فصل رشد در مقیاس شهرستانی (مزرعه Qixing) با استفاده از داده‌های RS ماهواره‌ای است. اصطلاح «تغییرپذیری درون میدانی» در این مطالعه به تغییرپذیری مکانی متغیرهای زراعی (زیست توده، LAI، غلظت نیتروژن، جذب نیتروژن و غیره ) اشاره دارد.) در یک مزرعه برنج که توسط مرزهای محصور تعریف شده است. اندازه یک مزرعه برنج در این مطالعه از 0.5 تا 100 هکتار است. ابتدا، نقشه مناطق کشت برنج با استفاده از تصاویر چند زمانی RS FORMOSAT-2 (FS-2)، همراه با داده های کمکی GIS (MDA) برای بهبود دقت طبقه بندی تولید شد. سپس، مدل‌های رگرسیون تجربی برای ارتباط طیف‌های RS با اندازه‌گیری‌های میدانی چهار متغیر زراعی توسعه یافتند. یکی از مزایای این تحقیق ساخت مدل های رگرسیونی خاص برای مراحل مختلف رشد است. بر اساس یک تحلیل رگرسیون گام به گام، پیش‌بینی‌کننده‌های بهینه‌شده از تصاویر ماهواره‌ای برای بررسی پویایی ویژگی‌های تاج پوشش محصول در مراحل مختلف شناسایی شدند. اهداف خاص این مطالعه عبارتند از (1) شناسایی مناطق کشت برنج با دقت طبقه بندی بالا بر اساس داده های RS و GIS چند زمانی. (2) توسعه مدل‌های رگرسیون برای استخراج متغیرهای محصول برنج از تصاویر FS-2. (3) اعتبار مدل های رگرسیون برای برآورد پارامترهای برنج. (4) مدل های رگرسیون را در کل منطقه مورد مطالعه شهرستان Qixing Farm اعمال کنید.

روش ارائه شده برای استخراج اطلاعات تغییرپذیری درون مزرعه ای با وضوح بالا از تصاویر FS-2 به کشاورزان در مدیریت محصول برنج و برنامه ریزی استراتژی خاص سایت کمک می کند.

2. منطقه مطالعه

سایت مطالعه مزرعه Qixing (47.2 درجه شمالی، 132.8 درجه شرقی)، در دشت سانجیانگ (SJP) در شمال شرقی چین واقع شده است ( شکل 1 را ببینید ). SJP یک دشت آبرفتی است که توسط رودخانه Songhua، رودخانه Heilong و رودخانه Wusuli تشکیل شده است. مساحت اداری شهرستان مزرعه Qixing حدود 120000 هکتار است. آب و هوا در SJP معتدل نیمه مرطوب است، با میانگین بارندگی سالانه 500-650 میلی متر. بارندگی عمدتاً از ماه می تا سپتامبر در طول فصل رشد محصولات زراعی رخ می دهد. دمای انباشته شده ≥ 10 درجه سانتیگراد در تمام طول سال حدود 2300-2500 درجه سانتیگراد است و فقط محصولات تک فصلی کاشته می شوند. توپوگرافی نسبتاً مسطح با ارتفاع متوسط 60 متر است و با دشت های آبرفتی گسترده و تراس های کم ارتفاعی که توسط رودخانه ها تشکیل شده است مشخص می شود. SJP که مساحتی بیش از 100000 کیلومتر را پوشش می دهد² ، که تقریباً سه برابر بزرگتر از هلند است، یکی از مناطق عمده کشاورزی چین است. در سال 2009، زمین های قابل کشت در SJP نزدیک به 60٪ از کل زمین را تشکیل می داد که برنج شلتوک (57٪) بر آن غالب بود [ 50 ]. از آنجایی که سازه های آبیاری (کانال های آب، پشته های برآمده) برای برنج شلتوک سال به سال قابل استفاده مجدد هستند، مرزهای مزرعه عمدتاً پایدار هستند. در سال‌های اخیر، برای سود اقتصادی بهتر، تغییر کاربری اراضی از دیم به برنج شالیزاری در حد متوسط صورت گرفته است. در مقایسه با مناظر کشاورزی بسیار تکه تکه شده اروپا که از کاربرد داده های RS با وضوح درشت برای پایش کمی محصول و پیش بینی عملکرد جلوگیری می کند [ 32]، مناظر همگن بزرگ SJP یک مکان ایده آل برای نظارت بر محصولات با استفاده از ماهواره RS فراهم می کند.

شکل 1. موقعیت منطقه مورد مطالعه در شمال شرقی چین (گوشه سمت چپ بالا زیر مجموعه ای از تصویر FS-2 را نشان می دهد که در 9 اوت 2009 به دست آمده است).

3. داده ها

3.1. تصاویر ماهواره ای RS و داده های GIS

FORMOSAT-2 (FS-2) تصاویر چند طیفی را با وضوح پیکسل زمینی 8 × 8 متر مربع ^در یک نوار 24 کیلومتری جمع آوری می کند. تصاویر FS-2 مورد استفاده در این مطالعه، تصاویر نوری با 4 باند آبی (450-520 نانومتر)، سبز (520-600 نانومتر)، قرمز (630-690 نانومتر) و مادون قرمز نزدیک (760-900 نانومتر) هستند. . سه کاشی از تصاویر با کیفیت بالا که مساحت اصلی زمین زراعی (~56000 هکتار) مزرعه Qixing را پوشش می‌دهند در 24 ژوئن، 6 ژوئیه، و 9 اوت در سال 2009 گرفته شد. بنابراین، هر دو مرحله رویشی (24 ژوئن و 6 ژوئیه) و فاز زایشی (9 مرداد) برنج به خوبی در این تصاویر نشان داده شده است.

داده های برداری GIS مرزهای مزرعه Qixing توسط مرکز تحقیقات کشاورزی مدرن Qixing ارائه شده است. اطلاعات در مورد مرزهای مزرعه، چاه های آبیاری، زهکشی های آب، و لبه های جنگل های پناهگاه در مقیاس واحد مزرعه خوب ارائه شده است. اطلاعات اضافی مانند نوع برش هر فیلد در جدول ویژگی GIS آورده شده است.

3.2. گردآوری داده های حقیقت زمینی

کمپین های مزرعه ای برای جمع آوری داده های زراعی در طول کل فصل رشد برنج در سال 2009 انجام شد. در مجموع، 42 سایت نمونه تحت پوشش تصاویر FS-2 برای این مطالعه انتخاب شدند. همه این 42 سایت در هفت مزرعه کشاورز قرار داشتند که از نظر فضایی از هم جدا شده بودند. هر سایت توسط یک قطعه با پوشش تقریبا 0.1-0.3 هکتار نشان داده شد. نمونه‌های گیاهی نهایی جمع‌آوری‌شده از هر سایت، مخلوطی از سه یا چهار نمونه جداشده از هم بود که از همان کرت گرفته شده بودند. به‌عنوان داده‌های حقیقت زمین، نواحی مکان‌های نمونه با استفاده از گیرنده سیستم موقعیت‌یابی جهانی Trimble™ (GPS) نقشه‌برداری شدند. تقویم مدیریت مزرعه نشاء، پوشش نیتروژن، آبیاری، کاربرد حشره کش و تاریخ برداشت ثبت شد. چندین کارزار صحرایی برای جمع آوری نمونه از مرحله پنجه زنی انجام شد. مرحله بوت کردن، مرحله هدینگ، 20 روز پس از سرگیری و مرحله برداشت. برای هر سایت، زیست توده، شاخص سطح برگ و غلظت N گیاه اندازه گیری شد و جذب نیتروژن گیاه نیز محاسبه شد.

پس از نمونه برداری مزرعه، گیاهان ابتدا تمیز شدند و سپس به اندام های مختلف (برگ، ساقه، خوشه) برای اندازه گیری مقادیر زیست توده جدا شدند. شاخص سطح برگ با استفاده از یک نمونه فرعی از زیست توده برگ اندازه گیری شد. یک نمونه فرعی شامل 10-20 برگ بود که به طور تصادفی از بین جوانترین برگهای کاملاً توسعه یافته انتخاب شدند. تمام نمونه های تازه در فر با دمای 105 درجه سانتیگراد به مدت نیم ساعت پردازش شدند تا فعالیت آنزیم متوقف شود. پس از آن، آنها را در دمای 75 درجه سانتیگراد به مدت حداقل 72 ساعت خشک کردند تا زمانی که وزن ثابتی حاصل شود قبل از وزن گیری نهایی. غلظت N با استفاده از روش Kjeldahl-N اندازه گیری شد. جذب نیتروژن گیاه به عنوان جرم خشک بالای زمین ضرب در غلظت N محاسبه شد. اطلاعات تفصیلی در جدول 1 فهرست شده است.

در منطقه مورد مطالعه، فن‌آوری‌های کشت برنج در عرض جغرافیایی بالا نسبتاً پیچیده است و مقررات کشت برنج که توسط دولت تدوین شده است توسط اکثر کشاورزان اعمال می‌شود. نهال برنج ابتدا در گلخانه کاشته می شود و سپس به شالیزار پیوند زده می شود. در مقررات، یک پنجره تاریخ 15 تا 25 مه برای نشاء پیشنهاد شده است تا حداکثر دمای انباشته شده را در کل سال ثبت کند. در این تحقیق، مجموعه داده های حقیقت زمینی خود را با توجه به تاریخ پیوند به دو گروه تقسیم کردیم. مکان‌های نمونه با نهال‌های پیوند شده از 15 تا 25 می برای ساخت مدل‌های رگرسیون تجربی بین پارامترهای زراعی و داده‌های RS استفاده شد.

جدول 1. پارامترهای زراعی سایت های نمونه در سال 1388.

4. روش ها

4.1. پیش پردازش تصویر ماهواره ای

پیش پردازش تصاویر ماهواره ای قبل از استخراج اطلاعات پوشش گیاهی برای حذف نویز و افزایش قابلیت تفسیر داده های تصویر ضروری است [ 51 ]. تابش خورشیدی منعکس شده توسط سطح زمین به سنسورهای ماهواره ای به طور قابل توجهی تحت تأثیر تعامل آن با جو است. تصحیح اتمسفر یک مرحله مهم پیش پردازش برای ماهواره RS است [ 52 ، 53 ]. عدم قطعیت های ناشی از اثرات جوی در کاربردهای کشاورزی ماهواره RS در دهه های گذشته به خوبی مورد بحث قرار گرفته است [ 18 ، 21 ، 54 ، 55 ]. در این مطالعه تصحیح جوی با استفاده از ENVI FLAASH نسخه 5.1 انجام شد.جدول 2 پارامترهای اصلی مورد استفاده در فرآیند تصحیح اتمسفر را فهرست می کند. مدل تابستانی زیر قطبی برای منطقه روستایی انتخاب شد.

جدول 2. پارامترهای اصلی تصحیح اتمسفر برای تصاویر FS-2.

اعوجاج هندسی عامل مهم دیگری است که بر نتایج پردازش تصویر تأثیر می گذارد، به ویژه هنگام ترکیب داده های مکانی از تاریخ های مختلف یا منابع متعدد. دای و سیامک [ 56 ] خاطرنشان کردند که خطای هندسی حتی در سطح زیر پیکسل می تواند به طور قابل توجهی بر دقت طبقه بندی کاربری زمین از تصاویر ماهواره ای تأثیر بگذارد. دقت تصحیح هندسی به تعداد، توزیع و دقت نقاط کنترل زمینی (GCPs) بستگی دارد [ 57 ]. برای جلوگیری از کار فشرده مجموعه GCP درجا ، ژائو و همکاران. [ 58] با استفاده از داده های TerraSAR-X به عنوان مرجع، یک روش تصحیح هندسی برای ارجاع جغرافیایی چند منبع جغرافیایی ایجاد کرد. در این مطالعه نیز از همین روش استفاده شد. به طور خاص، یک تصویر انباشته TerraSAR-X تولید شده از پنج تاریخ به عنوان مرجعی برای تصحیح جغرافیایی تصاویر FS-2 عمل کرد. پارامترهای اصلی ارجاع جغرافیایی در جدول 3 نشان داده شده است. خطای موقعیت (PE) برای هر سه تصویر کمتر از 6 متر بود. جزئیات بیشتر در مورد روش را می توان در ژائو و همکاران یافت. [ 58 ].

جدول 3. پارامترهای اصلی ارجاع جغرافیایی برای تصاویر FS-2.

میانگین بازتاب و VIs برای هر قطعه نمونه با استفاده از ابزار “تحلیل منطقه ای” در ERDAS IMAGINE 2013 محاسبه شد. برای هر یک از سه تصویر FS-2، به ترتیب 42 نمونه RS استخراج شد و برای توسعه مدل های رگرسیون تجربی برای وضعیت محصول استفاده شد. نظارت بر.

4.2. نقشه برداری از مناطق کشت برنج

نقشه منطقه برنج مزرعه Qixing در سال 2009 با استفاده از MDA فوق الذکر تهیه شد. به طور خاص، داده های RS و GIS چند زمانی برای بهبود دقت نقشه برداری برنج ادغام شدند. بر اساس ویژگی‌ها/ویژگی‌های مجموعه داده‌های مختلف، یک پایگاه دانش با استفاده از ابزار مهندسی دانش نصب شده در ERDAS IMAGINE 2013 ساخته و اجرا شد. یک سری قوانین منطقی در ابزار مهندسی دانش ایجاد شد تا داده‌های RS و GIS را ادغام کند. به منظور دستیابی به دقت طبقه بندی بالاتر.

مراحل کلی برای تعیین مناطق برنج به شرح زیر خلاصه می شود: (1) یک طبقه بندی نظارت شده بر اساس الگوریتم حداکثر احتمال انجام شد. به منظور استخراج امضاهای طیفی منحصر به فرد، ابتدا بیش از پنج زیر کلاس طبقه بندی شدند (برای تصویر 24 ژوئن: در مجموع 9 زیر کلاس که یکی از آنها برنج بود؛ برای تصویر 6 جولای: 16 زیر کلاس در کل با سه مورد از آنها نشان دهنده برنج؛ برای تصویر 9 آگوست: 11 زیر کلاس در مجموع با سه نشان دهنده برنج). (2) زیر کلاس‌های حاصل به پنج طبقه اصلی شامل برنج، زمین‌های خشک، جنگل‌ها، مناطق مسکونی و «مناطق دیگر» برای هر تصویر ترکیب شدند. (3) پیکسل های ایزوله با استفاده از توابع “Clump and remove” تعبیه شده در ERDAS IMAGINE 2013 حذف شدند. (4) یک سیستم طبقه بندی خبره بر اساس قوانین دانش برای ادغام و بهبود نتایج طبقه بندی برنج از چندین تاریخ اجرا شد. و (5) داده های GIS برداری به عنوان مجموعه داده کمکی در فرآیند پس از طبقه بندی برای بهبود بیشتر دقت طبقه بندی برنج استفاده شد.

در یک مطالعه MDA، Waldhoff و همکاران. [ 13] گزارش داد که رویکرد ماشین بردار پشتیبان (SVM) و طبقه‌بندی کننده حداکثر احتمال (MLC) دقت طبقه‌بندی مشابهی را به همراه داشت. آنها دریافتند اگرچه روش SVM در سه مورد از چهار مورد کمی بهتر (تا 3٪) عمل کرد، اما MLC زمان پردازش کوتاه تری داشت. بنابراین، MLC در این مطالعه برای استخراج طبقه‌بندی پوشش زمین با وضوح بالا چند زمانی در یک منطقه مورد مطالعه بزرگ انتخاب شد. پس از طبقه بندی، طبقات برنج مشتق شده از سه تصویر RS با قوانین منطقی “ترکیب” شدند تا از اطلاعات طیفی خاص مربوط به مراحل رشد استفاده کنند. به طور خاص، در مرحله اول طبقه‌بندی نظارت شده، برای بهبود دقت تولیدکننده در کلاس‌های برنج، اطلاعات طیفی نسبتاً گسترده به عنوان امضاهای طیفی برنج انتخاب شد. بدین ترتیب، برخی دیگر از پوشش‌های زمین مانند «زمین‌های خشک» و «خاک‌های لخت» نیز ممکن است در طبقات برنج طبقه‌بندی شده باشند. با این حال، این مناطق طبقه‌بندی‌شده اشتباه از یک تصویر می‌تواند با آن مناطق از تاریخ‌های دیگر متفاوت باشد، زیرا تفاوت‌های طیفی بین برنج و سایر پوشش‌های زمین با مرحله رشد متفاوت است.59 ]. در مرحله بعد، با استفاده از پایگاه دانش، پیکسل‌های طبقه‌بندی شده در طبقات برنج در هر سه تصویر RS در یک «کلاس برنج 1» جدید دسته‌بندی شدند. نواحی طبقه بندی شده به طبقات برنج در دو تصویر RS به یک “کلاس برنج 2” جدید طبقه بندی شدند. پس از آن، این مناطق برنج RS تصفیه شده بیشتر با داده های GIS (ماسک منطقه برنج) “ترکیب” شدند. برای اختصاص دادن یک پیکسل به کلاس برنج نهایی، شرایط زیر باید برآورده می شد: (1) این پیکسل در “کلاس برنج 1” بود. یا (2) این پیکسل در “کلاس برنج 2” و در ماسک برنج GIS قرار داشت.

4.3. درون یابی داده های حقیقت زمینی

داده های حقیقت زمین برای هر سایت در مرحله پنجه زنی (28-30 ژوئن)، مرحله اتصال (10-12 ژوئیه)، مرحله سرفصل (2-8 اوت)، 20 روز پس از سرفصل (22-28 اوت)، جمع آوری شد. و زمان برداشت تصاویر FS-2 در 24 ژوئن، 6 ژوئیه و 9 آگوست در تاریخ های کمی متفاوت از مبارزات میدانی به دست آمد. بنابراین، مقادیر متغیرهای زراعی زیست توده، شاخص سطح برگ، غلظت N گیاه و جذب نیتروژن برای این سه تاریخ FS-2 درونیابی شدند. ابتدا، یک منحنی رشد چند جمله ای خاص برای هر سایت بر اساس سری زمانی داده های حقیقت زمینی ساخته شد. سپس مقادیر متغیرهای زراعی برای سه تاریخ RS-2 درون یابی شدند. این مقادیر درون یابی شده به عنوان داده های جدید حقیقت زمینی برای بررسی روابط آنها با بازتاب تصویر ماهواره ای و VIs استفاده شد.

4.4. توسعه مدل های رگرسیونی برای استخراج متغیرهای زراعی

یک روش رگرسیون خطی چندگانه برای هر متغیر زراعی بر اساس مقادیر بازتاب و VI مشتق شده از تصاویر FS-2 و اندازه‌گیری میدان مربوطه ساخته شد. VI مورد استفاده در این روش به عنوان یک عامل معادل بازتاب در نظر گرفته شد. تجزیه و تحلیل همبستگی و رگرسیون در SPSS 21 (SPSS, Inc., Chicago, IL, USA) انجام شد. فرمت مدل های رگرسیون خطی چندگانه به شرح زیر بود:

Y E = α 0 + α B l u e \times آر B l u e + α G r e e n \times آر G r e e n + α R e d \times آر R e d + α ن من آر \times آر ن من آر + α ن D V من \times N D V من

(1)

NDVI با تابع زیر محاسبه می شود:

ن D V من = (آر ن من آر - آر R e d) / (آر ن من آر + آر R e d)

(2)

R مخفف مقدار بازتاب در باند ماهواره ای مشترک است. در معادله (1)، Y _E مخفف متغیر زراعی برآورد شده است.

α_{i}

ضریب بازتاب در شاخص نوار / پوشش گیاهی مربوطه است. عملکرد مدل رگرسیون با ضریب تعیین ( ^R2) ارزیابی شد.

زیست توده و شاخص سطح برگ متغیرهای فیزیولوژیکی گیاهی ضروری هستند که عملکرد محصول را تعیین می کنند. LAI به نسبت سطح برگ به سطح زمین اشاره دارد. این یک پارامتر سایه بان اساسی در زراعت و RS است زیرا جذب تابش خورشیدی و تبخیر و تعرق را برای جذب کربن و در نتیجه تولید اولیه هدایت می کند. در این تحقیق، هر دو زیست توده و LAI با بازتاب باند FS-2 بر اساس معادله (1) فوق الذکر مرتبط بودند.

N یکی از عناصر قابل انتقال مجدد در مرحله زایشی در گیاهان برنج است [ 60 ]. از آنجایی که انتقال مجدد آن باعث پیری برگ می شود، ارتباط مستقیمی با بهره وری محصول دارد [ 61 ]. تشخیص دقیق وضعیت N گیاه برای توسعه استراتژی‌های مدیریت نیتروژن خاص سایت برای برنج در SJP از نظر هر دو جنبه کشاورزی و محیطی اهمیت دارد [ 39 ]. در این مطالعه، غلظت نیتروژن گیاه و جذب نیتروژن نیز از تصاویر FS-2 با استفاده از مدل رگرسیون ارائه شده توسط رابطه (1) استخراج شد.

4.5. اعتبار سنجی مدل های رگرسیون

مدل‌های رگرسیون در یک تحلیل اعتبارسنجی مورد ارزیابی قرار گرفتند. امکان سنجی مدل با معیارهای آماری خطای نسبی (RE) و شاخص توافق (IA) کمی سازی شد. در مرحله بعدی، نمودارهای پراکندگی برای ارزیابی عملکرد مدل‌های رگرسیون ایجاد شد. RE نسبت میانگین مربعات خطای ریشه (RMSE) به میانگین مقادیر مشاهده شده است که تفاوت بین مقادیر پیش‌بینی‌شده و مشاهده‌شده را نسبت به میانگین مقادیر حقیقت پایه توصیف می‌کند. IA میزان توافق بین تخمین مدل و مقادیر مشاهده شده را نشان می دهد [ 62 ]. به صورت زیر محاسبه می شود:

I A = 1 - \sum i = 1 n (O من - پ من) 2 / \sum i = 1 n (∣ ∣ پ من - O ¯ ¯ ¯ ∣ ∣ + ∣ ∣ O من - O ¯ ¯ ¯ ∣ ∣) 2

(3)

جایی که $O_{i}$ مقدار مشاهده شده است، $P_{i}$ مقدار شبیه سازی شده با مدل است و $\bar{O}$ میانگین مقادیر مشاهده شده است. مخرج در معادله (3) به عنوان “خطای بالقوه” توسط ویلموت [ 62 ] تعریف شد. بنابراین IA نشان دهنده نسبت بین میانگین مربعات خطا و “خطای بالقوه” است. اگرچه IA به مقادیر شدید حساس است [ 63 ]، اما می توان آن را به سادگی تفسیر کرد زیرا از 0 تا 1 متغیر است.

5. نتایج

5.1. دقت طبقه بندی منطقه برنج

برای مقایسه دقت طبقه بندی از منابع داده های مختلف، 800 نقطه تصادفی در منطقه مورد مطالعه ایجاد شد. بیش از 80 امتیاز تصادفی در هر کلاس توزیع شد. ماتریس های خطا برای تعیین کمیت دقت طبقه بندی تولید شدند. ضرایب توافق کاپا و دقت کلی برای کلاس برنج در جدول 4 نشان داده شده است.

جدول 4. دقت نقشه های برنج تولید شده از منابع داده های مختلف.

با داده های کمکی GIS، هم مقادیر کاپا و هم مقادیر دقت کلی برای کلاس برنج به ترتیب 0.148 و 10.8 درصد بهبود یافتند. در حالی که دقت کاربر مشابه پس از ترکیب سه نقشه طبقه‌بندی RS و داده‌های جانبی GIS به دست آمد، دقت تولیدکننده از 6/82 درصد به 7/92 درصد افزایش یافت که حاکی از کاهش 10 درصدی خطاهای حذف است. این نتایج با نتایج بدست آمده توسط Shrestha و Zinck [ 64 ] و Rozenstein و Karnieli [ 14 ] مطابقت دارد.

5.2. مدل های رگرسیون تجربی

5.2.1. توسعه مدل

پارامترهای بهترین مدل های رگرسیون واجد شرایط برای همه متغیرهای زراعی در جدول 5 نشان داده شده است. برای ارزیابی مدل های رگرسیونی از ضریب تعیین ^R2استفاده شد.

جدول 5. پارامترهای مدل های رگرسیون تجربی.

یک رگرسیون خطی چندگانه گام به گام برای انتخاب بهترین پیش بینی کننده های RS برای مدل های رگرسیون در مراحل مختلف فنولوژیکی اعمال شد.

برای مدل‌های رگرسیون زیست توده، بهترین مقادیر R2 ، در محدوده 0.519-0.765، به دست آمد ^.در مرحله پنجه زنی، تنها نوارهای سبز و قرمز برای نشان دادن زیست توده اعمال شد. در حالی که در مرحله بوت، هر چهار باند و همچنین مقدار NDVI در مدل گنجانده شد. در مرحله هدینگ فقط از نوارهای سبز و NIR استفاده شد. در هر سه تاریخ، مدل مرحله بوت شدن (تاریخ دوم)، نزدیک به اوج فصل رشد، بالاترین مقدار R ² را 0.765 می دهد.

تجزیه و تحلیل رگرسیون گام به گام برای برآورد LAI نوارهای قرمز و سبز را به عنوان پیش بینی کننده در مرحله پنجه زدن، NDVI به عنوان تنها متغیر پیش بینی کننده در مرحله راه اندازی، و هر چهار باند را به عنوان پیش بینی کننده در مرحله عنوان انتخاب کرد. مدل تخمین LAI با بهترین عملکرد در مرحله هدینگ زمانی که خوشه‌ها در خارج از ساقه برنج رشد می‌کنند، با ^R20.65 پیدا شد.

تشخیص تغییرات در غلظت N نسبت به زیست توده یا توسعه LAI دشوارتر است. غلظت نیتروژن یک جاذب ضعیف تابش طیفی است و در مقادیر بسیار کمی در بافت برگ (5/0 تا 3 درصد) رخ می دهد [ 65 ]. نوارهای قرمز و سبز تصویر FS-2 در مدل رگرسیون در مرحله پنجه زنی گنجانده شد، در حالی که هر چهار باند در هر دو مرحله بوت و سرفصل استفاده شد. در مراحل پنجه زنی و بوت کردن، زمانی که غلظت N گیاه در سطح بالایی قرار دارد، ارتباط بیشتری بین غلظت N گیاه و طیف RS یافت شد.

تجزیه و تحلیل رگرسیون گام به گام برای جذب N شامل هر چهار باند به عنوان پیش‌بینی‌کننده در مراحل پنجه‌زنی و راه‌اندازی بود، در حالی که فقط سبز و NIR در مرحله عنوان مورد نیاز بودند. بالاترین R ² 0.483 در مرحله عنوان بود.

5.2.2. اعتبار سنجی مدل های رگرسیون

اعتبار سنجی مدل با استفاده از مجموعه داده های حقیقت زمینی مستقل همانطور که در بخش 3.2 ذکر شد انجام شد . جدول 6 آمار اعتبار سنجی مدل را نشان می دهد.

جدول 6. نتایج اعتبارسنجی برای مدل های رگرسیون.

تجزیه و تحلیل اعتبارسنجی ( جدول 6 ) نشان داد که مدل رگرسیونی برای زیست توده به کمترین میزان RE 8.9٪ و بالاترین IA 0.68 در مرحله عنوان رسید. در هر سه تاریخ، برای مدل‌های تخمین جذب زیست توده، LAI و N، مقدار RE با رشد برنج کاهش می‌یابد. مدل LAI در مرحله عنوان کمترین مقدار RE و بالاترین IA را به ترتیب 13.6% و 0.85 نشان داد. این نتایج نشان داد که مدل‌های مبتنی بر تصاویر FS-2 در مراحل بعدی رشد بهتر عمل کردند.

RE برای مدل غلظت N در مرحله راه‌اندازی کمترین (15.3٪) بود، در حالی که مقادیر IA کمی از 0.41 در مرحله پنجه‌زنی به 0.48 در مراحل بعدی راه‌اندازی و سرفصل افزایش می‌یابد. برای مدل های جذب N، کمترین RE (11٪) و بالاترین IA (0.77) نیز در مرحله عنوان رخ داده است.

در هر سه تاریخ، روابط بین مقادیر مشتق شده FS-2 و داده های حقیقت زمینی درونیابی شده توسط نمودارهای پراکنده تجزیه و تحلیل شد ( شکل 2 ). مقدار R2 بالاترین ⁽ 0.98) برای نتایج مدل‌سازی زیست توده بود و پس از آن مدل جذب N (0.93) قرار گرفت، در حالی که یک مقدار R2 متوسط ^0.78و 0.84 برای LAI و تخمین غلظت N گیاه به دست آمد. این نتایج نشان داد که مقادیر مشتق‌شده RS بسیار با مقادیر حقیقت زمین مرتبط است و خطوط روند رگرسیون خطی به طور ایده‌آل نزدیک به خط 1:1 (خطوط مورب چین‌دار در شکل‌ها) هستند.

شکل 2. روابط بین مقادیر مشتق شده از RS و مقادیر حقیقت زمین برای ( a ) زیست توده. ( ب ) LAI; ( ج ) غلظت N; و ( د ) جذب N در مراحل پنجه‌زنی (△)، راه‌اندازی (◊) و سرفصل (○).

5.3. کاربرد منطقه ای مدل های رگرسیون

در نهایت، مدل‌های رگرسیون در مناطق برنج شناسایی‌شده برای نقشه‌برداری تغییرپذیری درون مزرعه چهار متغیر زراعی برای منطقه تحت پوشش تصاویر FS-2 در شهرستان مزرعه Qixing اعمال شد. به عنوان مثال، نتایج 6 جولای در شکل 3 ، شکل 4 ، شکل 5 و شکل 6 نشان داده شده است. تنوع درون مزرعه ای وضعیت برنج را می توان به راحتی در این نقشه ها تشخیص داد. در نقشه زیست توده ( شکل 3 )، مقادیر و الگوهای توزیع نابرابر را می توان در اکثر بلوک های میدان شناسایی کرد، که تنوع قابل توجهی در داخل میدان وضعیت رشد را نشان می دهد. به طور کلی، سطح زیست توده نسبتاً بالاتری در بخش جنوبی نشان داده شده است.

شکل 3. تنوع فضایی درون میدانی زیست توده به دست آمده از تصویر FS-2 در 6 ژوئیه 2009.

نقشه LAI ( شکل 4 ) مقادیر بالاتر LAI را در جنوب، به ویژه جنوب غربی، منطقه مورد مطالعه نشان می دهد. تغییرات درون بلوک های میدان نیز به خوبی در این نقشه شناسایی شده است.

شکل 4. تغییرپذیری فضایی درون میدانی LAI برگرفته از تصویر FS-2 در 6 ژوئیه 2009.

نقشه توزیع غلظت N ( شکل 5 ) یک الگوی تصادفی کلی از تغییرات فضایی در سطح درون میدانی را نشان می دهد. بسیاری از زمینه ها دارای مقادیر غلظت N 2.5-3.5٪ بودند. با این حال، تنوع درون میدانی هنوز ارائه شده است.

شکل 5. تنوع فضایی درون میدانی غلظت نیتروژن حاصل از تصویر FS-2 در 6 ژوئیه 2009.

به همین ترتیب، نقشه جذب N ( شکل 6 ) تغییرات فضایی درون میدانی آشکار را نشان می‌دهد. در قسمت جنوب و جنوب شرقی تصویر، جذب N گیاه نسبتاً بالاتری تشخیص داده می شود.

شکل 6. تنوع فضایی درون میدانی جذب نیتروژن حاصل از تصویر FS-2 در 6 ژوئیه 2009.

6. بحث

6.1. انتخاب باند برای مراحل مختلف رشد

بازتاب ثبت شده تصاویر نوری از یک سطح پوشش گیاهی تابعی از چندین ویژگی فیزیکی مانند ساختار پوشش گیاهی، نوع خاک، میزان رطوبت گیاه و همچنین پیکربندی حسگر است. رنگدانه های گیاهی طیف های جذب مشخصی دارند و برخی بر روی طیف بازتابی برگ ها تأثیر می گذارند. این فرصتی را برای مشخص کردن غلظت رنگدانه از طیف بازتاب ارائه می دهد [ 66]، و در نتیجه برای تفسیر وضعیت گیاه. کلروفیل ها یکی از مهم ترین رنگدانه ها هستند زیرا میزان جذب تابش خورشیدی را کنترل می کنند که فتوسنتز و در نتیجه تولید اولیه را تعیین می کند. چندین مطالعه نشان داده اند که غلظت کلروفیل گیاه به طور غیرمستقیم وضعیت مواد مغذی گیاه را نشان می دهد زیرا ساختار مولکولی کلروفیل نسبت زیادی از کل نیتروژن برگ را در خود جای داده است [ 67 ، 68 ، 69 ].

در نتایج ما، باندهای طیفی مختلف برای مدل‌های رگرسیون در مراحل مختلف رشد انتخاب شدند. ترکیب نوار قرمز و سبز برای اکثر متغیرهای زراعی در مرحله پنجه زنی به خوبی عمل کرد، در حالی که ترکیب نوار سبز و NIR بهترین عملکرد را برای تخمین جذب زیست توده و نیتروژن در مرحله تیغه انجام داد. در مرحله رشد اولیه (پخه زنی)، پوشش تاج برنج کمتر (بسیار کمتر از 100٪) است و در نتیجه غلظت کلروفیل کمتری در مقیاس پیکسلی ایجاد می شود. علاوه بر این، غلظت کلروفیل در مقیاس برگ در مقایسه با مرحله رده بندی کمتر است [ 70 ، 71 ]]. با این حال، در مرحله بعدی (هدینگ)، پوشش تاج بیشتر و غلظت کلروفیل سطح برگ نیز بیشتر است. نوار آبی اغلب در مدل های رگرسیون گام به گام نشان داده نمی شود. این ممکن است به اثرات پراکندگی قوی جو بر تابش آبی نسبت داده شود.

علاوه بر این، زمانی که غلظت نیتروژن گیاه نسبتاً بالا بود، نوارهای سبز (520-600 نانومتر) و قرمز (630-690 نانومتر) برای مدل‌های رگرسیون مؤثر بودند. این نتیجه با یافته O’Neill و همکاران مطابقت دارد. [ 65 ] که بالاترین همبستگی بین غلظت نیتروژن و بازتاب در 697.8 نانومتر و به دنبال آن ناحیه 536.8-558.5 نانومتر رخ داد.

6.2. اثرات پس زمینه در مراحل اولیه

با توجه به نتایج اعتبارسنجی مدل REها، می‌توان نتیجه گرفت که مدل‌های رگرسیونی برای مرحله پنجه‌زنی در مورد تمامی متغیرهای زراعی به‌جز غلظت نیتروژن، به خوبی مدل‌های دو مرحله دیگر عمل نکردند. همانطور که در بخش 5.2.1 ذکر شد، بالاترین غلظت RE از N در مرحله هدینگ رخ داد که عمدتاً ناشی از غلظت کم نیتروژن در بافت برگ در آن مرحله بود .

طبق گزارش IA، مدل‌های رگرسیون در مرحله عنوان برای همه متغیرهای زراعی بهترین عملکرد را داشتند، که احتمالاً ناشی از تراکم زیست توده بالاتر و در نتیجه کاهش اثرات خاک و آب مزرعه نسبت به مراحل اولیه است. این نتیجه با یافته های Gnyp و همکاران در تضاد است. [ 72 ]، که از داده های میدان فراطیفی برای تخمین زیست توده برنج استفاده کرد و در مراحل اولیه رشد به نتایج بهتری دست یافت. با این حال، در مطالعه Gnyp و همکاران. [ 72]، یک شاخص پوشش گیاهی خاص مانند NDVI یا RVI (شاخص نسبت گیاهی) به عنوان تک متغیر مستقل در مدل‌های رگرسیونی استفاده شد. آنها گزارش دادند که NDVI در مراحل بعدی رشد قبل از رسیدن زیست توده به 3 تن در هکتار اشباع شد که ممکن است بر عملکرد مدل تأثیر بگذارد. آنها همچنین خاطرنشان کردند که در مرحله هدینگ، سیگنال بازتابی تاج از زمانی که پانیکول ها از غلاف بیرون می آیند، پیچیده تر می شود. در این مطالعه، بازتاب های چند طیفی اصلی علاوه بر NDVI، هر دو به عنوان متغیرهای توصیفی در رگرسیون گام به گام استفاده شدند، که ممکن است به حذف اثرات مشکل اشباع NDVI بر عملکرد مدل در مراحل بعدی رشد کمک کند. با این وجود، این نیاز به تایید بیشتر با تجزیه و تحلیل مجموعه داده های دو مطالعه دارد. علاوه بر این، روش های مختلف اندازه گیری، ابزارهای RS،

در مطالعات پوشش گیاهی با استفاده از ماهواره RS، چندین هشدار توسط Myneni و همکاران ذکر شده است. [ 73 ]. این هشدارها شامل اثرات دو جهته، اثرات جوی، اثرات ساختار تاج پوشش، اثرات پس زمینه یا خاک، اثرات غیرخطی پراکندگی، اثرات ناهمگونی طیفی، اثرات مجاور، اختلاط غیرخطی و اثرات توپوگرافی می باشد. در این مطالعه اثرات پس زمینه خاک و آب و ساختار تاج پوشش برنج به طور قابل توجهی بر پاسخ طیفی تأثیر می گذارد. شرایط سایبان در مراحل مختلف به وضوح در عکس های زیر نشان داده شده است ( شکل 7). در مرحله اولیه، پوشش تاج برنج نسبتاً کم بود و بنابراین اثرات پس زمینه خاک و آب بیشتر رخ داد. به عنوان یکی از پارامترهای مهم ساختار تاج پوشش، جهت گیری برگ که با زاویه برگ کوچکتر در مراحل اولیه مشخص می شود ممکن است منجر به عملکرد ضعیف مدل های رگرسیونی نیز شود.

شکل 7. رشد برنج در 24 ژوئن ( سمت چپ )، 6 جولای ( وسط ) و 9 اوت ( راست ).

7. نتیجه گیری

با توجه به ادغام تصاویر چند زمانی FS-2 و داده های GIS، مناطق کشت برنج در شهرستان مزرعه Qixing با وضوح بیشتری شناسایی شد. دقت کلی کل نقشه طبقه بندی شده به طور قابل ملاحظه ای از 81.8٪ به 91.6٪ بهبود یافته است. این نقشه بسیار دقیق کشت برنج مبنای ایده آلی برای تجزیه و تحلیل بیشتر محصولات برنج در منطقه مورد مطالعه فراهم می کند.

این مطالعه نشان داد که عملکرد مدل های رگرسیونی به طور معنی داری تحت تأثیر مراحل رشد برنج قرار گرفت. بنابراین، انتخاب باند بهینه برای هر مرحله رشد به دلیل خواص بازتاب طیفی متفاوت مهم است. بر اساس R ²مقادیر نسبتاً بالاتری نسبت به مدل‌های تخمین زیست توده و تخمین شاخص سطح برگ نسبت به مدل‌های جذب نیتروژن و غلظت نیتروژن گیاه پیدا شد. به طور خاص، برای تخمین غلظت نیتروژن گیاه، مدل بهتر برازش در اولین مرحله رشد (پنجه زنی) زمانی که غلظت نیتروژن نسبتاً بالا بود، رخ داد. مقادیر مشتق شده از RS و مقادیر حقیقت زمینی درونیابی شده برای هر سه تاریخ بسیار همبستگی داشتند. دقیق‌ترین مدل‌ها با کمترین RE و بالاترین مقادیر IA در مرحله عنوان برای سه مورد از چهار متغیر زراعی، به‌جز غلظت N یافت شدند. در نتیجه، این مطالعه چارچوب و مثالی را ارائه می‌کند که چگونه RS ماهواره‌ای با وضوح بالا می‌تواند از مدیریت مزارع کشاورزی مانند کود، پشتیبانی کند. استراتژی های مدیریت آبیاری و آفت کش ها با ارائه اطلاعات زراعی درون مزرعه در مقیاس های منطقه ای اطلاعات به دست آمده از ماهواره RS می تواند بیشتر برای مطالعه روابط بین رشد محصول و سایر پدیده ها مانند تثبیت کربن، تغییرات آب و هوا و مدیریت پایدار منابع طبیعی مورد استفاده قرار گیرد.

منابع

سازمان خواربار و کشاورزی ملل متحد. پایگاه آماری فائو در دسترس آنلاین: http://www.fao.org/docrep/015/i2490e/i2490e03d.pdf (در 13 ژوئن 2014 قابل دسترسی است).
یان، ایکس. اوهارا، تی. Akimoto، H. توسعه عوامل انتشار خاص منطقه و برآورد انتشار متان از مزارع برنج در کشورهای شرق، جنوب شرق و جنوب آسیا. گلوب. Biol را تغییر دهید. 2003 ، 9 ، 237-254. [ Google Scholar ] [ CrossRef ]
اسمیت، پی. مارتینو، دی. کای، ز. گواری، دی. جانزن، اچ. کومار، پی. مک کارل، بی. اوگل، اس. اومارا، اف. برنج، سی. و همکاران کاهش گازهای گلخانه ای در کشاورزی فیلوس ترانس. R. Soc. B 2008 , 363 , 789-813. [ Google Scholar ] [ CrossRef ]
ابتکار جهانی متان انتشار جهانی متان و فرصت های کاهش. در دسترس آنلاین: http://www.globalmethane.org (در 26 اوت 2014 قابل دسترسی است).
قهوهای مایل به زرد، ZX; لعل، ر. Wiebe, KD کاهش جهانی مواد مغذی خاک و کاهش عملکرد. J. Sustain. Agr. 2005 ، 26 ، 123-146. [ Google Scholar ] [ CrossRef ]
کومار، م. Monteith، JL سنجش از دور رشد محصول. در گیاهان و طیف نور روز ; اسمیت، اچ، اد. انتشارات آکادمیک: لندن، انگلستان، 1981; صص 133-144. [ Google Scholar ]
مولن، اس. بوندو، آ. Delecolle, R. ترکیب مدل‌های محصول کشاورزی و مشاهدات ماهواره‌ای: از مقیاس‌های مزرعه تا مقیاس منطقه‌ای. بین المللی J. Remote Sens. 1998 , 19 , 1021-1036. [ Google Scholar ] [ CrossRef ]
هاتفیلد، جی ال. Gitelson، AA; Schepers، JS; Walthall, CL کاربرد سنجش از دور طیفی برای تصمیمات زراعی. آگرون. J. 2008 , 100 , S117–S131. [ Google Scholar ] [ CrossRef ]
Gitelson، AA; پنگ، ی. Arkebauer، TJ; Schepers، J. روابط بین تولید اولیه ناخالص، شاخص سطح برگ سبز، و محتوای کلروفیل تاج پوشش در ذرت: مفاهیم برای سنجش از دور تولید اولیه. سنسور از راه دور محیط. 2014 ، 144 ، 65-72. [ Google Scholar ] [ CrossRef ]
فرلکینگ، اس. کیو، جی. بولز، اس. شیائو، ایکس. لیو، جی. ژوانگ، ی. لی، سی. Qin, X. ترکیب سنجش از دور و داده‌های سرشماری زمینی برای تهیه نقشه‌های جدید از توزیع کشاورزی برنج در چین. گلوب. بیوژئوشیمی. چرخه 2002 ، 16 . [ Google Scholar ] [ CrossRef ]
شیائو، ایکس. بولز، اس. لیو، جی. ژوانگ، دی. فرلکینگ، اس. لی، سی. سالاس، دبلیو. مور، بی.، III. نقشه برداری کشاورزی برنج شالیزاری در جنوب چین با استفاده از تصاویر MODIS چند زمانی. سنسور از راه دور محیط. 2005 ، 95 ، 480-492. [ Google Scholar ] [ CrossRef ]
کوئنزر، سی. Knauer، K. سنجش از دور مناطق کشت برنج. بین المللی J. Remote Sens. 2013 ، 34 ، 2101-2139. [ Google Scholar ] [ CrossRef ]
والدهف، جی. کوردت، سی. هافمایستر، دی. Bareth, G. تجزیه و تحلیل داده های سنجش از دور چند زمانی و چند سنسوری برای نقشه برداری تناوب زراعی. در مجموعه مقالات آرشیو بین المللی 2012 فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، ملبورن، استرالیا، 25 اوت تا 1 سپتامبر 2012. صص 177-182.
روزنشتاین، او. Karnieli، A. مقایسه روش‌های طبقه‌بندی کاربری اراضی با استفاده از سنجش از دور و ورودی‌های GIS. Appl. Geogr. 2011 ، 31 ، 533-544. [ Google Scholar ] [ CrossRef ]
چانگ، ک. شن، ی. Lo, J. پیش بینی عملکرد برنج با استفاده از بازتاب تاج اندازه گیری شده در مرحله بوت. آگرون. J. 2005 ، 97 ، 872-878. [ Google Scholar ] [ CrossRef ]
وانگ، ی. چانگ، ک. چن، آر. لو، جی. Shen, Y. پیش‌بینی عملکرد برنج در سطح وسیع با استفاده از تصاویر ماهواره‌ای. بین المللی J. Appl. زمین Obs. 2010 ، 12 ، 27-35. [ Google Scholar ] [ CrossRef ]
ون نیل، تی جی; McVicar، TR استفاده های فعلی و بالقوه سنجش از دور نوری در سیستم های آبیاری مبتنی بر برنج: یک بررسی. علم مرتع زراعی 2004 ، 55 ، 155-185. [ Google Scholar ] [ CrossRef ]
داگین، ام جی؛ Piwinski، D. شاخص های درخشندگی ثبت شده برای پایش پوشش گیاهی با استفاده از داده های NOAA AVHRR. اثرات جوی و سایر اثرات در مجموعه داده های چند زمانی. Appl. انتخاب کنید 1984 ، 23 ، 2620-2623. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مک کلوی، KR؛ اسمیت، FR; رابینسون، MR نظارت بر مناطق برنج با استفاده از داده های LANDSAT MSS. بین المللی J. Remote Sens. 1987 ، 8 ، 741-749. [ Google Scholar ] [ CrossRef ]
اوکاموتو، ک. یاماکاوا، اس. کاواشیما، H. برآورد خسارت سیل به تولید برنج در کره شمالی در سال 1995. بین المللی. J. Remote Sens. 1998 , 19 , 365-371. [ Google Scholar ] [ CrossRef ]
چه، ن. قیمت، JC بررسی نتایج و روش‌های کالیبراسیون رادیومتری برای کانال‌های مرئی و مادون قرمز نزدیک NOAA-7، -9، و -11 AVHRR. سنسور از راه دور محیط. 1992 ، 41 ، 19-27. [ Google Scholar ] [ CrossRef ]
نیش، اچ. وو، بی. لیو، اچ. Huang, X. استفاده از NOAA AVHRR و Landsat TM برای تخمین سطح برنج سال به سال. بین المللی J. Remote Sens. 1998 ، 19 ، 521-525. [ Google Scholar ] [ CrossRef ]
کیم، هو؛ Yeom، JM تجزیه و تحلیل طیفی چند زمانی مزارع برنج در کره جنوبی با استفاده از تصاویر ماهواره ای MODIS و RapidEye. جی. آسترون. علوم فضایی 2012 ، 29 ، 407-411. [ Google Scholar ] [ CrossRef ]
پسر، NT; چن، سی اف. چن، CR; چانگ، LY; داک، HC; نگوین، LD پیش‌بینی عملکرد محصول برنج با استفاده از داده‌های MODIS EVI-LAI در دلتای مکونگ، ویتنام. بین المللی J. Remote Sens. 2013 ، 34 ، 7275-7292. [ Google Scholar ] [ CrossRef ]
هوانگ، جی. وانگ، ایکس. لی، ایکس. تیان، اچ. Pan, Z. پیش بینی عملکرد برنج سنجش از دور با استفاده از داده های NDVI چند زمانی که از NOAA’s-AVHRR مشتق شده است. PLoS One 2013 ، 8 ، e70816. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پنگ، دی. هوانگ، جی. لی، سی. لیو، ال. هوانگ، دبلیو. وانگ، اف. یانگ، ایکس. مدل‌سازی عملکرد برنج شالیزاری با استفاده از داده‌های MODIS. کشاورزی برای. هواشناسی 2014 ، 184 ، 107-116. [ Google Scholar ] [ CrossRef ]
چانگ، CH; لیو، سی سی; فهرست انتشارات Tseng، PY برای سوزاندن باز کاه برنج در تایوان بر اساس طبقه بندی و نقشه برداری مناطق سوخته با استفاده از تصاویر ماهواره ای FORMOSAT-2. Aerosol Air Qual. Res. 2013 ، 13 ، 474-487. [ Google Scholar ]
کیم، هو؛ Yeom، JM اثر ویژگی‌های لبه قرمز و بافت برای طبقه‌بندی محصول برنج برنج مبتنی بر شی با استفاده از داده‌های تصویر ماهواره‌ای چند طیفی RapidEye. بین المللی J. Remote Sens. 2014 , 35 , 7046–7068. [ Google Scholar ]
مک دونالد، RB; هال، FG پیش بینی محصول جهانی. Science 1980 , 208 , 670-679. [ Google Scholar ] [ CrossRef ] [ PubMed ]
شیائو، ایکس. بولز، اس. فرلکینگ، اس. لی، سی. بابو، جی. سالاس، دبلیو. مور، ب. نقشه برداری از کشاورزی برنج شالیزاری در جنوب و جنوب شرقی آسیا با استفاده از تصاویر MODIS چند زمانی. سنسور از راه دور محیط. 2006 ، 100 ، 95-113. [ Google Scholar ] [ CrossRef ]
دوویلر، جی. لوپز-لوزانو، آر. Seguini، L. بویانوفسکی، جی اس. باروث، ب. الزامات سنجش از دور نوری برای پایش عملیاتی محصول و پیش‌بینی عملکرد در اروپا. در مجموعه مقالات 2012 nel-3 OLCI/SLSTR و MERIS/(A) ATSR Workshop، Frascati، ایتالیا، 15-19 اکتبر 2012.
زی، ی. شا، ز. یو، ام. تصاویر سنجش از دور در نقشه برداری گیاهی: بررسی. J. Plant Ecol. 2008 ، 1 ، 9-23. [ Google Scholar ] [ CrossRef ]
مولا، دی جی بیست و پنج سال سنجش از دور در کشاورزی دقیق: پیشرفت های کلیدی و شکاف های دانش باقی مانده. Biosyst. مهندس 2013 ، 114 ، 358-371. [ Google Scholar ] [ CrossRef ]
Tucker، CJ Red و ترکیبات خطی مادون قرمز عکاسی برای نظارت بر پوشش گیاهی. سنسور از راه دور محیط. 1979 ، 8 ، 127-150. [ Google Scholar ] [ CrossRef ]
بناری، ع. مورین، دی. بن، اف. Huett، AR مروری بر شاخص های پوشش گیاهی. Remote Sens. Rev. 1995 , 13 , 95-120. [ Google Scholar ] [ CrossRef ]
جکسون، RD; اسلاتر، PN; Pinter, PJ, Jr. تبعیض رشد و تنش آبی در گندم توسط شاخص‌های مختلف پوشش گیاهی از طریق جوهای شفاف و کدر. سنسور از راه دور محیط. 1983 ، 13 ، 187-208. [ Google Scholar ] [ CrossRef ]
هانسن، PM; اندازه‌گیری بازتاب Schjoerring، JK بیوماس و وضعیت نیتروژن تاج پوشش در محصولات گندم با استفاده از شاخص‌های نرمال‌شده پوشش گیاهی و رگرسیون حداقل مربعات جزئی. سنسور از راه دور محیط. 2003 ، 86 ، 542-553. [ Google Scholar ] [ CrossRef ]
یائو، ی. میائو، ی. هوانگ، اس. گائو، ال. ما، ایکس. ژائو، جی. جیانگ، آر. چن، ایکس. ژانگ، اف. یو، ک. و همکاران استراتژی مدیریت دقیق N مبتنی بر سنسور تاج فعال برای برنج. آگرون. حفظ کنید. توسعه دهنده 2012 ، 32 ، 925-933. [ Google Scholar ] [ CrossRef ]
یو، ک. لی، اف. Gnyp، ML؛ میائو، ی. بارت، جی. چن، X. تشخیص از راه دور غلظت نیتروژن و جذب برنج شلتوک در دشت شمال شرقی چین. ISPRS J. Photogramm. Remote Sens. 2013 ، 78 ، 102-115. [ Google Scholar ] [ CrossRef ]
هال، FG; Huemmrich، KF; Goward، SN استفاده از طیف باند باریک برای تخمین کسر تابش فعال فتوسنتزی جذب شده. سنسور از راه دور محیط. 1990 ، 32 ، 47-54. [ Google Scholar ] [ CrossRef ]
بارت، اف. هاگول، او. گایگر، بی. بیچرون، پی. میراس، بی. هاک، ام. برتلوت، بی. نینو، اف. ویس، م. سمعین، ا. و همکاران محصولات جهانی LAI، fAPAR و fCover CYCLOPES مشتق شده از VEGETATION: قسمت 1: اصول الگوریتم. سنسور از راه دور محیط. 2007 ، 110 ، 275-286. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Bouman، BAM ارتباط مدل‌های سنجش از دور فیزیکی با مدل‌های شبیه‌سازی رشد محصول، اعمال شده برای چغندرقند. بین المللی J. Remote Sens. 1992 ، 13 ، 2565-2581. [ Google Scholar ] [ CrossRef ]
پراساد، AK; چای، ال. سینگ، آرپی؛ Kafatos, M. مدل برآورد عملکرد محصول برای آیووا با استفاده از سنجش از دور و پارامترهای سطح. بین المللی J. Appl. زمین Obs. 2006 ، 8 ، 26-33. [ Google Scholar ] [ CrossRef ]
بهاتی، AU; مولا، دی جی; Frazier, BE برآورد خواص خاک و عملکرد گندم در تپه های پیچیده فرسایش یافته با استفاده از زمین آمار و تصاویر نقشه برداری موضوعی. سنسور از راه دور محیط. 1991 ، 37 ، 181-191. [ Google Scholar ] [ CrossRef ]
ژانگ، ن. وانگ، ام. وانگ، ن. کشاورزی دقیق – یک مرور کلی در سراسر جهان. محاسبه کنید. الکترون. Agr. 2002 ، 36 ، 113-132. [ Google Scholar ] [ CrossRef ]
Thenkabail، PS Biophysical و اطلاعات بازدهی برای کشاورزی دقیق از تصاویر لحظه ای و تاریخی Landsat TM. بین المللی J. Remote Sens. 2003 , 24 , 2879-2904. [ Google Scholar ] [ CrossRef ]
دانلون، سی. بروتی، بی. بوونجیورنو، آ. فریرا، MH; Féménias، P. فریک، جی. گوریل، پی. کلاین، یو. لور، اچ. ماوروکورداتوس، سی. و همکاران ماموریت نظارت جهانی محیط زیست و امنیت (GMES) نگهبان-3. سنسور از راه دور محیط. 2012 ، 120 ، 37-57. [ Google Scholar ] [ CrossRef ]
دوویلر، جی. بارت، اف. Defourny، P. شاخص منطقه سبز سنجش از دور برای پایش محصول گندم زمستانه: ارزیابی 10 ساله در مقیاس منطقه ای بر روی یک چشم انداز تکه تکه. Agr. برای. هواشناسی 2012 ، 166 ، 156-168. [ Google Scholar ] [ CrossRef ]
دوویلر، جی. Defourny، P. چارچوب مفهومی برای تعریف الزامات تفکیک مکانی برای نظارت کشاورزی با استفاده از سنجش از دور. سنسور از راه دور محیط. 2010 ، 114 ، 2637-2650. [ Google Scholar ] [ CrossRef ]
اویانگ، دبلیو. خو، ی. هائو، اف. وانگ، ایکس. چن، اس. لین، سی. اثر کشت بلندمدت کشاورزی و تبدیل کاربری زمین بر محتویات مواد مغذی خاک در دشت سانجیانگ. Catena 2013 ، 104 ، 243-250. [ Google Scholar ] [ CrossRef ]
Dhaliwal، JS; بن بساط، اول. استفاده و اثرات تبیین سیستم مبتنی بر دانش: مبانی نظری و چارچوبی برای ارزیابی تجربی. Inf. سیستم Res. 1996 ، 7 ، 342-362. [ Google Scholar ] [ CrossRef ]
Saastamoinen، J. تصحیح اتمسفر برای تروپوسفر و استراتوسفر در ماهواره های رادیویی. در استفاده از ماهواره های مصنوعی برای ژئودزی ; Henriksen, SW, Chovitz, BH, Mancini, A., Eds.; اتحادیه ژئوفیزیک آمریکا: واشنگتن دی سی، WA، ایالات متحده آمریکا، 1972; صص 247-251. [ Google Scholar ]
کافمن، YJ; سندرا، سی. الگوریتم برای تصحیحات جوی خودکار به تصاویر ماهواره ای مرئی و نزدیک به IR. بین المللی J. Remote Sens. 1988 ، 9 ، 1357-1381. [ Google Scholar ] [ CrossRef ]
کورو، دی. سگوین، بی. Olioso، A. بررسی تخمین تبخیر و تعرق از داده‌های سنجش از دور: چند مثال از رابطه ساده شده با استفاده از مدل‌های جوی در مقیاس متوسط. در مجموعه مقالات کارگاه 2003 سنجش از دور ET برای مناطق بزرگ، مونپلیه، فرانسه، 17 سپتامبر 2003. صص 1-18.
Hadjimitsis، DG; پاپاداوید، گ. آگاپیو، ا. Themistocleous، K. Hadjimitsis، MG; رتالیس، ا. مایکلیدس، اس. کریسولاکیس، ن. تولیوس، ال. Clayton، CRI تصحیح جوی برای داده های سنجش از راه دور ماهواره ای در نظر گرفته شده برای کاربردهای کشاورزی: تاثیر بر شاخص های پوشش گیاهی. نات. سیستم خطر زمین. 2010 ، 10 ، 89-95. [ Google Scholar ] [ CrossRef ]
دای، ایکس. خرم، س. اثرات ثبت اشتباه تصویر بر دقت تشخیص تغییرات سنجش از راه دور. IEEE Trans. Geosci. Remote Sens. 1998 , 36 , 1566-1577. [ Google Scholar ] [ CrossRef ]
موره، جی. Pons, X. ملاحظات اولیه در مورد ارزیابی و تجسم کیفیت در اصلاحات هندسی تصاویر ماهواره ای بسته به تعداد نقاط کنترل زمینی. در مجموعه مقالات هفتمین سمپوزیوم بین المللی کیفیت داده های مکانی، کویمبرا، پرتغال، 12 تا 14 اکتبر 2011. صفحات 12-14.
ژائو، کیو. هوت، سی. Lenz-Wiedemann، VIS؛ میائو، ی. یوان، اف. ژانگ، اف. بارث، جی. ارجاع جغرافیایی داده‌های چندمنبعی جغرافیایی با استفاده از تصاویر چند زمانی TerraSAR-X: مطالعه موردی در مزرعه Qixing، شمال شرقی چین. فتوگرام فرنرکون 2015 . پذیرفته شده. [ Google Scholar ]
چن، جی. هوانگ، جی. Hu, J. نقشه برداری مناطق کاشت برنج در جنوب چین با استفاده از داده های ماهواره محیط زیست چین. ریاضی. محاسبه کنید. مدل. 2011 ، 54 ، 1037-1043. [ Google Scholar ] [ CrossRef ]
Tanaka, A. مطالعات بر روی ویژگیهای عملکرد فیزیولوژیکی برگ در موقعیت معین روی ساقه گیاه برنج (قسمت 3). رابطه متابولیسم نیتروژن و عملکرد فیزیولوژیکی برگ در موقعیت معین. J. Sci. کود خاکی Jpn. 1956 ، 26 ، 413-418. [ Google Scholar ]
می، تی. اوهیرا، ک. انتقال مجدد نیتروژن مربوط به رشد و پیری برگ در گیاهان برنج ( Oryza sativa L. ). فیزیول سلول گیاهی 1981 ، 22 ، 1067-1074. [ Google Scholar ]
ویلموت، سی جی در مورد اعتبارسنجی مدل ها. فیزیک Geogr. 1981 ، 2 ، 184-194. [ Google Scholar ]
Legates, DR; McCabe، GJ ارزیابی استفاده از معیارهای “خوبی تناسب” در اعتبارسنجی مدل هیدرولوژیکی و هیدروکلیماتیک. منبع آب Res. 1999 ، 35 ، 233-241. [ Google Scholar ] [ CrossRef ]
Shrestha، DP; Zinck، JA طبقه بندی استفاده از زمین در مناطق کوهستانی: ادغام پردازش تصویر، داده های دیجیتال ارتفاع و دانش میدانی (کاربرد در نپال). بین المللی J. Appl. زمین Obs. 2001 ، 3 ، 78-85. [ Google Scholar ] [ CrossRef ]
اونیل، آل. Kupiec، JA; Curran، PJ بیوشیمیایی و تنوع بازتابی در سراسر یک تاج صنوبر Sitka. سنسور از راه دور محیط. 2002 ، 80 ، 134-142. [ Google Scholar ] [ CrossRef ]
Blackburn, GA سنجش از دور فراطیفی رنگدانه های گیاهی. J. Exp. ربات 2007 ، 58 ، 855-867. [ Google Scholar ] [ CrossRef ] [ PubMed ]
فیللا، آی. سرانو، ال. سرا، جی. Peñuelas، J. ارزیابی وضعیت نیتروژن گندم با شاخص های بازتاب تاج پوشش و تجزیه و تحلیل متمایز. Crop Sci. 1995 ، 35 ، 1400-1405. [ Google Scholar ] [ CrossRef ]
موران، ج.ا. میچل، AK; گودمنسون، جی. استوکبرگر، KA تمایز بین اثرات تیمارهای کوددهی نیتروژن بر روی نهال های مخروطیان با بازتاب برگی: مقایسه روش ها. درخت فیزیول. 2000 ، 20 ، 1113-1120. [ Google Scholar ] [ CrossRef ] [ PubMed ]
یو، ک. لوفن، جی. هونشه، ام. نوگا، جی. چن، ایکس. Bareth, G. بررسی بیماری های برگ و برآورد غلظت کلروفیل در هفت رقم جو با استفاده از شاخص های فلورسانس و فراطیفی. Remote Sens. 2013 ، 5 ، 64-86. [ Google Scholar ] [ CrossRef ]
چن، ایکس. چن، سی. ژو، ال. اندازه‌گیری‌ها و تحلیل‌های رابطه محتوای کلروفیل و مراحل رشد فنولوژیکی در برنج. مد. آگریکو. علمی تکنولوژی 2010 ، 17 ، 42-44. [ Google Scholar ]
کائو، اس. لو، دبلیو. ژای، اچ. شنگ، س. گونگ، اچ. یانگ، تی. Zhang, R. تحقیق در مورد روش تخمین طول مدت عملکرد فتوسنتز برگ پرچم در مرحله نهال برنج با فاز ثابت نسبی محتوای کلروفیل. چانه. J. Rice Sci. 2001 ، 15 ، 309-313. (به زبان چینی) [ Google Scholar ]
Gnyp، ML؛ میائو، ی. یوان، اف. Ustin, SL; یو، ک. یائو، ی. هوانگ، اس. Bareth, G. برآورد غیر مخرب زیست توده برنج شالیزاری در مراحل مختلف رشد با سنجش از دور تاج ابرطیفی. Field Crop Res. 2014 ، 155 ، 42-55. [ Google Scholar ] [ CrossRef ]
Myneni، RB; مگیون، اس. یاکوئینتا، جی. Privette، JL; گوبرون، ن. پینتی، بی. کیمز، دی اس؛ Verstraete، MM; ویلیامز، DL سنجش از دور نوری پوشش گیاهی: مدل‌سازی، هشدارها و الگوریتم‌ها. سنسور از راه دور محیط. 1995 ، 51 ، 169-188. [ Google Scholar ] [ CrossRef ]

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب