عنوان پایان‌نامه

بهبود برآورد عملکرد محصول در مدل SWAP با استفاده از سنجش از دور



    دانشجو در تاریخ ۳۱ شهریور ۱۳۹۵ ، به راهنمایی ، پایان نامه با عنوان "بهبود برآورد عملکرد محصول در مدل SWAP با استفاده از سنجش از دور" را دفاع نموده است.


    رشته تحصیلی
    مهندسی کشاورزی-آبیاری وزهکشی
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76210;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7032;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76210;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7032
    تاریخ دفاع
    ۳۱ شهریور ۱۳۹۵
    دانشجو
    علی مختاری
    استاد راهنما
    حمیده نوری
    چکیده
    لینک فایل چکیده
    به‌روز رسانی مدل های رشد گیاهی با استفاده از داده های ماهواره‌ای یکی از رایج ترین روش‌ها در بهبود دقت نتایج خروجی مدل‌های شبیه‌سازی رشد می‌باشد. مدل توزیعی SWAPاز جمله مدل‌های شبیه‌‌سازی رشد محصول است که قابلیت به روزرسانی شدن توسط داده‌‌های شاخص سطح برگ حاصل از تصاویر ماهواره ای را دارد. در تحقیق حاضر عملکرد محصولات گندم و جو با استفاده از مدل توزیعی SWAPبا و بدون عملیات به روز رسانی مدل با داده های ماهواره‌ای شاخص سطح برگ شبیه‌سازی گردید و میزان بهبود دقت نتایج خروجی در اثر بروزرسانی مورد بررسی قرار گرفت. بدین منظور نمونه‌برداری از سطح برگ و وزن ماده خشک گیاهی در طول دوره رشد دو محصول اصلی کشت پاییزه (سال زراعی 94-1393) شبکه آبیاری قزوین (کشت و صنعت هزار جلفا ) انجام گردید. در زمان‌های منطبق با نمونه‌برداری، محصول بازتابش سطحی از حسگر مادیس (MOD09GQ) دریافت و پس از انجام عملیات پیش‌پردازش، روابط همبستگی میان شاخص‌های گیاهی حاصل از این تصاویر با شاخص سطح برگ مشاهداتی گسترش داده شد. این روابط با استفاده از پنج شاخص‌گیاهی ماهواره‌ای NDVI، SAVI، WDRVI، SR و WDVI به دست آمد. از بین آنها، مدل به دست آمده از شاخص WDRVI به عنوان بهترین مدل برآورد کننده LAI (با RMSE 0/73 مترمربع بر مترمربع و R2 0/78) برای دو گیاه گندم و جو بدست آمد. نتایج نشان داد با به‌روزرسانی مدل شبیه‌سازی SWAP با استفاده از LAI ماهواره‌ای می‌توان خطاهای موجود در برآورد عملکرد گیاه گندم و جو را به میزان زیادی (حدود 17 درصد) کاهش داد و با دقت 12 درصدی عملکرد را در سطح وسیع برآورد کرد. نتایج این تحقیق نشان داد که به‌روزرسانی با فواصل پنج و 10 روز تاثیر چندانی در نتایج ندارد و نحوه‌ی به روزرسانی به گیاه مورد نظر و زمان برداشت آن بستگی دارد.
    Abstract
    Remote sensing method is one of the most common and accurate methods for estimation of yield in large areas. The yield estimation of distributed SWAP model could be ameliorated by satellite-based LAI. In this study, the yield estimation of wheat and barley using SWAP model was executed with and without using the satellite-based LAI and the level of estimation improvement was investigated. For this objective, leaf area and plant dry matter of wheat and barley were measured during the growing season at Qazvin irrigation network in 2014-15. MODIS images, during sampling, were obtained. LAI estimation regression equations were developed using vegetation indices derived from satellite imagery. The regression equations were developed using five vegetation indices, NDVI, SAVI, WDRVI, SR, and WDVI. The best-fit equation was resulted from WDRVI, which had the R2 of 0.78 and the RMSE of 0.73. The yield estimation was significantly improved by assimilating satellite-based LAI into SWAP model and it was possible to estimate yield with only 12% error in large scale fields. Therefore, data assimilation can help significantly reduce errors and more accurately estimate yield in large scale fields. The results showed that different intervals have no significant effect as long as the starting and ending point of the simulation run by the SWAP model are the same. Assimilation strongly depends on the harvest time and type of the plant. Key Words: Distributed model of SWAP, Leaf area index, Model improvement, MODIS imagery, Remote sensing.