عنوان پایان‌نامه
برآورد عملکرد محصول به وسیله مدل SWAP به روز شده با دادههای شاخص سطح برگ ماهواره‌ای
- رشته تحصیلی
- مهندسی کشاورزی-آبیاری وزهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5503;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61516
- تاریخ دفاع
- ۲۵ شهریور ۱۳۹۲
- دانشجو
- علیرضا بادیه نشین
- استاد راهنما
- حمیده نوری
- 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 ذرت علوفه ای و چغندرقند با استفاده از مدل توزیعی SWAPبا و بدون به روز رسانی مدل با داده های ماهواره ای 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 سه محصول اصلی کشت تابستانه (سال زراعی 90-1391) شبکه آبیاری قزوین (کشت و صنعت هزار جلفا ) انجام گردید. در مدت زمان نمونه‌برداری، تصاویر ماهواره¬ای دریافت و ضرایب مدل برآورد LAI از دادههای ماهواره¬ای ( چادهوری و همکاران ، 1994) مورد واسنجی قرار گرفت مدل چادهوری و سایر روابط موجود در مراجع با داده های مزرعه‌ای شاخص سطح برگ در منطقه مورد مطالعه صورت پذیرفت. علاوه بر مدل چادهوری، مدل های غیر خطی و توانی دیگری نیز با استفاده از شاخص‌های گیاهی NDVI، SAVI و SR مورد بررسی قرار گرفت.از بین آنها، مدل چادهوری با ضرایب 8/3، 66/3 و 018/0 به عنوان بهترین مدل برآورد کننده LAI (با RMSE 57/1 مترمربع بر مترمربع و R2 72/0) برای ترکیب سه گیاه بدست آمد. نتایج نشان داد با به‌روزرسانی مدل شبیهسازی SWAP با استفاده از LAI ماهواره‌ای می‌توان خطاهای موجود در برآورد عملکرد گیاه چغندرقند و ذرت را به میزان زیادی (حدود 14 درصد) کاهش داد و با دقت 13 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
- Abstract
- Remote sensing method is the most common and accurate methods for estimating yield in large scale. The distributed SWAP model is the one of these models which can be updated by satellite LAI. In the present study it is tried to determine the improvement of yield estimating of the SWAP model by assimilation techniques in large scale. For this objective, leaf area and plant dry mater of three plants (Fodder Maize, Grain Maize and Sugar beet) were measured during the summer growing season at Qazvin irrigation network in 2012. Satellite images, during sampling, were obtained and model of LAI estimation was implemented from them, then it was calibrated. The obtained results of reference and the default equation of estimating LAI shows that these equations cannot be used in the study area. Therefore, new equations were established using of NDVI, SAVI and SR. Among them, default equation with SAVI is in the best correlation (with RMSE 1.57 sq m and R2 0.72) with LAI and these indexes by the values of 3.8, 3.66 and 0.018 for the coefficients a, b and c, respectively. After inserting of satellite LAI into SWAP model results of yield estimation improves about 13.7 and 14.5 of PE and the values of 3321 and 1621 kg/ha of RMSE in Fodder maize and Sugar beet, respectively. As a result, data assimilation can greatly reduce errors and estimate accurate yield in large scale. The results show that different intervals have no significant effect while the first and end of the assimilation of the SWAP model are the same. Assimilation depends on harvest time and type of plant.
