| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,729 |
| تعداد مقالات | 31,084 |
| تعداد مشاهده مقاله | 29,398,060 |
| تعداد دریافت فایل اصل مقاله | 16,374,437 |
پایش درصد پوشش بقایای گیاهی و شدت خاکورزی با بهره‌گیری از فناوری سنجش از دور | ||
| تحقیقات مهندسی صنایع غذایی | ||
| مقاله 7، دوره 15، شماره 3، آذر 1393، صفحه 81-96 اصل مقاله (401.96 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/jaer.2014.100215 | ||
| نویسندگان | ||
| محمدعلی رستمی* 1؛ محمدحسین رئوفت2 | ||
| 1استادیار بخش تحقیقات فنی و مهندسی کشاورزی مرکز تحقیقات کشاورزی و منابع طبیعی استان کرمان | ||
| 2استاد گروه مکانیک ماشین های کشاورزی دانشگاه شیراز | ||
| چکیده | ||
| در این مطالعه،برای تخمین دو معیار مهم ارزیابی کیفی خاکورزی حفاظتی، یکی درصد پوشش بقایای گیاهی و دیگری شدت خاکورزی، از فناوری سنجش از دور استفاده شده است. توانایی داده‌های تصویر چندطیفی سنجنده WorldView-2 با استفاده از یازده شاخص طیفی و آنالیز جداسازی طیفی خطی ارزیابی شد. بدین منظور در مزارع گندم منطقه مرودشت در استان فارس، پس از برداشت 120 پلات آزمایشی در نظر گرفته شد. در این پلات‌ها درصد پوشش بقایای گیاهی سطح خاک با روش خط مورب اندازه‌گیری و ثبت شد. داده‌های ماهواره‌ای از تصویر سنجنده WorldView-2 استخراج و همبستگی درصد پوشش بقایای گیاهی در زمین، با داده‌های تصاویر ماهواره‌ای بررسی شد. نتایج نشان می‌دهدکه درصد پوشش بقایای گیاهی در سطح خاک با شاخص‌های IPVI، RVI 1 و GNDVI همبستگی بالایی دارد (R2 = 0.84 - 0.85). درصد پوشش بقایای گیاهی در تصویر ماهواره‌ای، که با آنالیز جداسازی طیفی خطی تخمین زده شده بود، با داده‌های بهدست آمده از روش خط مورب، که در پلات‌های آزمایشی اندازه‌گیری شدند، همبستگی مناسبی دارد (R2 = 0.76). برای پیش‌بینی شدت خاکورزی در مزارع مورد مطالعه، دو شاخص طیفی IPVI و RVI1 انتخاب شدند که بالاترین همبستگی با درصد پوشش بقایای گیاهی را در سطح خاک نشان دادند. دقت طبقهبندی شدت خاکورزی بهکمک این دو شاخص در شرایط مختلف 100 –83 درصد است. | ||
| عنوان مقاله [English] | ||
| Use of Remote Sensing to Monitor Crop Residue Coverage and Tillage Intensity | ||
| چکیده [English] | ||
| Satellite imagery was used as a rapid and spatially explicit method to delineate crop residue cover and to estimate the use and intensity of conservation tillage. The potential of multispectral high-spatial resolution of WorldView-2 local data was evaluated using 11 satellite spectral indices and linear spectral unmixing analysis (LSUA). Experimental plots were examined; residue cover was measured at each location using the line transect method and recorded as ground control. The output of the indices and LSUA were individually correlated to the control and R2 was calculated. Results indicate that crop residue cover was related to IPVI, RVI1 and GNDVI spectral indices and satisfactory correlations were established (.084 - 0.85). The crop residue cover estimated using LSUA correlated with the ground residue data (0.76). The infrared percentage vegetation index (IPVI) and ratio vegetation index (RVI) had maximum R2 values and were considered appropriate for classification of tillage intensity. Classification accuracy of the IPVI and RVI indices under different conditions varied from 83% to 100%, indicating they were in good agreement with ground measurement, observations and field records. | ||
| کلیدواژه‌ها [English] | ||
| Conservation tillage, Multispectral Imagery, Satellite, Spectral Indices, Spectral Unmixing Analysis | ||
| مراجع | ||
|
Adams, J. B., Sabol, D. E., Kapos, V., Filho, R. A., Roberts, D. A. and Smith, M. O. 1995. Classification of multispectral images based on fractions of endmembers: application to land-cover change in the Brazilian Amazon. Remote Sens. Environ. 52, 137-154.
Anon. 2004. National Survey of Conservation Tillage Practices. Conservation Technology Information Center. West Lafayette. Available at http://www.ctic.purdue.edu.
Anon. 2012. Basic Satellite Imagery. Available at http://digitalglobe.com. Available at http://ianrpubs.unl.edu.
Bannari, A., Pacheco, A., Staenz, K., McNairn, H. and Omari, K. 2006. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and IKONOS data. Remote Sens. Environ. 104, 447-459.
Boardman, J. W. 1993. Automated spectral unmixing of AVIRIS data using convex geometry concepts: in Summaries. Fourth JPL Airborne Geoscience Workshop. JPL Pub. 1, 11-14. Crippen, R. E. 1990. Calculating the vegetation index faster. Remote Sens. Environ. 34, 71-73.
Darvishsefat, A. A., Pir Bavaghar, M. and Rajab-Pourrahmati, M. 2005. Remote Sensing for GIS Managers. University of Tehran Press. (in Farsi)
Daughtry, C. S. T., Doraiswamy, P. C., Hunt, E. R., Stern, A. J., McMurtrey, J. E. and Prueger, J. H. 2006. Remote sensing of crop residue cover and soil tillage intensity. Soil Till. Res. 91, 101-108.
Dennison, P. E. and Roberts, D. A. 2003. The effects of vegetation phenology on endmember selection and species mapping in Southern California Chaparral. Remote Sens. Environ. 87, 295-309. Eck, K. J. and Brown, D. E. 2011. Estimating Corn and Soybean Residue Cover. Available at http://www.extension.purdue.edu.
Gitelson, A. A., Kaufman, Y. J. and Merzlyak, M. N. 1996. Use of a green channel in remote sensing of global vegetation from EOSMODIS. Remote Sens. Environ. 58, 289-298.
Godwin, R. J. 1990. Tillage for Crop Production in Areas of Low Rainfall. Food and Agriculture Organization of the United Nation. ISBN-10: 9251025428
Jordan, C. F. 1969. Derivation of leaf area index from quality measurements of light on the forest floor. Ecology. 50, 663-666.
Kaufman, Y. J. and Tanre, D. 1992. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE. T. Geosci. Remote Sens. 30, 261-270.
Lobb, D. A., Huffman, E. and Reicosky, C. 2007. Importance of information on tillage practices in the modeling of environmental processes and in the use of environmental indicators. J. Environ. Manage. 82, 377-387.
Pacheco, A. and McNairn, H. 2010. Evaluating multispectral remote sensing and spectral unmixing analysis for crop residue mapping. Remote Sens. Environ. 114, 2219-2228.
Pacheco, A. and McNairn, H. 2011. Mapping crop residue cover over regional agricultural landscapes in Canada. International Symposium on Remote Sensing of Environment. April 10-15. Sydney, Australia,
Roujean, J. L. and Breon, F. M. 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sens. Environ. 51(3): 375-384.
Schaub, D., French, N. H. F., Brooks, C. and Powell, R. 2007. Using ASTER data to detect crop residue and to improve crop classification. ASPRS Annual Conference. May 7-11. Tampa. Florida. Serbin, G., Daughtry, C. S. T., Hunt, E. R., Brown, D. J. and McCarty, G. W. 2009. Effect of soil spectral properties on remote sensing of crop residue cover. Soil Sci. Soc. Am. J. 73, 1545-1558.
Shelton, D. P. and Jasa, P. J. 2012. Estimating of Percent Residue Cover Using the Line Transect method. Institute of Agriculture and Natural Resources. University of Nebraska Lincoln Extension.
Singer, R. B. and McCord, T. B. 1979. Mars: Large scale mixing of bright and dark materials and implications for analysis of spectral reflectance. Lunar Planet Sci. 10, 1825–1848.
Sullivan, D. G., Fulmer, J. L., Strickland, T. C., Masters, M. and Yao, H. 2007. Field scale evaluation of crop residue cover distribution using airborne and satellite remote sensing. Proceedings of the Georgia Water Resources Conference. March 27-29. University of Georgia.
Thoma, D., Gupta, S. C. and Bauer, M. E. 2004. Evaluation of optical remote sensing models for crop residue cover assessment. J. Soil Water Conserv. Soc. 59(5): 224-233.
Yang, C., Everitt, J. H. and Bradford, J. M. 2006. Comparison of QuickBird satellite imagery and airborne imagery for mapping grain sorghum yield patterns. Precision Agric. 7, 33-44.
Yang, Z., Willis, P. and Mueller, R. 2008. Impact of band ratio enhanced a WIFS image to crop classification accuracy. Proceeding of the PECORA 17: The Future of Land Imaging Going Operational. Nov. 18-20. Denver, Colorado,
| ||
|
آمار تعداد مشاهده مقاله: 950 تعداد دریافت فایل اصل مقاله: 494 |
||