اخبار و اعلانات

 آمار

تعداد نشریات283
تعداد نشریات سازمان81
تعداد شماره‌ها2,766
تعداد مقالات31,497
تعداد مشاهده مقاله39,698,865
تعداد دریافت فایل اصل مقاله17,253,991
مومن پور, سیدعرفان, مقبل, معصومه, بازگیر, سعید, عبدالهی کاکرودی, عطاءاله, محمدی, حسین, حسینی, سیدموسی. (1401). مدل سازی آماری-جغرافیایی برآورد عملکرد نخود دیم در مناطق کشت عمده آن در استان کرمانشاه. سامانه مدیریت نشریات علمی, 11(2), 191-214. doi: 10.22092/idaj.2023.359139.377
سیدعرفان مومن پور; معصومه مقبل; سعید بازگیر; عطاءاله عبدالهی کاکرودی; حسین محمدی; سیدموسی حسینی. "مدل سازی آماری-جغرافیایی برآورد عملکرد نخود دیم در مناطق کشت عمده آن در استان کرمانشاه". سامانه مدیریت نشریات علمی, 11, 2, 1401, 191-214. doi: 10.22092/idaj.2023.359139.377
مومن پور, سیدعرفان, مقبل, معصومه, بازگیر, سعید, عبدالهی کاکرودی, عطاءاله, محمدی, حسین, حسینی, سیدموسی. (1401). 'مدل سازی آماری-جغرافیایی برآورد عملکرد نخود دیم در مناطق کشت عمده آن در استان کرمانشاه', سامانه مدیریت نشریات علمی, 11(2), pp. 191-214. doi: 10.22092/idaj.2023.359139.377
مومن پور, سیدعرفان, مقبل, معصومه, بازگیر, سعید, عبدالهی کاکرودی, عطاءاله, محمدی, حسین, حسینی, سیدموسی. مدل سازی آماری-جغرافیایی برآورد عملکرد نخود دیم در مناطق کشت عمده آن در استان کرمانشاه. سامانه مدیریت نشریات علمی, 1401; 11(2): 191-214. doi: 10.22092/idaj.2023.359139.377

مدل سازی آماری-جغرافیایی برآورد عملکرد نخود دیم در مناطق کشت عمده آن در استان کرمانشاه

زراعت دیم ایران
دوره 11، شماره 2، اسفند 1401، صفحه 191-214    اصل مقاله (1.07 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/idaj.2023.359139.377
نویسندگان
سیدعرفان مومن پور1؛ معصومه مقبل2؛ سعید بازگیر* 2؛ عطاءاله عبدالهی کاکرودی2؛ حسین محمدی2؛ سیدموسی حسینی2
1دانشجوی دکتری، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
چکیده
احصای تفاوت‌های مکانی و زمانی و شناسایی موثرترین شاخص تاثیرگذار بر عملکرد نخود دیم در مناطق عمده کشت آن در استان کرمانشاه، از ویژگی‌های مهم این تحقیق است. برای رسیدن به این هدف ابتدا با استفاده از اطلاعات موجود، نقشه مناطق کشت عمده نخود دیم در استان کرمانشاه ترسیم شد. در مرحله بعد، با داشتن لایه نقشه رقومی مزارع نخود، مزارع این محصول بر روی تصاویر دریافتی سنجنده مادیس در سال‌های زراعی 1379-1378 تا 1400-1399 استخراج گردید. در گام بعدی 9 شاخص طیفی گیاهی در مرحله گل‌دهی این گیاه برای چهار منطقه اقلیمی کشت عمده آن، در بازه زمانی 22 سال محاسبه گردید.  این 9 شاخص طیفی همراه با متغیر مجموع بارش دوره، به‌عنوان متغیر مستقل و داده‌های عملکرد به‌عنوان متغیر وابسته، وارد مدل رگرسیونی گام به گام گردید. نتایج نشان دادکه در دوره گل‌دهی نخود، موثرترین شاخص‌ها بر تغییرپذیری عملکرد آن در شهرستان کرمانشاه، دو شاخص NDVI و بارش و در شهرستان‌های اسلام‌آباد غرب، دالاهو و سنقر نیز به‌ترتیب، شاخص‌های NDVI، PVI و SAVI  می‌باشند. نتایج اعتبارسنجی نیز نشان داد که میزان صحت مدل آماری شهرکرمانشاه درمقایسه با سایر شهرستان‌ها بیشتر بود. ضریب همبستگی مدل آماری تخمین عملکرد نخود در این شهرستان 0/69 با خطای معیار 84 کیلوگرم در هکتار بود. همچنین مقادیر انحراف نسبی مدل آماری این شهرستان نسبت به سایر مدل ها کمتر بود.
کلیدواژه‌ها
کشت دیم؛ عملکرد نخود؛ مدل آماری؛ کرمانشاه
عنوان مقاله [English]
Statistical-geographical modeling for estimating the yield of rainfed chickpeas in its major cultivation areas in Kermanshah province
نویسندگان [English]
Seyed Erfan Momenpour1؛ Masoumeh Moghbel2؛ Saeed Bazgeer2؛ Ataullah Abdullahi Kakroudi2؛ Hossein Mohammadi2؛ Seyed Musa Hosseini2
1PhD student in Climatology,Faculty of Geography, University of Tehran
2Faculty of Geography, University of Tehran, Tehran, Iran
چکیده [English]
Identification of the most effective indicators as well as the effect of spatial and temporal differences on the yield of rainfed chickpeas in major cultivation areas of Kermanshah province were the main objectives of this research. A map of major rainfed chickpea cultivation areas in the province was drawn by crop statistics. Then, the farms of this crop were extracted using the digital map layer of chickpea fields on the received images of Modis sensor from 2000 to 2021. In the next step, 9 plant spectral indices for chickpeas over the four climatic regions of Kermanshah in the flowering growth stage were calculated during a period of 22 years. These 9 spectral indices, together with the variable of total precipitation as independent variables and yield data as a dependent variable entered into the stepwise regression model. The results showed that NDVI and precipitation indices are the most effective indices of yield variability during flowering stage of chickpea in Kermanshah. Furthermore, NDVI, PVI and SAVI indices in the cities of Islamabade Gharb, Dalahou and Songhar are the most effective indices during the studied period, respectively. The results of validation revealed that the statistical model of Kermanshah city was more accurate than other cities. The correlation coefficient of the statistical model for estimating chickpea yield in this city was 0.69 with a standard error of 84 kg/ha-1. In addition, the relative deviation values of the statistical model of this city were less than other models.
کلیدواژه‌ها [English]
Rainfed farming, Chickpea yield, Statistical Model, Kermanshah
اصل مقاله

مقدمه

کشور ایران در منطقه خشک و نیمه‌خشکی از جهان واقع شده است و تنش خشکی و بحران کم‌آبی تهدیدی جدی برای محصولات کشاورزی و امنیت غذایی بخصوص در میان اقشار کم درآمد، می‌باشد (محمدجانی و یزدانیان، 1393). در چنین شرایط بحرانی از نظر کمبود آب و تغییرات اقلیمی، کاشت و مصرف سرانه محصولات عمده غذایی در ایران مانند برنج که نیاز آبی زیادی هم دارد‌ بالا است به‌طوری که مصرف بیش از حد آن‌ها سلامتی مردم ایران را با خطر جدی مواجه کرده‌ است و شاهد این ادعا، آمار مرگ و میر بیماری‌های غیرواگیردار وابسته به تغذیه غلط است (عبدی و همکاران، 1394). براساس منابع موجود، کشور ایران خاستگاه اصلی برنج نیست و فقط سه استان گلستان، مازندران و گیلان که از لحاظ اقلیمی، آب و هوای آن‌ها مشابه مناطق خاستگاه اصلی برنج است از شرایط نسبتاً مناسب‌تری برخودار هستند و در این مناطق برنج با فشار کمتری بر طبیعت و نیاز آبی کمتری از منابع آبی زیرزمینی تولید می‌شود (جهانگیری و همکاران، 1395)، درحالی که با استناد به منابع مهم گیاه شناسی  و باستان شناسی، نخود حداقل 9500 سال قبل در منطقه هلال خیز از ترکیه تا ایران کشت می‌شده است و سپس به سایر مناطق دنیا گسترش یافته ‌است (Yadav et al, 2006). بنابراین، نخود با شرایط مناطق کشورهای خاورمیانه سازگار است (Duke, 1981). طبق تجربیات کشاورزان پیشرو در استان کرمانشاه، نخود محصولی است که یک باران برای آن کم است و دو باران برای آن زیاد است. این عبارت بیانگر این واقعیت است که حتی در خشکسالی‌هایی که بارندگی برای تولید اقتصادی گندم کم است، این میزان بارندگی برای نخود کافی است (حق‌پرست، 1397). نخود گیاهی است که با 50 تا 60 میلی‌متر بارش بهاره حدود 500 تا 600 کیلوگرم در هکتار عملکرد می‌دهد و از گیاهانی است که در تناوب با غلات در شرایط دیم کاشت می‌شود و به دو سیستم کشت پاییزه و بهاره در تناوب با گندم قرار می‌گیرد (یوسفی و همکاران، 1395). از مزایای افزون نخود در سیستم تناوب کشت غلات می‌توان به افزایش حاصل‌خیزی خاک در اثر تثبیت ازت هوا، کاهش علف‌های هرز و آفات و بیماری‌ها در سال بعد برای مزرعه غلات اشاره کرد (ملا مصطفی، 1381). در سال‌های زراعی 1400-1399 و 1401-1400 که سال‌های کم باران و پرتنشی در بیشتر مناطق دیم سردسیر و معتدل سرد در ایران بودند، مزارع نخود دیم از نظر عملکرد، برتری قابل توجهی نسبت به مزراع گندم داشت.  براساس داده‌های حاصل از مشاهدات میدانی نگارنده در سال زراعی 1400-1399، در روستای همیانک شهرستان کنگاور با بارش سالیانه 280 میلی‌متر، عملکرد بعضی از مزارع نخود پاییزه حدود 1000 کیلوگرم در هکتار ولی عملکرد دانه گندم دیم 900 کیلوگرم در هکتار بود. در روستای چغاماران بخش میان‌دربند شهرستان‌ کرمانشاه در سال زراعی 1401-1400 عملکرد بعضی از مزارع نخود بهاره 950 کیلوگرم در هکتار بود در حالی که در همین سال عملکرد مزارع گندم کمتر از 750 کیلوگرم در هکتار بود. حبوباتی مانند نخود آن قدر مهم هستند که سازمان ملل متحد و سازمان خواربار و کشاورزی سال 2016 میلادی را برای مقابله با بحران کم آبی، افزایش حاصل‌خیزی خاک و ارتقای سلامت به نام سال حبوبات نام‌گذاری کرده‌ است (مرادی حیدری، 1397). در رابطه با سلامت، نخود حدود 20 درصد پروتئین (درحد گوشت) و 60 درصد کربوهیدرات و الیاف غذایی محلول و نامحلول دارد که برای کاهش کلسترول و قند خون بسیار موثّر است. همچنین این گیاه از فیبر، ویتامین B9، B6، B2، B1، آهن، فسفر، روی و ویتامین C، پتاسیم و منیزیم تشکیل شده است (مجنون حسینی، 1394).  با این وجود آمارها نشان می‌دهد که سرانه مصرف سالانه گندم در ایران بین 140 تا 167 کیلوگرم، برنج 36 تا 42 کیلوگرم، گوشت 36 کیلوگرم و نمک 5 کیلوگرم، اما محصولی مانند نخود که نیاز آبی بسیار کمتر و ارزش غذایی بالایی دارد 96/2 کیلوگرم در سال است یعنی 10 برابر کمتر از قند و دو کیلوگرم کمتر از نمک (یوسفی و همکاران، 1395). با در نظر گرفتن این نکات و قیمت نخود در بازار، می‌توان به برتری اقتصادی نخود در سال های کم باران و  ارزش این محصول پی برد.

در زمینه برآورد عملکرد محصولات زراعی تحقیقات متعددی در داخل و خارج از کشور انجام گرفته است. مخابلا و همکارن (2011)، با محاسبه شاخص گیاهی تفاضلی نرمال شده (NDVI[1]) سنجنده مادیس[2]، لوبل و همکاران (2015) در پژوهشی با به‌کارگیری یک روش نقشه برداری به نام SCYM[3]  و همچنین جانسون و همکاران (2016) با به‌کارگیری شاخص‌های گیاهیNDVI  و [4]EVI سنجنده مادیس و AVHRR[5] در قالب مدل‌های رگرسیون چند متغیره و روش‌های یادگیری ماشین شبکه عصبی بیزین و [6]MOB به تخمین عملکرد محصولات جو، کلزا وگندم بهاره پرداختند و به این نتیجه رسیدند که شاخص NDVI سنجنده مادیس، موثرترین شاخص گیاهی جهت تخمین عملکرد هر سه محصول می‌باشد. هولزمن و همکاران (2018) نیز با استفاده از شاخص خشکی دما- پوشش گیاهی (TVDI[7]) سنجنده مادیس که رطوبت سطحی خاک و تنش آبی گیاه را نشان می‌دهد عملکرد سه محصول گندم، ذرت و سویا را در مناطق اقلیمی کشاورزی پاپای آرژانتین تخمین زدند و به این نتیجه رسیدند که بستگی به نوع محصول و منطقه، این شاخص با ضریب تعیین 55/0 تا 82/0 و خطای نسبی 13 تا 34 درصد، نتایج قابل قبولی را ارائه می دهد. نتایج این تحقیق نشان داد که محاسبه شاخص TVDI در مناطق نیمه خشک می‌تواند در تخمین دقیق‌تر عملکرد محصول بسیار راهگشا باشد. از دیگر تحقیقات در این زمینه می‌توان به پژوهش‌های فرانچ و همکاران (2019)، فو و همکاران (2020)، ژائو و همکاران (2020) و رضاپور و همکاران (2021) اشاره کرد که همگی با استفاده از فراسنج‌های سنجش از دور و روش‌های یادگیری ماشین عملکرد محصولات مختلف را مورد واکاوی قرار داده‌اند و به مدل‌های آماری مناسب با خطای کم در برآورد این محصولات دست یافته‌اند. در داخل کشور نیز می‌توان به پژوهش ثنایی نژاد و همکاران (1392) اشاره نمود که به وسیله تصاویر ماهواره لندست[8]، سنجنده TM و ETM+  سیزده مزرعه ی گندم را در دو سال 1388 و 1389 در شهرستان مشهد جهت تخمین عملکرد گندم آبی مورد بررسی قرار داده‌اند. نتایج این تحقیق نشان داد که بیشترین همبستگی را با میزان عملکرد، شاخص‌های طیفی از نوع PD داشتند. محنت کش و همکاران (1395) به‌منظور تخمین عملکرد گندم دیم با استفاده از 202 نقطه نمونه برداری شده، 54 خصوصیت مختلف خاک،  متغیرهای پستی و بلندی، بارندگی و مدیریت را به‌عنوان ورودی مدل‌های شبکه عصبی و رگرسیون چندگانه به‌کار بردند و به این نتیجه رسیدند که مدل شبکه عصبی کارایی بهتری در مقایسه با رگرسیون چندگانه خطی دارد. ‌همچنین صدوقی و همکاران (1395) به کمک مدل بسیار ساده بومی و شاخص‌های گیاهی NDVI و SAVI[9] و شاخص سطح برگ [10]LAI سنجنده های مادیس و لندست 8، به برآورد عملکرد برنج  در 20 مزرعه استان گیلان پرداختند. نتایج این تحقیق نشان داد که استفاده از مدل بومی شده و شاخص‌های طیفی به برآورد این محصول با دقت مناسب کمک فراوانی می‌کند. یاقوتی و همکاران (1397) با برقراری روابط رگرسیونی بین عملکرد ارقام محلی و پرمحصول برنج در سال 1391 و شاخص‌های گیاهی NDVI، SAVI، RVI[11]  وDVI[12]  مستخرج از تصاویر ماهواره لندست 7 در شالیزارهای شهرستان شفت، به این نتیجه رسیدند که بیشترین همبستگی بین عملکرد و شاخص‌ها در مرحله گلدهی برنج دیده می‌شود و شاخص NDVI بهترین شاخص جهت برآورد عملکرد برنج در منطقه است. شبیری و همکاران (1397)، کمالی و همکاران (1397)، باقری و همکاران (1399) و قربانی و همکاران (1400) از پژوهشگران دیگری هستند که با بهره‌گیری از مدل‌های آماری به بررسی رابطه شاخص‌های طیفی گیاهی یا متغیرهای مدیریت انسانی در رابطه با تخمین عملکرد یک محصول خاص در مناطق مختلف کشور پرداختند و مدل‌های ارائه شده توسط آن‌ها دقت قابل قبولی در برآورد عملکرد این محصول داشته است.

مکان و زمان دو مفهومی هستند که هسته اصلی تمام مطالعات جغرافیایی را تشکیل می‌دهند. لزوم توجه به تفاوت‌ها و تشابهات مکانی و سری‌های زمانی با یک دید ترکیبی و کلی در روند تحقیقات جغرافیایی بسیار با اهمیت است (شکوئی، 1392). اگرچه، در تحقیقات داخلی ذکرشده، شاخص‌های طیفی مختلفی در رابطه با عملکرد مورد سنجش و ارزیابی قرار گرفته است و طبق نتیجه‌گیری‌های حاصل از این تحقیقات، مدل‌های قابل قبولی ارائه گردیده است اما بیشتر این پژوهش‌ها، مطالعه موردی شان را تنها به یک منطقه محدود کرده‌اند و یا اینکه منطقه مورد مطالعه آن‌ها بسیار کوچک است. از نظر زمانی هم، این تحقیقات در یک دوره اقلیمی بلندمدت انجام نشده است. بنابراین این پژوهش قصد دارد که ابتدا مناطق کشت عمده نخود را در استان کرمانشاه که همواره از قطب های اصلی تولید نخود در کشور بوده است شناسایی کرده و سپس برای هر منطقه جغرافیایی با اجرای مدل رگرسیونی گام به گام، مهم‌ترین شاخص تاثیرگذار بر  نوسانات عملکرد این محصول را تعیین کند. متغیرهای مستقل مورد استفاده در این مدل، شاخص‌های طیفی گیاهی و بارش هستند و عملکرد محصول نخود به‌عنوان متغیر وابسته در مدل به کار رفته ‌است.

 

مواد و روش‌ها

منطقه مورد مطالعه: استان کرمانشاه از استان‌های غربی کشور است (شکل 1) که  براساس آمارنامه محصولات زراعی سال‌های 1384-1385 تا 1398-1399 با میانگین سطح زیرکشت 130737 هکتار (شکل2) و میانگین عملکرد 477 کیلوگرم در هکتار (شکل3) در مقایسه با سایر استان‌ها و سطح کشور، همواره به عنوان قطب اصلی تولید نخود بوده و حدود 27 درصد نخود کشور تنها در این استان تولید می‌شود و دلیل اصلی انتخاب این استان به عنوان مکان جغرافیایی در این پژوهش همین مورد بوده است.

برای اجرای این پژوهش گام های متعددی طی شده است که بر حسب اولویت به مراحل زیر تقسیم بندی می‌شود:

الف) شناسایی مناطق عمده کشت نخود در استان: بدین منظور از آمارنامه‌های سطح زیرکشت و عملکرد محصولات زراعی وزارت جهاد کشاورزی از بازه زمانی 1379-1378 تا 1400-1399 استفاده شد. شکل 4 خوشه‌بندی مناطق مختلف استان کرمانشاه را از نظر سطح زیرکشت محصول نخود نشان می‌دهد. همان‌طور که از شکل مشخص است مناطق عمده کشت نخود با رنگ قرمز و خطوط مرزی برجسته‌تر نشان داده شده‌اند و این مناطق شامل شهرستان‌های کرمانشاه با میانگین سطح زیرکشت 32307 هکتار، اسلام‌آباد غرب با میانگین سطح زیرکشت 18076 هکتار، کرند غرب با میانگین سطح زیرکشت 15069 هکتار و شهرستان سنقر با میانگین سطح زیرکشت 12012 هکتار می باشد. لازم به ذکر است که شهرستان‌های نامبرده طبق روش طبقه بندی اقلیمی کشاورزی پاپاداکیس دارای اقلیم مدیترانه‌ای بری بوده و جزء مناطق نیمه‌خشک با تابستان‌های گرم و زمستان‌های خنک به‌ حساب می‌آیند. البته در این میان دو منطقه کرندغرب و سنقر نسبت به کرمانشاه و اسلام‌آباد غرب اقلیم سردتری دارند (بازگیر و همکاران، 1397).

ب) دریافت اطلاعات مربوط به کاشت و مراحل رشد گیاه نخود: با مراجعه به سازمان جهاد کشاورزی استان کرمانشاه اطلاعات این بخش  دریافت گردید. در  جدول 1 چهار  مرحله

شکل 1- نقشه موقعیت جغرافیایی استان کرمانشاه به همراه ایستگاه‌های هواشناسی

 

شکل 2- نمودار میانگین سطح زیرکشت نخود در استان کرمانشاه در مقایسه با سایر استان ها و کل کشور( 1398- 1384)

شکل 3- نمودار روند تغییرات عملکرد نخود استان کرمانشاه در مقایسه با دو قطب دیگر نخود و کل کشور( 1398- 1384)

 

مهم رشد نخود برای هریک از شهرستان‌های استان نمایش داده شده است که در این پژوهش تخمین عملکرد نخود در مرحله گل‌دهی مدنظر بوده است. بنابراین با کمک اطلاعات مربوط به درجه روز- رشد مراحل مختلف، زمان رسیدن به  مراحل مذکور، برای سال‌های زراعی 1379-1378 تا 1400-1399 استخراج گردید.

ج) شناسایی زمین‌های زراعی کشت نخود در مناطق مختلف استان کرمانشاه: برای شناسایی زمین‌های کشت نخود در سال زراعی 1400-1399 ابتدا با استفاده از دستگاه موقعیت‌یاب جهانی مدل گارمین (Garmin, 2020). به 14 منطقه مورد مطالعه رفته و موقعیت جغرافیایی 100  قطعه زمین زراعی که بیش از دو دهه در سال های زوج و فرد به تناوب در آن ها نخود و گندم کاشت می‌شد ثبت گردید. از این 100  مزرعه، 50  قطعه نخود و 50  قطعه آن گندم بودند. علت ثبت موقعیت جغرافیایی زمین‌های زراعی گندم به این دلیل بود که نخود در تناوب زراعی با گندم کاشت می‌شود و معمولاً زمینی که در یک سال معین گندم است در سال بعدی نخود در آن کاشت می‌گردد. دلیل دیگر برای انجام این کار این است که کاشت گندم در پاییز صورت می گیرد و مراحل رشد آن به مراحل رشد نخود نزدیک است. در اقدام بعدی با فراخوانی نقشه رستری کاربری اراضی سال 2021 موسسه پژوهش‌های زیست محیطی([13]ESRI) در محیط سامانه اطلاعات جغرافیایی، زمین‌های زراعی آن  برای کل استان  از نقشه رستری[14] جدا شد. این نقشه دارای دقت مکانی 10 متری است.  در مرحله بعد این نقشه را به‌صورت یک شیپ فایل[15] فشرده در محیط Google Earth Engine فراخوانی کرده وسپس تمامی تصاویر بازتاب

 

جدول 1- مراحل رشد نخود بهاره در مناطق مختلف اقلیمی استان کرمانشاه

مراحل رشد

شهرستان‌ها

درجه روز-رشد

کنگاور، سنقر و کرند غرب

کرمانشاه،  اسلام آباد غرب، جوانرود، روانسر، پاوه، صحنه، هرسین و بخش گوآور گیلان‌غرب

سرپل ذهاب ، گیلان غرب،  ثلاث باباجانی و قصر شیرین

تعداد روز

بازه زمانی کشت

تعداد روز

بازه زمانی کشت

تعداد روز

بازه زمانی کشت

 

تاریخ کاشت

 

1 فروردین

 

15  اسفند

 

20 بهمن

 

-

جوانه زنی تا سبز شدن

20

1 تا 20 فروردین

18

15 اسفند تا 4  فرودین

14

20 بهمن تا 4 اسفند

 

115

سبز شدن تا ساقه دهی

46

20 فرور تا 5 خرداد

 

44

4 فروردین تا 17 اردیبهشت

43

4 اسفند تا 17 فروردین

 

671

گلدهی

22

5 خرداد تا 27 خرداد

 

21

17 اردیبهشت تا 7 خرداد

 

20

17 فروردین تا 6 اردیبهشت

 

994

رسیدگی

20

27 خرداد تا 16 تیر

 

19

7 خرداد تا 26 خرداد

18

6 اردیبهشت تا 24 اردیبهشت

 

1140

فصل رشد

108

 

102

 

95

 

2248

برداشت

 

نیمه دوم تیر

 

اواخر خرداد

 

آخر اردیبهشت

 
  1. a. لازم به ذکر است که برای نخود پاییزه تاریخ کاشت در بازه زمانی 15 آبان تا 15 آذر بعد از اولین بارندگی موثر می باشد که برای تمامی سال‌های 1379-1378 تا 1400-1399 در نرم افزار Excell محاسبه گردید. تاریخ مراحل ساقه دهی، گل دهی و رسیدگی نخود پاییزه همانند نخود بهاره می‌باشد.

شکل 5- نمونه‌ای از میانگین بیشینه رفتار NDVI در دو قطعه زمین نخود و گندم دیم در دهستان کوزران شهرکرمانشاه ( 2021)

 

 

سطح زمین[16] مربوط به ماهواره سنتینل 2 در سال 2021 را در این محیط فرخوانی و NDVI مربوط به آن‌ها محاسبه شد.

در گام بعدی مختصات 100 قطعه زمینی که از قبل مشخص شده بود را روی نقشه NDVI ثبت کرده و از این طریق، رفتار NDVI زمین‌های حاوی نخود و گندم، با اجرای یک کد دستوری در قالب نمودار همانند شکل 5 به دست آمد و در نهایت با استفاده از روش طبقه بندی ماشین بردار پشتیبان[17] که خطای کمتری داشت با دادن نقاط آموزشی ( مختصات زمین ها) نقشه زمین‌های زراعی نخود و گندم به‌دست آمد و سپس در محیط سامانه اطلاعات جغرافیایی، لایه زمین‌هایی که نخود بودند برای سال 2021 جدا شد که نقشه آن در شکل 6 مشاهده می شود. برای سال 2020  نیز با کمک رفتار طیفی NDVI شناسایی شده نخود و گندم و با استفاده از اطّلاعاتی که از مراحل رشد نخود از سازمان جهاد کشاورزی در مرحله الف به‌دست آمده بود مطابق همین روند نقشه پلیگونی زمین‌های زراعی نخود به دست آمد. اما برای سال‌های 2000 تا 2019 بسته به زوج یا فرد بودن آن‌ها از همان لایه‌های پلیگونی زمین‌های نخود سال 2021 و 2020، برای شناسایی مناطق نخود استفاده شد زیرا بیشتر این زمین‌های نخود برای سال‌های پیاپی ثابت هستند و نخود در آن‌ها کاشت می‌شود. لازم به ذکر است که سال‌های میلادی 2021-2000 معادل با سال‌های زراعی  1379-1378 تا 1400-1399 هستند.

د) دریافت تصاویر پوشش گیاهی و دمای سطح زمین سنجنده مادیس: در این مرحله برای بازه زمانی گل‌دهی نخود که تاریخ آن قبلا در جدول 1 ذکر شد، تصاویر پوشش گیاهی سنجنده مادیس نوع پروداکت: (MOD13Q1Version 6) و تصاویر دمای سطح زمین آن (MYD11A2 Version 6) ، از وبگاه سازمان زمین شناسی آمریکا  (USGS.gov) مطابق با جدول 2 دریافت گردید. با ذکر این نکته که تمامی این تصاویر، تصحیحات رادیومتریک و اتمسفری بر روی آن‌ها صورت گرفته و تصاویر بازتاب سطح زمین[18] هستند.

ه) محاسبه نمایه‌های گیاهی همراه با شاخص خشکی سطح خاک (TVDI)

بر روی تصاویر پروداکتی اخذ شده مرحله قبل (MOD13Q1Version 6)،  فقط دو شاخص NDVI  و EVI   محاسبه شده است و محدوده اعتبار[19] آن‌ها 2000- تا 10000 است که باید کل اعداد تصویر در ضریب فاکتور[20] : 0001/0 ضرب شود تا در محدوده 1+ تا 1-  قرار بگیرند. سایر شاخص‌ها از جمله: شاخص‌های DVI،[21]GEMI، ARVI[22]، SAVI، [23]MSAVI، [24]PVI،  LAIبرروی



تصاویر محاسبه نشده و توسط خود نویسندگان برای هریک از سال‌های زراعی 1379-1378 تا 1400 در هریک از چهار شهرستان کرمانشاه، سنقر، اسلام آباد و کرند غرب محاسبه شد.

این شاخص‌ها با استفاده از معادلات آن‌ها و محاسبات ریاضی بین باندهای قرمز، مادون قرمز و آبی تصاویر مادیس (MOD13Q1Version 6.1) به‌عنوان متغیرهای پیشگو (مستقل) محاسبه گردید. شاخص TVDI نیز با استفاده از معادله آن و به‌کارگیری تصاویر دمای سطح زمین (MYD11A2 Version 6) و تصاویر NDVI  تهیه شده برای سال‌های مذکور در این مناطق محاسبه گردید (جدول 3).

 

 

شکل 6- نقشه زمین های نخود دیم استان کرمانشاه در سال 2021

 

جدول 2-  اطلاعات مربوط به تصاویر دانلود شده  سنجنده مادیس در سال‌های (2021-2000)

نام و نوع تصویر مادیس

تعداد

تاریخ تصویر دریافت شده از منطقه در مرحله گل دهی

MOD13Q1Version 6

MYD11A2 Version 6

22 تصویر در 22 سال

برای مناطق کرمانشاه و اسلام آباد غرب (4 یا 5 خرداد  هر سال)

برای مناطق سنقر وکرند غرب که اقلیم سردتری دارند (20 یا 21 خرداد هر سال)

 

 

 

جدول 3- روابط نمایه‌های مورد استفاده در این تحقیق

نام شاخص

اختصار

رابطه

منبع

شاخص گیاهی تفاضلی

DVI

NIR - RED

Jensen, 2005

شاخص گیاهی  تفاضلی نرمال شده

NDVI

 

Rouse et al, 1974

شاخص گیاهی بهبود یافته

EVI

G×

Huete et al,1997

شاخص نظارت زیست‌ محیطی جهانی

GEMI

η×(1- 0.25η) -

Pinty and Verstraete,1992

شاخص گیاهی مقاوم در برابر عوامل  جوّی

ARVI

 

Kaufman and Tanre, 1992

شاخص گیاهی تعدیل شده اثر خاک

SAVI

 

Hute, 1988

شاخص گیاهی تعدیل شده اثر خاک بهبود یافته چندطیفی

MSAVI

S×

Qi et al, 1994

شاخص گیاهی عمود شده

PVI

Sin(a)×NIR – Cos(a)×RED

Richardson and Wiegand, 1977

شاخص سطح برگ (روش تجربی)

LAI

3.618×EVI-0.118

Boegh, 2002

شاخص خشکی دما-پوشش گیاهی

TVDI

 

Sandholt et al,2002
  1. a. در معادلات بالا، منظور از NIR باند مادون قرمز، RED باند قرمز و BLUE باند آبی می باشد.
  2. b. در محاسبه شاخص EVI استخراج شده از تصاویر مادیس، مقدار G برابر با 5/2 و مقادیر C1 و C2 به ترتیب برابر با 6 و 5/7 می باشد.
  3. c. مقدار η در معادله شاخص GEMI از طریق رابطه مقابل به‌دست می آید: η= 2×(NIR2 – RED2 + 1.5×NIR2 +0.5×RED) / (NIR+RED+0.5)
  4. d. در معادله SAVI، L فاکتور تصحیح کننده خاک است و مقدار آن می تواند از صفر تا 1 باشد ( تراکم کم گیاهی: 1، تراکم متوسط: 5/0 و تراکم بالا: 0)
  5. e. در معادله MSAVI: a  عرض از مبدا خط خاک          S شیب خط خاک        X فاکتو تعدیل کننده نویز خاک که مقدار آن در مقالات علمی برابر با: 08/0 است.
  6. f. در معادله TVDI: Ts: دمای سطح زمین (کلوین)        : کمینه دمای سطح زمین (کلوین)           همان   یا بیشینه دمای سطح زمین(کلوین) می‌باشد که a  و b  به‌ترتیب عرض از مبدا و شیب رابطه خطّی بین بیشینه دما و پوشش گیاهی (NDVI) هستند.

 

 

و) دریافت داده های اقلیمی (متغیر پیشگو)

در این بخش از داده های مربوط به بارش (Baresh) ایستگاه‌های هواشناسی چهار شهرستان کرمانشاه، اسلام آباد غرب، دالاهو و سنقر در مقیاس زمانی روزانه برای  دوره کاشت تا گل دهی محصول در هریک از سال‌های زراعی 1379-1378 تا 1400-1399 معادل با سال‌های (2021-2000) استفاده شد.

ز) داده‌های عملکرد گیاه نخود (متغیّر وابسته): داده‎های مذکور از وزارت جهادکشاورزی بخش آمار و فناوری اطّلاعات در بازه زمانی سال‌های 1379-1378 تا 1400-1399 برای هر یک از چهار شهرستان کرمانشاه، اسلام آباد غرب، دالاهو و سنقر اخذ گردید ( وزرات جهادکشاورزی، 1400).

ح) مدل‌ مورد استفاده: متغیرهای مورد استفاده در این تحقیق که شامل شاخص‌های طیفی گیاهی و متغیّر بارش می‌شد با همدیگر همبستگی بالایی دارند. زمانی‌که همبستگی بین متغیرها شدید باشد و این متغیرها به مدل خطی آماری وارد شوند، مدل ایجاد شده دارای اعتبار نخواهد بود و ضرایب متغیرها نیز خیلی بزرگ یا کوچک خواهند بود و مشکلاتی مانند بیش‌برازش و کم‌برازش در تخمین عملکرد سال‌هایی که برای اعتبارسنجی کنار گذاشته‌شده‌اند رخ خواهد داد. یکی از راه‌حل‌ها برای رفع این مشکل استفاده از مدل رگرسیونی گام ‌به‌گام است )افتخاری و همکاران، 1397). در روش گام ‌به‌گام با ورود هر متغیر پیشگوی جدید به مدل با روش پیشرو، تمامی متغیرهای موجود در مدل با به‌کارگیری آماره آزمون آن برای حذف از مدل، مورد بررسی قرار می‌گیرند. روش گام‌به‌گام تا زمانی ادامه می‌یابد که ورود و یا حذف هیچ یک از متغیرهای خارج از مدل و داخل مدل بر اساس آزمون فیشر معنی‌دار نباشد (فرج‌زاده، 1394).

ط) اعتبارسنجی مدل و نحوه انتخاب مدل نهایی: بدین‌منظور از روش اعتبارسنجی Hod Out استفاده شد به این صورت که برای هر شهرستان  19 نمونه از داده‌ها به‌عنوان متغیرهای مستقل و وابسته جهت آموزش و سه نمونه باقیمانده جهت اعتبارسنجی مدل به‌کار برده شد. سه سال اعتبارسنجی طوری انتخاب شدند که یک سال آن مقدار عملکرد بالاتر از میانگین، یک سال آن نزدیک به میانگین و سال دیگر پایین‌تر از میانگین باشد (صادقی و همکاران، 1398). در نهایت برای هریک از شهرستان‌ها مدلی انتخاب گردید که نسبت به سایر مدل‌ها در مرحله آموزش، دارای بیشترین ضریب تعیین تعدیل شده[25] و کمترین خطای جذر میانگین مربعات[26] و در مرحله اعتبارسنجی نیز دارای کمترین مقدار انحراف نسبی[27] باشد (بازگیر، 1394). معادله 1 نحوه محاسبه شاخص انحراف نسبی را نشان می‌دهد:

 

   1)         RD = ((Ye – Ya) / Ya) × 100      

                                  

در این رابطه، RD مقدار انحراف نسبی و Ye و Ya به ترتیب مقدار عملکرد تخمینی و عملکرد واقعی می‌باشند.

در شکل 7 طرح واره فرایند انجام تحقیق حاضر نشان داده شده است.

 

نتایج و بحث

مطابق با آنچه در بخش روش تحقیق بیان شد نه شاخص طیفی گیاهی در  دوره گل‌دهی برای  هریک از مناطق عمده کشت نخود در استان کرمانشاه در بازه زمانی 22 سال یعنی از سال زراعی 1379-1378 تا 1400-1399 محاسبه شد که به دلیل تعداد بسیار زیاد تصاویر و رعایت ایجاز، تنها دو نمونه از تصاویر مربوط به این دوره در اشکال 8 و 9 آورده شده است.

 

 

 

 

شکل 7- روند نمای مراحل انجام روش پژوهش



 

شکل 8-  نمایه گیاهی SAVI  مزارع نخود در استان کرمانشاه (سال زراعی 1382-1381)

 

شکل 9-  نمایه گیاهی TVDI   مزارع نخود در استان کرمانشاه (سال زراعی 1398-1397)

 

 

 

در شکل‌ 8 ،  وضعیت شاخص‌ SAVI مناطق عمده کشت نخود شامل شهرستان‌های اسلام‌آباد غرب، کرمانشاه، دالاهو و سنقر در سال 1382-1381 آورده شده است. با نگاه به این نقشه و رنگ بندی وضعیت این شاخص در قسمت راهنمای آن، متوجه می‌شویم که مقادیر این شاخص در مزارع شهرستان دالاهو از سایر شهرستان‌های تحت مطالعه بیشتر است. در این سال عملکرد نخود در این شهرستان 7/435 کیلوگرم در هکتار بوده و بالاترین میزان عملکرد را داشته است. کمترین میانگین شاخص SAVI  با مقدار 22/0 در شهرستان سنقر بوده و مقدار عملکرد نخود این شهرستان در این سال 380 کیلوگرم در هکتار می‌باشد. در شکل 9  نتایج شاخص TVDI  برای استان کرمانشاه و مناطق عمده کشت آن (رنگ مرزی آبی) در سال 1398-1397 ارائه شده‌است.  براساس نتایج بدست آمده از این شاخص چنین استنباط می شود که بیشتر زمین‌های نخود،  دوره‌ای به دور از تنش آبی را تجربه کرده‌اند و سال مذکور سال پربارشی بوده‌ است. در این سال زراعی،  شهرستان‌های دالاهو، اسلام‌آباد غرب، کرمانشاه و دالاهو به‌ترتیب 888، 813، 657 و 501 میلی‌متر بارش داشته‌اند. لازم به ذکر است که مقدار شاخص TVDI از 0 تا 1 می باشد که مقادیر نزدیک به صفر بیان‌گر رطوبت سطحی بیشتر و هر قدر این شاخص به 1 نزدیک شود نشان از وجود تنش گیاهی از نظر رطوبت و خشکسالی شدید است. جدول‌های 4 و 5  به‌ترتیب نتایج مدل رگرسیونی گام به گام را در تخمین عملکرد نخود برای مرحل گل‌دهی در  شهرستان‌هایی که کشت نخود در آن‌ها به‌طور عمده صورت می‌گیرد نشان می‌دهد. در جدول 4 نتایج این مدل‌ها  در مرحله آموزش و  در جدول 5 نتایج آن‌ها  برای مرحله اعتبارسنجی، محاسبه شده است. لازم به ذکر است که تمامی شاخص‌های مورد بررسی در این پژوهش، با مقدار عملکرد نخود در مناطق مورد بررسی، همبستگی خطی قابل توجهی داشتند اما طبق نتایج مدل رگرسیونی گام به گام که در جدول‌های 4 و 5 ارائه شده‌است متوجه می‌شویم که موثّرترین شاخص‌ها بر تغییرپذیری عملکرد در دوره گل‌دهی نخود، برای شهرستان کرمانشاه دو شاخص NDVI  و بارش هستند. برای شهرستان‌های اسلام‌آباد غرب، دالاهو و سنقر نیز به‌ترتیب، NDVI، PVI و SAVI  تاثیرگذارترین شاخص‌ها بر نوسانات عملکرد نخود در طی 22 سال مورد بررسی می‌باشند. براساس شکل 1،  ارتفاع شهرستان‌های دالاهو و سنقر نسبت به دو شهرستان کرمانشاه و اسلام‌آباد غرب خیلی بالاتر است.  با استناد به همین شکل و مطابقت آن با شکل 6 مشخص می‌شود که در دو شهرستان نامبرده، بخش‌ عمده‌ای از زمین‌های نخود با شیب تندی در کوهپایه‌های همین ارتفاعات واقع شده‌اند. نتایج جدول 4 نشان می‌دهد که در این مناطق شاخص‌های تعدیل کننده اثر خاک مانند PVI و SAVI  بهتر می‌توانند نوسانات عملکرد نخود را پیش‌بینی کنند.

نتایج مدل رگرسیونی گام به گام در جدول 4 نشان می‌دهد که 42 % تغییرات عملکرد نخود در

 

جدول 4- نتایج مدل رگرسیون گام به گام در مناطق کشت عمده نخود استان کرمانشاه (مرحله آموزش)

ردیف

نام شهرستان

معادله رگرسیونی

 

مرحله آموزش مدل

R

Adjusted R2

RMSE (Kg.h-1)

1

کرمانشاه

Yield = 99.1 + 426.4 (NDVI) + 0.4 (Baresh)

0.69*

0.42

84.2

2

اسلام آباد غرب

  Yield = -116.9 + 1690.2 (NDVI)               

0.87**

0.75

70.4

3

دالاهو

Yield =  679.2 +2742.2 (PVI)                

0.68**

0.43

91.8

4

سنقر

Yield = - 158.3 + 2449.5 (SAVI)           

0.77**

0.57

73.9

*  معنی‎دار در سطح 5 درصد  (p<0.05).

**  معنی‎دار در سطح 1 درصد  (p<0.01).

 

جدول 5- نتایج مدل رگرسیون گام به گام در مناطق کشت عمده نخود استان کرمانشاه (مرحله اعتبارسنجی)

ردیف

نام شهرستان

مقدار انحراف نسبی ( %)

1

کرمانشاه

سال 1385-1384

سال 1392-1391

سال 1400-1399

5/35 -

3/8 -

7/13

2

اسلام‌آباد غرب

سال 1384-1383

سال 1390-1389

سال 1397-1396

7/33 -

3/104

3/13

3

دالاهو

سال 1386-1385

سال 1390-1389

سال 1399-1398

7/18 -

3/68

3/0 -

4

سنقر

سال 1382-1381

سال 1385-1384

سال 1390-1389

05/0

8/39 -

4/83

 

 

شهرستان کرمانشاه  ناشی از دو  شاخص NDVI  و بارش در دوره گل‌دهی این گیاه  است به شرطی‌که سایر متغیرهای تاثیرگذار، ثابت باشند. مقدار خطای این مدل در مرحله آموزش 2/84 کیلوگرم در هکتار می‌باشد. نمایه‌های عامل تورم پراش (VIF[28]) و مقدار تحمل[29] این مدل رگرسیونی به ترتیب برابر با 5/1 و 7/0 و همچنین مقدار آماره داربین واتسون[30]  آن برابر با 3/1 بود (جدول 6) که براساس منابع معتبر (امینی و همکاران، 1398 و عساکره، 1390) مقدار این آماره‌ها بیانگر نبود هم خطی بین متغیرهای مستقل NDVI و بارش می‌باشد. با اجرای تابع relweights  در محیط R مشخص شد که اثر متغیر بارش  بر تغییرپذیری عملکرد نخود در مرحله گل‌دهی بیشتر از شاخص NDVI است (شکل 10).

با نگاه و تحلیل جدول 4 درمی‌یابیم که در شهرستان‌های اسلام‌آباد غرب، دالاهو و سنقر نیز به ترتیب سه شاخص NDVI، PVI و SAVI در دوره گل‌دهی نخود، علّت 75%، 43% و 57%  از نوسانات  عملکرد گیاه نخود  می‌باشند.    RMSE

 

جدول 6- نتایج  رابطه هم‌خطی بین متغیرهای مستقل بارش و NDVI  مدل رگرسیون گام به گام برای شهرستان کرمانشاه

Model

Unstandardized Coefficients

Collinearity Statistics

 

B

Std. Error

Tolerance

VIF

Durbin-Watson

Kermanshah

(Constant)

99.123

92.316

 

 

 

 

1.3

Baresh

.399

.183

.661

1.513

NDVI

426.423

324.191

.661

1.513

 

 

شکل 10-  میزان اهمیت و تاثیر دو متغیر بارش(Baresh) و NDVI  بر تغییرپذیری عملکرد نخود در دوره گل‌دهی در شهرستان کرمانشاه



مدل رگرسیونی اسلام‌آباد غرب در مرحله آموزش نسبت به مدل سایر شهرستان‌ها کمتر است  امّا نتایج جدول 5  نشان می‌دهد که در مرحله اعتبارسنجی، میزان دقت مدل رگرسیونی شهرکرمانشاه  در مقایسه با مدل سایر شهرستان‌ها بیشتر است زیرا، شاخص انحراف نسبی (RD) مدل این شهرستان که گویای اختلاف مقدار عملکرد تخمینی از عملکرد واقعی بر حسب درصد می‌باشد، در سال‌هایی که برای اعتبارسنجی آن انتخاب شده‌اند نسبت به شاخص انحراف نسبی مدل سایر شهرستان‌ها کمتر است. در مرحله اعتبارسنجی، مدل رگرسیونی مناطق اسلام‌آباد غرب ، دالاهو و سنقر برای سال زراعی 1390-1389 خوب عمل نکرده است. در این سال، اختلاف مقدار عملکرد تخمینی از عملکرد واقعی در مدل این شهرستان‌ها به ترتیب برابر با 3/104، 3/68 و 4/83 درصد است و این مقادیر بسیار زیاد هستند. علت بروز چنین مشکلی از یک سو،  به تعداد کم داده‌های آموزشی در مرحله آموزش مدل برمی‌گردد که باعث می‌شود مدل رگرسیونی با داشتن این تعداد از داده‌ها به خوبی آموزش نبیند. دلیل دیگر این امر، به مقادیر عملکرد ثبت شده محصول نخود در بعضی از سال‌های زراعی توسط سازمان جهاد کشاورزی بازمی‌گردد زیرا، در مرحله پردازش داده‌ها گاهی اوقات دیده می‌شد که علی رغم بارش کم در دوره رشد گیاه و پایین بودن مقدار تمام شاخص‌های طیفی که سلامت گیاه را نشان می‌دهند اما مقادیر میانگین عملکرد سالانه نخود زیاد ثبت شده‌است که این موضوع بیانگر این است که احتمالا داده‌ها در بعضی از سال‌ها تابع سیاست‌‌های دولت‌های در جریان کار بوده‌اند و یا اینکه خطای روشهای نمونه برداری بالا بوده است. 

نتایج این پژوهش برای مناطق کرمانشاه و اسلام‌آباد غرب با نتایج تحقیقات مخابلا و همکاران (2011)، جانسون و همکاران (2016) و رضاپور و همکاران (2021) و تحقیقات یاقوتی و همکاران (1397)، کمالی و همکاران (1397) مشابه است. در تحقیقات ایشان نیز شاخص NDVI بیشترین سهم را در تغییرات عملکرد محصولات زراعی مختلفی که بررسی کرده‌اند دارا می باشد. از طرفی دیگر یافته‌های تحقیق اخیر با نتایج پژوهش‌های ثنایی‌نژاد و همکاران (1392)، باقری و همکاران (1399) و قربانی و همکاران(1400) متفاوت است زیرا در تحقیقات آن‌ها شاخص NDVI بیشترین سهم را در تغییرپذیری عملکرد محصول نداشته است. البتّه باید توجه داشت که اقلیم و نوع محصول مورد بررسی آن‌ها با آن‌چه که در تحقیق جاری بررسی شده، متفاوت بوده و محصول زراعی مورد بررسی این محققان گندم بوده است. همچنین باید اشاره نمود که رفتار طیفی NDVI نخود که در این پژوهش در شکل 5 نشان داده شده است با نتایج کارهای پژوهشی گوما و همکاران (2020) و احمد و همکاران (2021) مشابه است.

 

نتیجه‌گیری

هدف اصلی این تحقیق، درک اهمیت تفاوت‌ها و تشابهات مکانی وتوجه به روند زمان در زمینه ایجاد مدل‌های آماری تخمین عملکرد نخود و تحلیل متغیرهای اثرگذار بر تغییرپذیری آن می‌باشد. با در نظر داشتن این نکات و تجزیه و تحلیل ورودی مدل‌ها، نتایج این تحقیق نشان داد که در شهرستان کرمانشاه متغیر بارش و در شهرستان اسلام‌آباد غرب نمایه NDVI موثرترین شاخص‌ها در تعیین تغییرپذیری نخود در دوره گل‌دهی بوده هرچند که در شهرستان کرمانشاه NDVI نیز نقش مهمی را داشت.آب و وهوای مناطق سنقر و کرند غرب علی رغم اینکه براساس روش‌های طبقه بندی اقلیمی پاپاداکیس و یونسکو، مشابه دو شهرستان کرمانشاه و اسلام‌آبادغرب نیمه خشک است اما این مناطق زمستان‎های سردتری دارند و از لحاظ توپوگرافی نیز در ارتفاعات بالاتری نسبت به این دو شهر قرار گرفته‌اند. در این مناطق به دلیل تغییرات شدید توپوگرافی  و وجود زمین‌های لخت با شیب زیاد، نمایه‌های تعدیل کننده خاک مانند PVI در کرند غرب و SAVI در سنقر مهم‌ترین عامل در نوسانات عملکرد نخود در دوره گل‌دهی بودند.

تجزیه و تحلیل نتایج مدل‌ها در مرحله اعتبارسنجی نشان داد که در بعضی از سال ها، مقدار عملکرد تخمینی توسط مدل منتخب با مقدار واقعی عملکرد تفاوت قابل ملاحظه‌ای دارد که دلیل این امراز یک سو،  به تعداد کم داده‌های آموزشی در مرحله آموزش مدل برمی‌گردد که باعث می‌شود مدل رگرسیونی با داشتن این تعداد از داده‌ها به خوبی آموزش نبیند و دلیل دیگر آن، به مقادیر عملکرد ثبت شده محصول نخود در بعضی از سال‌های زراعی توسط سازمان جهاد کشاورزی مربوط می‌شد زیرا در مرحله پردازش داده‌ها گاهی اوقات دیده می‌شد که علی رغم بارش کم در دوره رشد گیاه و پایین بودن مقدار کلیه شاخص‌های طیفی که سلامت گیاه را نشان می‌دهند، مقادیر عملکرد سالانه نخود با اعداد بالا ثبت شده‌که این موضوع  با منطق منافات دارد. شاید سیاست‌‌ دولت‌های وقت و یا خطای روش‎های نمونه برداری از دلایل این موضوع باشد. در پایان پیشنهاد می‌گردد با افزایش حجم نمونه (قطعات زراعی) به‌صورت اندازه‌گیری‌های میدانی و لحاظ نمودن متغیرهای مهمی مانند رطوبت خاک، تراکم و فاصله بوته‌ها  در کنار شاخص های اقلیمی و سنجش از دور به نتایج دقیق‎تری در خصوص تخمین عملکرد محصول دست یافت. نتایج این تحقیق می‌تواند کمک‌کننده مسئولان و مدیران اجرایی کشور در امر صادرات و واردات محصول نخود باشد به این دلیل که اگر قبل از برداشت محصول مقدار عملکرد این محصول راهبردی با دقت قابل قبول ارائه شود، می توان از مازاد یا کمبود این محصول آگاهی یافت و نسبت به صادرات و واردات به‌صورت برنامه ریزی شده، اقدام نمود. همچنین، با مشخص شدن شاخص‌های طیفی تاثیرگذار بر عملکرد نخود در دوره گل‌دهی و شناسایی زمین‌های زراعی آن با استفاده از نمودار رفتار طیفی آن‌ها، می توان نسبت به طراحی نرم‌افزارهای آندوریدی و کامپیوتری حوزه کشاورزی نخود، با هدف آمایش و برنامه ریزی این محصول اقدام نمود.

 

[1] . Normalized Difference Vegetation Index

[2] . MODIS

[3] . Satellite-based Crop Yield Mapper (SCYM)

[4] . Enhanced Vegetation Index

[5] . Advanced Very High Resolution Radiometer (AVHRR) 

[6] . Model-based Recursive Partitioning( MOB(

[7] . Temperature-Vegetation Dryness Index (TVDI)

[8] . Landsat

[9] . Soil-Adjusted Vegetation Index (SAVI)

[10] . Leaf Area Index (LAI)

[11] .  Ratio Vegetation Index (RVI)

[12] . Difference Vegetation Index (DVI)

[13] . Environmental Systems Research Institut (ESRI)

[14] . Raster Map

[15] . Shape File

[16] . Surface Refelctance

[17] . Support Vector Machine (SVM)

[18] . Surface Refelctance

[19] . Valid Range

[20] . Scale Factor

[21] . Global Environmental Monitoring Index (GEMI) 

[22] . Atmospherically Resistant Vegetation Index (ARVI)

[23] . Modified Soil-adjusted Vegetation Index (MSAVI)

[24] . Perpendicular Vegetation Index (PVI)

[25] . Adjusted R2

[26] . Root Mean Square Error

[27] . Relative Deviation

[28] . Variance Inflation Factor

[29] . Tolerance

[30] . Durbin Watson

مراجع
افتخاری مهابادی ثمانه، امینی سیدمرتضی، پارسیان احمد، زمانی حسین. 1397. تحلیل رگرسیون خطّی با R، انتشارات علمی پارسیان، 292 صفحه.

امینی سید مرتضی، روزبه مهدی، زمانی، حسین. 1398. تحلیل رگرسیون پیشرفته با R، انتشارات علمی پارسیان، 238 صفحه.

بازگیر سعید. 1394. تخمین عملکرد ذرت دانه ای به کمک شاخص های اقلیم شناسی کشاورزی در مناطق غربی و جنوب غربی ایران، نشریه تحقیقات کاربردی علوم جغرافیایی، 15 (39): 32-7.

بازگیر سعید، مومن پور سیدعرفان، محمدی حسین. 1397. مطالعه تطبیقی سه روش طبقه بندی اقلیمی جهت تعیین مناطق مطلوب کشت گندم دیم در استان کرمانشاه، نشریه هواشناسی کشاورزی، 6 (1): 61-50.

باقری میلاد، درویشی بلورانی علی، حمزه سعید، جلوخانی‌ نیارکی محمدرضا. 1399. برآورد‌ محصول و‌کاه گندم‌دیم‌ با‌ استفاده‌از‌تصاویر Landsat OLS . نشریه پژوهش های جغرافیای طبیعی، 52 (4): 604- 589.

ثنایی نژاد حسین، نصیری محلاتی مهدی، زارع حسین، صالح نیا نسرین، قائمی مرجان .1392. تخمین عملکرد گندم آبی به وسیله تصاویر ماهواره لندست در برخی از مزارع شهرستان مشهد. نشریه پژوهش های تولید گیاهی، 20 (4): 63- 45.

جهانگیری عادل، افرند کلثوم، افشار امیرحسین، حق‌پرست رضا، خان‌محمدی علی، صادق زاده اهری داود، صباغ‌نیا ناصر، محمدی مراد، مرادی ناصر، ناصری ملکی زهید، یاوری ایرج. 1395. راهنمای نخود (کاشت، داشت و برداشت). نشر آموزش کشاورزی، چاپ اول، 181 صفحه.

حق‌پرست رضا. 1397. نخود برتر از گوشت. نشر شالان، چاپ اوّل، 146 صفحه.

شبیری سیّده‌سودابه، خرسندی هادی، کامل مسعود. 1397. اثر فاصله خطوط کشت و میزان بذر بر عملکرد دانه و اجزای عملکرد دو رقم عدس در شرایط سردسیر دیم. نشریه زراعت دیم ایران، 7(2): 141-125.

شکوئی حسین. 1392. فسلفه جغرافیا. انتشارات گیتاشناسی، چاپ 16، 328 صفحه.

صادقی حدیث، عزیزی قاسم، بازگیر سعید. 1398. رابطه متغیرهای اقلیمی با عملکرد و طول دوره ی مراحل رشد ذرت و گندم آبی در حسن آباد داراب ، استان فارس. نشریه علوم جغرافیایی، 15(31): 60-74.

صدوقی لیلا، همایی مهدی، نوروزی علی اکبر، اسدی کپورچال صفورا. 1395. برآورد عملکرد برنج با استفاده از مدل VSM و تصاویر ماهواره ای در استان گیلان. نشریه تحقیقات غلات، 6 (3): 410-397.

عبدی فاطمه، عطاردی کاشانی زهرا، میرمیران پروین، استکی ترانه. 1394. بررسی و مقایسه الگوی مصرف غذایی در ایران و جهان: یک مقاله مروری، 5 (2): 167 – 159.

عساکره حسین. 1390. مبانی اقلیم‌شناسی آماری. انتشارات دانشگاه زنجان، 548 صفحه.

غفّاری عبدالعلی، قاسمی وحیدرضا، دپائو ادی. 1394. پهنه بندی اقلیمی کشاورزی ایران با استفاده از روش یونسکو. نشریه زراعت دیم ایران، 4 (1): 95- 63.

فرج‌زاده منوچهر. 1394. تکنیک‌های اقلیم‌شناسی، انتشارات سمت، 304 صفحه.

قربانی خلیل، تیموری رضا، سالاری جزی میثم. 1400. برآورد عملکرد گندم با استفاده از تصاویر ماهوارهای در استان گلستان. نشریه هواشناسی کشاورزی، 9 (1). 52-38.

کمالی لقمان، کاویانی عباس، نظری بیژن،  لیاقت عبدالمجید. 1397. تخمین عملکرد محصول گندم با استفاده از تصاویر ماهواره لندست 8 (مطالعه موردی: دشت مغان). نشریه آب و خاک ایران، 49 (5): 1042-1032.

مجنون حسینی ناصر.1387. زراعت و تولید حبوبات (حبوبات در ایران). انتشارات جهاد دانشگاهی (واحد تهران)، چاپ چهارم، 284 صفحه.

محمدجانی اسماعیل، یزدانیان نازنین. 1394. تحلیل وضعیت بحران آب در کشور و الزامات مدیریت آن. فصلنامه روند، 21( 66- 65): 144- 117.

محنت‌کش عبدالمحمد، ایوبی شمس اله، جلالیان احمد، دهقانی امیرمحمد. 1395. مقایسه مدل‌های رگرسیون خطی چندمتغیره و شبکه‌های عصبی مصنوعی برای برآورد عملکرد گندم دیم در مناطقی از زاگرس مرکزی. نشریه زراعت دیم ایران، 5 (2): 133-119.

مرادی حیدری صغری. 1397. مکان‌یابی اقلیمی کشت نخود دیم در استان لرستان. نشر قلم اعظم، چاپ اوّل، 90 صفحه.

مسعودیان سید ابوالفضل. 1391. آب و هوای ایران، نشر شریعه توس، 288 صفحه.

ملامصطفی حسین. 1381. ارزیابی ارقام نخود زراعی از لحاظ کارایی تثبیت نیتروژن تحت شرایط رطوبتی و کود نیتروژنه متفاوت. پایان‌نامه کارشناسی ارشد، رشته کشاورزی گرایش اصلاح نباتات، دانشکده کشاورزی، دانشگاه تبریز.

نصوحی غلامحسین. 1386. هواشناسی و محصولات کشاورزی. نشر نصوحی، چاپ سوم، 184 صفحه.

وزارت جهاد کشاورزی. 1400.  بخش آمار و فنّاوری اطّلاعات، آمار سطح زیرکشت و عملکرد نخود در شهرستان‌های استان کرمانشاه.

یاقوتی حدیث، پذیرا ابراهیم، امیری ابراهیم ، مسیح آبادی محمد حسن.  1397. کاربرد تصاویر ماهواره ای و فناوری سنجش از دور برای تخمین عملکرد برنج. نشریه حفاظت منابع آب و خاک، 7 (3): 68-55.

یوسفی بنفشه، بسحاق بهزاد، عبادوز غلامرضا، بهرامی سیامک، طهماسبی غلامرضا، برز‌کار مریم، کرمی روح‌اله، مجدم‌ مانی. 1395. زراعت و اصلاح حبوبات دیم، انتشارات تحقیقات، آموزش کشاورزی، چاپ اوّل، 195 صفحه.

Ahmad N, Iqbal J, Shaheen A, Ghfar A, AL-Anazy MM, Ouladsamne M. 2021. Spatio‑temporal analysis of chickpea crop in arid environment by comparing high‑resolution UAV image and LANDSAT imagery. Journal of Environmental Science and Technology: 1-16. https://doi.org/10.1007/s13762-021-03502-z.

Boegh E. 2002. Airborne multispectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture. Remote Sensing of Environment, 81: 179–193.

Duke JA, 1981. Handbook of legumes of world economic importance. Plenum Press, New York: 52-57.

Francha B, Vermoteb EF, Skakuna S, Rogera JC, Becker-Reshefa I, Murphya BE, Justice C. 2019. Remote sensing based yield monitoring: Application to winter wheat in United States and Ukraine. Journal of Appl Earth Obs Geoinformation, 76:112–127. https://doi.org/10.1016/j.jag.2018.11.012.

Fu Z, Jiang J, Gao Y, Krienke B, Wang M, Zhong K, Cao Q, Tian Y, Zhu Y, Cao W, Liu W. 2020. Wheat Growth Monitoring and Yield Estimation based on Multi-Rotor Unmanned Aerial Vehicle. Journal of Remote Sensing, 12( 3): 2-19. https://doi.org/10.3390/rs12030508.

Garmin. 2020. Garmin company: 223-224, 2nd Floor, Jasola District Centre, New Delhi-110025, India.

Gumma MK, Tummala K, Dixit S, Collivignarelli F, Holecz F, Kolli R.N, Whitbread AM. 2020. Crop type identification and spatial mapping using Sentinel-2 satellite data with focus on field-level information. Journal of Geocarto International, 1-17. https://doi.org/10.1080/10106049.2020.1805029.

Holzman ME, Carmona F, Rivas R, Niclòs R. 2018. Early assessment of crop yield from remotely sensed water stress and solar radiation data. ISPRS Journal of Photogrammetry and Remote Sensing, 145: 297- 308. https://doi.org/10.1016/j.isprsjprs.2018.03.014.

https://lpdaac.usgs.gov/products/mod13q1v006/

Huete AR, Liu, HQ, Batchily K,Van Leeuwen W. 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment,59: 440–451.

Hute AR. 1988. A soil-adjusted vegetation index(SAVI). Remote Sensing of Environment, 25(3): 295-309.

Jensen J. 2005. Introductory Digital Image Processing, 3rd Ed, Upper Saddle River,NJ: Prentice Hall,526 pages.

Johnson MD, Hsieh W, Cannon AJ, Davidson A, Bédard F. 2016. Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods. Journal of Agricultural and Forest Meteorology, 218–219: 74–84. https://doi.org/10.1016/j.agrformet.2015.11.003.

Kaufman YJ, Tanre D. 1992. Atmospherically resistant vegetation index (ARVI) for EOS-MODIs, IEEE Trans. Geoscience Remote Sensing, 30(2): 261-270.

Lobell D, Thau D, Seifert C, Engle E, Little B. 2015. A scalable satellite-based crop yield mapper. Journal of Remote Sensing of Environment, 164: 324–333. https://doi.org/10.1016/j.rse.2015.04.021.

Mkhabela MS, Bullock P, Raj S, Wang S, Yang Y. 2011. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Journal of Agricultural and Forest Meteorology, 151(3): 385–393. https://doi.org/10.1016/j.agrformet.2010.11.012.

Papadakis j. 1970. Climate of the World and Their Agricultural Potentialities. Buennos Aires. pp. 1-48.

Pinty B, Verstraete MM. 1992. Gemi: Anon –linear index to monitor Global Vegetation from Satellites,Vegetation, 101:15-20.

Qi J, Chenbouni A, Huete AR, Kerr YH. 1994. Modified Soil Adjusted Vegetation Index(MSAVI). Journal of Remote Sensing of Environment, 101: 15-20.

Rezapour Sh, Jooyandeh E, Ramezanzade M, Mostafaeipour A, Jahangiri, M,Issakhov A, Chowdhury Sh, Techato K. 2021. Forecasting Rainfed Agricultural Production in Arid and Semi-Arid Lands Using Learning Machine Methods: A Case Study. Journal of Sustainability, 13(9):2-28. https://doi.org/10.3390/su13094607.

Richarson AJ, Wiegand CL. 1977. Distinguishing vegetation from soil background information. Journal of Remote Sensing and Environment, 8: 307-312.

Rouse JW, Hass Jr, Schell JA, Deering D.W. 1974. Monitoring vegetation systems in the Great Plains with ERTS. In proceeding ERTS-1 Symposium, Third, Greenbelts, MD, 1. NASA SP-351. NASA, Washington, DC: 309-317.

Sandholt I, Rasmussen K, Andersen J. 2002. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Journal of Remote Sensing of Environment, 79: 213 – 224.

Yadav SS, Redden R, Chen W, Sharma B. 2006. Chickpea breeding and management. Cromwell Press, Trowbridge, 638 pages.

Zhao Y, Potgieter A, Zhang WB, Hammer GL. 2020. Predicting Wheat Yield at the Field Scale by Combining High-Resolution Sentinel-2 Satellite Imagery and Crop Modelling. Journal of Remote Sensing, 12(6): 2-20. https://doi.org/10.3390/rs12061024

آمار
تعداد مشاهده مقاله: 1,584
تعداد دریافت فایل اصل مقاله: 323


counter
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب