مقایسه شاخص های گیاهی در تخمین زیست‌توده بقایای محصولات زراعی بهاره و پاییزه (در حوضه‌های آبخیز جنوب غرب استان گلستان)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 گروه اگروتکنولوژی دانشگاه فردوسی مشهد و گروه زراعت دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 دانشجو

3 هیات علمی گروه زراعت

چکیده

سابقه و هدف: زیست‌تودهزی‌توده بقایای گیاهی نقش مهمی در تأمینتامین انرژی و چرخه جهانی کربن ایفا می‌کندمی کند و نظارت و پایش برای مدیریت آن یکی از امور مهم در بخش کشاورزی است. استفاده از تکنیک‌های سنجش‌ازدورسنجش از دور، ابزاری کارآمد برای برآورد زیستتودهزی‌توده به شمار می‌رود که از این طریق باعث کاهش مطالعات میدانی و صرفه‌جوییصرفه جویی در وقت و هزینه می‌شود. امروزه می‌توان با تکیه بر فن‌آوری سنجش‌ازدورسنجش از دور و شاخص‌های پوشش گیاهی روش‌های مدیریتی را بهبود بخشید. مناسب بودن آب‌وهوایآب و هوای استان گلستان برای تولید اغلب محصولات کشاورزی باعث شده که این استان از نظر تولید محصولات زراعی و زیست‌تودهزی‌توده دارای تنوع بالایی باشد. به همین منظور، در این پژوهش تصاویر ماهواره‌ای لندست 8 و سنتینل 2 برای برآورد زیست‌تودهزی‌توده بقایای محصولات زراعی در حوضه‌های آبخیز جنوب غرب استان گلستان (قره‌سو، زرین‌گل، محمدآباد و قرن‌آباد) ) مورداستفادهمورد استفاده قرار گرفتند.
مواد و روش‌ها: این تحقیق در زمستان 1394 و بهار 1395 در 90 مزرعه گندم، 70 مزرعه جو، 65 مزرعه کلزا، 67 مزرعه برنج و 80 مزرعه سویا زیر کشت این محصولات انجام گرفت. بازدیدهای میدانی و نمونه‌برداری از مزارع در مراحل مختلف رشد گیاه انجام شد. داده‌های مربوط به زی‌توده بقایا زیست‌توده نیز از مزارع با انداختن 4 کوادرات 25/0 متر مربعی اندازه‌گیری و رطوبت آن‌ها به شکل وزنی تعیین شد. تصاویر ماهواره‌ای مورد نیاز از سایت ناسا در اوایل و اواسط فصل رشد اخذ گردید. پس از دریافت تصاویر چند زمانه از ماهواره‌های لندست 8 و سنتینل 2، شاخص‌های گیاهی (DVI، NDVI، RVI، SAVI و RDVI) بر اساس باندهای تصاویر ماهواره‌ای استخراج شد. با بررسی روابط رگرسیونی بین شاخص‌های استخراج شده از تصاویر ماهواره‌ای و زی‌توده بقایا در مزارع ثبت شده، نقشه‌ی زی‌توده بقایا‌ی مزارع تولید شد.



یافته‌ها: نتایج نشان داد که شاخص گیاهی NDVI بهترین شاخص برای تخمین زیست‌تودهزی‌توده بقایای گندم، جو، کلزا برای فروردین‌ماهفروردین ماه مطابق با اوج رشد رویشی محصول به ترتیب با ضریب تبیین 61/0، 65/0 و 65/0 و برای محصول سویا شهریورماهشهریور ماه مطابق با اوج رشد رویشی با ضریب تبیین 65/0 و شاخص RVI بهترین شاخص برای تخمین زیست‌تودهزی‌توده بقایای برنج در مردادماهمرداد ماه منطبق با اوج رشد رویشی در منطقهدرمنطقه موردمطالعهمورد مطالعهموردمطالعه استمی‌باشد. میزان کل بقایا در منطقه موردمطالعه برای محصول گندم، جو، کلزا، برنج و سویا به ترتیب معادل 751657، 175637، 14979، 42628 و 93712 تن برآورد گردید. نتایج این مطالعه می‌تواند در راستای تعیین پتانسیل برای تولید محصولات کشاورزی و میزان بقایای آن‌ها مورداستفادهمورد استفاده مدیران و تصمیم‌گیران بخش کشاورزی در استان بکار گرفته شود.
نتیجه‌گیری: نتایج تحقیق حاضر نشان داد که زیست‌تودهزی‌توده بقایای محصولات مختلف را می‌توان با استفادهاستفاد از شاخص‌‌های گیاهی مستخرج از تصاویر ماهواره‌ای در منطقه موردتحقیق مورد تحقیق با دقت قابل قبولی تخمین زد. در این تحقیق میزان همپوشانی برای تعیین سطح زیرکشتزیر کشت محصولات گندم و سویا به ترتیب 74/97 و 16/97 درصد می‌رسد. دقت این روش برای دوره‌های اوج سبزینگی بیشتر از دوره‌‌های ابتدای رشد گیاهان بود. همچنین به‌جایبه جای استفاده از یک شاخص گیاهی از چندین شاخص گیاهی استفاده شد که شاخص گیاهی NDVI و RVI بهترین شاخص برای تخمین زیست‌تودهزی‌توده بقایای محصولات مختلف بودند.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of vegetation indices in estimating the residue biomass of spring and autumn crops (Watersheds in the southwest of Golestan province)

نویسندگان [English]

  • Behnam Kamkar 1
  • Mohammad Dashtimarvili 2
  • Hosein KAZEMI 3
1 عضو هیات علمی
2 دانشگاه علوم کشاورزی و منابع طبیعی گرگان
3 دانشگاه علوم کشاورزی و منابع طبیعی گرگان
چکیده [English]

Background and Objectives:
Biomass plays an important role in providing energy and the global carbon cycle and monitoring the biomass is one of the most important issues in the agricultural sector. Using remote sensing techniques is an effective tool for estimating biomass. This reduces field studies and saves time and money. Today, management practices can be improved using remote sensing technology and vegetation indices. The suitability of the weather in Golestan Province for producing most agricultural products has made the province highly diversified in terms of crop and biomass production. For this purpose, in this study, satellite images of Landsat 8 and Sentinel 2 were used to estimate the residue biomass of crops in the watershed of the southwest of Golestan province (Mohammad Abad, Qaresoo, Zaringol, and Gharnabad).

Materials and Methods:
For this, field surveys were carried out to sample the fields at different stages of plant growth, in the winter and spring of 2016. The number of samples for wheat, barley, canola, rice, and soybean was 90, 70, 65, 67, and 80, respectively. The biomass data were also measured from field survey using four quadrates (0. 25m2) and their moisture content was determined by weighting. The Landsat 8 and Sentinel 2 images were downloaded from the USGS site in the early and middle of the growing season for mapping sattelitesatellite-based vegetation indices including, NDVI, SAVI, RVI, DVI, and RDVI. The relation between the indices and obtained biomass was evaluated using regression analysis to produce biomass maps for five crop residues.




Results:
The results showed that the NDVI index is the best indicator to estimate the wheat, barley, and rapeseed residue biomass, in April, with a determination coefficient of 0.61, 0.65, and 0.65, respectively, according to the vegetative growth peak, and for the soybean crop in September, according to the peak of vegetative growth with a determination coefficient of 0.65, and the RVI index is the best indicator for estimating rice residue biomass in August in line with peak vegetative growth in the study area.
The total amount of wheat, barley, canola, rice, and soybeans residues in the study area was estimated as 751657, 175637, 14979, 42628, and 93712 tons, respectively. The results of this study can be applied to managers and decision-makers of the agricultural sector in the province by identifying the potential for agricultural production and the amount of their residues.

Conclusion:
The results of this study showed that the residue biomass of different products can be estimated by using the vegetation indices extracted from satellite images with acceptable accuracy in the study area. In this research, the overlaying for determining the cultivation area of wheat and soybean products was 97.74% and 97.6%, respectively. The precision of this method for peak vegetation periods was higher than the early stages of plant growth. Also, instead of a vegetation index, several vegetation indices were used and the NDVI and RVI index was the best indicator for estimating the residue biomass of different products.

کلیدواژه‌ها [English]

  • Residue biomass
  • Remote Sensing
  • Vegetation Indices
  • Sentinel 2
  • Golestan
1.Agriculture-Jihad Organization. 2015. Statistic Book of Agricultural Crops in Golestan Province.
2.Elahi, F. 2006. Evaluation of the potential of wheat and canola residues in the four basin areas of Golestan province for the production of biofuels. Master's thesis. Gorgan University of Agricultural Sciences and Natural Resources. 95p.
3.FAOSTAT, 2013. Food and Agriculture Organization of the United Nations, Statistics Division.
4.Fatemi, S.B., and Sedghi, F. 2016. Comparative study of the effect of using pixel values, reflection and reflection in calculating vegetation indices from satellite images of LANDST8.Rem. Sens. J. GIS Iran. 8: 3. 91-104.(In Persian)
5.FeiziZade, B., Valizade, K., and Heidari, H. 2009. Estimated cultivar of Vineyards Maleken City with using satellite images of SPOT5. J. Geograph. Plan. 14: 27. 47-60. (In Persian)
6.Hensgen, F., Bühle, L., and Wachendorf, M. 2016 the effect of harvest, mulching and low-dose fertilization of liquid digestate on above ground biomass yield and diversity of lower mountain semi-natural grasslands. Agriculture, Ecosystems & Environment. 216: 283-292  .
7.Jordan, C.F. 1969. Derivation of leaf area index from quality of light on the forest floor. Ecology. 50: 663-666.
8.Kamali, L., Kaviani, A., Nazari, B., and Liaghat, A. 2018. Estimation of wheat yield with using Landsat 8 satellite imagery (Case study: Moghan Plain). Iran. J. Soil Water Res. 49: 5. 1031-1042. (In Persian)
9.Memarian, H., Balasundram, S.K., 2012. Validation of CA-Markov for Simulation of Land use and Cover Change in the Langat Basin, Malaysia. J. Geograph. Inf. Syst. 44: 6. 542 554.
10.Noureldin, N.A., Aboelghar, M.A., Saudy, H.S., and Ali, A.M. 2013. Rice yield forecasting models using satellite imagery in Egypt. Egypt. J. Rem. Sens. Space Sci. 16: 1. 125-131.
11.Novy, V., Longus, K., and Nidetzky, B. 2015. From wheat straw to bioethanol: integrative analysis of a separate hydrolysis and co-fermentation process with implemented enzyme production. Biotechnology for biofuels. 8: 46.
12.Prabhakara, K., Hively, W.D., and McCarty, G.W. 2015. Evaluating the relationship between biomass, percent groundcover and remote sensing indices across six winter cover crop fields in Maryland, United States. Inter. J. Appl. Earth Observ. Geoform. 39: 88-102.
13.Purevdorj, T., Tateishi, R., Ishiyama, T., and Honda, Y. 1998. Relationships between percent vegetation cover and vegetation indices. Inter. J. Rem. Sens. 19: 3519-3535.
14.Rahdari, V., Safiyanian, A.R., Khajehdin, S.J.A., and Malekinajafabadi, S. 2013. Investigation of satellite data capability in mapping canopy percentages in arid and semiarid regions (Case study: Muteh Wildlife Shelter).J. Environ. Sci. Technol. 15: 4. 43-54. (In Persian)
15.Rezaee, M., Raeenisarjaz, M., Shahnazari, A., and Vazifedoost, M. 2014. Estimation of rice yield in part of Gilan sefidrood network with using Landsat satellite imagery. Iran. J. Irrig. Drain. 8: 3. 592-601. (In Persian) 
16.Riahi, V., Ziaean Firoozabadi, P., Azizpour, F., and Darooe, P. 2019. Determination and evaluation of crop cultivation in Lenjanat area using satellite imagery. J. Appl. Geosci. Res. 19: 52. 147-169. (In Persian)
17.Richardson, A.J., and Everitt, J.H.1992. Using spectral vegetation indices to estimate rangeland productivity. Geocarto International. 7: 1. 63-69.
18.Sanchez, N., Gonzalez, R., Prado,J., Martinez-Fernandez, Z., andPerez-Gutierrez, G. 2006. Estimation vegetation parameters of cereals using an Aster 1A image. Commission VII, WGVII/1, Spain. Remote Sensing of Environment. 51: 400-410.
19.Schnitzer, M., Monreal, C.M., and Powell, E.E. 2014. Wheat straw biomass: A resource for high-value chemicals. J. Environ. Sci. Health.Part B. 49: 51-67.
20.Siyal, A.A., Dempewolf, J., and Becker-Reshef, I. 2015. Rice yield estimation using Landsat ETM+ Data. J. Appl. Rem. Sens. 9: 1.095986.
21.Veloso, A., Mermoz, S., Bouvet, A., Le Toan, T., Planells, M., Dejoux, J.F., and Ceschia, E. 2017. Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications. J. Rem. Sens. Environ. 199: 415-426.
22.Yaghoti, H., Pazira, A., and Masihabadi, M. M. 2017. Application of satellite imagery and remote sensing technology to estimate rice yield. J. Water. Soil Resour. Cons. 7: 3. 55-69.
23.Yue, K., Fornara, D.A., Yang, W., Peng, Y., Peng, C., Liu, Z., and Wu, F.2017. Influence of multiple global change drivers on terrestrial carbon storage: additive effects are common. Willey online library: Ecology letters. 20: 5. 663-672.