داده گواری سنجش از دور به روش جایگزینی در شبیه سازی عملکرد ذرت علوفه ای با استفاده از مدل AquaCrop

نوع مقاله : مقاله پژوهشی

نویسنده

گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران

چکیده

برآورد عملکرد محصول و پیش‌بینی آن از طریق مدل‌های رشد گیاه، برای دستیابی به برنامه‌ریزی عملیات زراعی و مدیریت عملکرد محصول، از اهمیت زیادی برخوردار است. برای تخمین پارامترهای مدل شبیه‌سازی گیاه زراعی AquaCrop و تنظیم مدل در سطح منطقه، اطلاعات موردنیاز مدل در مراحل مختلف رشد گیاه و قبل از کشت، در مزارع ذرت علوفه ای در مقیاس منطقه ای اندازه گیری و نمونه برداری شد. نمونه‌برداری میدانی خاک (قبل از کشت) و گیاه در طی فصل رشد گیاه ذرت علوفه-ای، عکسبرداری رقومی نیم کروی (DHP) و نیز اندازه‌گیری به ‌روش تخریبی به منظور مقایسه، در مزارع شهرستان قلعه‌نو واقع در جنوب تهران، در تابستان ۱۳۹۸ انجام گردید. داده گواری سنجش از دور به روش جایگزینی از طریق متغیر بیوفیزیکی کسر پوشش گیاهی (fCover) استخراج شده از سنجش از دور، در مدل شبیه سازی گیاه زراعی AquaCrop اعمال شد، سپس، پارامترهای تاثیرگذارتر مدل که از طریق تحلیل حساسیت در مرحله قبل شناسایی شده اند، تخمین زده شده و با نتایج حاصل از شبیه‌سازی‌ مدل در شرایط عدم داده‌گواری سنجش از دور مقایسه شدند. نتایج نشان داد که داده گواری سنجش از دور در مدل منجر به برآورد دقت متغیر خروجی عملکرد در آماره R2 به میزان ۰/۸۹ و ۰/۸۸ در واسنجی و صحت سنجی شده است. داده گواری سنجش از دور نسبت به بدون اعمال آن منجر به بهبود دقت در آماره RRMSE به میزان ۴/۱۲ و ۵/۱۷ درصد و در آماره RMSE به میزان ۲/۵ و ۲/۴ ton/ha، در واسنجی و صحت سنجی، به ترتیب شده است. نتایج نشان داد که داده گواری سنجش از دور به روش جایگزینی در این مدل، ابزار نسبتا مناسبی برای شبیه سازی رشد گیاه ذرت علوفه ای در شرایط محیطی متغیر است.

کلیدواژه‌ها


عنوان مقاله [English]

Remote Sensing Data Assimilation by Forcing method in Simulation of Silage maize Yield using AquaCrop Model

نویسنده [English]

  • Elahe Akbari
Department of Remote sensing and Geographic Information System, Faculty of Geography and Environmental sciences, Hakim sabzevari University, Sabzevar, Iran
چکیده [English]

Estimation and forecast of crop yield using crop growth models is imperative to plan agricultural operations and manage crop yield. To this end, the AquaCrop model parameters were estimated and the model was calibrated with measuring and sampling different requied information of model in the crop growing stages and prior to cultivation over agricultural silage maize fields at the regional scale. Field sampling of soil (prior to cultivation) and crop (during the growth season), digital hemispherical photography (DHP) and destructive method for comparison purposes were carried out for silage maize in Qhale-Nou county, South Tehran, in the summer of 2019. Remote sensing data assimilation based on forcing method, by biophysical variable of fCover extracted of remote sensing data was incorporated into the AquaCrop model. Then, the most sensitive model parameters which identified through sensitivity analysis were estimated and the obtained results were then compared with the case where assimilated data were not incorporated. As the results suggest, the output yield for the model with data assimilation was estimated with R2 values of 0.89 and 0.88 for calibration and evaluation, respectively. The superiority of RS data assimilation into the model as opposed to not its incorporating was also verified by improving the accuracy with Relative RMSE (RRMSE) values of 4.12 and 5.17 percent and RMSE of 2.5 and 2.4 ton/ha for calibration and evaluation, respectively. The overall findings allude to the advantages of incorporating remote sensing data assimilation by the forcing method as a relatively efficient tool for simulating silage maize yield under variable environmental conditions.

کلیدواژه‌ها [English]

  • AquaCrop
  • Crop growth simulation model
  • Forcing method
  • fCover
  • Remote sensing