احمد موسوی؛ میلاد جانعلی پور؛ دکتر تهرانی
چکیده
اساس برنامه‌ریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و به‌هنگام است. یکی از مهم‌ترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانة هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینة پایین و دقت مناسب، می‌تواند سطح زیرکشت محصولات را محاسبه کند دانش و فنّاوری سنجش از دور است. در این تحقیق، از دو روش طبقه‌بندی ...
بیشتر
اساس برنامه‌ریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و به‌هنگام است. یکی از مهم‌ترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانة هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینة پایین و دقت مناسب، می‌تواند سطح زیرکشت محصولات را محاسبه کند دانش و فنّاوری سنجش از دور است. در این تحقیق، از دو روش طبقه‌بندی شبکة عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده و سطح زیرکشت محصولات غالب منطقه، شامل هشت کلاس، از تصاویر سری زمانی سنتینل‌ـ2 برآورد شده است. براساس نتایج بهدستآمده، صحت کلی هریک از روشهای شبکة عصبی مصنوعی و ماشین بردار پشتیبان بهترتیب برابر با 97.74 و 97.96%، با ضریب کاپای 0.97 برای برآورد سطح زیرکشت محصولات بوده است. بنابراین، نتایج این دو روش مورد قبول واقع شده است. با توجه به صحت کلی، میتوان نتیجه گرفت که دو روش طبقه‌بندی نتایج تقریباً یکسانی در منطقه دارد. علاوهبراین، طبق نتایج صحت کاربر، میتوان بیان کرد درمورد چهار محصول یونجه، برنج، پیاز و خربزه، عملکرد روش ماشین بردار پشتیبان بهتر از روش شبکة عصبی است و درمورد گندم دیم و آبی، جارو و مرتع، روش شبکة عصبی بهتر از ماشین بردار پشتیبان در منطقه عمل میکند.
سهیل رادیوم؛ حسین عقیقی؛ حمید صالحی شهرابی
چکیده
تبخیر و تعرق یکی از اجزای مهم بیلان انرژی و آب است. کارآمدترین روش محاسبه میزان تبخیر و تعرق واقعی در مقیاس وسیع، استفاده از تصاویر ماهوارهای و سنجش از دور میباشد. اجرای الگوریتمهای محاسبه تبخیر و تعرق مانند سبال نیازمند محاسبه تبخیر تعرق مرجع و در نتیجه بدست آوردن مقادیر دما و رطوبت هوا و سرعت باد است. معمولا در محاسبات مربوط ...
بیشتر
تبخیر و تعرق یکی از اجزای مهم بیلان انرژی و آب است. کارآمدترین روش محاسبه میزان تبخیر و تعرق واقعی در مقیاس وسیع، استفاده از تصاویر ماهوارهای و سنجش از دور میباشد. اجرای الگوریتمهای محاسبه تبخیر و تعرق مانند سبال نیازمند محاسبه تبخیر تعرق مرجع و در نتیجه بدست آوردن مقادیر دما و رطوبت هوا و سرعت باد است. معمولا در محاسبات مربوط به تبخیر و تعرق از اطلاعات بدست آمده از نزدیکترین ایستگاه (های) هواشناسی به منطقه موردمطالعه استفاده می‌شود که می‌تواند همراه با خطا باشد. به همین دلیل در این مطالعه، از سنسورهای اینترنت اشیا جهت اندازه گیری دقیق دمای هوا در ارتفاع 2 متری از سطح زمین و همچنین رطوبت هوا و سرعت باد در منطقه مورد مطالعه استفاده شده است. منطقه مورد مطالعه در این تحقیق، مزارع شرکت کشت و صنعت مغان در استان اردبیل است. در این تحقیق تعداد 23 نود در تعدادی از مزارع شرکت کشت و صنعت مغان نصب و راه اندازی گردید. الگوریتم بیلان انرژی سطح زمین (سبال) جهت محاسبه میزان تبخیروتعرق با تصاویر لندست 8 سال 1394 مورداستفاده قرار است.
فرزانه حدادی؛ محسن آزادبخت؛ مائده بهی فر بهی فر؛ حمیدصالحی شهرابی؛ امیر معینی راد
دوره 10، شماره 3 ، فروردین 1397، ، صفحه 53-76
چکیده
در طول چند دهه گذشته، شاخصهای پوشش‌گیاهی متعددی برای تخمین تولید محصولات کشاورزی توسعه داده شده‌اند که هر یک از آن‌ها با توجه به باندهای مورد استفاده و فرمول جبری خود، به مقادیر متفاوتی از تراکم و شاخص سطح برگ گیاهان زراعی حساسیت دارند. مطالعه بعضی از محصولات زراعی چندساله مانند یونجه، که در هر سال به دفعات برداشت می‌شود، بسیار ...
بیشتر
در طول چند دهه گذشته، شاخصهای پوشش‌گیاهی متعددی برای تخمین تولید محصولات کشاورزی توسعه داده شده‌اند که هر یک از آن‌ها با توجه به باندهای مورد استفاده و فرمول جبری خود، به مقادیر متفاوتی از تراکم و شاخص سطح برگ گیاهان زراعی حساسیت دارند. مطالعه بعضی از محصولات زراعی چندساله مانند یونجه، که در هر سال به دفعات برداشت می‌شود، بسیار پیچیده بوده و کمتر مورد توجه قرار گرفته است. لذا در این مقاله، از مهم‌ترین شاخصهای پوشش‌گیاهی توسعه داده شده در برآورد تولید یونجه، توسط تصاویر سری زمانی Sentinel-2 استفاده می‌شود. در این تحقیق، اقدام به جمع‌آوری دوره‌ای 144 نمونه، به شیوه تخریبی از مزارع زیرکشت محصول یونجه شرکت کشاورزی و دامپروری مگسال (قزوین)، به‌صورت تقریباً نزدیک به زمان گذر ماهواره، شد و سپس کارایی 10 شاخص از معروف‌ترین شاخصهای پوشش‌گیاهی، مبتنی بر تصاویر Sentinel-2 برای تخمین تولید محصول یونجه، مورد ارزیابی قرار گرفت. نتایج تحقیق حاضر، نشان داد که تولید تخمین زده‌شده یونجه، با استفاده از شاخص نسبت به سایر شاخص‌ها، دارای بالاترین همبستگی و کمترین جذر میانگین مربعات با داده‌های برداشت‌شده میدانی در اواسط مرداد ماه بوده است. بهعلاوه در نتایج این تحقیق، نشان داده شد که شاخصهای لبه قرمز، مشکل اشباع‌شدگی شاخصهای پوشش‌گیاهی در محصول یونجه را نتوانسته‌اند برطرف کنند و شاخصهای پوشش گیاهی سبز، نسبت به شاخصهای لبه قرمز جهت تخمین تولید این محصول، توانایی بیشتری را نشان داده‌اند.
حامد حیدری؛ دکتر محمدجواد ولدان‌زوج؛ یاسر مقصودی؛ محمدرضا بهشتی‌فر
دوره 8، شماره 2 ، بهمن 1395، ، صفحه 101-112
چکیده
ایران یکی از کشورهای خشک و نیمه‌خشک به‌شمار می‌رود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانی‌مدت در پهنۀ وسیعی از کشور یکی از بزرگ‌ترین مشکلات برای مشاهده و پیش‌بینی کوتاه‌مدت خشکسالی در ایران است. در این مقاله، با به‌کار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از داده‌های 42 ایستگاه سینوپتیک منتخب در ایران، ...
بیشتر
ایران یکی از کشورهای خشک و نیمه‌خشک به‌شمار می‌رود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانی‌مدت در پهنۀ وسیعی از کشور یکی از بزرگ‌ترین مشکلات برای مشاهده و پیش‌بینی کوتاه‌مدت خشکسالی در ایران است. در این مقاله، با به‌کار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از داده‌های 42 ایستگاه سینوپتیک منتخب در ایران، عملکرد شاخصهای پوشش گیاهی طیفی پهن‌باند NDVI، NDVI-DEV، VCI و TCI در پیش‌بینی خشکسالی بررسی شد. بدین منظور، از شاخص خشکسالی (SPI) برای بیان خشکسالی استفاده شد که نشاندهندۀ شدت و دورۀ خشکسالی، از سال 1985 تا 2008 است. شاخصهای پوشش گیاهی یادشده از تصاویر سنجندۀ NOAA-AVHRR محاسبه و استخراج شدند. این شاخص‌ها، به‌صورت ورودی، به مدل SVM وارد شدند و مقادیر SPI را بهدست دادند. با این روش، شاخصهای TCI و NDVI، بهترتیب، دارای بالاترین و پایینترین همبستگی با شرایط خشکسالی شناخته شدند
