برآورد شاخص سطح برگ گیاه ذرت با استفاده از تصاویر ماهواره‌ای در پلتفرم گوگل ارث انجین و مقایسه آن با خروجی مدل WOFOST

نوع مقاله : علمی - پژوهشی

نویسنده

استادیار، گروه آموزش جغرافیا، دانشگاه فرهنگیان، صندوق پستی 889-14665، تهران، ایران.

چکیده

چکیده

سابقه و هدف: گیاه ذرت به‌عنوان یکی از اصلی‌ترین محصولات کشاورزی و رکن اساسی امنیت غذایی در سطح جهان به دلیل مقاومت و سازگاری بالا با شرایط اقلیمی گوناگون، در سراسر نقاط جهان کشت شده و به دلیل پتانسیل بالای تولید و کاربردهای متنوع، از دیرباز مورد توجه کشاورزان بوده است. در این میان، شاخص سطح برگ (LAI) به‌عنوان پارامتری حیاتی در ارزیابی رشد گیاه، از اهمیت ویژه‌ای برخوردار است؛ بنابراین، اندازه‌گیری دقیق و پایش مستمر LAI برای مدیریت بهینه مزارع ذرت و پیش‌بینی دقیق عملکرد محصول، امری ضروری است. شاخص سطح برگ به‌عنوان یک معیار مفید در ارزیابی پوشش گیاهی و پایش تغییرات آن مورد استفاده قرار می‌گیرد. هدف اصلی مقاله حاضر برآورد شاخص سطح برگ گیاه ذرت با استفاده از تصاویر ماهواره‌ای در پلتفرم گوگل ارث انجین و مقایسه آن با خروجی مدل WOFOST می‌باشد که از دو نظر در میان پژوهش‌های داخل کشور ایران دارای نوآوری است که یکی استفاده از مدل WOFOST و دیگری استفاده از قابلیت‌های پلتفرم گوگل ارث انجین در برآورد مقادیر LAI و مقایسه مقادیر با همدیگر می‌باشد.

مواد و روش: در این پژوهش با استفاده از تصاویر لندست 9 در بازه آماری 2023 تا 2024 در پلتفرم گوگل ارث انجین و همچنین با استفاده مدل WOFOT مقادیر شاخص سطح برگ (LAI) محصول ذرت به‌عنوان یکی از محصولات اصلی امنیت غذایی مورد بررسی و مقایسه قرار گرفت. برای این منظور شاخص‌های NDVI، SAVI و LAI محاسبه گردیدند. تاریخ‌های دوره رشد ذرت از 24 فروردین تا 24 شهریور در منطقه کلیبر در استان آذربایجان شرقی از طریق نرم‌افزار SMADA محاسبه گردید. همچنین برای صحت‌سنجی نتایج از r^2، RMSE و MSE استفاده گردید.

نتایج: ابتدا شاخص‌های NDVI، SAVI و LAI محاسبه گردیدند؛ که بر این اساس، به ترتیب، کمترین و بیشترین NDVI در تاریخ‌های 25/08/2024 و 24/04/2023 برابر با 228/0- و 691/0، کمترین و بیشترین SAVI در تاریخ‌های 25/08/2024 و 22/07/2023 برابر با 342/0- و 937/0 و کمترین میزان شاخص LAI برابر با صفر و بیشترین میزان مربوط به تاریخ 22/07/2023 برابر با 968/5، می‌باشد. نتایج نشان داد که مقادیر RMSE و MSE مربوط به شاخص LAI بر پایه مدل WOFOT زیر 5/0 بوده و به ترتیب برابر 376/0 و 334/0 می‌باشد. همچنین ضریب تبیین (r^2) بین مدل WOFOT و تصاویر ماهواره‌ای به ترتیب برابر با 857/0 بوده و بیشترین میزان LAI از روز 185 رشد محصول شروع و تا روز 225 ادامه می‌یابد. بیشترین میزان ضریب تبیین (r^2) بین LAI و NDVI مربوط به سال 10/09/2024 برابر با 961/0 و کمترین میزان آن مربوط به سال 06/06/2024 برابر با 795/0 می‌باشد. همچنین مقدار همبستگی کلی بین شاخص LAI وNDVI برابر با 937/0 می‌باشد.

نتیجه‌گیری: نتایج پژوهش حاضر به‌وضوح نشان می‌دهد که تلفیق داده‌های سنجش‌ازدور و مدل‌های شبیه‌ساز رشد گیاه مانند WOFOST می‌تواند به‌عنوان یک ابزار قدرتمند در پایش و ارزیابی، پویایی‌ پوشش گیاهی، به‌ویژه شاخص سطح برگ (LAI) مورد استفاده قرار گیرد. تحلیل‌های مکانی و زمانی شاخص‌های SAVI و NDVI نشان داد که مناطق جنوبی و جنوب غربی مطالعه شده به دلیل تراکم بالای پوشش گیاهی، بیشترین مقادیر شاخص‌های مذکور را دارا هستند، درحالی‌که مناطق شمالی و شرقی به دلیل وجود زمین‌های بایر، کمترین مقادیر را نشان می‌دهند. همبستگی مثبت و قوی بین SAVI و NDVI (با ضریب تبیین 857/0) تأیید می‌کند که این شاخص‌ها می‌توانند به‌صورت مکمل برای ارزیابی سلامت و تراکم پوشش گیاهی استفاده شوند. همچنین، تطابق بالای مقادیر LAI استخراج ‌شده از تصاویر ماهواره‌ای با پیش‌بینی‌های مدل WOFOST (با RMSE و MSE پایین به ترتیب 376/0 و 334/0) نشان‌دهنده دقت بالای این مدل در شبیه‌سازی پارامترهای رشد گیاهی است. این یافته‌ها حاکی از آن است که مدل‌های دینامیکی رشد گیاه، در صورت کالیبره شدن با داده‌های ماهواره‌ای، می‌توانند به‌عنوان یک راهکار عملی برای پایش سریع و پیش‌بینی عملکرد محصولات کشاورزی در مقیاس‌های بزرگ به کار روند.

کلیدواژه‌ها


عنوان مقاله [English]

Estimating Corn Leaf Area Index Using Satellite Imagery on Google Earth Engine Platform and Validating Against WOFOST Model Outputs

نویسنده [English]

  • Mehdi Asadi
Assistant Professor, Department of Geography Education, Farhangian University, P.O. Box 14665-889, Tehran, Iran,
چکیده [English]

ABSTRACT

Introduction: Corn, as one of the key agricultural products and a fundamental pillar of food security worldwide, is cultivated in all parts of the world due to its high resistance and adaptability to various climatic conditions, and has long been of interest to farmers due to its high production potential and diverse applications. The leaf area index (LAI) is a key parameter for assessing plant growth. Therefore, accurate measurement and continuous monitoring of LAI are essential for optimal management of corn fields and accurate crop yield prediction. The leaf area index is a key tool for assessing and monitoring vegetation cover changes. The main objective of the present article is to estimation the leaf area index of corn using satellite images in the Google Earth Engine platform and compare it with the output of the WOFOST model, which is innovative in two aspect among research in Iran: one is the use of the WOFOST model, and the other is the use of the capabilities of the Google Earth Engine platform in estimating LAI values and comparing the values with each other.

Material and Methods: This study used Landsat 9 images from the 2023–2024 statistical period within the Google Earth Engine platform. The corn growing period in the Kalibar region of East Azerbaijan province, which spanned from April 14 to September 14, was determined using SMADA software. Additionally, we employed the WOFOST model to examine and compare the leaf area index (LAI) values of corn crops, a key crop for food security. For this purpose, NDVI, SAVI, and LAI indices were calculated. Additionally, r^2, RMSE, and MSE were used to verify the results.

Results and Discussion: First, NDVI, SAVI, and LAI indices were calculated, with the lowest and highest NDVI on 2024/08/25 and 2023/04/24 being -0.228 and 0.691, and the lowest and highest SAVI on 2024/08/25 and 2023/07/22 being -0.342 and 0.937, respectively. The lowest LAI index recorded was zero, while the highest was 5.968, observed on July 22, 2023. The results showed that the RMSE and MSE values of the LAI index based on the WOFOST model were below 0.5 and were equal to 0.376 and 0.334, respectively. Also, the coefficient of determination (r^2) between the WOFOST model and satellite images is 0.857, and the highest LAI starts from day 185 of crop growth and continues until day 225. Additionally, the highest coefficient of determination (r^2) between LAI and NDVI is related to 2024/09/10 with 0.961, and the lowest is to 2024/06/06 with 0.795. The overall correlation value between the LAI index and NDVI is 0.937.

Conclusion: The findings of this study demonstrate that integrating remote sensing data with crop growth simulation models such as WOFOST can be a powerful tool for monitoring and assessing vegetation dynamics, especially the Leaf Area Index (LAI). Spatiotemporal analyses of the SAVI and NDVI indices revealed that the southern and southwestern regions of the study area exhibited the highest values of these indices due to dense vegetation cover. Conversely, barren lands caused the lowest values in the north and east. A strong positive correlation between SAVI and NDVI (with a coefficient of determination of 0.857) confirms that these indices can be used complementarily to evaluate vegetation health and density. Furthermore, the high agreement between LAI values derived from satellite imagery and WOFOST model predictions (with low RMSE and MSE values of 0.376 and 0.334, respectively) underscores the model’s accuracy in simulating plant growth parameters. These findings suggest that calibrating dynamic crop growth models with satellite data can be a practical solution for rapid monitoring and yield prediction in large-scale agricultural applications. Keywords: Leaf Area Index (LAI), NDVI, SAVI, Google Earth Engine, Landsat, WOFOST.

کلیدواژه‌ها [English]

  • Leaf Area Index (LAI)
  • NDVI
  • SAVI
  • Google Earth Engine
  • Landsat
  • WOFOST