امكان سنجي كاربرد شاخص هاي گياهي ماهواره لندست 8 در زمينه برآورد تعدادي از پارامترهاي سنجش از دور مزارع نيشكر

The application feasibility of Landsat Satellite 8 Vegetation Indices In estimation a number of remote sensing parameters in Sugarcane fields

مديريت، ارزيابي اراضي و پايش پوشش گياهي در مزارع كشت و صنعتهاي نيشكري و همچنين دسترسي به هنگام به داده هاي ميداني همواره يكي از چالشهاي مديران كشاورزي ميباشد. برآورد كيفيت و كميت پوشش گياهي به روشهاي متداول علاوه بر زمان بر بودن، به علت وسعت مزارع و عدم دسترسي به نقاط دور از دسترس، اطلاعات چندان دقيقي را به دست نمي دهد. تلفيق نتايج حاصل از مشاهدات و اندازه گيري هاي مزرعه اي با داده هاي سنجش از دور مي تواند نقشه هاي به هنگام خصوصيات محصولات را ارائه نمايد. استفاده از شاخص هاي پوشش گياهي كه امروزه در سطح وسيعي از آنها استفاده مي شود، براي كمي كردن توليد خالص سالانه و تفكيك پوشش گياهي در مقياس هاي قاره اي، جهاني و ناحيه اي به كار گرفته مي شود. تحقيق حاضر با هدف يافتن روشي سريع همراه با دقتي قابل قبول براي شناسايي و طبقه بندي انواع پوشش گياهي در مزارع تحت كشت نيشكر در منطقه جنوب غربي خوزستان، تصاوير ماهواره اي و شاخص هاي مختلف گياهي را مورد استفاده قرار داده است. نتايج تحقيق حاضر نشان ميدهد از حدود دو ماه قبل از برداشت، شاخصهايي مانند NDVI و TSAVI اين قابليت را دارند كه عملكرد مزارع را به ترتيب با تخمين 59/66 و 28/67 درصد پيشبيني نمايند كه اين امر ميتواند در پيشبيني دقيق مقدار نيشكر توليد شده در هريك از مزارع و مديريت كلي برداشت نقش بسيار مفيدي داشته باشد.

Management, land evaluation and monitoring of vegetation cover in sugar beet fields and time access to field data is always one of the challenges of agricultural managers. Estimating the quality and quantity of vegetation in the conventional way, in addition to being time consuming, does not provide very accurate information due to the size of the farms and the lack of access to remote areas. Combining the results of observations and field measurements with remote sensing data can provide maps for product specification. The use of vegetation indices that are widely used today is used to quantify annual net production and vegetation breakdown on continental, global and regional levels. The purpose of this study was to find a rapid method with acceptable accuracy to identify and classify vegetation types in sugar cane fields in the southwestern region of Khuzestan, using satellite imagery and various vegetation indices. The results of this study show that, from about two months before harvesting, indicators such as NDVI and TSAVI have the potential to predict the yield of farms with estimates of 59.66 and 67.28% respectively, which can be in The exact prediction of the amount of sugar cane produced in each farm and the overall management of the harvest is very useful.