استخراج توده زنده گندم با استفاده از داده هاي ماهواره اي و رگرسيون وزني مكاني

Extracting Wheat Biomass Using Satellite Data and Geographically Weighted Regression

با توجه به اينكه كشاورزي يكي از پايه هاي اقتصادي كشور محسوب مي شود، لذا برآورد مقدار توليد محصولات زراعي و باغي از اهميت ويژه اي برخوردار است. هدف از اين تحقيق برآورد ميزان توده زنده گندم با استفاده از تصاوير ماهواره ايSPOTمي باشد. به اين منظور از تصاوير ماهواره SPOT در دو دوره زماني رشد گياه:زمان اوج سبزينگي و رسيدن مزارع براي برآورد سطح زير كشت گندم در شهرستانهاي همدان و بهار استفاده شد. پس از پيش پردازش تصاوير، اراضي زير كشت گندم بر اساس شاخص گندم، مبتني بر باندهاي سبز و قرمز استخراج گرديد. سپس شاخص هاي گياهي تفاضلي نرمال شده(NDVI)، شاخص گياهي خط عمودي خاك (PVI)، شاخص نسبتي ساده (SR)و شاخص گياهي تعديل شده خاك(SAVI) به منظور تخمين توده زنده گندم،مورد استفاده قرار گرفتند. در تحقيق حاضرنمونه برداري در زمان اوج سبزينگي مزارع گندم با روش تصادفي سيستماتيك در پلات هايي با ابعاد 10*10 متر انجام شد، از طرف ديگر به منظور جداسازي گندم از ساير محصولات، نمونه هاي لازم از مزارع مختلف كشاورزي منطقه برداشت شد. در ابتدا به منظور تفكيك مزارع گندم از ساير محصولات منطقه ، اراضي زير كشت گندم با استفاده از نرمال كردن داده هاي باندهاي مشابه در دو زمان استخراج شدند. روشهاي رگرسيوني OLSوGWR به منظور تخمين ميزان بايومس بر اساس شاخصهاي رايج پوشش گياهي مورد ارزيابي قرار گرفتند. نتايج بهبود قابل توجه مدل GWR را بر اساس معيارهاي AICc وR2 نشان داد. محاسبات آماري مقادير AICc براي SAVIبه ترتيب 614.7 و 615.7 براي حالت ثابت و انطباقي و براي شاخص NDVI ،برابر با 615.1 و 615.6 تخمين زده شد. همچنين مقادير R^2نيز براي هر دو شاخصSAVI و NDVI در هردو حالت ثابت و انطباقي به ترتيب مقادير 0.71 و 0.70 را نشان داد. همچنين نتايج ناپايداري در روابط مدل شده با استفاده ازGWR را نيز تاييد نمود.

Agriculture is regarded as one of the most fundamental economical basis in our country, hence estimating the amount of crops is highly regarded. In this study, estimating the amount of wheat stubble and its energy have been assessed using satellite images. SPOT images were employed to estimate the wheat farms in Hamedan and Bahar area (Hamedan province) during the harvesting time and peak of greenness. The wheat farms were then extracted based on the wheat index derived from green and red bands after pre-processing. Four different vegetation indices, the Normalized Difference Vegetation Index (NDVI), the Simple Ratio (SR), the Perpendicular Vegetation Index (PVI) and the Soil Adjust Vegetation Index (SAVI) were evaluated after images pre-processing. The procedure followed by sampling. Wheat farms were extracted using similar bands.OLS and GWR were employed to estimate the biomass based on NDVI index and the results indicated an improvement of GWR over OLS based on AIC and criteria. The results of AICc for SAVI in fixed and adaptive kernel bandwidth were estimated 614.7 and 615.7 respectively and for NDVI equal to 615.1 and 615.6. The results also indicated the value for both SAVI and NDVI in fixed and adaptive kernel bandwidth equal to 0.71 and 0.70 respectively. The results also revealed the significant non-stationary state in relationships.