دانشگاه علوم کشاورزی و منابع طبیعی گرگان

 آمار

تعداد نشریات13
تعداد شماره‌ها660
تعداد مقالات6,885
تعداد مشاهده مقاله10,044,942
تعداد دریافت فایل اصل مقاله9,331,360
علی زاده, پریسا, کامکار, بهنام, شتایی, شعبان, کاظمی, حسین. (1398). ارزیابی تغییرات عملکرد سویا با استفاده از شاخص‌های خشکسالی هواشناسی و ماهواره‌ای در غرب استان گلستان. , 12(3), 69-84. doi: 10.22069/ejcp.2019.15743.2171
پریسا علی زاده; بهنام کامکار; شعبان شتایی; حسین کاظمی. "ارزیابی تغییرات عملکرد سویا با استفاده از شاخص‌های خشکسالی هواشناسی و ماهواره‌ای در غرب استان گلستان". , 12, 3, 1398, 69-84. doi: 10.22069/ejcp.2019.15743.2171
علی زاده, پریسا, کامکار, بهنام, شتایی, شعبان, کاظمی, حسین. (1398). 'ارزیابی تغییرات عملکرد سویا با استفاده از شاخص‌های خشکسالی هواشناسی و ماهواره‌ای در غرب استان گلستان', , 12(3), pp. 69-84. doi: 10.22069/ejcp.2019.15743.2171
علی زاده, پریسا, کامکار, بهنام, شتایی, شعبان, کاظمی, حسین. ارزیابی تغییرات عملکرد سویا با استفاده از شاخص‌های خشکسالی هواشناسی و ماهواره‌ای در غرب استان گلستان. , 1398; 12(3): 69-84. doi: 10.22069/ejcp.2019.15743.2171

ارزیابی تغییرات عملکرد سویا با استفاده از شاخص‌های خشکسالی هواشناسی و ماهواره‌ای در غرب استان گلستان

مجله تولید گیاهان زراعی
مقاله 5، دوره 12، شماره 3، آذر 1398، صفحه 69-84    اصل مقاله (1.47 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22069/ejcp.2019.15743.2171
نویسندگان
پریسا علی زاده* 1؛ بهنام کامکار2؛ شعبان شتایی3؛ حسین کاظمی4
1زراعت،دانشکده تولید گیاهی،دانشگاه علوم کشاورزی و منابع طبیعی گرگان، شهر گرگان، ایران
2استاد گروه زراعت دانشگاه علوم کشاورزی و منابع طبیعی گرگان
33- استاد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان- دانشکده علوم جنگل- گروه جنگلداری،
4دانشیار، دانشگاه علوم کشاورزی و منابع طبیعی گرگان- دانشکده تولید گیاهی- گروه زراعت،
چکیده
سابقه و هدف: در اکثر مناطق کشور تعداد ایستگاه‌های هواشناسی ناکافی بوده و دوره آماری مناسبی را پوشش نمی‌دهند. روش مرسوم اندازه‌گیری عملکرد در ایران، تجربی است که علاوه بر نیاز به اندازه‌گیری‌های زیاد صحرایی برای جمع‌آوری داده‌ها، پرهزینه، سخت و گاهی غیرممکن بوده و از سویی داده‌های نهایی بسیار دیرتر از زمان مورد نیاز به‌دست مدیران خواهد رسید. داده‌های سنجش از دور می‌توانند به‌عنوان داده‌های جایگزین یا مکمل داده‌های هواشناسی در برآورد عملکرد محصولات کشاورزی و تشخیص خشکسالی و پوشش گیاهی استفاده شوند. این مطالعه با هدف برآورد عملکرد مزارع سویا و بررسی ارتباط آن با پتانسیل ریسک خشکسالی در غرب استان گلستان (شهرستان‌های آق قلا، علی‏آباد کتول، گرگان، بندر‏گز، بندر‏ترکمن وکردکوی) با استفاده از شاخص‌ هواشناسی (SPI) و شاخص‌های پوشش گیاهی مستخرج از تصاویر ماهواره لندست (NDVI، VCI و DSI) انجام شد.
مواد و روش‌ها: در این تحقیق از تصاویر ماهواره های لندست از سال 2000 تا 2016 استفاده شد و بعد از پیش پردازش ها و پردازش های مناسب، شاخص‌های گیاهی NDVI، DSI، VCI تهیه گردید. همچنین شاخص خشکسالی هواشناسی SPI با استفاده از اطلاعات 15 ایستگاه هواشناسی محدوده مورد مطالعه محاسبه شد. به‌منظور محاسبه رابطه بین عملکرد سویا در شش شهرستان مورد مطالعه با شاخص‌های NDVI، DSI، VCI و SPI مقدار میانگین رسترهای این شاخص‌ها برای سال‌های 2000 تا 2016 تهیه شد. سپس بین عملکرد هر شهرستان با شاخص‌های هواشناسی (SPI) و ماهواره‌ای (NDVI، DSI، VCI) رگرسیون ساده خطی برقرار شد. از میان شاخص‌ها، شاخصی که دارای رابطه معنی‌دار با عملکرد و بالاترین ضریب تببین را داشت، به‌عنوان شاخص منتخب تعیین و با استفاده از آن نقشه عملکرد سویا (با مقیاس 1:1.000.000) برای محدوده مورد مطالعه تهیه شد. در ادامه با استفاده از نقشه‌های فراوانی خشکسالی حاصل از شاخص‌های SPI، DSI و VCI نقشه ریسک خشکسالی کشاورزی تولید شد. سپس با انطباق نقشه‌های بولینی عملکرد و نقشه ریسک خشکسالی منطقه به بررسی رفتار عملکرد در طبقه‌های ریسک خشکسالی در شش شهرستان پرداخته شد.
یافته‌ها: اعتبار معادلات در تخمین عملکرد سویا نشان می‌دهد که مقدار ضریب تبیین برای پیش‌بینی عملکرد در سال‌های مختلف بین 13/0 تا 52/0 بود. همچنین قرارگیری اکثر اعداد پیش‌بینی شده در بین خطوط 15± درصد نسبت به خط یک به یک، دلیلی بر دقت قابل قبول این معادلات در پیش‌بینی جهت تولید نقشه‌های عملکرد می‌باشد. بنابراین، می‌توان نتیجه‌گرفت با استفاده از شاخص‌های خشکسالی هواشناسی و ماهواره‌ای در مرحله اوج سبزینگی سویا، عملکرد در سطح وسیع با دقت مناسب قابل پیش-بینی است. نتایج نشان داد که بین 43 تا 50 درصد اراضی در محدوده عملکردهای بیشتر از میانگین عملکرد شش شهرستان مورد مطالعه قرار داشتند و مابقی اراضی عملکردهای کمتر از میانگین داشتند. براساس نتایج در شهرستان‌های آق قلا، علی‏آباد، گرگان، بندر‏گز، بندر‏ترکمن وکردکوی هیچ قسمتی از اراضی تحت کشت سویا در پهنه‌های با ریسک خشکسالی خیلی شدید قرار نگرفتند. انطباق نقشه عملکرد با نقشه ریسک خشکسالی نشان ‌داد که همسو بودن این نقشه‌ها بیانگر این است که در پهنه‌های با ریسک خشکسالی بالا احتمال کاهش عملکرد در رویارویی با خشکسالی در آن‌ها بیشتر می‌باشد.
نتیجه‌گیری: بطورکلی نتایج نشان داد که شهرستان‌های بندر ترکمن، گرگان و قسمت مرکزی و جنوبی شهرستان علی آباد کتول با ریسک خشکسالی کمتری مواجه هستند. همچنین نقشه انطباق عملکرد و ریسک می‌تواند به عنوان یک نقشه پیش‌آگاهی جهت ارایه راهبردهایی با هدف مدیریت ریسک خشکسالی و مقابله با اثرات خشکسالی بر عملکرد مورد استفاده قرار گیرد.
کلیدواژه‌ها
خشکسالی کشاورزی؛ ریسک خشکسالی؛ سنجش از دور؛ عملکرد
مراجع
  1. Aboelghar, M., Arafat, S., Yousef, M.A., El-Shirbeny, M., Naeem, S., Massoud, A., and Saleh, N. 2011. Using SPOT data and leaf area index for rice yield estimation in Egyptian Nile delta. Egypt. J. Remote Sens. Sp. Sci. 14: 81-89.
  2. Alizadeh, P. 2018. Monitoring possibility of agricultural drought and related effects on the wheat and soybean cultivation area using meteo-based and spectralsatellite-based indices (a case study: Golestan province). Thesis submitted for the degree of PhD in Agronomy, Gorgan University of Agricultural Sciences and Natural Resources, Iran.
  3. Behrens, T., Müller, J., and Diepenbrock, W. 2006. Utilization of canopy reflectance to predict properties of oilseed rape (Brassica napus L.) and barley (Hordeum vulgare L.) during ontogenesis. Eur. J. Agron. 25: 345-355.
  4. Benedetti, R., and Rossini, P. 1993. On the use of NDVI profiles as a tool for agricultural statistics: the case study of wheat yield estimate and forecast in Emilia Romagna. Remote Sens. Environ. 45: 311-326.
  5. Bhattacharya, B.K., Mallick, K., Nigam, R., Dakore, K., and Shekh, A. 2011. Efficiency based wheat yield prediction in a semi-arid climate using surface energy budgeting with satellite observations. Agric. For. Meteorol. 151: 1394-1408.
  6. Carrao, H., Naumann, G., and Barbosa, P. 2016. Mapping global patterns of drought risk: An empirical framework based on sub-national estimates of hazard, exposure and vulnerability. Glob. Environ. Chang. 39: 108-124.
  7. Du, L., Tian, Q., Yu, T., Meng, Q., Jancso, T., Udvardy, P., and Huang, Y. 2013. A comprehensive drought monitoring method integrating MODIS and TRMM data. Int. J. Appl. Earth Obs. Geoinf. 23: 245-253.
  8. El Nahry, A., Ali, R., and El Baroudy, A. 2011. An approach for precision farming under pivot irrigation system using remote sensing and GIS techniques. Agric. Water Manag. 98: 517-531.
  9. Gonfa, L. 1996. Climate Classification of Ethiopia, In: Meteorological Research Report Series. 3: 1-8.
  10. Hayes, M., and Decker, W. 1996. Using NOAA AVHRR data to estimate maize production in the United States Corn Belt. Remote Sens. 17: 3189-3200.
  11.  Heatherly, L.G., and Elmore, R.W. 2004. Managing inputs for peak production. Soybeans Improv. Prod. uses. Madison Agron. Monogr. 16: 451–536.
  12. Kross, A., McNairn, H., Lapen, D., Sunohara, M., and Champagne, C. 2015. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. Int. J. Appl. Earth Obs. Geoinf. 34: 235-248.
  13. Li, Y., Zhou, Q., Zhou, J., Zhang, G., Chen, C., and Wang, J. 2014. Assimilating remote sensing information into a coupled hydrology-crop growth model to estimate regional maize yield in arid regions. Ecol. Modell. 291: 15-27.
  14. Ministry of Agriculture Jihad. 2018. http://www.maj.ir/ (In Persian)
  15. Mkhabela, M., Bullock, P., Raj, S., Wang, S., and Yang, Y. 2011. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agric. For. Meteorol. 151: 385-393.
  16. Mohammadi ahmad mahmoudi, E., kamkar, B., and abdi, O. 2015. Comparison of geostatistical- and remote sensing data-based methods in wheat yield predication in some of growing stages. (A case study: Nemooneh filed, Golestan province). J. Crop. Prod. 8: 2. 51-76. (In Persian)
  17. Nehbandani, A.R., Soltani, A., Zeinali, E., Hoseini, F., Shahhoseini, A., and Mehmandoei, M. 2017. Soybean (Glycine max L. Merr.) Yield Gap Analysis using Boundary Line Method in Gorgan and Aliabad Katul. J. Agro. 9: 3. 760-776. (In Persian)
  18. Prasad, A.K., Chai, L., Singh, R.P., and Kafatos, M. 2006. Crop yield estimation model for Iowa using remote sensing and surface parameters. Int. J. Appl. Earth. Obs. Geoinf. 8: 26-33.
  19. Ren, J., Chen, Z., Zhou, Q., and Tang, H. 2008. Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China. Int. J. Appl. Earth. Obs. Geoinf., 10: 403-413.
  20. Shen, S., Yang, S., Li, B., Tan, B., Li, Z., and Le Toan, T. 2009. A scheme for regional rice yield estimation using ENVISAT ASAR data. Sci. China Ser. D Earth Sci. 52: 1183-1194.
  21. Shi, H., and Xingguo, M. 2011. Interpreting spatial heterogeneity of crop yield with a process model and remote sensing. Ecol. Modell., 222: 2530-2541.
  22. Skakun, S., Kussul, N., Shelestov, A., and Kussul, O. 2016. The use of satellite data for Agriculture drought risk quantification in Ukraine. Geomatics, Nat. Hazards Risk. 7: 901-917.
  23. Son, N., Chen, C., Chen, C., Minh, V., and Trung, N. 2014. A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation. Agric. For. Meteorol. 197: 52-64.
  24. Torrion, J., Setiyono, T.D., Cassman, K., and Specht, J. 2011. Soybean phenology simulation in the north-central United States. Agron. J. 103: 1661-1667.
  25. Valverde-Arias, O., Garrido, A., Valencia, J.L., and Tarquis, A.M. 2018. Using geographical information system to generate a drought risk map for rice cultivation: Case study in Babahoyo canton (Ecuador). Biosyst. Eng. 168: 26-41.
  26. Walker, G. 1989. Model for operational forecasting of western Canada wheat yield. Agric. For. Meteorol. 44: 339-351.
  27. Wang, T. 2016. Vegetation NDVI Change and Its Relationship with Climate Change and Human Activities in Yulin, Shaanxi Province of China. J. Geosci. Environ. Prot. 4: 28-40.
  28. Wiegand, C. 1984. The value of direct observations of crop canopies for indicating growing conditions and yield, International Symposium on Remote Sensing of Environment, 18 th, Paris, France, Proceedings.
  29. Wiegand, C., and Richardson, A. 1990. Use of spectral vegetation indices to infer leaf area, evapotranspiration and yield: II. Results. Agron. J. 82: 630-636.
  30. Wilhite, D.A., 2000. Drought as a natural hazard: concepts and definitions. Routledge Publishers: London, U.K. pp: 3-18.
  31. Wilhite, D.A., Sivakumar, M.V., and Pulwarty, R. 2014. Managing drought risk in a changing climate: the role of national drought policy. Weather Clim. Extrem. 3: 4-13.
  32. Wingeyer, A.B., Echeverría, H., and Rozas, H.S. 2014. Growth and yield of irrigated and rainfed soybean with late nitrogen fertilization. Agron. J. 106: 567-576.
آمار
تعداد مشاهده مقاله: 718
تعداد دریافت فایل اصل مقاله: 487


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب