عنوان

تخمین تاریخ بهینه برداشت گندم با استفاده از تصاویر ماهواره¬ای

Number

پ۲۵۱۲۲

.Language of Text, Soundtrack etc

per

Title Proper

تخمین تاریخ بهینه برداشت گندم با استفاده از تصاویر ماهواره¬ای

First Statement of Responsibility

سپیده تقی زاده

Name of Publisher, Distributor, etc.

کشاورزی

Date of Publication, Distribution, etc.

۱۳۹۶

Specific Material Designation and Extent of Item

۱۵۵ص

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

دکتری

Discipline of degree

مهندسی مکانیزاسیون کشاورزی-گرایش کشاورزی دقیق

Date of degree

۱۳۹۶/۰۵/۳۱

Text of Note

چکیدهزمان برداشت محصولات کشاورزی بر روی عملکرد و کیفیت محصول تاثیرگذار است. کشاورز با دانستن زمان بهینه برداشت، مدیریت به-موقع و صحیحی بر انجام عملیات برداشت خواهد داشت. برداشت زود هنگام محصول نیازمند عملیات خشک کردن برای رسیدن به رطوبت مناسب انبارداری می¬باشد. از طرفی برداشت دیر هنگام نیز موجب کاهش عملکرد به‌علت ریزش دانه و افت کیفیت می¬شود. بنابراین تعیین زمان بهینه برداشت، امکان برنامه¬ریزی برای عملیات برداشت، انبارداری و فروش محصول را ایجاد کرده و باعث کاهش تلفات محصول می¬گردد. گندم مهم‌ترین محصول استراتژيک کشاورزي کشور است که با توجه به سهم بالاي اين محصول در الگوي مصرفي مردم، همواره مورد توجه سياستگذاران بخش کشاورزي قرار داشته است. در حال حاضر، بررسی رسیدگی گندم در مزرعه و به شیوه دستی انجام می¬شود که در سطوح وسیع بسیار وقت¬گیر است و هم‌چنین با این روش امکان برنامه¬ریزی برای ترتیب¬بندی برداشت گندم در مزارع مختلف یک منطقه وجود ندارد. بنابراین به روش¬هایی برایّ تعیین زمان برداشت محصول در سطح وسیع نیاز است. سنجش از دور و استفاده از تصاویر ماهواره¬ای قابلیت اندازه¬گیری منظم و پیوسته¬ ویژگی¬های محصول و مزرعه را دارد. از مزایای این فناوری می¬توان به پایش دینامیک محصول با هزینه بسیار ناچیز و یا بدون هزینه اشاره نمود. در سال¬های اخیر سنجش از دور کاربردهای زیادی در کشاورزی دقیق پیدا کرده که از جمله می¬توان به استفاده از آن در مدیریت عملیات کاشت، آبیاری و تعیین عملکرد محصولات مختلف اشاره کرد. ولی تاکنون مطالعه زیادی در زمینه بررسی ظرفیت این فناوری برای تعیین زمان بهینه برداشت محصول در مقیاس وسیع انجام نشده -است. در این تحقیق، هدف تخمین تاریخ برداشت بهینه محصول گندم در مقیاس وسیع به‌منظور دست¬یابی به عملکرد حداکثر بود تا بتوان با پیش¬بینی و اعمال یک برنامه زمان‌بندی برای تاریخ برداشت از افت محصول جلوگیری کرد. این تحقیق در دشت قروه استان کردستان انجام شد. در این تحقیق از شاخص¬¬های گیاهی NDVI، SAVI، EVI، EVI2، VARI، CVI، GreenNDVI، CIgreen و NDWI سنجنده¬ OLI لندست 8 در دو سال 94 و 95 استفاده شد. در هر سال تصاویر با درصد ابر کمتر از ده درصد پس از انجام پیش پردازش بر روی آن¬ها مورد استفاده قرار گرفتند. برای تعیین بهترین تصویر و بهترین دوره رشد گندم برای پیش¬بینی تاریخ برداشت بهینه از ضریب همبستگی بین شاخص¬های گیاهی هر تاریخ با تاریخ برداشت بهینه استفاده شد. برای پیش¬بینی تاریخ برداشت بهینه با استفاده از شاخص¬های گیاهی از مدل¬های رگرسیون گام‌به‌گام و شبکه عصبی پرسپترون چند لایه (MLP) استفاده شد. مدل¬های مختلف شبکه عصبی با شاخص¬های گیاهی مختلف ساخته شد. نتایج حاکی از آن بود که در هر دو سال تصاویر هم‌زمان با دوره فنولوژیکی خمیری شدن دانه (17 خرداد و 20 خرداد) قابلیت بیشتری برای پیش¬بینی تاریخ بهینه برداشت را داشتند. مدل رگرسیونی ساخته شده با استفاده از داده¬های دو سال با ضریب همبستگی 891/0r= و RMSE برابر با 59/1 برای پیش¬بینی تاریخ برداشت بهینه ایجاد شد. هم‌چنین مدل شبکه عصبی ANN5 با ساختار 1- 10- 3 که شامل نرون¬های ورودی NDVI، EVI2 و NDWI بود با ضریب همبستگی 951/0r= و RMSE برابر با 91/0 برای پیش¬بینی تاریخ برداشت بهینه¬ی گندم توسعه یافت. نتایج نشان داد که شبکه عصبی نسبت به مدل رگرسیون گام‌به‌گام قابلیت بیشتری برای مدل کردن تاریخ برداشت بهینه گندم دارد.

Text of Note

Abstract:Harvesting date is effective on yield and quality of agricultural products. By knowing the optimal harvest date, farmers could manage harvest operation timely and accurate. Early harvest requires drying operation to achieve the proper moisture content for storage. Also, the late harvest led to lower yield due to grain losses and loss of grain quality. Therefore, determining the optimum harvest date allows planning for harvest operations, storage and marketing. Wheat is the most important strategic agricultural product in Iran that due to the high share of this product in people's consumption patterns, always has attracted the attention of the agricultural sector policymakers. At present, wheat maturity examination is done manually in the fields which is very time consuming in the large areas. Also, it is not possible to schedule for wheat harvest arrangement for fields in a region. So, the ways which determine wheat harvest date on a large scale are required. Satellite remote sensing imagery has the ability of consistently measuring the characteristics of the product in the farm. Product dynamic monitoring with minimal cost or no costs is the advantage of this technology. In recent years, the remote sensing has found many applications in precision agriculture to use it in operations management including planting, watering and determine the function of different products noted. In recent years, remote sensing has many applications in precision farming including planting operation management, irrigation and yield determination of different products. But there is not many studies to investigate the potential of this technology for predicting optimum harvest date on a large scale. The aim of this study was prediction of wheat optimum harvest date in large area to achieve maximum yield till with forecasting optimum harvest date and developing timing schedule for harvesting can prevent product losses. The study was conducted in Qorveh plain, Kurdistan province. The vegetation indices included NDVI, SAVI, EVI, EVI2, VARI, CVI, GreenNDVI, CI green AND NDWI derived from OLI sensor Images for two years (1394- 1395). In each year, the correlation coefficient between vegetation indices and the optimal harvest date were used for determining the best satellite Image and also the best phenological stage to predict optimum harvest date. The stepwise regression model and MLP Artificial Neural Network used for developing wheat optimum harvest date models. Various ANN models were designed and implemented by combining different vegetation Indices. The results showed that the Images with the same time with dough phenological stage (Khordad 17 and 20) had greater capability to predict the optimal harvest date, in both years. The regression model was developed for optimal harvest date predicting using vegetation indices (r= 0.891; RMSE= 1.59). Also, ANN model with 3-10-1 topology which included NDVI, EVI2 and NDWI as the input layer (r= 0.951; RMSE= 0.91) was developed. The results showed that ANN model had greater capability than stepwise regression for predicting wheat optimum harvest date.

Variant Title

Estimating of Wheat Optimum Harvesting Date Using Satellite Imagery

Entry Element

‏‏‏ تقی زاده،

Part of Name Other than Entry Element

‏ سپیده

Relator Code

تهيه کننده

Entry Element

‏‏نوید،

Entry Element

مقصودی مهرانی،

Entry Element

مقدم،

Part of Name Other than Entry Element

‏حسین

Part of Name Other than Entry Element

‏یاسر

Part of Name Other than Entry Element

‏محمد

Dates

استاد راهنما

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز