عنوان

ارائه‌ روشی‌ جهت‌ پیش‌ بینی‌ میزان‌ برداشت‌ محصول‌ گندم‌ با‌ استفا‌ده‌ از تصا‌ویر ما‌هواره‌ ای و ارتقا‌ی دقت‌ از طریق‌ تعا‌مل‌ با‌ کا‌ربر

نام نخستين پديدآور

حجا‌زی اطا‌قسرا، سید عبا‌س‌

عنوان اصلي

ارائه‌ روشی‌ جهت‌ پیش‌ بینی‌ میزان‌ برداشت‌ محصول‌ گندم‌ با‌ استفا‌ده‌ از تصا‌ویر ما‌هواره‌ ای و ارتقا‌ی دقت‌ از طریق‌ تعا‌مل‌ با‌ کا‌ربر

محل نشرو پخش و غیره

تهران‌

ساير جزييات

۸۲۱ص‌.

متن يادداشت

محمدرضا‌ مبا‌شری

جزئيات پايان نامه و نوع درجه آن

دکتری

کسي که مدرک را اعطا کرده

صنعتی‌ خواجه‌ نصیرالدین‌ طوسی‌

زمان اعطا مدرک

۱۳۹۹

نظم درجات

سنجش‌ از دور

متن يادداشت

پیش‌ بینی‌ میزان‌ زیست‌ توده‌ وعملکرد محصول‌ گندم‌ قا‌بل‌ برداشت‌ از مزارع در مقیا‌س‌ منطقه‌ ای و جها‌نی‌ برای تا‌مین‌ امنیت‌ غذایی‌ بسیا‌ر حا‌ئز اهمیت‌ است‌. در این‌ رابطه‌ داده‌ ها‌ی سنجش‌ ازدوری در ترکیب‌ با‌ داده‌ ها‌ی اقلیمی‌ دارای کا‌ربرد فراوانی‌ است‌. با‌ توجه‌ به‌ سا‌بقه‌ طولانی‌ استفا‌ده‌ از این‌ داده‌ ها‌ و استفا‌ده‌ حداکثری از پتا‌نسیل‌ آنها‌ در مدل‌ ها‌ی کشا‌ورزی، با‌ هدف‌ کسب‌ دقت‌ با‌لاتر در برآورد زیست‌ توده‌ و عملکرد محصول‌، نیا‌ز به‌ در نظر گرفتن‌ پا‌رامترها‌ی تا‌ثیرگذار بیشتری است‌ که‌ در مدل‌ ها‌ی پیشین‌ در نظر گرفته‌ نشده‌ اند. این‌ پژوهش‌ با‌ هدف‌ بهبود در دقت‌ برآورد مقدار زیست‌ توده‌ و تخمین‌ بهتر میزان‌ برداشت‌ محصول‌ گندم‌ زمستا‌نه‌ از مزارع استا‌ن‌ ها‌ی همدان‌، مرکزی و گلستا‌ن‌ با‌ استفا‌ده‌ از داده‌ ها‌ی ما‌هواره‌ ای، اقلیمی‌ و داده‌ ها‌ی تکمیلی‌ (از جمله‌ داده‌-ها‌ی اخذ شده‌ از کا‌ربر) انجا‌م‌ شده‌ است‌. به‌ این‌ جهت‌، مدل‌ ها‌ی متنوعی‌ در این‌ پژوهش‌ ارائه‌ شده‌ اند که‌ شا‌مل‌ مدل‌ ها‌ی خطی‌ برآورد زیست‌ توده‌ (MEB)، مدل‌ مونتیث‌ بهبود یا‌فته‌ (htietnoME)، مدل‌ تعا‌ملی‌ EBAF و روش‌ TSEBW می‌ با‌شند. پا‌رامترها‌ی مورد استفا‌ده‌ در این‌ مدل‌ ها‌ شا‌مل‌ داده‌ ها‌ی ما‌هواره‌ ای (شا‌خص‌ سطح‌ برگ‌، تبخیر-تعرق‌ و انرژی فعا‌ل‌ فتوسنتزی جذب‌ شده‌)، داده‌ ها‌ی اقلیمی‌ (دما‌ی هوا، مقدار ریزش‌ با‌ران‌ در طول‌ دوره‌ رشد گیا‌ه‌) و برخی‌ داده‌ ها‌ی کمکی‌ میصبا‌شد. در روش‌ TSEBW که‌ دقیق‌ ترین‌ برآورد از زیست‌ توده‌ را در مقا‌یسه‌ با‌ سا‌یر مدل‌ ها‌ی ارائه‌ شده‌ در این‌ پژوهش‌ ارائه‌ می‌ دهد، از داده‌ ها‌ی تکمیلی‌ بیشتری استفا‌ده‌ شده‌ است‌. در این‌ روش‌، ابتدا با‌ استفا‌ده‌ از روشتصمیم‌ گیری درختی‌، مزارع به‌ گروه‌ ها‌یی‌ با‌ ویژگی‌ ها‌ی مشترک‌ (از لحا‌ظ نوع سیستم‌ آبیا‌ری، نوع کا‌ربری مزرعه‌ در سا‌ل‌ قبل‌ و سطح‌ حا‌صل‌ خیزی خا‌ک‌) تقسیم‌ شده‌ و برای هر گروه‌ از این‌ مزارع، یک‌ مدل‌ با‌ استفا‌ده‌ از روش‌ RSLP توسعه‌ داده‌ شده‌ است‌. ESMR نسبی‌ محا‌سبه‌ شده‌ در برآورد زیست‌ توده‌ از اجرای روش‌ TSEBW برای هر دسته‌ از مزارع 81/0 تا‌ 92/0 با‌ مقدار کلی‌ 32/0 محا‌سبه‌ شده‌ است‌. این‌ در حا‌لی‌ است‌ که‌ این‌ مقدار برای مدل‌ ها‌ی htietnoME ،MEB و EBAF به‌ ترتیب‌ 43/0، 63/0 و 13/0 بدست‌ آمده‌ است‌. جهت‌ تخمین‌ عملکرد محصول‌ با‌ استفا‌ده‌ از زیست‌ توده‌ برآورد شده‌، از شا‌خص‌ برداشت‌ استفا‌ده‌ شده‌ است‌. ESMR تخمین‌ عمکرد محصول‌ برآورد شده‌ با‌ روش‌ 0/969 (h/t) ،TSEBW با‌ ESMR نسبی‌ 52/0 بدست‌ آمد. نتا‌یج‌ کسب‌ شده‌ از این‌ پژوهش‌ در مقا‌یسه‌ با‌ مطا‌لعا‌ت‌ مشا‌به‌، نشا‌ن‌ داده‌ است‌ که‌ لحا‌ظ کردن‌ داده‌ ها‌ی تکمیلی‌ در مدلسا‌زی، موجب‌ بهبود در برآورد زیست‌ توده‌ و تخمین‌ عملکرد محصول‌ شده‌ است‌. در این‌ پژوهش‌ از داده‌ ها‌ی اخذ شده‌ از کا‌ربر برای مکا‌ن‌ یا‌بی‌ مزارع گندم‌ و از عکس‌ ها‌ی دیجیتا‌لی‌ ارسا‌لی‌ از کا‌ربر برای پرکردن‌ گپ‌ ها‌ی ایجا‌د شده‌ نا‌شی‌ از نبود تصا‌ویر ما‌هواره‌ ای با‌ کیفیت‌ در برخی‌ زما‌ن‌ ها‌ استفا‌ده‌ شده‌ و این‌ موجب‌ کا‌هش‌ محدودیت‌ ها‌ی نا‌شی‌ از شرایط آب‌ و هوایی‌ گشته‌ است‌.

متن يادداشت

Assessment of the wheat biomass for yield prediction in regional to global scales is of particular importance, especially in food security. In recent years, significant progressions in the application of remote sensing in the field of agriculture were achieved. High quality of remotely sensed data, coupled with climate data, have enabled farmers to continuously monitor the crop health and growth status. Based on the milestone in using remote sensing and climate data in agriculture and improvements achieved, it is now possible to obtain a better estimation of biomass and yield. To increase the accuracy in biomass estimation, we need to take into account a few more parameters that are effective in plant growth. This study aimed to improve the accuracy of the biomass and wheat crop yield prediction using satellite and climate data in the Hamedan, Golestan and Markazi provinces. Also in this study, to increase the accuracy of the predictions, some complementary data have been employed. Therefore, in this study, various models have been proposed, including linear models of biomass estimation )BEM(, Enhanced Monteith model )EMonteith(, FABE interactive model and WBEST method. The data used in this study are; LAI, ET and climate data including GDD, amount of precipitation, APAR, and complementary data such as the farm's irrigation system, soil fertility, and farm-status in the previous year provided by farmers. The WBEST method, which provides the most accurate estimate of biomass compared to other models presented in this study, uses more supplementary data.To this Method, first, farms were divided into different groups with similar characteristics such as irrigation system, soil fertility, and previous year s cultivation. Then, for each group, a multi-parameter regression model )with PLSR concepts( is developed. To assess the model accuracy, statistical parameters such as RMSE and relative RMSE )RR( is used. The results of WBEST method in biomass estimation showed a value of 122.8 )gm-2( for RMSE and0.23 for RR. However, for BEM, EMonteith and FABE models, this value is 0.34, 0.36 and 0.31, respectively. In the next step, using the calculated biomass and appropriate harvesting index, the crop yield was estimated and compared to the field-collected data. The results of WBEST method showed values of 0.969 )th-1( and 0.25 for RMSE and RR respectively. It is shown that the biomass and crop yield prediction improves if it benefits from farmer-supplied auxiliary data including wheat farms location, watering system, and digital photographs to fill up the gaps due to the satellite missing pixels/images. Accurate biomass estimation improve the prediction of the yield. Keyword: Yield Prediction, Biomass, Wheat, Satellite Image, Remote Sensing

تقسیم فرعی موضوعی

پیش‌ بینی‌ محصول‌

تقسیم فرعی موضوعی

زیست‌ توده‌

تقسیم فرعی موضوعی

گندم‌

تقسیم فرعی موضوعی

تصا‌ویر ما‌هواره‌ ای

تقسیم فرعی موضوعی

سنجش‌ ازدور

تقسیم فرعی موضوعی

مهندسی‌ عمران‌- نقشه‌برداری

عنصر شناسه ای

نقشه‌ برداری

کد نقش

پ‌

عنصر شناسه اي

سید عبا‌س‌ حجا‌زی اطا‌قسرا

عنصر شناسه اي

استاد راهنما: مبا‌شری، محمدرضا‌

کد کاربرگه

۹۹۵۴

نوع ماده

CF

سطح دسترسي

دانشکده‌ نقشه‌ برداری