فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: زیست‌توده ارتباط حیاتی بین مصرف انرژی خورشیدی و عملکرد گیاه را فراهم می‌کند، بنابراین برآورد صحیح آن برای پایش دقیق رشد محصول و پیش‌بینی عملکرد بسیار مهم است و به مدیران کشاورزی برای بهبود مدیریت زمین‌های زراعی کمک می‌کند. در چند دهه اخیر، سنجش از دور به عنوان ابزاری برای تخمین پارامترهای بیوفیزیکی گیاه به صورت گسترده مورد استفاده قرار گرفته است. توانایی فناوری سنجش از دور برای تخمین زیست‌توده گیاهی امید بخش، سریع، دوره‌ای و غیرمخرب است. بدین منظور، این تحقیق با هدف کاربرد فناوری سنجش از دور و مقایسه دو مدل آماری رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برای برآورد زیست‌توده گندم زمستانه در شهرستان شهرکرد، استان چهارمحال و بختیاری در سال 1396 انجام شد.مواد و روش‌ها: در این پژوهش به منظور برآورد زیست‌توده گیاه گندم به وسیله تصاویر ماهواره لندست 8، هشت مزرعه زیر کشت گندم زمستانه با مساحت بین 10 تا 60 هکتار در سراسر شهرستان شهرکرد، در نظر گرفته شد. سپس موقعیت 120 واحد نمونه-برداری به صورت تصادفی در مزارع مورد مطالعه توسط GPS تعیین گردید. واحدهای نمونه‌برداری به صورت مربع‌های 30×30 متری مطابق با پیکسل‌های لندست بود. هر یک از این واحدها، شامل 5 پلات 25/0 مترمربعی در چهار گوشه و مرکز مربع می‌باشد. درطی فصل رشد در تاریخ‌های 31 فروردین (20 آوریل)، 1 خرداد (22 می)، 2 تیر (23 ژوئن) و 3 مرداد (25 ژولای) سال 1396 همزمان با عبور ماهواره لندست 8 به مزارع مراجعه و نمونه‌برداری انجام گردید. جمع‌آوری داده‌های میدانی شامل زیست‌توده اندام هوایی و شمارش تعداد بوته‌ها در هر پلات بود. سپس نمونه‌ها به آزمایشگاه منتقل گردیده و آون خشک و وزن شدند. همزمان داده-های مربوط به سنجش از دور ماهواره لندست 8 در این تاریخ‌ها به دست آمد و شاخص‌های گیاهی به کمک باندهای ماهواره‌ای محاسبه شد. در این بررسی زیست‌توده گندم با استفاده از 25 شاخص گیاهی و دو روش رگرسیون خطی چند متغیره و شبکه عصبی مصنوعی (Artificial Neural Network, ANN) برآورد شد. مدل شبکه عصبی مصنوعی پرسپترون با چندلایه (پیش‌خور) طراحی شد و کارایی آن با نتایج مدل رگرسیون خطی چند متغیره مقایسه گردید. اعتبارسنجی و آزمون مدل ها و مقایسه نتایج این دو مدل با استفاده از آماره‌هایی نظیر ضریب تبیین (R2)، شاخص جذر میانگین مربعات خطا (RMSE)، و میانگین خطا (ME) انجام گرفت. یافته‌ها: نتایج نشان داد که مدل شبکه عصبی مصنوعی با 83/0=R2 و g/m2 91/53=RMSE برای داده‌های آموزش و 85/0=R2 و g/m2 74/46=RMSE برای داده‌های آزمون و مدل رگرسیون خطی چند متغیره با 78/0=R2 و g/m2 68/65=RMSE زیست‌توده را برآورد کرده‌اند. در روش رگرسیون خطی چند متغیره، شاخص‌های EVI، CIgreen، PSRI، CRI، VARI و GNDVI به ترتیب مؤثرترین شاخص در تخمین میزان زیست‌توده محصول بودند. شاخص‌های GI، SAVI، ARVI، CRI، EVI، NDWI، MSR و NDVI به ترتیب بیشترین حساسیت را در رابطه با زیست‌توده گندم در مدل شبکه عصبی مصنوعی داشتند.نتیجه‌گیری: یافته‌های پژوهش حاضر نشان داد که با بهره‌گیری از تصاویر ماهواره‌ای و توسعه مدل‌های آماری پارامتری و غیرپارامتری امکان برآورد زیست‌توده گندم زمستانه در منطقه مورد مطالعه وجود دارد. همچنین روش شبکه عصبی مصنوعی نسبت به روش رگرسیون خطی چندگانه صحت پیش‌بینی بهتری دارد و لذا استفاده از این روش به عنوان یک رهیافت مناسب در برآورد زیست‌توده گندم زمستانه پیشنهاد می‌شود.