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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 زراعت،دانشکده تولید گیاهی،دانشگاه علوم کشاورزی و منابع طبیعی گرگان، شهر گرگان، ایران

2 استاد گروه زراعت دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 3- استاد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان- دانشکده علوم جنگل- گروه جنگلداری،

4 دانشیار، 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


عنوان مقاله [English]

Assessment of Soybean yield using changes meteorological and satellite-based drought indices in the west of Golestan province

نویسندگان [English]

  • parisa alizadeh 1
  • behnam kamkar 2
  • shaban shataee 3
  • Hossein kazemi posht masari 4
1 Agronomy, Faculty of Plant Production, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
2 Professor of Agronomy, Gorgan University of Agricultural Sciences and Natural Resources
3 Professor of Forestry, Gorgan University of Agricultural Sciences and Natural Resources
4 Associate professor of Agronomy, Gorgan University of Agricultural Sciences and Natural Resources
چکیده [English]

Background and objectives: In the most parts of the country, the number of meteorological stations is inadequate and don't cover the appropriate statistical period. The conventional method of yield assessment in Iran is based on those experiments which require numerous field measurements, that makes it expensive, difficult and sometimes impossible. On the other hand; the final data is available much later than when field managers need them. Remote sensing data can be used as an alternative or complementary data for meteorological data to estimate the yield, drought and crop vegetation. To evaluate the soybean yield and its relationship with drought risk potential in western parts of Golestan province (AQ-Qala, Aliabad Katoul, Gorgan, Bandar-e-Gaz, Bandar-e-Torkaman and Kordkouy), the meteorological (SPI) and Landsat satellite imagery-based vegetation indices (including NDVI, VCI and DSI) were used.

Materials and Methods: In this study Landsat satellite images from 2000 to 2016 were used. After appropriate pre-processing and processing, the vegetation indices were prepared. Also the meteorological drought index (SPI) was calculated using the weather stations data of the study area. To calculate the relationship between the yield and all aforementioned studied indices (NDVI, DSI, VCI and SPI indices), the averaged-DN average for each index in each city was calculated. Then, the yield of each city was regressed against the meteorological (SPI) and satellite-imagery based indicators (NDVI, DSI, VCI). The linear function with the highest signifsignificant determination coefficient was selected and the soybean yield map was provided for the study area. The final drought risk model was adopted using drought frequency maps for SPI, DSI and VCI indices. The yield change in all drought risk categories was assessed through investigating the compatibility of the Boolean-classified yield maps and drought risk maps of the studied region.
The results: Coefficient of determination for yield prediction in different years ranged from 0.13 to 0.52, also the most of the predicted values were put in confidence level of 15% range of discrepancy which proved the accuracy of used equations in predicting yield maps. It can be concluded that yield can be predicted in a precise and accurate manner at the peak of soybean vegetation growth by applying meteorological and satellite-imagery indicators. The results showed that the yield of 43% to 50% of the soybean fields was higher than reported mean yield. Results showed that soybean fields in the AQ-Qala, Aliabad Katoul, Gorgan, Bandar-e-Gaz, Bandar-e-Torkaman and Kordkouy counties were not classified as very severe drought risk areas. The compliance of the yield and drought risk maps indicated that the possibility of yield reduction in facing with drought is higher in those areas with higher drought risk.
Conclusion: Totally, the results showed that Bandar-e-Torkaman, Gorgan and the central and southern parts of Aliabad Katoul are facing a lower risk of drought. The intersected map of yield and drought risk can be used as a predictive tool to provide strategies to manage drought risks as well as coping with drought effects on the yield.

کلیدواژه‌ها [English]

  • Agricultural Drought
  • Drought Risk
  • Remote Sensing
  • Yield
  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.