داده گواری سنجش از دور به روش جایگزینی در شبیه سازی عملکرد ذرت علوفه ای با استفاده از مدل AquaCrop (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه: برآورد به موقع و دقیق عملکرد محصول قبل از برداشت و پیش بینی آن ازطریق مدل های رشد محصول، برای دستیابی به برنامه ریزی عملیات زراعی و حفظ و توسعه عملکرد در مقیاس منطقه ای، از اهمیت بسیاری برخوردار است. مدل سازی تغییرات پویا، در هنگام رشد محصول، کمک شایان توجهی به محققان می کند تا استراتژی های مدیریت محصول را به منظور افزایش عملکرد آن، برنامه ریزی کنند. این مدل ها حاوی پارامترهای متعددی است که باید، با توجه به ویژگی های منطقه مورد مطالعه، کالیبره شوند؛ ازطرفی، وجود نداشتن مؤلفه مکان در این مدل ها و نیز عدم قطعیت درمورد مقادیر پارامترهای آنها منجر به بروز خطا در خروجی های برآوردشده می شود. اسیمیلیت داده های سنجش از دور می تواند برای حل این مشکل و ارزیابی تغییرپذیری مکانی در اراضی، به ویژه در مقیاس منطقه ای، مفید باشد. سنجش از دور را می توان برای تخمین و برآورد مقادیر پارامترهای ورودی مدل های رشد محصول، مانند شاخص سطح برگ، سطح پوشش، بیومس، ویژگی های خاک به کار برد. مواد و روشها: برای دستیابی به عملکرد دقیق محصول می توان از مدل های رشد گیاه استفاده کرد. برای تخمین پارامترهای مدل شبیه سازی گیاه زراعی AquaCrop و تنظیم مدل در سطح منطقه، اطلاعات مورد نیاز مدل در مراحل متفاوت رشد گیاه و قبل از کشت، در مزارع ذرت علوفه ای و در مقیاس منطقه ای، اندازه گیری و نمونه برداری شد. به منظور کالیبره کردن مدل شبیه سازی AquaCrop ازطریق داده گواری سنجش از دور (RS)، متغیر بیوفیزیکی fCover از داده های RS مبتنی بر پیکسل، با توسعه الگوریتم GPR-PSO، استخراج شد. علاوه براین، با هدف ساده سازی مدل AquaCrop و شناسایی پارامترهای تأثیرگذارتر، الگوریتم های تحلیل حساسیت ترکیبی Morris و EFAST به کار رفت. درنَهایت، ازطریق داده گواری متغیر بیوفیزیکی استخراج شده با RS در مدل AquaCrop، این پارامترهای مؤثرتر با استفاده از روش جایگزینی تخمین زده شد و نتایج با نتایج حاصل از شرایط استفاده نکردن از داده های RS مقایسه شد. به منظور کالیبره کردن مدل AquaCrop، نمونه برداری مزرعه ای از خاک (قبل از کاشت) و محصول در فصل رشد ذرت علوفه ای، عکس برداری رقومی نیم کروی (DHP) و همچنین اندازه گیری به روش تخریبی LAI برای مقایسه، در مزارع شهرستان قلعه نو واقع در جنوب تهران، در تابستان ۱۳۹۸ انجام شد. نتایج و بحث: نتایج داده گواری RS در مدل AquaCrop در مقایسه با به کار نبردن داده های RS در این مدل نشان داد که در نظر گرفتن داده گواری RS منجر به افزایش دقت تنظیم کردن مدل می شود. نتایج نشان داد که داده گواری سنجش از دور در مدل به برآورد دقت متغیر خروجی عملکرد در آماره R2، به میزان ۸۹/۰ و ۸۸/۰، در واسنجی و صحت سنجی منجر شده است. داده گواری سنجش از دور، در قیاس با اعمال نشدن آن، به بهبود دقت و افزایش R2 به میزان ۱۴/۰ و ۱۵/۰ و نیز کاهش در آماره RRMSE به میزان ۱۲/۴ و ۱۷/۵%، در آماره RMSE به میزان ۵/۲ و ۴/۲ ton/ha، به ترتیب در واسنجی و صحت سنجی، انجامیده است. بنابراین، در مقایسه داده گواری RS و بدون داده گواری، بهبود فرایند تنظیم مدل با داده گواری RS همراه است. نتیجه گیری: در این تحقیق، مقادیر برآوردشده پارامتر بیوفیزیکی fCover، به دست آمده ازطریق سنجش از دور به منزله متغیر کنترل مشاهداتی ورودی برای مدل AquaCrop استفاده شد تا پارامترهای تأثیرگذار شناسایی شده آن (ازطریق تحلیل حساسیت) تنظیم شود. نتایج نشان می دهد که داده گواری سنجش از دور، با استفاده از روش جایگزینی برای تنظیم مدل مدنظر، توانسته است بر میزان دقت برآوردشده بیفزاید. علاوه براین، توافق بین مقادیر پیش بینی شده و اندازه گیری شده بیشتر از زمانی است که سنجش از دور اعمال نمی شود. بنابراین نتایج تحقیق نشان می دهد که داده گواری سنجش از دور در مدل AquaCrop می تواند عملکردی موفق تر از شرایط اعمال نشدن سنجش از دور داشته باشد و نتایج با دقت بیشتری به دست دهد. همچنین، در مقیاس منطقه ای، می توان با استفاده از سنجش از دور و قابلیت آن در برآورد پارامتر بیوفیزیکی در مقیاس وسیع، با صرف وقت و هزینه کمتر و به روزتر، مدل های رشد محصول را برای منطقه مورد نظر کالیبره کرد.Remote Sensing Data Assimilation by Forcing Method in Simulation of Silage Maize Yield Using AquaCrop Model
Introduction: An essential part of agricultural plans for maintaining and developing performance at the regional scale is the timely and accurate estimation and prediction of crop yield prior to harvesting using crop growth models. Modeling dynamic changes during crop growth helps researchers to plan crop management strategies to improve its yield. These models contain several parameters that should be calibrated according to the characteristics of the study area. Lack of spatial/geographic components in these models and parameter uncertainties lead to errors in the estimated outputs. Remote sensing data assimilation can be useful for solving this problem and evaluating the spatial variability in the lands, especially at the regional scale. Remote sensing can estimate the values of input variables of crop growth models such as the Leaf Area Index (LAI), canopy cover, biomass, and soil characteristics.
Materials and Methods: To achieve accurate crop yield, it is possible to use crop growth models. To this end, the AquaCrop model parameters were estimated and the model was calibrated with measuring and sampling different requied information of model in the crop growing stages and prior to cultivation over agricultural silage maize fields at the regional scale. To calibrate the Aquacrop simulation model through assimilation of remote sensing (RS) data, fCover biophysical variable was extracted from pixel-based RS data by developing GPR-PSO algorithm. Besides, to simplify the Aquacrop model, and to identify more sensitive parameters, the combined sensitivity analysis Morris and EFAST algorithms were employed. Finally, by assimilating the biophysical variable extracted by RS into the Aquacrop model, these more effective parameters were estimated through the forcing method, and compared the results with the results of no application of RS data. In order to calibrate the Aquacrop model, field sampling of soil (before planting) and crop during the growing season of silage maize, digital hemispherical photography (DHP) as well as measurement by destructive method for comparison, was performed in the fields of Qhale-Nou county located in the south of Tehran, in the summer of 2019.
Results and Discussion: The results of assimilation of RS data in Aquacrop model compared to no application of RS data in this model showed that considering data assimilation of RS data leads to the increase in model calibration accuracy. As the results suggest, the output yield for the model with data assimilation was estimated with R2 values of 0.89 and 0.88 for calibration and evaluation, respectively. The superiority of RS data assimilation into the model as opposed to not its incorporating was also verified by improving the accuracy with increases in R2 values by 0.14 and 0.15 and decrese in Relative RMSE (RRMSE) values of 4.12 and 5.17 percent and RMSE of 2.5 and 2.4 ton/ha for calibration and evaluation, respectively. So, compared to RS data assimilation and without assimilation is associated with improving the model calibration process with RS data assimilation.
Conclusion: The present study employed estimated fCover values obtained via RS data as observed state variables fed as input to the AquaCrop model for means of estimating the most effective parameters identified (via sensitivity analysis). The findings of this procedure indicate that RS data assimilation as a forcing method for model parameters estimating can increase the overall accuracy of the model. Moreover, the correlation between simulated and observed values was higher for the case of RS data assimilation as opposed to not incorporating such data. As these results suggest, RS data assimilation into the AquaCrop model can prove more successful and attain higher accuracies as opposed to not incorporating such data. Furthermore, this process of data assimilation can be used for estimating biophysical variables and calibrating crop growth models at the regional scale, with less time complexity and lower costs and more updated information.
تبلیغات
