خلاصه

بیش از ده سال است که شیلی مرکزی با شرایط خشکسالی مواجه بوده است که بر تولید و کیفیت محصول تأثیر می گذارد و خطر امنیت غذایی را افزایش می دهد. تحت این سناریو، اجرای شیوه های مدیریتی که امکان افزایش بهره وری مصرف آب را فراهم می کند، ضروری است. این مطالعه بر روی درختان کیوی، واقع در منطقه O’Higgins، شیلی برای فصل 2018-2019 و 2019-2020 انجام شد. ما سری زمانی نه شاخص پوشش گیاهی را در مناطق VNIR و SWIR که از ماهواره‌های Sentinel-2 (A/B) مشتق شده‌اند، ارزیابی می‌کنیم تا تعیین کنیم که چقدر تغییر در وضعیت آب تاج وجود دارد. بر روی سایت مورد مطالعه، یازده حسگر در پنج درخت نصب شد که به طور مداوم فشار تورگ برگ را اندازه‌گیری می‌کردند (Yara Water-Sensor). اسپیرمن قوی ( ρهمبستگی بین فشار تورگر و شاخص‌های پوشش گیاهی به دست آمد که دارای 0.88- با EVI و 0.81- با GVMI برای فصل 2018-2019، و همبستگی کمتر برای فصل 2019-2020، با Rededge1 -0.65 و با EVI -0.66 است. با این حال، شاخص های محدوده NIR تحت تاثیر توسعه رویشی محصول به جای وضعیت آب آن قرار گرفت. لبه قرمز عملکرد بهتری را نشان داد زیرا رشد رویشی روی آن تأثیری نداشت. لازم است مطالعه به منظور در نظر گرفتن تنوع بیشتر در شرایط آبی کیوی و در نظر گرفتن حساسیت طول موج های مختلف گسترش یابد.

کلید واژه ها:

تورگور ; Sentinel-2 ; شاخص های طیفی پوشش گیاهی ; کیوی ؛ SWIR/NIR ; سری زمانی

1. معرفی

در سناریوی تغییر اقلیم فعلی، امنیت غذایی و در دسترس بودن آب دو چالش اصلی پیش روی کشاورزی هستند [ 1 ]. این امر اتخاذ راهبردهایی را ضروری می‌سازد که امکان کشاورزی هوشمند با آب و هوا و در نتیجه استفاده کارآمد از آب را فراهم می‌کند [ 2 ]. تغییر در الگوهای بارش به دلیل تغییرات آب و هوایی در شیلی باعث خشکسالی طولانی مدتی به نام مگا خشکسالی شده است [ 3 ]. آغاز آن به سال 2007 برمی گردد، زمانی که بسیاری از قلمرو شیلی به دلیل خشکسالی در وضعیت اضطراری کشاورزی اعلام شد [ 4 , 5 , 6]. کاهش طولانی مدت بارندگی بر کل سیستم هیدرولوژیکی در مرکز شیلی تأثیر گذاشته و ذخایر آب در کوه ها، سفره های آب، مخازن، دریاچه ها و تالاب ها را کاهش داده است [ 7 ]. تجزیه و تحلیل وضعیت رویشی در مرکز شیلی نشان می دهد که در طول فصل 2019-2020 با یک ناهنجاری شدید با توجه به شرایط طبیعی خود (2000-2019)، به ویژه برای انواع پوشش زمین زراعی و جنگلی بسیار مهم است [8 ] . بر تولید و کیفیت محصولات کشاورزی تأثیر می گذارد. امروزه اجرای شیوه های مدیریت کشاورزی که امکان استفاده کارآمد از آب را برای رویارویی با سناریوی جدید آب فراهم می کند، ضروری است.
همانطور که کرخام [ 9 ] تعریف کرد، کارایی مصرف آب (WUE) مربوط به مقدار ماده خشک تولید شده برای هر میلی متر آبی است که محصول از طریق تبخیر و تعرق (ET) استفاده می کند. عملکرد یک محصول توسط نرخ ET آن تنظیم می شود [ 10 ]، که از نظر بازده باید در حداقل مقدار بهینه نگه داشته شود که بر تولید زیست توده محصول تأثیری نداشته باشد، زیرا زیر این آستانه، محصول تحت تنش قرار می گیرد. . این آستانه را می توان با اندازه گیری اجزای مختلف در پیوستار خاک-گیاه-اتمسفر (SPAC) شناسایی کرد [ 11 ]. در حومه شهر، رایج ترین روش اندازه گیری پتانسیل آب برگ با استفاده از دوربین Scholander است [ 12].]. با این حال، این یک روش مخرب است که نیاز به زمان و کار میدانی دارد که اندازه‌گیری سینوپتیک را در فضا محدود می‌کند. نویسندگان مختلف وضعیت آب گیاه را با تمرکز بر فشار تورگ برگ [ 13 ، 14 ، 15 ، 16 ، 17 ] که مربوط به فشار تولید شده توسط آب در داخل سلول است که غشای پلاسمایی را در برابر سلول فشرده می کند، نظارت کرده اند. دیوار [ 18 ، 19 ]. این نیرو در طول روز به دلیل از دست دادن آب از طریق تبخیر و تعرق کاهش می یابد و در شب بازیابی می شود. زیمرمن و همکاران [ 20] یک حسگر پچ گیره ایجاد کرد که به طور مداوم تغییرات تورگ را انتقال می دهد. به طور خاص، این تکنیک تضعیف فشار گیره اعمال شده خارجی بر روی ورق توسط حسگر گیره وصله را اندازه گیری می کند که فشار وصله (Pp) نامیده می شود [ 21 ]. محدودیت این روش نیاز به حسگرهای کافی برای ایجاد یک توصیف فضایی از تغییرات تورگ در میدان است.
وضعیت آب محصولات را می توان با استفاده از بازتاب نوری، حرارتی یا مایکروویو ارزیابی کرد. بازتاب نوری به دلیل ویژگی های جذب آب در محدوده طیفی 400-2500 نانومتر به طور گسترده ای مورد استفاده قرار گرفته است [ 22 ، 23 ]. با این حال، بازتاب تاج پوشش نیز تحت تأثیر عواملی مانند ویژگی‌های نوری برگ، هندسه‌های مشاهده خورشید، بازتاب خاک، جذب آب اتمسفر و از همه مهم‌تر نحوه سازماندهی برگ‌ها قرار می‌گیرد. روی درخت [ 24 ، 25 ، 26 ]. وارونگی یک مدل انتقال تابشی (RTM) یک رویکرد را ارائه می دهد [ 22 ، 27]؛ با این حال، نیاز به آگاهی از پارامترهای محتوای بیوشیمیایی برگ دارد که معمولاً زمان بر است. یک شاخص طیفی، از طریق ترکیب بازتاب در طول موج های مختلف، پتانسیل استفاده در کاربردهای مقیاس منطقه ای با استفاده از یک رویکرد تجربی را دارد. اولین کاربردها بر روی پوشش گیاهی بر اساس بازیابی بازتاب در محدوده مرئی و مادون قرمز نزدیک (VNIR) بوده است. شاخص های مبتنی بر این مناطق برای ارزیابی سلامت و قدرت فتوسنتزی پوشش گیاهی استفاده شده است [ 28 ، 29 ، 30 ، 31 ]. نمونه‌هایی از این شاخص‌ها عبارتند از شاخص گیاهی تفاوت عادی شده (NDVI) [ 32 ] و شاخص گیاهی تقویت‌شده (EVI) [ 33] .]، که نوار آبی را در NDVI به کار می برند تا اشباع را که در سطوحی با مقادیر آلبدو بالا و با پراکندگی جو رخ می دهد، کاهش دهند [ 33 ]. از سوی دیگر، بازتاب مادون قرمز موج کوتاه (SWIR) به دلیل ضریب جذب بالاتر، حساس ترین نسبت به تغییرات محتوای آب گیاهی است [ 34 ، 35 ، 36 ، 37 ]. معمولاً با بازتاب مادون قرمز نزدیک (NIR) ترکیب می‌شود تا تأثیر عوامل دیگر مانند ساختار سایبان را کاهش دهد. برخی از شاخص های معرف وضعیت آبی پوشش گیاهی پیشنهاد شده است. هاردیسکی و همکاران [ 38 ] برای اولین بار شاخص مادون قرمز تفاوت عادی شده (NDII) را برای ارزیابی حریم اسپیری توسعه داد.Spartina alterniflora به تغییرات فیزیولوژیکی مختلف، تعیین طول موج بین 1.50-1.75 μm بهترین پاسخ را به تفاوت در محتوای آب برگ ارائه داد. گائو [ 39 ] شاخص تفاوت عادی آب (NDWI) را با استفاده از دو کانال با مرکز نزدیک به 0.86 پیشنهاد کرد. μمتر و 1.24 μm و مشخص شد که NDWI با افزایش لایه‌های ورق‌ها افزایش می‌یابد، که نشان می‌دهد NDWI به مقدار کل آب در ورق‌های انباشته حساس است. Fensholt و Sandholt [ 40 ] شاخص تنش آب مادون قرمز موج کوتاه (SIWSI) را با استفاده از باند MODIS 2 (841-876 نانومتر) و باند 6 (1630-1650 نانومتر) توسعه دادند. شیائو و همکاران [ 41 ] به NDII به عنوان شاخص آب سطح زمینی مبتنی بر ماهواره SPOT-4 اشاره کرد. حسگر چندطیفی جدید (MSI) متصل به ماهواره‌های Sentinel-2 (A/B) به دلیل وضوح فضایی بالاتر (10/20/60 متر)، محدوده طیفی 13 باند از 443 تا 2190 نانومتر، فرصت‌هایی برای نظارت بر پوشش گیاهی فراهم می‌کند. و یک بازدید مجدد که می تواند هر پنج روز یکبار زمین را بپوشاند [ 42]، امکان استفاده از سری زمانی پرتکرار داده های ماهواره ای را برای تحقیقات زیست محیطی فراهم می کند. برخی از نمونه‌ها استفاده از Google Earth Engine (GEE) و Sentinel-2 برای نقشه‌برداری از پوشش گیاهی جنگلی [ 43 ]، استفاده از داده‌های Landsat برای نظارت بر تغییرات اکوسیستم [ 44 ]، و برای نقشه‌برداری از بامبو در سراسر GEE [ 45 ] است. اگرچه مطالعات شبیه سازی [ 46] برای ارزیابی سودمندی داده های Sentinel-2 برای تخمین شاخص سطح برگ (LAI) و کلروفیل انجام شده است، توانایی آن در ارزیابی محتوای آب محصول کمتر مورد بررسی قرار گرفته است. هدف از این مطالعه ارزیابی استفاده از سری‌های زمانی شاخص‌های طیفی مشتق‌شده از تصاویر Sentinel-2، به‌دست‌آمده در طول فصول 2018-2019 و 2019-2020 برای تشخیص فشار تورگ در درختان کیوی است. شاخص‌های رویشی مختلف به‌دست‌آمده از طول‌موج‌ها در VNIR و SWIR و ارتباط آن‌ها با اندازه‌گیری تورگور برگی مورد تجزیه و تحلیل قرار خواهند گرفت.

2. مواد و روشها

2.1. منطقه مطالعه

دبیرستان کشاورزی ال کارمن در کمون سن فرناندو، منطقه O’Higgins، شیلی واقع شده است ( شکل 1 ). گونه مورد مطالعه کیوی ( Actinidia deliciosa ) واریته Hayward بود که در خاکی با بافت لومی کشت شد. باغ مورد مطالعه در سال 2009 کاشته شد و دارای مساحت 6.5 هکتار است که به دو پادگان 3 هکتاری هر کدام با 3 زیر واحد آبیاری با چارچوب کاشت 4.5 متر × 3 متر در سیستم رسانایی تاکستان نیوزلند و محلی تقسیم شده است. سیستم آبیاری با میکرو آبپاش 36 لیتر در ساعت. این منطقه دارای آب و هوای مدیترانه ای (Csb) [ 47 ] با بارندگی متوسط، و میانگین سالانه 383 میلی متر در سال در 10 سال گذشته، متمرکز در زمستان، با فصل خشک طولانی 7 تا 8 ماه [48] است .]. علاوه بر این، در این درخت میوه، مدیریت کشاورزی برای افزایش عملکرد و کیفیت میوه، از چهار مرحله رشد فنولوژیکی درخت انجام شد ( جدول 1 و شکل 2 ). با این حال، آبیاری اعمال شد و آب کافی برای تامین آب مورد نیاز محصولات کشاورزی را تامین کرد که با تبخیر و تعرق محصولات زیر نظر گرفته شد [ 49]]، از یک ایستگاه هواشناسی واقع در 700 متری باغ. عرضه آبیاری تغییراتی داشت که عمدتاً بر تقویت رشد میوه متمرکز بود. در طول E1 و E2 مقدار بیشتر و بیشتر از E3 و E4 اعمال شد. در این آخرین مراحل، آبیاری به دفعات کمتر و با مدت طولانی‌تر برای جلوگیری از رشد شاخ و برگ جدید که برای مواد مغذی با رشد و بلوغ میوه رقابت می‌کنند، اعمال شد [50 ] . کاربرد آب در هر فصل را می توان با ثبت رطوبت خاک در اعماق مختلف با استفاده از پروب سنتک نصب شده در باغ مشاهده کرد ( شکل 2 ).

2.2. داده ها

Sentinel-2

ماموریت Sentinel-2 آژانس فضایی اروپا (ESA) از دو ماهواره دوقلو A و B تشکیل شده است که دارای حسگر چند طیفی با 13 باند طیفی در تفکیک مکانی 10، 20 و 60 متر بسته به منطقه طیفی هستند. جدول 2 ). در این مطالعه، از 52 تصویر گرفته شده بین 5 فوریه 2019 تا 11 آوریل 2020 استفاده شد. تصاویر با بسته sen2r [ 52 ] در نرم افزار R [ 53 ] دانلود و پردازش شدند.

2.3. وصله فشار (PP) یارا سنسور آب

نظارت مستمر وضعیت آب پوشش گیاهی بر اساس تکنیک توسعه یافته توسط Zimmermann و همکاران بود. [ 20 ]، که با استفاده از یک حسگر فشار، تغییرات در تورگ برگ را بازیابی کرد. این تکنیک عملکرد انتقال فشار یک برگ را اندازه گیری می کند که به آن فشار لکه (Pp) می گویند، که مربوط به تغییر فشار گیره سنسور در نتیجه نیروی متقابل اعمال شده توسط بافت برگ است. Pp معکوس با فشار تورگ است، به طوری که افزایش در بزرگی Pp حاکی از مقادیر کم تورگ برگ است و کاهش وضعیت آب گیاه را نشان می دهد [ 15 ].
از سنسورهای فشار تورگ (یارا واتر-سنسور) استفاده شد که از دو تصویر تشکیل شده بود که همانطور که در شکل 3 نشان داده شده است به برگ گیاه چسبانده شده بود . یکی از چهره ها دارای یک بریدگی مستطیل شکل بود که یک میکروسنسور فشار را در خود جای داده بود که به طور خودکار و پیوسته هر پنج دقیقه یک بار خواندن را به یک سرور وب منتقل می کرد، بدون اینکه روی توسعه کارخانه تأثیر بگذارد. برای پایش وضعیت آب پوشش گیاهی، سنسورهای آب یارا در پنج درخت کیوی نصب شد ( جدول 3).) که در آن Pp اندازه گیری شد. این حسگرها به دو یا سه برگ از هر درخت متصل بودند که ویژگی های مشابهی (اندازه، رنگ، وضعیت رشد) را نشان می دادند. اندازه گیری Pp برای فصل 2018، بین 5 فوریه تا 15 مه 2019 انجام شد. برای فصل 2019، بین 12 اکتبر 2019 تا 11 آوریل 2020.

2.4. شاخص های پوشش گیاهی طیفی

نه شاخص پوشش گیاهی بر اساس دامنه طیفی VNIR و SWIR که از ماهواره Sentinel-2 به دست آمده است استفاده شد. جدول 4 شاخص های پوشش گیاهی را نشان می دهد که در میان آنها شاخص پوشش گیاهی افزایش یافته (EVI) و شاخص تفاوت نرمال شده مادون قرمز (NDII) برجسته شده است. این آخرین نشانگر در ادبیات با نام‌های مختلف یافت می‌شود که با تغییرات طیفی در SWIR و حسگر مورد استفاده مرتبط است. [ 36 ] نام NDWI، NDII، و NBR را برای طول SWIR (1) 1-1.3 بررسی و تعیین کرد. μمتر، (2) 1.55-1.75 μمتر، و (3) 2.05-2.45 μمتر به ترتیب.
شاخص های پوشش گیاهی با تابع s2_calcindices از بسته sen2r [ 52 ] محاسبه شد. ما یک سری زمانی در هر شاخص ایجاد کردیم، در مجموع 9 عدد، دارای طول هر کدام 52 تصویر و فرکانس پنج روز. این سری های زمانی در R به عنوان لایه پشته با استفاده از رستر بسته [ 60 ] پردازش شدند. سپس سری‌های زمانی هر شاخص را در پیکسلی که درخت با Pp نصب شده بود استخراج کردیم. برای حذف داده‌ها با ابرها، از سری‌های زمانی NDVI، تاریخ‌هایی با مقادیر غیرعادی خارج از محدوده [0-1] با اجرای دو معیار شناسایی شدند: (1) تاریخ‌هایی با مقادیر NDVI کمتر از 0.2 شناسایی شدند. (2) یک بازرسی بصری از ترکیب RGB مربوطه انجام شد. که دردر شکل 4 ، 44 تاریخ انتخاب شده برای شاخص CARI ارائه شده است که مربوط به این شاخص است که تنوع مکانی بالاتری در طول فصول دارد.

2.5. تحلیل اکتشافی

داده‌های Pp به‌دست‌آمده از سنسورهای مختلف آب Yara برای فصل‌های 2018-2019 و 2019-2020 تحت یک روش تمیز کردن برای حذف داده‌های غیرعادی قرار گرفتند. داده های سنسورهای آب یارا که رکورد کمتر از 30 درصد داشتند حذف شدند و همچنین آن دسته از رکوردهایی که حداقل 3 دوره با ناپیوستگی و نوسان بزرگی حداقل 100 درصد داشتند حذف شدند. سپس، نقاط پرت برای یک دوره هفتگی حذف شدند و محدوده ای بین میانگین هفتگی ± دو انحراف استاندارد را تعریف کردند. علاوه بر این، نقاط پرت ماهانه با محدود کردن دامنه بین میانگین ماهانه ± دو انحراف استاندارد حذف شدند.

پس از آن، رکوردهای Pp روزانه با توجه به بازه زمانی بازدید مجدد Sentinel-2، با محاسبه میانگین Pp هر 15 دقیقه بین ساعت 15:00 تا 16:00 UTC خلاصه شد، زیرا Sentinel-2 از قلمرو شیلی در ~ 15:30 عبور می کند. UTC با توجه به این واقعیت که بین فصل های 2018-2019 و 2019-2020، درختان کیوی برگ های خود را از دست می دهند، حسگرها باید دوباره روی برگ های جدید همان درخت نصب می شدند. بنابراین، برای جلوگیری از خطاهای مربوط به نصب سنسور، اندازه‌گیری‌های فشار مستقل از یکدیگر در نظر گرفته شد و تنها تغییرات هر سنسور در هر فصل در نظر گرفته شد که با اعمال استانداردسازی از طریق میانگین و استاندارد تعیین شد (معادله (1) ) . [ 61 ].

zمن=ایکسمن-ایکس¯σ

جایی که zمنارزش مقدار استاندارد شده است ایکسمن; عنصری از نمونه داده با میانگین ایکس¯و انحراف معیار σ.

با توجه به تجزیه و تحلیل شاخص‌های پوشش گیاهی، شاخص‌هایی که کمترین همبستگی را بین آن‌ها داشتند، برای جلوگیری از افزونگی انتخاب شدند. انتخاب بر اساس یک ماتریس همبستگی بر اساس ضریب پیرسون [ 62 ] بود. به طور تجربی، میانگین آستانه همبستگی برای هر شاخص r ≤ 0.7 و r ≤ 0.97، به ترتیب برای شاخص های مبتنی بر VNIR و VNIR-SWIR تعیین شد. برای اینکه شاخص های پوشش گیاهی با اندازه گیری های Pp قابل مقایسه باشد، مقادیر هر فصل با معادله ( 1 ) استاندارد شد.

2.6. تجزیه و تحلیل همبستگی

برای ارتباط اندازه‌گیری‌های Pp با شاخص‌های طیفی، از مقدار میانگین مقادیر موجود در حسگرهای Pp موجود در هر درخت استفاده شد ( جدول 3 ). ارتباط شاخص‌های پوشش گیاهی با تغییرات زمانی Pp با استفاده از ضریب پیرسون ( r ) [ 62 ] و ضریب ناپارامتریک اسپیرمن rho (rho) ارزیابی شد.ρ) [ 63 ]. علاوه بر این، رابطه بین هر دو متغیر با استفاده از مدل رگرسیون خطی، به دست آوردن معیارهای ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین ( r2) [ 64 ، 65 ].

3. نتایج

3.1. تحلیل اکتشافی

تجزیه و تحلیل ماتریس همبستگی برای شاخص های پوشش گیاهی ( شکل 5 ) مشخص کرد که رابطه بالایی بین شاخص های ساخته شده با باندهای طیفی در طول موج VNIR-SWIR، به ویژه با r بین [0.94-1] وجود دارد. تنوع بیشتر بین شاخص های متعلق به محدوده VNIR با مقادیر r بین [0-0.99] به دست آمد. شاخص CARI برای ارائه بیشترین ناهمگنی برجسته است، که با رفتار طیفی نوار سبز که در سایر شاخص ها یافت نمی شود توضیح داده می شود. شاخص‌هایی با کمترین همبستگی که محدوده طیفی VNIR و VNIR-SWIR را نشان می‌دهند، مطابق با شاخص‌های CARI، EVI، Rededge1، NDII و GVM1، با میانگین r انتخاب شدند .مقادیر 0.17، 0.70، 0.70، 0.96 و 0.97 به ترتیب.
شکل 6 ب تغییرات زمانی در شاخص های پوشش گیاهی بین هر مرحله از مدیریت کشاورزی (E1، E2، E3 و E4) را برای هر درخت نشان می دهد. روند شاخص‌های پوشش گیاهی در هر دو فصل مطابق با فنولوژی و مدیریت زراعی است ( شکل 2 )، زیرا بزرگی شاخص‌ها از E1 شروع به افزایش تا رسیدن به حداکثر قدرت فتوسنتزی در E2 و از E3 مقادیر در هر دو می‌کند. فصل ها روند کاهشی دارند. تنوع مکانی شاخص‌های پوشش گیاهی کم بود و به حداکثر انحراف استاندارد 0.13 رسید، به جز CARI که در فصل 2018-2019 به مقادیر 0.43 رسید. شکل 4 سری مکانی-زمانی CARI را نشان می دهد که در آن تنوع فضایی به دست آمده در باغ نشان داده شده است.
با توجه به سنسورهای Pp ( شکل 6 الف)، دینامیک زمانی رفتار متفاوتی را بین مراحل مدیریت کشاورزی نشان می‌دهد. در E1 و E2، فصل 2019-2020، Pp با کاهش مقدار خود شروع می شود و سپس مقادیر خود را حفظ می کند و در طول زمان یک رفتار پایدار از خود نشان می دهد که نشان دهنده حفظ وضعیت هیدریک برگ است. از سوی دیگر، در E3 و E4 افزایش در بزرگی Pp وجود دارد که با از دست دادن تورگ برگ، که مربوط به کاهش حالت هیدریک آن است، مشهود است. با این حال، فقدان داده در مورد درختان برای فصل 2019-2020 و تنوع بین سنسورها، قابلیت اطمینان تجزیه و تحلیل را محدود می کند.
تنوع به‌دست‌آمده بین سنسورهای هر درخت ( شکل 6 الف و جدول 5 ) نشان می‌دهد که در E3 و E4 با مقادیر در محدوده [0.41، 0.63] بالاتر است و به دنبال آن E1 و E2 با مقادیر 0.36 و 0.23 قرار دارند. ، به ترتیب. این رفتار مربوط به اثر متمایز برگها به دلیل مدیریت کشاورزی است، زیرا در مراحلی که تنوع بیشتر بود، اقدامات تخریبی روی گیاه انجام شد. به طور خاص، وظایف حذف شاخ و برگ در E1 و E3 انجام شد، و میوه در E4 برداشت شد. در مقابل، E2 یک مدیریت غیر مخرب مربوط به گرده افشانی گل و رشد و نمو میوه داشت ( جدول 1 ).

3.2. تجزیه و تحلیل همبستگی

مدل رگرسیون خطی مورد استفاده برای Pp و شاخص‌های پوشش گیاهی سوگیری‌هایی را در باقیمانده‌ها ارائه کرد. بنابراین نتایج ضریب همبستگی پیرسون در تحلیل لحاظ نشده و فقط اسپیرمن است ρضریب و ریشه میانگین مربعات خطا (RMSE). تجزیه و تحلیل اسپیرمن برای پویایی زمانی Pp و شاخص‌های پوشش گیاهی ( شکل 7 الف) در فصل 2018-2019 یک رابطه قوی در بیشتر درختان نشان داد، با EVI و GVMI که شاخص‌هایی هستند که بیشترین ارتباط را با مقدار متوسط ​​به دست آوردند. ρبه ترتیب برابر با -0.88 و -0.81 است. CARI، NDII و RedEdge1 به میانگین بزرگی رسیدند ρبرابر با -0.77، -0.76 و -0.74 ( شکل 7 a). سپس، در فصل دوم، میزان ارتباط برای همه شاخص‌ها کاهش یافت و در نتیجه یک ρبرای Rededge1، EVI، CARI و NDII به ترتیب برابر با -0.65، -0.66، -0.55 و -0.44 است. نتایج نشان می‌دهد که در فصل 2019-2020، بر اساس رفتارهای E1 و E2، بین Pp و شاخص‌های پوشش گیاهی متشکل از NIR، رابطه کمتری وجود داشت که در آن شاخص‌های پوشش گیاهی، به استثنای Rededge1، نشان دادند. افزایش در قدر، در حالی که مقادیر Pp تمایل به ثابت بودن دارند ( شکل 8 ). لازم به ذکر است درختانی که بیشترین تنوع را بین سنسورهای آب یارا، A13 و A63 خود برای فصول 2018-2019 و 2019-2020 داشتند، به ترتیب با شاخص های پوشش گیاهی رابطه معنی داری نداشتند. شکل 7b ظرفیت پیش‌بینی کم Pp شاخص‌های پوشش گیاهی را با استفاده از یک مدل خطی نشان می‌دهد که مقدار میانگین RMSE بیشتر از 0.5 برای بیشتر شاخص‌های فصل اول و بیشتر از 0.7 برای شاخص‌های فصل دوم است. این نشان دهنده یک خطای مهم در برآورد Pp است، با توجه به اینکه بزرگی Pp به طور متوسط ​​بین 1- و 2 در نوسان است.
انتظار می‌رفت عملکرد NDII و GMVI بالاتر باشد، زیرا بر خلاف سایر شاخص‌ها، اینها از یک نوار در SWIR تشکیل شده‌اند که به محتوای آب پوشش گیاهی حساس است. برای بهبود درک این نتیجه، شکل 9 a سری های زمانی بازتاب باندهای طیفی مورد استفاده در شاخص های پوشش گیاهی را نشان می دهد. بازتاب در قرمز افزایش جزئی نسبت به E3 به دست آورد، در حالی که در SWIR (1610 و 2190 نانومتر) و در لبه قرمز (704 نانومتر) تنوع کمی داشت، که نشان دهنده حساسیت کمتر به تغییرات در پوشش گیاهی است. در شکل 9b میانگین طیفی پنج درخت کیوی برای تاریخ در هر مرحله توسعه نشان داده شده است (E1-E4). می توان مشاهده کرد که ناحیه طیفی حساس به توسعه پوشش گیاهی در محدوده طیفی 740-1610 نانومتر است که مربوط به مناطق طیفی است که توسط پوشش گیاهی سالم جذب نمی شود. در حالی که مناطقی که بسیار جذب می شوند، 442-740 نانومتر و 1610-2202 نانومتر، با تغییرات کم باقی می مانند. شکل 9 a,b نشان می دهد که بازتاب پوشش گیاهی در NIR با تشخیص رفتار فنولوژیکی محصول بیشترین حساسیت را به دست آورد. رفتار اکثر شاخص های پوشش گیاهی عمدتاً توسط NIR توضیح داده می شود.

4. بحث

با توجه به این واقعیت که آبیاری ارائه شده به طور منظم همگن بود و برای برآوردن نیاز آبی محصول اعمال می شد، تغییرات در Pp عمدتاً با تغییر در وضعیت آبی برگ ناشی از اثر هم افزایی بین مدیریت کشاورزی توضیح داده می شود. فنولوژی محصول و تقاضای جوی با شروع تولید میوه، از گرده افشانی (E2)، آبکش از ذخایر برگها به سمت میوه حرکت می کند و به تدریج باعث کاهش تورگ برگ می شود [ 66]]. این فرآیند با تلفات آب بیشتر با هرس سبز انجام شده در E3 همراه است، که کارایی برگ را برای حفظ آب کاهش می دهد و به تقاضای جوی تسلیم نمی شود. در نهایت، کاهش فشار تورگ در اواسط E4 با رسیدن به پیری برگ بدتر می شود که باعث کاهش کلروفیل و بازیافت مواد مغذی برگی و به دنبال آن کم آبی برگ می شود [66 ] .
امضای طیفی محصول کیوی، که در شکل 9 ب نشان داده شده است، میانگین بازتاب در پیکسل های محصول کیوی در چهار تصویر ماهواره ای مربوط به تاریخ هر مرحله مدیریت است. شکل 9 ب نشان می دهد که در طول چهار مرحله مدیریت کشاورزی، پوشش گیاهی جذب بالایی را در طول های مرئی و SWIR حفظ می کند، که نشان دهنده رفتار پوشش گیاهی سالم و پرآبی است [ 67] .]، مطابق با عرضه آبیاری است. به این ترتیب، استنباط می‌شود که طول موج‌هایی که سطح بازتاب خود را ثابت نگه می‌دارند، برای نظارت بر وضعیت هیدریک پوشش گیاهی مناسب‌تر هستند، این طول موج‌ها قابل مشاهده (442-665 نانومتر)، لبه قرمز (704 نانومتر) و SWIR (1610 و 2190 نانومتر) هستند. شاخص Rededge1 بهترین رابطه را با Pp در E1-E2 نشان می‌دهد که حساسیت کمی را با فنولوژی، به ویژه با رشد رویشی نشان می‌دهد، که نشان می‌دهد برای نظارت بر وضعیت آب پوشش گیاهی بر اساس تورگ برگ مناسب‌تر است. با این حال، از آنجایی که عرضه آبیاری برای برآوردن تقاضای جوی اعمال شد، پوشش گیاهی تنش آبی را تجربه نکرد. بنابراین، لازم است که تیمارهای آبیاری مختلف را برای بهبود ارزیابی محدوده طیفی مرئی (442-665 نانومتر) لحاظ کنیم. لبه قرمز (704 نانومتر) و SWIR (1610 و 2190 نانومتر)، به منظور شناسایی موقعیت‌های مازاد یا تنش در پوشش گیاهی و کمک به توسعه برنامه‌های کاربردی برای بهبود استراتژی آبیاری محصولات. در مورد سایر مطالعات، کیم و همکاران. [37 ] پاسخ طیفی برگها را با حسگرهای فراطیفی ارزیابی کرد زیرا تورگر آنها طی 24 ساعت کاهش یافت و دریافت که بیشتر تغییرات بازتابی در طول موج SWIR در 1470 نانومتر رخ داده است. مطالعاتی که پتانسیل دید را شناسایی کرده اند بر توضیح پتانسیل آب متمرکز شده اند. ون بیک و همکاران [ 68 ] شاخص های طیفی با پتانسیل آبی ساقه در باغ گلابی همبستگی دارد. آنها دریافتند که همبستگی بالاتر در SWIR (1400-2400 نانومتر) و محدوده مرئی (500-700 نانومتر) با آر2مقادیر 0.51، و 0.48، به ترتیب، نشان دهنده مزیت این محدوده طیفی برای ارزیابی وضعیت آبی مستقل فنولوژی است. لین و همکاران [ 69 ] از مجموعه ای از باندهای Sentinel-2 برای پیش بینی پتانسیل آبی ساقه در پنبه از طریق جنگل تصادفی استفاده کرد و دریافت که مهمترین نوارها مربوط به SWIR (1610 نانومتر) و لبه قرمز (704 نانومتر) است.
شاخص های پوشش گیاهی ساخته شده از NIR رابطه نزدیکی با رشد رویشی محصول نشان داد. رابطه کمتر بین Pp و شاخص‌های پوشش گیاهی در فصل 2019-2020 نسبت به فصل 2018-2019، نشان می‌دهد که رابطه بین Pp و شاخص‌های پوشش گیاهی متشکل از NIR مبتنی بر توسعه رویشی محصول است و اینطور نیست. مربوط به تغییرات هیدریک محصول ناشی از فنولوژی و مدیریت کشاورزی است. این یافته توسط [ 70] که رابطه بین بازتاب دامنه‌های طیفی مختلف و مجموعه‌ای از داده‌های جنگل‌های معتدل و شمالی آمریکای شمالی را تحلیل کرد. این نویسندگان تعیین کردند که نوارهایی که بیشترین حساسیت را به فنولوژی پوشش گیاهی دارند دقیقاً با مناطقی مطابقت دارند که در فرآیند فتوسنتز استفاده نمی شوند. اینها مناطق مادون قرمز هستند که با همبستگی بالا بین غلظت نیتروژن تاج پوشش و بازتاب در ناحیه NIR (800-1400 نانومتر)، در مقایسه با نسبت بازتاب پایین در ناحیه مرئی توضیح داده می‌شوند. مطالعات بیشتر باید بر روی شاخص هایی متمرکز شود که به رشد رویشی حساس نیستند و باید مستقیماً با وضعیت هیدریک پوشش گیاهی مرتبط باشند. علاوه بر SWIR، باندهای طیفی در مایکروویو [ 71 ، 72] و محدوده حرارتی [ 35 ، 73 ، 74 ، 75 ، 76 ] نشان داده شده است که کیفیتی برای شناسایی تغییرات در محتوای آب سطحی دارند.
مشخص شد که Pp، متغیری که به عنوان پیش‌بینی‌کننده وضعیت آبی پوشش گیاهی استفاده می‌شود، تحت تأثیر مدیریت کشاورزی و فنولوژی پوشش گیاهی است. بنابراین، تجزیه و تحلیل باید تیمارهای آبیاری را در نظر بگیرد که این پاسخ را برای ارزیابی تغییرات Pp ناشی از منبع آب جدا می کند. در نهایت، در این مطالعه، استانداردسازی Pp به عنوان روشی برای حذف مقدار آن و عمدتاً ارزیابی تغییرپذیری زمانی آن استفاده شد. به این ترتیب خطاهای مربوط به نصب سنسورهای آب یارا در بین فصول مختلف کاهش یافت که کمک زیادی به نمایش رفتار یک درخت کرد. با این حال، تجزیه و تحلیل بهتر Pp برای کاربردهای آبیاری باید شامل مقدار برای تعیین محدوده Pp باشد که مربوط به دوره‌های تنش آبی یا مازاد در پوشش گیاهی است.

5. نتیجه گیری ها

نه سری زمانی از شاخص‌های پوشش گیاهی در محدوده‌های طیفی VNIR و SWIR برای توضیح تغییرات در وضعیت آبی برگ پنج درخت کیوی، که از طریق فشار وصله سنسور آب یارا بازیابی شده‌اند، استفاده شد. نتایج زیر برای رژیم‌های آبیاری که باغ کیوی تحت آن قرار داشت به دست آمد:
  • از 9 مطالعه شاخص پوشش گیاهی، شاخص CARI با کمترین همبستگی زمانی ( r = 0.17) بین شاخص‌ها روی درختان کیوی بود که با رفتار طیفی نوار سبز که در سایر شاخص‌ها یافت نمی‌شود توضیح داده می‌شود. .
  • شواهد نشان داده شد که اندازه‌گیری‌های مداوم فشار لکه (Pp) تغییرات موقتی در حالت آبی برگ را شناسایی می‌کند، که هم به رفتار فنولوژیکی پوشش گیاهی و هم به مدیریت کشاورزی نسبت داده می‌شود.
  • توسعه محصول به شدت بر عملکرد شاخص‌های پوشش گیاهی در طول فصل تأثیر گذاشت، که بیشتر تغییرات وضعیت آب روی تاج کیوی را توضیح می‌دهد. با این وجود، سری زمانی شاخص‌های پوشش گیاهی که بالاترین رابطه Pp را به دست آوردند، به ترتیب EVI و Rededge1 برای فصل‌های 2018-2019 و 2019-2020 بودند.
  • شاخص Rededge1 نسبت به رشد رویشی حساسیت کمتری داشت و ظرفیت آن برای نظارت بر وضعیت آبی پوشش گیاهی بر اساس تورگ برگ نیاز به بررسی بیشتر دارد.
  • تحقیقات آینده نیاز به پرداختن به دو موضوع اصلی دارد: (1) توانایی تفکیک رفتار زمانی Vis به دلیل توسعه پوشش گیاهی برای از بین بردن تغییرات ناشی از تغییر وضعیت آب در گیاه، و (ب) بررسی با سطوح محدود از تامین آب در کیوی که می تواند با تیمارهای کم آبیاری کنترل شده اجرا شود.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

CARI شاخص نسبت جذب کلروفیل
r2 ضریب تعیین
EVI شاخص گیاهی پیشرفته (EVI)
ESA آژانس فضایی اروپا (ESA)
ET تبخیر و تعرق (ET)
GVMI شاخص جهانی رطوبت گیاهی (GVMI)
LAI شاخص سطح برگ (LAI)
LCI شاخص کلروفیل برگ (LCI)
NIR مادون قرمز نزدیک (NIR)
NBR شاخص نسبت سوختگی عادی (NBR)
NDII شاخص تفاوت عادی شده مادون قرمز (NDII)
NDVI شاخص تفاوت نرمال شده گیاهی (NDVI)
NDWI شاخص تفاوت عادی آب (NDWI)
صص فشار وصله (PP)
r ضریب پیرسون
RTM مدل انتقال تابشی (RTM)
RMSE ریشه میانگین مربعات خطا (RMSE)
SWIR مادون قرمز موج کوتاه (SWIR)
SIWSI شاخص استرس آب مادون قرمز موج کوتاه
RDI نسبت ساده شاخص خشکسالی نسبت MIR/NIR
SPAC پیوستار خاک-گیاه-اتمسفر
ρ ضریب ناپارامتری اسپیرمن rho
BOA پایین اتمسفر
VNIR مرئی و مادون قرمز نزدیک
WUE راندمان مصرف آب

منابع

  1. Misra, AK تغییر اقلیم و چالش های امنیت آب و غذا. بین المللی J. Sustain. محیط ساخته شده 2014 ، 3 ، 153-165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. لیپر، ال. تورنتون، پی. کمپبل، بی.ام. بیدکر، تی. بریمو، ا. بوالیا، م. کارون، پی. Cattaneo، A. گاریتی، دی. هنری، ک. و همکاران کشاورزی هوشمند با آب و هوا برای امنیت غذایی نات صعود چانگ. 2014 ، 4 ، 1068-1072. [ Google Scholar ] [ CrossRef ]
  3. Garreaud، RD; آلوارز-گارتون، سی. باریچیویچ، جی. Boisier، JP; کریستی، دی. گالگیلو، ام. LeQuesne، C. مک فی، جی. Zambrano-Bigiarini، M. خشکسالی 2010-2015 در مرکز شیلی: تأثیرات بر آب و هوای منطقه ای و پوشش گیاهی. هیدرول. سیستم زمین علمی 2017 ، 21 ، 6307–6327. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. زامبرانو، اف. لیلو-ساودرا، م. وربیست، ک. Lagos, O. شانزده سال ارزیابی خشکسالی کشاورزی منطقه biobío در شیلی با استفاده از شاخص وضعیت پوشش گیاهی با وضوح 250 متر (VCI). Remote Sens. 2016 ، 8 ، 530. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. زامبرانو، اف. واردلو، بی. تادسه، تی. لیلو-ساودرا، م. لاگوس، او. ارزیابی مجموعه داده های بارش تاریخی بلندمدت به دست آمده از ماهواره برای پایش خشکسالی در شیلی. اتمس. Res. 2017 ، 186 ، 26-42. [ Google Scholar ] [ CrossRef ]
  6. زامبرانو، اف. Vrieling، A. نلسون، ا. مرونی، م. Tadesse, T. پیش‌بینی کاهش بهره‌وری کشاورزی ناشی از خشکسالی در شیلی از MODIS، برآوردهای بارش و شاخص‌های نوسان آب و هوا. سنسور از راه دور محیط. 2018 ، 219 ، 15-30. [ Google Scholar ] [ CrossRef ]
  7. Boisier، JP; آلوارز-گارتون، سی. کوردرو، RR; دامیانی، ع. گالاردو، ال. Garreaud، RD; لامبرت، اف. راملو، سی. روجاس، م. Rondanelli، R. خشک شدن انسانی در مرکز-جنوب شیلی که مشاهدات طولانی مدت و شبیه‌سازی مدل آب و هوا نشان داده است. عنصر علمی آنت. 2018 ، 6 ، 74. [ Google Scholar ] [ CrossRef ]
  8. زامبرانو، اف. مولینا، م. ونگاس، آ. مولینا، جی. ویدال، ص. تأثیر خشکسالی شدید بر بهره‌وری پوشش گیاهی در شیلی: جنگل‌ها نسبت به محصولات زراعی و علفزار مقاوم‌تر هستند. 2020. موجود به صورت آنلاین: https://www.researchgate.net/publication/338801833_IMPACT_OF_MEGADROUGHT_ON_VEGETATION_PRODUCTIVITY_IN_CHILE_FOREST_LESSER_RESISTANT_THAN_CROPS_AND_GRASS در 6 اکتبر 20.
  9. Kirkham, MB اصول روابط خاک و آب گیاهی ; Elsevier Inc., 2005; در دسترس آنلاین: https://www.sciencedirect.com/book/9780124200227/principles-of-soil-and-plant-water-relations (در 26 اکتبر 2020 قابل دسترسی است). [ CrossRef ]
  10. دورنبوس، جی. Kassam, AH Yield Response to Water, FAO Irrigation and Drenage Paper 33 ; سازمان غذا و کشاورزی سازمان ملل متحد: رم، ایتالیا، 1986. [ Google Scholar ]
  11. نوبل، PS فیزیکوشیمیایی و فیزیولوژی گیاهی محیطی ; Elsevier Inc., 2009; در دسترس آنلاین: https://www.sciencedirect.com/book/9780123741431/physicochemical-and-environmental-plant-physiology (در 26 اکتبر 2020 قابل دسترسی است). [ CrossRef ]
  12. Scholander، PF; هامل، HT; Bradstreet، ED; فشار همینگسن، EA شیره در گیاهان آوندی. Science 1965 ، 148 ، 339-346. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. ارنبرگر، دبلیو. روگر، اس. رودریگز-دومینگز، سی ام. دیاز-اسپژو، آ. فرناندز، جی. مورنو، جی. زیمرمن، دی. سوخوروکوف، وی.ال. Zimmermann، U. Leaf گیره فشار پروب اندازه گیری بر روی برگ های زیتون در یک حالت تقریبا turgorless. گیاه بیول. 2012 ، 14 ، 666-674. [ Google Scholar ] [ CrossRef ]
  14. Fernández، JE سنجش مبتنی بر گیاه برای نظارت بر تنش آب: قابلیت کاربرد در باغ‌های تجاری. کشاورزی مدیریت آب. 2014 ، 142 ، 99-109. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. رودریگز-دومینگز، سی ام. هرناندز-سانتانا، وی. باکلی، TN; فرناندز، جی. Diaz-Espejo، A. حساسیت تورگ برگ زیتون به کمبود فشار بخار هوا با حداکثر هدایت روزنه ای در روز ارتباط دارد. کشاورزی برای. هواشناسی 2019 ، 272-273 ، 156-165. [ Google Scholar ] [ CrossRef ]
  16. وستوف، ام. اشنایدر، اچ. زیمرمن، دی. میمیتز، اس. استینزینگ، ا. وگنر، ال. قیصر، دبلیو. کرون، جی. شرلی، اس. یعقوب، پ. و همکاران مکانیسم های پر کردن مجراهای آوند چوبی و خونریزی توس بلند در فصل بهار گیاه بیول. 2008 ، 10 ، 604-623. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. زیمرمن، یو. تلخ، ر. مارچیوری، PER; روگر، اس. ارنبرگر، دبلیو. سوخوروکوف، وی.ال. شوتلر، آ. Ribeiro, RV یک کاوشگر گیاهی غیر تهاجمی برای نظارت مستمر تنش آب در زمان واقعی: ابزاری جدید برای برنامه ریزی آبیاری و بینش عمیق تر به فیزیولوژی تنش خشکی و شوری. نظریه. انقضا فیزیول گیاهی 2013 ، 25 ، 2-11. [ Google Scholar ] [ CrossRef ]
  18. بیوزامی، ال. ناکایاما، ن. Boudaoud, A. Flowers Under Pressure: Ins and Outs of Turgor Regulation in Development. 2014. در دسترس آنلاین: https://academic.oup.com/aob/article/114/7/1517/2769111 (در 26 اکتبر 2020 قابل دسترسی است). [ CrossRef ]
  19. جونز، گیاهان HG و ریزاقلیم: رویکرد کمی به فیزیولوژی گیاهی محیطی . انتشارات دانشگاه کمبریج، 2013; جلد 9780521279، ص 1–407. در دسترس آنلاین: https://www.researchgate.net/publication/287238047_Plants_and_Microclimate_A_Quantitative_Approach_to_Environmental_Plant_Physiology (در 26 اکتبر 2020 قابل دسترسی است). [ CrossRef ][ نسخه سبز ]
  20. زیمرمن، دی. رویس، آر. وستوف، ام. گسنر، پی. بائر، دبلیو. بامبرگ، ای. Bentrup، FW; Zimmermann, U. یک کاوشگر جدید، غیر تهاجمی، پایش آنلاین، همه کاره و آسان مبتنی بر گیاه برای اندازه گیری وضعیت آب برگ. J. Exp. ربات 2008 ، 59 ، 3157-3167. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  21. روگر، اس. ارنبرگر، دبلیو. آرند، م. گسنر، پی. زیمرمن، جی. زیمران، دی. Bentrup، FW; نادلر، ا. راوه، ا. سوخوروکف، وی.ال. و همکاران پایش مقایسه ای تغییرات زمانی و مکانی در وضعیت آب درخت با استفاده از پروب فشار گیره تکه برگ غیر تهاجمی و بمب فشار. کشاورزی مدیریت آب. 2010 ، 98 ، 283-290. [ Google Scholar ] [ CrossRef ]
  22. ژاکمود، اس. Ustin, SL; Verdebout، J. اشماک، جی. آندرولی، جی. Hosgood، B. برآورد بیوشیمی برگ با استفاده از مدل خواص نوری برگ PROSPECT. سنسور از راه دور محیط. 1996 ، 56 ، 194-202. [ Google Scholar ] [ CrossRef ]
  23. پنولاس، جی. فیللا، آی. بیل، سی. سرانو، ال. ذخیره، R. بازتاب در منطقه 950-970 نانومتر به عنوان شاخص وضعیت آب گیاه. بین المللی J. Remote Sens. 1993 ، 14 ، 1887-1905. [ Google Scholar ] [ CrossRef ]
  24. چاوز، روسی. باهوش، JG; هرولد، ام. اورتیز، ام. Acevedo، E. مدل‌سازی پاسخ طیفی درخت بیابانی prosopis tamarugo به تنش آبی. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 21 ، 53-65. [ Google Scholar ] [ CrossRef ]
  25. Knapp، AK; Carter, GA تنوع در خواص نوری برگ در بین 26 گونه از طیف وسیعی از زیستگاه ها. صبح. J. Botany 1998 , 85 , 940-946. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. Ourcival, JM; جوفر، آر. رامبال، اس. بررسی روابط بین بازتاب و خواص تشریحی و بیوشیمیایی در برگ‌های Quercus ilex. فیتول جدید. 1999 ، 143 ، 351-364. [ Google Scholar ] [ CrossRef ]
  27. کلمبو، آر. مرونی، م. مارکسی، ا. بوستتو، ال. روسینی، ام. جیاردینو، سی. Panigada, C. برآورد میزان آب برگ و تاج پوشش در صنوبر با استفاده از شاخص های فراطیفی و مدل سازی معکوس. سنسور از راه دور محیط. 2008 ، 112 ، 1820-1834. [ Google Scholar ] [ CrossRef ]
  28. بای، تی. ژانگ، ن. مرکاتوریس، بی. روش پیش‌بینی عملکرد عناب با ترکیب شاخص گیاهی Landsat 8 و طول فنولوژیکی Chen, Y. محاسبه کنید. الکترون. کشاورزی 2019 ، 162 ، 1011-1027. [ Google Scholar ] [ CrossRef ]
  29. کارکائوسکایت، پ. تاجسون، تی. Fensholt، R. ارزیابی شاخص فنولوژی گیاهی (PPI)، NDVI و EVI برای تجزیه و تحلیل روند شروع فصل از منطقه شمالی نیمکره شمالی. Remote Sens. 2017 , 9 , 485. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. راگاوندرا، BR; محمد اسلم، کارشناسی ارشد حساسیت شاخص‌های پوشش گیاهی داده‌های MODIS برای پایش محصولات برنج در منطقه رایچور، کارناتاکا، هند. مصر. J. Remote Sens. Space Sci. 2017 ، 20 ، 187-195. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. Xe، J. Su، B. شاخص های گیاهی سنجش از دور قابل توجه: بررسی پیشرفت ها و کاربردها. J. Sens. 2017 , 2017 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. Rouse, JW; هاس، RH; شل، JA; Deering، DW نظارت بر سیستم های پوشش گیاهی در دشت های بزرگ با ERTS. 1973. در دسترس آنلاین: https://ntrs.nasa.gov/citations/19740022614 (در 26 اکتبر 2020 قابل دسترسی است).
  33. هیوت، ا. دیدان، ک. میورا، اچ. رودریگز، ای. گائو، ایکس. فریرا، L. بررسی اجمالی عملکرد رادیومتری و زیستی شاخص های پوشش گیاهی MODIS. سنسور از راه دور محیط. 2002 ، 83 ، 195-213. [ Google Scholar ] [ CrossRef ]
  34. گرهاردز، ام. شلرف، ام. راشر، یو. اودلهوون، تی. یوشچاک، آر. آلبرتی، جی. میگلیتا، اف. Inoue, Y. تجزیه و تحلیل تصاویر نوری و حرارتی هوابرد برای تشخیص علائم استرس آب. Remote Sens. 2018 , 10 , 1139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. گرهاردز، ام. شلرف، ام. مالیک، ک. Udelhoven، T. چالش‌ها و دیدگاه‌های آینده سنجش از دور مادون قرمز حرارتی چند-/فوق‌طیفی برای تشخیص تنش آب محصول: یک بررسی. Remote Sens. 2019 ، 11 ، 1240. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. جی، ال. ژانگ، ال. ویلی، بی کی؛ Rover, J. در مورد اصطلاحات شاخص پوشش گیاهی طیفی (NIR – SWIR) / (NIR + SWIR). بین المللی J. Remote Sens. 2011 , 32 , 6901–6909. [ Google Scholar ] [ CrossRef ]
  37. کیم، دی.م. ژانگ، اچ. ژو، اچ. دو، تی. وو، کیو. Mockler, TC; Berezin، MY شاخص های بسیار حساس مشتق شده از تصویر گیاهان تحت تنش آب با استفاده از تصویربرداری فراطیفی در SWIR و تجزیه و تحلیل هیستوگرام. علمی جمهوری 2015 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. هاردیسکی، MA; کلماس، وی. اسمارت، RM تأثیر شوری خاک، فرم رشد و رطوبت برگ بر درخشش طیفی سایبان های Spartina alterniflora. فتوگرام مهندس Remote Sens. 1983 , 49 , 77-83. [ Google Scholar ]
  39. گائو، پیش از میلاد NDWI – یک شاخص تفاوت عادی آب برای سنجش از راه دور آب مایع گیاهی از فضا. سنسور از راه دور محیط. 1996 ، 58 ، 257-266. [ Google Scholar ] [ CrossRef ]
  40. فنشولت، آر. Sandholt، I. استخراج شاخص تنش آب مادون قرمز موج کوتاه از داده های مادون قرمز موج کوتاه و نزدیک MODIS در یک محیط نیمه خشک. سنسور از راه دور محیط. 2003 ، 87 ، 111-121. [ Google Scholar ] [ CrossRef ]
  41. شیائو، ایکس. هالینگر، دی. آبر، ج. گلتز، ام. دیویدسون، EA; ژانگ، Q. مور، ب. مدل‌سازی تولید اولیه ناخالص مبتنی بر ماهواره در یک جنگل برگ سوزنی همیشه سبز. سنسور از راه دور محیط. 2004 ، 89 ، 519-534. [ Google Scholar ] [ CrossRef ]
  42. ESA ESA – SENTINEL 2. 2015. موجود به صورت آنلاین: https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-2 (در 26 اکتبر 2020 قابل دسترسی است).
  43. پراتیکو، اس. دی فازیو، اس. Modica، G. تجزیه و تحلیل چند زمانی تصاویر Sentinel-2 برای نقشه برداری از انواع گیاهی جنگلی: رویکرد موتور Google Earth . Springer: Cham، سوئیس، 2021; صفحات 1650-1659. [ Google Scholar ] [ CrossRef ]
  44. Vogelmann، JE; شیان، جی. هومر، سی. Tolk، B. نظارت بر تغییر تدریجی اکوسیستم با استفاده از تحلیل‌های سری زمانی Landsat: مطالعات موردی در اکوسیستم‌های جنگلی و مرتعی منتخب. سنسور از راه دور محیط. 2012 ، 122 ، 92-105. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. ژانگ، ام. گونگ، پی. چی، اس. لیو، سی. Xiong، T. نقشه برداری بامبو با ویژگی های فنولوژیکی منطقه ای مشتق شده از سری های زمانی متراکم Landsat با استفاده از موتور Google Earth. بین المللی J. Remote Sens. 2019 , 40 , 9541–9555. [ Google Scholar ] [ CrossRef ]
  46. فرامپتون، WJ; داش، ج. واتموگ، جی. میلتون، ای جی ارزیابی قابلیت های Sentinel-2 برای تخمین کمی متغیرهای بیوفیزیکی در پوشش گیاهی. ISPRS J. Photogramm. Remote Sens. 2013 ، 82 ، 83-92. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. بک، او؛ Zimmermann، NE; مک ویکار، TR; ورگوپولان، ن. برگ، ا. نقشه های طبقه بندی آب و هوای چوب، EF حال و آینده کوپن-گایگر با وضوح 1 کیلومتر. علمی داده 2018 ، 5 ، 1-12. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  48. DGA. Pronóstico de Caudales de Deshielo Temporada de Riego 2019–2020 ؛ گزارش فنی؛ فرماندهی ژنرال د آگواس Ministreio de Obras Públicas: Gobierno de Chile، سانتیاگو، شیلی، 2019. [ Google Scholar ]
  49. آلن، آر جی. پریرا، LS; Raes, D.; اسمیت، M. Evapotranspiración del cultivo. arXiv 2006 ، arXiv:1011.1669v3. [ Google Scholar ]
  50. صبایینی، ج. Goecke, P. Hacia la produccion de un kiwi hayward más homogenéo y dulce. فروتیکولا 2013 ، 2 ، 17-23. [ Google Scholar ]
  51. Sabaini, C. Manejo Productivo del Kiwi Orientado a Obtener un Producto Rico y Homogéneo ; گزارش فنی؛ Fedfruta، ASOEX، 2012; در دسترس آنلاین: https://www.asoex.cl/seminario-kiwis-agosto-2012/finish/30-seminario-kiwis-agosto/223-manejo-productivo-del-kiwi-orientado-a-obtener-un-producto -rico-y-homogeneo.html (دسترسی در 26 اکتبر 2020).
  52. رانگتی، ال. بوشتی، ام. نوتینی، اف. Busetto, L. “sen2r”: جعبه ابزار R برای دانلود و پیش پردازش خودکار داده های ماهواره Sentinel-2. محاسبه کنید. Geosci. 2020 , 139 . [ Google Scholar ] [ CrossRef ]
  53. تیم اصلی R. R: پروژه R برای محاسبات آماری. 2020. در دسترس آنلاین: https://www.r-project.org/ (در 26 اکتبر 2020 قابل دسترسی است).
  54. کلوتیس، EA؛ کانری، DR; دوور، اف جی. عمده، DJ Airborne نظارت چندطیفی وضعیت محصول کشاورزی: ​​تأثیر زمان سال، نوع محصول و پارامتر شرایط محصول. بین المللی J. Remote Sens. 1996 ، 17 ، 2579-2601. [ Google Scholar ] [ CrossRef ]
  55. دات، ب. سنجش از دور محتوای آب در برگهای اکالیپتوس. اوست جی. بات. 1999 ، 47 ، 909-923. [ Google Scholar ] [ CrossRef ]
  56. کیم، ام اس؛ Daughtry، CST; چاپل، EW; مک مورتری، جی. Walthall, CL استفاده از باندهای با وضوح طیفی بالا برای تخمین تابش فعال فتوسنتزی جذب شده (A Par). گزارش فنی؛ 1994. در دسترس آنلاین: https://ntrs.nasa.gov/citations/19950010604 (در 26 اکتبر 2020 قابل دسترسی است).
  57. کلید، CH; بنسون، ن. اوهلن، دی. هوارد، اس. مک کینلی، آر. Zhu, Z. نسبت سوختگی عادی شده و روابط با شدت سوختگی. 2002. در دسترس آنلاین: https://www.yumpu.com/en/document/view/24226870/the-normalized-burn-ratio-and-relationships-to-burn-severity- (در 26 اکتبر 2020 قابل دسترسی است).
  58. سکاتو، پ. فلاس، اس. Grégoire, JM طراحی یک شاخص طیفی برای تخمین محتوای آب پوشش گیاهی از داده های سنجش از دور: بخش 1: رویکرد نظری. سنسور از راه دور محیط. 2002 ، 82 ، 188-197. [ Google Scholar ] [ CrossRef ]
  59. پیندر، JE، III; Mcleod، KW نشانه‌های تنش خشکی نسبی در کاج بلند از داده‌های نقشه‌برداری موضوعی. فتوگرام مهندس Remote Sens. 1999 , 65 , 495-501. [ Google Scholar ]
  60. Hijmans، RJ تجزیه و تحلیل داده های جغرافیایی و مدل سازی [R Package Raster Version 3.3-13]. 2020. در دسترس آنلاین: https://rdrr.io/cran/raster/ (در 26 اکتبر 2020 قابل دسترسی است).
  61. بکر، RA; چمبرز، JM; Wilks، AR زبان S جدید: محیط برنامه نویسی برای تجزیه و تحلیل داده ها و گرافیک . Wadsworth and Brooks/Cole Advanced Books & Software: Monterey, CA, USA, 1988. [ Google Scholar ]
  62. پیرسون، ک. یادداشت هایی در مورد تاریخچه همبستگی. Biometrika 1920 ، 13 ، 25-45. [ Google Scholar ] [ CrossRef ]
  63. Spearman, C. اثبات و اندازه گیری ارتباط بین دو چیز. صبح. جی روانی. 1904 ، 15 ، 72-101. [ Google Scholar ] [ CrossRef ]
  64. هان، GJ ضریب تعیین در معرض. شیمی. تکنولوژی 1973 ، 3 ، 609-612. [ Google Scholar ]
  65. Wilks, DS Statistical Methods in the Atmospheric Sciences , 2nd ed.; 2006; پ. 649. در دسترس آنلاین: https://www.scirp.org/(S(i43dyn45teexjx455qlt3d2q))/reference/ReferencesPapers.aspx?ReferenceID=1432882 (در 26 اکتبر 2020 قابل دسترسی است).
  66. Keller, M. فنولوژی و چرخه رشد ; 2020; صص 61-103. در دسترس آنلاین: https://www.sciencedirect.com/science/article/pii/B9780128163658000026?via%3Dihub (در 26 اکتبر 2020 قابل دسترسی است). [ CrossRef ]
  67. Jensen, JR Remote Sensing of the Environment: An Earth Resource Perspective , 2nd ed.; 2014; جلد 1، ص 333-378. در دسترس آنلاین: https://www.amazon.com/Remote-Sensing-Environment-Resource-Perspective/dp/0131889508 (در 26 اکتبر 2020 قابل دسترسی است).
  68. ون بیک، جی. Tits، L. سامرز، بی. Coppin، P. پایش پتانسیل آب ساقه در باغ های گلابی از طریق تصویرسازی چندطیفی جهان بینی-2. Remote Sens. 2013 , 5 , 6647–6666. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  69. لین، ی. زو، ز. گوو، دبلیو. سان، ی. یانگ، ایکس. Kovalskyy, V. نظارت مستمر پتانسیل آب ساقه پنبه با استفاده از تصاویر Sentinel-2. Remote Sens. 2020 , 12 , 1176. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. اولینگر، اس وی؛ ریچاردسون، AD; مارتین، من هالینگر، دی. Frolking، SE; رایش، پی بی. Plourde، LC; کتول، GG; Munger، JW; اورن، آر. و همکاران نیتروژن تاج، جذب کربن و آلبیدو در جنگل‌های معتدل و شمالی: روابط عملکردی و بازخوردهای بالقوه آب و هوا. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2008 ، 105 ، 19336-19341. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  71. سوریا-روئیز، جی. فرناندز-اوردونز، ی. McNair، H. نظارت بر ذرت و عملکرد محصول با استفاده از سنجش از دور نوری و مایکروویو. Geosci. Remote Sens. 2009 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. Vreugdenhil، M. واگنر، دبلیو. بائر-مارشالینگر، بی. Pfeil، I. توبنر، آی. رودیگر، سی. اشتراوس، P. حساسیت پراکندگی پسین Sentinel-1 به پویایی پوشش گیاهی: مطالعه موردی اتریشی. Remote Sens. 2018 , 10 , 1396. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. Ihuoma, SO; Madramootoo، CA پیشرفت های اخیر در تشخیص تنش آب محصول. 2017. در دسترس آنلاین: https://www.sciencedirect.com/science/article/abs/pii/S0168169916310766 (در 26 اکتبر 2020 قابل دسترسی است). [ CrossRef ]
  74. کلارک، تی آر. موران، ام اس; اینو، ی. Vidal, A. برآورد کمبود آب محصول با استفاده از رابطه بین دمای سطح منهای هوا و شاخص پوشش گیاهی طیفی. سنسور از راه دور محیط. 1994 ، 49 ، 246-263. [ Google Scholar ] [ CrossRef ]
  75. ویسنته-سرانو، اس ام. پونس فرناندز، ایکس. Cuadrat-Prats، JM نقشه برداری رطوبت خاک در دره مرکزی رودخانه ابرو (شمال شرقی اسپانیا) با تصاویر ماهواره ای Landsat و NOAA: مقایسه با داده های هواشناسی. بین المللی J. Remote Sens. 2004 , 25 , 4325-4350. [ Google Scholar ] [ CrossRef ]
  76. وانگ، ک. لی، ز. Cribb، M. برآورد کسر تبخیری از ترکیبی از دمای سطح زمین در روز و شب و NDVI: روشی جدید برای تعیین پارامتر پریستلی-تیلور. سنسور از راه دور محیط. 2006 ، 102 ، 293-305. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00641 g001 550
شکل 1. منطقه مطالعه باغ کیوی در دبیرستان کشاورزی ال کارمن، سن فرناندو، شیلی.
Ijgi 09 00641 g002 550
شکل 2. تغییرات تبخیر و تعرق محصول و میزان رطوبت خاک در اعماق مختلف (15، 35، 55 و 85 سانتی متر) در باغ کیوی برای فصل 2018-2019 و 2019-2020. خطوط افقی مربوط به عمق رطوبت خاک پروب سنتک است. فضای خالی بین اواخر آوریل و اوایل اکتبر مربوط به دوره بدون آبیاری است.
Ijgi 09 00641 g003 550
شکل 3. ( الف ) سنسورهای آب یارا نصب شده در مزرعه. ( ب ) فرستنده ای که سیگنال را از سنسورهای آب یارا نصب شده روی هر برگ درخت دریافت می کند. ج ) شاخ و برگ محصول کیوی.
Ijgi 09 00641 g004 550
شکل 4. سری زمانی CARI برای تاریخ های انتخاب شده.
Ijgi 09 00641 g005 550
شکل 5. ماتریس همبستگی بین شاخص های پوشش گیاهی، مقدار مربوط به ضریب همبستگی پیرسون (r) است.
Ijgi 09 00641 g006 550
شکل 6. ( الف ) فشار وصله متوسط ​​(Pp) برای هر درخت (خط سیاه) و انحراف معیار آن (خط قرمز). ( ب ) مقادیر شاخص های پوشش گیاهی برای هر درخت که برای هر مرحله از مدیریت کشاورزی از طریق میانگین و انحراف معیار گروه بندی شده است.
Ijgi 09 00641 g007 550
شکل 7. ( الف ) ضریب همبستگی rho اسپیرمن ( ρ) بین Pp و شاخص های پوشش گیاهی. ( ب ) ریشه میانگین مربعات خطا (RMSE) بین Pp و برازش خطی هر شاخص پوشش گیاهی. هر دو تحلیل آماری دارای اهمیت هستند ρ< 0.05 اعداد پررنگ با مقادیر متوسط ​​مطابقت دارند ρبرای هر شاخص
Ijgi 09 00641 g008 550
شکل 8. رابطه زمانی بین فشار لکه (Pp) و شاخص های پوشش گیاهی. میانگین بزرگی در هر مرحله نشان داده شده است.
Ijgi 09 00641 g009 550
شکل 9. ( الف ) بازتاب باندهای طیفی شاخص های پوشش گیاهی. خط رنگی با میانگین درختان و خطوط عمودی با انحراف معیار مطابقت دارد. ( ب ) میانگین امضای طیفی درختان برای 5 نوامبر 2019 (E1)، 5 دسامبر 2019 (E2)، 3 ژانویه 2020 (E3) و 3 آوریل 2020 (E4).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید