مدل پیش‌بینی عملکرد ذرت بر اساس سنجش از دور و GIS برای منطقه تیگری جنوبی، اتیوپی

مدل پیش‌بینی عملکرد ذرت بر اساس سنجش از دور و GIS برای منطقه تیگری جنوبی، اتیوپی

چکیده

داده‌های سنجش از دور که توسط تصاویر ماهواره‌ای به دست می‌آیند، به دلیل پوشش همدیدی و تکراری، دامنه وسیعی در کاربردهای کشاورزی دارند. این مطالعه توسعه یک مدل عملکرد طیفی-آگرومتریولوژیکی عملیاتی برای محصول ذرت را گزارش می‌کند که از داده‌های سری زمانی SPOT VEGETATION، تبخیر و تعرق واقعی و بالقوه و داده‌های ماهواره‌ای تخمین بارندگی برای سال‌های 2003-2012 به دست آمده است. شاخص‌های این داده‌های ورودی برای تأیید قدرت آن‌ها در توضیح عملکرد دانه ثبت‌شده توسط آژانس آمار مرکزی از طریق تجزیه و تحلیل همبستگی استفاده شد.

پوشش محصول در سطح زمین زراعی با استفاده از مناطق زراعی اکولوژیکی مناسب برای ذرت اعمال و تصفیه شد. تخمین‌های بارندگی و میانگین شاخص گیاهی اختلاف نرمال شده با عملکرد ذرت همبستگی بالایی دارند که اولی 85 درصد و دومی 80 درصد تغییر می‌کند. به ترتیب. مدل عملکرد طیفی – هواشناسی توسعه‌یافته با موفقیت در برابر بازده سطح منطقه پیش‌بینی‌شده توسط آژانس آمار مرکزی (r² = 0.88، RMSE = 1.405 q · هکتار ^-1و ضریب تغییرات 21٪). بنابراین، سنجش از دور و پیش‌بینی عملکرد ذرت مبتنی بر سیستم اطلاعات جغرافیایی، کیفیت و زمان‌بندی داده‌ها را علاوه بر تمایز سطوح/مناطق تولید عملکرد بهبود بخشید و مداخله را برای تصمیم‌گیران بسیار آسان کرد و در نتیجه پتانسیل روشن فاکتورهای هواشناسی طیفی – کشاورزی برای پیش‌بینی عملکرد ذرت را  به ویژه برای اتیوپی اثبات کرد.

کلید واژه ها

اتیوپی , مدل پیش بینی , GIS , عملکرد ذرت , NDVI , سنجش از دور , RFE

1. مقدمه

کشاورزی ستون فقرات اقتصاد اتیوپی است که معیشت 84 درصد از جمعیت را تأمین می کند، علاوه بر این، 45 درصد به تولید ناخالص داخلی و 86 درصد در درآمدهای صادراتی کمک می کند [ 1 ]. به این ترتیب، اطلاعات قابل اعتماد، دقیق و به موقع در مورد محصولات مختلف پرورش یافته، میزان، رشد و پیش بینی عملکرد آنها اجزای حیاتی برنامه ریزی در مدیریت کارآمد منابع را تشکیل می دهد. چنین دانشی از اهمیت بیشتری برخوردار است، به‌ویژه در مناطقی که با عدم قطعیت‌های اقلیمی مشخص می‌شوند تا برنامه‌ریزان و تصمیم‌گیرندگان بتوانند مقدار واردات مورد نیاز را در صورت کمبود یا حجم صادرات ممکن در طول مازاد ارزیابی کنند. چنین پیش بینی بیشتر به دولت کمک می کند تا برنامه های استراتژیک اضطراری را برای توزیع مجدد دانه های غذایی در زمان قحطی اجرا کند [ 2 ].

در اتیوپی دو روش برای پایش و پیش‌بینی عملکرد محصول دنبال می‌شود. اولین سیستم نظارت و پیش بینی عملکرد محصول (CYMFS) است که توسط آژانس ملی هواشناسی اتیوپی (NMA) در همکاری با شورای تحقیقات مشترک اتحادیه اروپا (JRC) و سازمان غذا و کشاورزی (FAO) اداره می شود. این سیستم به‌جای مدل شبیه‌سازی محصول مبتنی بر فرآیند، بر مدل تجربی تعادل آب ویژه محصول (CSWB) FAO متکی است. مدل کمتر احتمال دارد که تعاملات پیچیده بین آب و هوا و محصول را نشان دهد و از این رو به عنوان ناقص در نظر گرفته می شود [ 3 ]. روش دوم که توسط دولت اتیوپی دنبال می‌شود شامل جمع‌آوری داده‌ها از ذینفعان در مورد عملکرد پیش‌بینی‌شده محصول و مقایسه آن با عملکرد سال قبل است که توسط آژانس آمار مرکزی ثبت شده است [ 4 ].] . اگرچه این داده ها به طور گسترده توسط تصمیم گیرندگان استفاده می شود، آمار رسمی بسیار ذهنی و وابسته به دستور کار سهامداران است [ 3 ] [ 5 ]. در این شرایط، توسعه و اتخاذ تکنیک‌های پیش‌بینی بازده از نظر علمی و فناوری پیشرفته برای رسیدن به سیستم‌های پیش‌بینی قابل اعتماد، مطلوب است.

شاخص های پوشش گیاهی به دست آمده از سنجش از دور به عنوان ابزار بالقوه برای بهبود شبیه سازی در زمان واقعی در نظر گرفته می شوند. اگرچه داده های سنجش از دور به تنهایی در نقاط مختلف جهان برای تخمین عملکرد محصول استفاده شده است [ 6 ] [ 7 ]مشاهده می‌شود که علاوه بر شاخص‌های پوشش گیاهی، توزیع بارندگی در فضا و زمان نیز باید در مدل‌ها لحاظ شود. چنین مدل های ترکیبی، علاوه بر داشتن همبستگی بالاتر. قابلیت پیش بینی بهتری را نسبت به مدل های ساده فراهم می کند. در واقع، آخرین مدل‌های هواشناسی کشاورزی، تابش خورشید، دما، رطوبت و در دسترس بودن آب خاک را در نظر می‌گیرند و در عین حال اطلاعاتی را در مورد مدیریت محصول، انواع و تنش‌ها از اجزای طیفی معرفی می‌کنند. کار قبلی در این خط ارتباط تصاویر ماهواره‌ای با وضوح پایین برای پایش محصول و پیش‌بینی عملکرد در سطح منطقه‌ای را ثابت کرده است، به‌ویژه به دلیل هزینه کم [ 8 ]] . با در نظر گرفتن این جنبه‌ها، توسعه یک مدل عملکرد طیفی – هواشناسی عملیاتی برای ذرت در منطقه تیگری جنوبی در ایالت منطقه‌ای تیگری اتیوپی بر اساس شاخص طیفی، شاخص گیاهی تفاوت نرمال شده، داده‌های هواشناسی و آمار رسمی CSA انجام شد. .

2. حوزه و روش مطالعه

2.1. منطقه مطالعه

منطقه مورد مطالعه، منطقه تیگری جنوبی در ارتفاع 1156 تا 3671 متری ارتفاعات بین 12 درجه و 15 دقیقه شمالی – 13 درجه و 38 دقیقه و 45 دقیقه و 38 درجه و 59 دقیقه و 33 درجه شرقی – 39 درجه و 53 دقیقه و 20 دقیقه واقع شده است. E با امتداد 9432 کیلومتر مربع ⁽ شکل 1 ). بر اساس داده‌های بازسازی‌شده NMA از یافته‌های زمینی، مشاهدات سنجش از دور و سایر شاخص‌ها برای سال‌های 1981-2010، حداقل دمای ماهانه منطقه از 10.2 درجه سانتی‌گراد در دسامبر تا 14.8 درجه سانتی‌گراد در ژوئن متغیر است، در حالی که حداکثر دما از 24.5 درجه سانتی‌گراد در ژانویه افزایش می‌یابد. تا 29.5 درجه سانتیگراد در ژوئن.

میانگین بارندگی سالانه در این منطقه از 10 میلی‌متر در نوامبر تا 210 میلی‌متر در آگوست متغیر است و با یک الگوی دو وجهی مشخص می‌شود که با فصل بارانی کوتاه در ماه‌های مارس تا آوریل و فصل بارانی طولانی از ژوئن تا سپتامبر با اوج در اوت مشخص می‌شود.

2.2. مواد و روش ها

کار حاضر بر اساس تصاویر ماهواره‌ای، نقشه‌های آژانس نقشه‌برداری اتیوپی و سایر داده‌های جانبی به‌دست‌آمده از سازمان‌های مختلف دولت فدرال اتیوپی علاوه بر حقایق زمینی تأیید شده انجام شد. داده ها مورد تجزیه و تحلیل قرار گرفت و مناطق پیش بینی عملکرد ذرت با استفاده از سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS) نقشه برداری شد. ادغام داده ها و پردازش بیشتر در توسعه مدل طیفی-آگروموئولوژیکی اتخاذ شده در طول کار حاضر در قالب یک نمودار جریان نشان داده شده است ( شکل 2 ).

2.3. داده های ماهواره ای

تصاویر و مدل های مختلف ماهواره ای، به عنوان مثال، پوشش گیاهی نقطه ای (SPOT VEG)، تخمین بارندگی (RFE)،

در این مطالعه از شاخص رضایت نیاز آبی (WRSI) و تصاویر SPOT 5 استفاده شد. داده های ماهواره ای به دست آمده با استفاده از نسخه ERDAS Imagine 9.2 به صورت دیجیتالی تصحیح و پردازش شدند.

2.4. شاخص تفاوت عادی شده گیاهی

SPOT VEGETATION در مارس 1998 بر روی ماهواره SPOT 4 به فضا پرتاب شد تا پارامترهای سطح را به صورت جهانی در فواصل زمانی روزانه با وضوح 1 کیلومتر [ 2 ] [ 9 ] [ 10 ] بررسی کند. از چنین تصاویر سری زمانی بین (2003-2012، موزاییک های روزانه (S1) و ده ساله (S10) SPOT VEG با استفاده از نرم افزار “Spirit” و NDVI های مشتق شده [ 11 ] سنتز شدند.

2.5. برآورد بارندگی

داده‌های بارندگی، که در حال حاضر توسط سیستم هشدار زودهنگام قحطی (FEWSNET)، فائو و برنامه جهانی غذا (WFP) برای پایش کشاورزی در چندین کشور آفریقایی استفاده می‌شود، از تخمین بارندگی (RFE) محصول مرکز پیش‌بینی آب و هوای اداره ملی اقیانوسی و جوی (NOAA) استخراج شده است. . برآوردهای بارندگی برای دو بازه زمانی مختلف در دو نسخه، یعنی RFE 1.0 و RFE 2.0 در دسترس هستند. RFE 1.0 با تکیه بر روش درونیابی برای ترکیب داده های Meteosat و سیستم مخابرات جهانی برای دوره 1995-2000 در دسترس است. تکنیک‌های اضافی جذب RFE 2.0 همراه با مدت زمان ابر سرد و بارندگی ایستگاه برای اصلاح تخمین‌های بارندگی از سال 2001 به بعد در دسترس است و از داده‌های بارندگی مرکز اروپا برای پیش‌بینی هوای متوسط ​​برد (ECMWF) قابل اعتمادتر است [ 9 ]] . بنابراین، برآورد بارش ماهواره RFE 2.0 برای دوره 2003-2012 در طول کار حاضر مورد استفاده قرار گرفت [ 11 ].

2.6. شاخص رضایت نیاز آبی

شاخص رضایت نیاز آبی به عنوان نسبت تبخیر و تعرق واقعی فصلی (ETa) به نیاز آبی محصول فصلی (WR) بر اساس در دسترس بودن آب و نیاز محصول در طول فصل رشد محاسبه شد [ 1 ].

(1)

تبخیر و تعرق واقعی (ETa)، بر خلاف تبخیر و تعرق بالقوه (PET). مقدار واقعی آب برداشت شده از مخزن آب خاک را نشان می دهد. هنگامی که میزان نگهداری آب در خاک بالاتر از سطح حداکثر تخلیه مجاز (MAD) باقی می ماند (بر اساس نوع محصول)، ETa برابر با WR است و هیچ تنش آبی تجربه نمی شود. اما، زمانی که سطح آب خاک از سطح MAD پایین‌تر می‌رود، ETa نسبت به حجم آب باقی‌مانده خاک که نشان‌دهنده تنش آبی است، کمتر از WR خواهد بود [ 12 ]. نیاز آبی محصول از PET Penman-Monteith با استفاده از ضریب محصول (Kc) برای تنظیم مرحله رشد محصول محاسبه شد [ 2 ].

(2)

3. نتایج

3.1. همبستگی بین پارامترهای مختلف و عملکرد ذرت

همبستگی بین پارامترهای طیفی – هواشناسی مختلف، یعنی NDVI واقعی (NDVIa)، NDVI تجمعی (NDVIc)، چرخه محصول NDVI (NDVIx)، REF، WRSI، Eta و ETa کل با استفاده از آمار همبستگی فردی / رگرسیون خطی مشخص شد.

3.2. همبستگی بین متغیرهای NDVI و عملکرد ذرت

همبستگی بین متغیرهای مختلف NDVI و عملکرد ذرت نشان داد که NDVIa به طور معنی‌داری با عملکرد همبستگی داشت (r = 0.80، p = 0.02) در حالی که NDVIc (r = 0.44، 0.28 = p) و NDVIx (r = -0.03، p = 0.94) بود. ارتباط معنی داری وجود ندارد (شکل های 3-5). از آنجایی که NDVIa همچنین فرض خطی بودن را برآورده می‌کند، همان برای توسعه مدل رگرسیون خطی چندگانه انتخاب شد.

3.3. همبستگی بین RFE و عملکرد ذرت

تخمین بارندگی و بازده بسیار با یکدیگر همبستگی داشتند (r = 0.85، p = 0.01) با فرض رابطه خطی و بنابراین برای توسعه مدل رگرسیون خطی چندگانه انتخاب شدند ( شکل 6 ).

3.4. همبستگی بین WRSI و عملکرد ذرت

همبستگی بین WRSI و بازده همبستگی معنی‌داری را بین آنها منعکس نمی‌کند (r = 0.44، p = 0.28) و از این رو برای توسعه مدل رگرسیون خطی چندگانه در نظر گرفته نمی‌شود ( شکل 7 ).

3.5. همبستگی بین متغیرهای ETa و عملکرد ذرت

همبستگی بین میانگین یا کل ET و بازده نشان داد که در هر دو مورد همبستگی معناداری وجود ندارد (r = 0.45، p = 0.26; r = 0.58، p = 0.13؛ به ترتیب) و بنابراین برای مدل رگرسیون خطی چندگانه در نظر گرفته نشده است ( شکل 8 و شکل 9). ).

3.6. مدل رگرسیون خطی چندگانه برای پیش بینی بازده

از هفت متغیر فوق، عامل NDVIa با همبستگی معنادار و همبستگی بسیار معنادار

پارامتر REF برای ایجاد یک MLRM استفاده شد. این رگرسیون چندگانه معادله زیر را ایجاد کرد.

این مدل حاصل بر اساس ضریب تعیین (R ² )، ریشه میانگین مربعات خطا (RMSE) و ضریب تغییرات (CV) با مقادیر هر یک از 0.88 (R2 ⁼ 0.84)، 1.405 (q∙ha ^{– ) اعتبار سنجی شد. 1} ) و 0.94، به ترتیب در سطح اطمینان 99٪ (0.005 = p) که به وضوح نشان می دهد که پیش بینی عملکرد ذرت مدل بسیار خوب است ( شکل 10 ). نمودار رگرسیون همچنین نشان داد که بیشتر مقادیر تقریباً نزدیک به خط 45 درجه (پیش‌بینی دقیق) قرار دارند. علاوه بر این، تحلیل واریانس (ANOVA) مدل پیش‌بینی عملکرد ذرت، توانایی معنی‌دار (0.005=p) MLRM را در پیش‌بینی آشکار کرد ( جدول 1 ).

علاوه بر این، تخمین پارامترهای مدل تأیید کرد که RFE دارای قابلیت پیش‌بینی بالایی نسبت به NDVIa است همانطور که قبلاً از همبستگی معنی‌دار بالا بین عملکرد ذرت و REF در برابر معنی‌دار یافت شد.

3.7. ارزیابی پیش‌بینی عملکرد معمولی با استفاده از مدل توسعه‌یافته

ارزیابی پیش‌بینی عملکرد محصول معمولی با استفاده از مدل توسعه‌یافته، اتحاد نزدیک بین این دو را نشان داد ( شکل 11 ). بر اساس گزارش CSA، رویکرد پیش‌بینی عملکرد معمولی ذرت نشان داد که ضریب تغییرات 22% [ 13 ] درجه اطمینان قابل قبول 30% علیرغم ماهیت ذهنی آن است در حالی که مدل پشتیبانی شده از سنجش از دور ضریب تغییرات 21% را با درجه اطمینان قابل قبول نشان داد (99). ٪.

3.8. پیش بینی محصول ذرت برای سال 2013

بر اساس مدل پیش‌بینی توسعه‌یافته، انتظار می‌رود بالاترین عملکرد ذرت برای سال 2013 20.63 q∙ha ^-1 و کمترین 11.84 q∙ha ^-1 با میانگین 16.2 q∙ha ^-1 باشد. این پیش‌بینی همچنین نشان می‌دهد که عملکرد ذرت در 1/64 درصد از منطقه مورد مطالعه 12-16 q∙ha ^-1 و در 26.3 درصد از منطقه 17-18 q∙ha ^-1 خواهد بود در حالی که بقیه 9.6 درصد منطقه احتمالاً وجود دارد. برای تولید 19 – 21 q∙ha ^-1 ( جدول 3 ).

توزیع فضایی سطوح تولید در منطقه تیگری جنوبی نشان می دهد که بخش های خاصی از بخش جنوب غربی منطقه مورد مطالعه (Ofla Woreda) با 19 – 21 q∙ha ^-1 بازده بیشترین بازدهی را دارند در حالی که بسیاری از ایستگاه ها در شمال غربی و جنوب شرقی با 17-18 q∙ha ^-1 خروجی متوسط ​​هستند. کل نیمه شرقی منطقه مورد مطالعه نیز دارای کم‌مولدترین جیب‌هایی است که تنها 12 – 16 q∙ha ^-1 دانه را تولید می‌کند ( شکل 12 ). داده‌های موجود در دفتر کشاورزی زون نیز تأیید می‌کند که Ofla Woreda پربارترین منطقه منطقه است.

4. بحث

اطلاعات مکانی به دست آمده از مدل‌های فیزیولوژیکی محصول، دقت مورد انتظار تخمین عملکرد محصول را 10-15% [ 14 ] [ 15 ] نشان داده است. در مقایسه با مدل‌های متداول فیزیولوژیکی یا هواشناسی زراعی، مدل‌های عملکرد محصول طیفی – هواشناسی به تعداد متغیرهای ورودی کمتری نیاز دارند. در حالی که اولی به شدت در برابر ذهنیت آسیب پذیر است، دومی از تعصب اجتناب می کند و درجه معقولی از ثبات را هم در زمان و هم در مکان تضمین می کند [ 16 ]. علاوه بر این، پیش‌بینی مبتنی بر سنجش از راه دور را می‌توان تا پایان سپتامبر در مرحله گلدهی در مقابل دسامبر در مورد انتشار «تقویم داده‌های متعارف» ارائه کرد، هرچند دومی شامل

تمام محصولات غلات بنابراین، موضوع جدول زمانی را می توان به طور موثر با رویکرد مبتنی بر سنجش از دور، حتی پس از در نظر گرفتن همه غلات موجود در CSA، مورد بررسی قرار داد. اطلاعات هواشناسی از مدل CSWB، منطقه سیستم تولید محصول (CPSZ) و داده‌های ماهواره‌ای زمان واقعی برای پیش‌بینی عملکرد محصول که پتانسیل فاکتورهای هواشناسی طیفی-آگرومولوژیکی [ 9 ] را به تصویر می‌کشد بسیار مفید هستند و این حقایق در طول مطالعه حاضر بیشتر تأیید می‌شوند.

تبخیر و تعرق کل و NDVIc مناسب ترین عوامل برای توسعه یک مدل رگرسیون خطی چندگانه در کنیا بودند [ 9 ]. نویسنده رمزگشایی کرد که کل ETa با 73٪ و NDVIc با ضریب همبستگی 87٪ 83٪ از واریانس عملکرد را توضیح داده اند (RMSE = 0.333 t∙ha ^-1 و CV = 21٪) و در نتیجه ثابت می کند که مدل طیفی – هواشناسی حتی برای زمین های کشاورزی تکه تکه شده، مانند نمونه فعلی. شاخص رضایت از نیاز آب مکانی (GEOWRSI) ابزاری است که می تواند برای تخمین قابل اعتماد و اولیه تولید ذرت در کنیا استفاده شود [ 10 ]. این نویسندگان و [ 17] از WRSI برای استخراج تخمین های قابل اعتماد عملکرد محصول استفاده کرد. با این حال، در یافته های حاضر این پارامتر برای گنجاندن در مدل (به دلیل ضریب همبستگی دقیقه همراه با رابطه فسفر ناچیز با عملکرد ذرت) احتمالاً به دلیل شرایط ژئو اقلیم متمایز مفید نبود.

بنابراین، سنجش از دور و پیش‌بینی عملکرد ذرت مبتنی بر سیستم اطلاعات جغرافیایی، کیفیت داده‌ها، زمان‌بندی پیش‌بینی را بهبود بخشید، تمایز سطح تولید عملکرد را تسهیل کرد و به تبعیض مناطق تولیدی کمک کرد و در نتیجه راه را برای مداخله مدیران در تصمیم‌گیری به موقع و بیشتر هموار کرد. برای نشان دادن پتانسیل واضح فاکتورهای طیفی-آگروموئولوژیک در پیش‌بینی عملکرد.

5. نتیجه گیری

به منظور تسهیل شیوه‌های مدیریت منابع طبیعی در منطقه تیگری جنوبی، یک مدل پیش‌بینی عملکرد ذرت از دو متغیر طیفی – هواشناسی مرتبط، یعنی REF و NDVIa ایجاد شد. مدل توسعه یافته دارای قابلیت پیش بینی 0.88 با RMSE 1.405 q∙ha ^{-1 است.}و کاملاً دلگرم کننده است، به ویژه با توجه به وجود قطعات کشت تکه تکه شده. تهیه نقشه پیش‌بینی مناطق تولیدی و سطوح تولید برای سال بعد نیز امکان پذیر بود. از طریق این مدل، پیش بینی از قبل در ماه سپتامبر در طول فصل گلدهی در مقابل ماه دسامبر به روش معمول امکان پذیر است. تصمیم گیرندگان می توانند مناطق نسبی تولیدی همراه با کوانتوم عملکرد را قبل از برداشت شناسایی کنند. بنابراین، توسعه ابزارهای پیش‌بینی بازده کشاورزی مبتنی بر فناوری‌های روز برای مداخلات به موقع برای حفاظت از منافع ملت و جمعیت آن ضروری است.

منابع

[ 1 ]	FDRE (2013) جمهوری فدرال دموکراتیک اتیوپی. https://www.ethiopia.gov.et/web/Pages/Economy
[ 2 ]	Sawasawa، HLA (2003) برآورد عملکرد محصول: یکپارچه سازی سنجش از دور، GIS و عوامل مدیریتی: مطالعه موردی Mandals Birkoor و Hortgiri-Nizambad District، هند. پایان نامه کارشناسی ارشد، ITC، Enschede.
[ 3 ]	Greatrex, H. (2012) کاربرد پیش بینی های فصلی بارش و تخمین های باران ماهواره ای برای پیش بینی عملکرد فصلی محصول برای آفریقا. پایان نامه دکتری، دانشگاه ریدینگ، ریدینگ.
[ 4 ]	CSA (2012) آژانس آماری مرکزی. https://www.csa.gov.et/index.php/2013-02-20-13-43-35/national-statistics-abstract/141-population
[ 5 ]	Beyene، EG و Meissner، B. (2010) تجزیه و تحلیل فضایی-زمانی همبستگی بین RFE ماهواره ای NOAA و رکورد بارش ایستگاه های آب و هوا در اتیوپی. رصد کاربردی زمین و اطلاعات جغرافیایی، 12، 69-75. https://dx.doi.org/10.1016/j.jag.2009.09.006
[ 6 ]	Hastings، DA و Emery، WJ (1992) رادیومتر با وضوح بسیار بالا پیشرفته (AVHRR): راهنمای مرجع مختصر. مهندسی فتوگرامتری و سنجش از دور، 58، 1183-1888.
[ 7 ]	Prasad, K., Chai, L., Singh, P. and Kafatos, M. (2007) استفاده از شاخص گیاهی و پارامترهای هواشناسی برای پیش بینی عملکرد محصول در هند. مجله بین المللی سنجش از دور، 28، 5207-5235. https://dx.doi.org/10.1080/01431160601105843
[ 8 ]	Rembold, F., Atzberge,r C., Savin, I. and Rojas, O. (2013) با استفاده از تصاویر ماهواره ای با وضوح پایین برای پیش بینی بازده و تشخیص ناهنجاری بازده. سنجش از دور، 5، 1704-1733. https://dx.doi.org/10.3390/rs5041704
[ 9 ]	روجاس، او. (2007) توسعه و اعتبارسنجی مدل عملکرد ذرت عملیاتی بر اساس داده‌های سنجش از دور و آگرومترولوژی در کنیا. مجله بین المللی ارسال از راه دور، 28، 3775-3793. https://dx.doi.org/10.1080/01431160601075608
[ 10 ]	Rijks, O., Massart, M., Rembold, F., Gommes, R. and Leo, O. (2007) نظارت بر محصول و مراتع در آفریقای شرقی. مجموعه مقالات دومین کارگاه بین المللی، نایروبی، 28-30 ژانویه 2007، 95-104.
[ 11 ]	Eerens, H., Haesen, D., Rembold, F., Urbano, F., Tote, C. and Bydekerke, L. (2014) پردازش سری زمانی تصویر برای نظارت بر کشاورزی. مدلسازی و نرم افزار محیطی، 53، 154-162. https://dx.doi.org/10.1016/j.envsoft.2013.10.021
[ 12 ]	Gelassie، TY (2012) تبخیر و تعرق سنجش از دور با استفاده از جریان‌های داده Geonet Cast و Insitu برای پایش خشکسالی و هشدار اولیه: مطالعه موردی برای منطقه آمهارا در اتیوپی. پایان نامه چاپ نشده کارشناسی ارشد، دانشگاه بیست، Enschede.
[ 13 ]	CSA (2013) آژانس آماری مرکزی، گزارش سالانه کشاورزی. https://www.csa.gov.et/index.php/2013-02-20-13-43-35/2013-02-20-13-45-32/annual-agricultural-sample-survey
[ 14 ]	Carbone, GJ, Narumalani, S. and King, M. (1996) کاربرد فن آوری های سنجش از دور و GIS با مدل های فیزیولوژیکی محصول Photogrammetrlc Engineering and Remote Sensing, 62, 171-179.
[ 15 ]	Thornton, PK, Bowen, WT, Ravelo, AC, Wilkens, PW, Farmer, G., Brock, J. and Brink, JE (1997) برآورد تولید ارزن برای قحطی هشدار اولیه: کاربرد مدلسازی شبیه سازی محصول با استفاده از ماهواره و زمین داده های مبتنی بر بورکینافاسو. هواشناسی کشاورزی و جنگل، 83، 95-112. https://dx.doi.org/10.1016/S0168-1923(96)02348-9
[ 16 ]	Gommes, R. (2001) مقدمه ای بر هنر پیش بینی عملکرد محصول هواشناسی کشاورزی با استفاده از رگرسیون چندگانه. سند منتشر نشده، فائو، داکا، 38.
[ 17 ]	Manatasa, D., Nyakudya, W., Mukwada, G. and Matsikwa, H. (2011) پیش‌بینی عملکرد ذرت برای بخش‌های کشاورزی زیمبابوه با استفاده از تخمین‌های بارش ماهواره‌ای. مخاطرات طبیعی، 59، 447-463. https://dx.doi.org/10.1007/s11069-011-9765-0