چکیده

نگرانی فزاینده ای در مورد کمبود آب و کاهش تولید کشاورزی استرالیا وجود دارد. استفاده کارآمد از آب به عنوان یک منبع طبیعی مستلزم نظارت دقیق تر و کافی بر مصرف آب محصول و برنامه ریزی آبیاری است. بنابراین، برآورد دقیق تبخیر و تعرق (ET) در مقیاس مکانی-زمانی مناسب برای درک تقاضا و جذب آب محصول و امکان برنامه‌ریزی بهینه آبیاری ضروری است. تخمین ET مبتنی بر سنجش از دور (RS) به عنوان روشی برای کاربردهای در مقیاس بزرگ زمانی که نمایش فضایی دقیق ET مورد نیاز است، استفاده شده است. این تحقیق با هدف تخمین ET لحظه ای با استفاده از تصاویر چندطیفی و حرارتی با وضوح بسیار بالا (VHR) (GSD < 8 سانتی متر) جمع آوری شده با استفاده از یک پرواز پهپاد بر فراز یک باغ هلو با تراکم بالا با تاج پوشش ناپیوسته انجام شد. تخمین مؤلفه تعادل انرژی بر اساس مدل تبخیر و تعرق با وضوح بالا (HRMET) بود. یک نقشه ET درخت به درخت با استفاده از دمای سطح تاج پوشش تولید شد و شاخص سطح برگ (LAI) در مقیاس مربوطه از طریق یک روش تقسیم‌بندی ویژگی سیستماتیک بر اساس استخراج تاج خالص نمونه‌برداری شد. نتایج نشان داد یک رابطه خطی قوی بین ET تخمین زده شده و تعرق برگ (n = 42) با استفاده از حسگر تبادل گاز، با ضریب تعیین (R2 ) 0.89 اندازه گیری شد. ET روزانه (5.5 mm d -1 ) مشتق شده از نقشه ET آنی با ET محصول روزانه (6.4 mm d -1 ) که با رویکرد هواشناسی در محل مورد مطالعه تعیین می شود، قابل مقایسه بود. رویکرد پیشنهادی پیامدهای مهمی برای نقشه‌برداری ET درخت به درخت در مزارع باغبانی با استفاده از تصاویر VHR دارد.

کلید واژه ها:

مصرف آب ؛ تصاویر مادون قرمز حرارتی (TIR) ​​; تصاویر چند طیفی (MS) ؛ مدل تعادل انرژی سطحی (SEBM) ; نقشه برداری با وضوح بالا از تبخیر و تعرق (HRMET)

1. مقدمه

کمبود آب از دیرباز یک موضوع مهم در استرالیا بوده است و منجر به کاهش تولید در کشاورزی آبی در مقیاس ملی شده است [ 1 ]. استفاده کارآمد از آب در کشاورزی مستلزم بهبود مدیریت آبیاری با نظارت دقیق بر نیاز آبی محصول است. در مورد محصولات باغی با ارزش بالا، به عنوان مثال، گلابی، هلو، انگور و زیتون، مطالعات مختلف اثر کم آبیاری، از جمله کم آبیاری تنظیم شده (RDI) را برای افزایش کیفیت میوه و در عین حال حفظ، بررسی کرده اند. بازده [ 4 ، 5]. اندازه گیری دقیق تبخیر و تعرق (ET) نقش مهمی در تعیین حجم بهینه آب آبیاری و درک جذب و هدررفت آب محصول دارد. به طور خاص، تخمین‌های ET محصول کشاورزان را از مصرف آب و آب موجود گیاه در خاک، که ورودی‌های کلیدی برای مدیریت و برنامه‌ریزی آبیاری هستند، آگاه می‌کند.
روش های مختلفی برای استخراج ET مبتنی بر میدان استفاده شده است. رویکردهای مبتنی بر ایستگاه هواشناسی، روش‌های تعادل انرژی سطحی (SEBM) و تعادل آب خاک برای چندین دهه در اندازه‌گیری‌های نقطه‌ای مورد بررسی و استفاده قرار گرفته‌اند [ 6 ]. با این حال، ET مبتنی بر میدان، هنگام گسترش مقادیر ET در یک منطقه بزرگ، کاربرد محدودی دارد. به طور خاص، برآورد تغییرات ET درون مزرعه در یک منطقه محصول امکان پذیر نیست [ 6 ]. با در نظر گرفتن تغییرات فضایی در ویژگی‌های زمین (مخلوطی از پوشش گیاهی و سطح خاک)، ET مبتنی بر سنجش از دور (RS) به عنوان یک روش قابل اعتماد و عملی برای تخمین ET در مقیاس‌های منطقه‌ای استفاده شده است [ 7 ]]. به طور خاص، نقشه‌های ET سنجش از راه دور می‌توانند ET متفاوت فضایی را در مزارع کشت ناهمگن در وضوح سنسور بازتولید کنند. تصاویر ماهواره ای به عنوان ورودی اصلی برای تخمین ET مبتنی بر RS برای چندین دهه استفاده شده است [ 8 ]. به طور کلی، چهار دسته به عنوان روش های ET مبتنی بر RS پیشنهاد شد [ 6 ، 9]: (1) روش تجربی مستقیم با استفاده از رابطه مستقیم بین ET و داده های RS و هواشناسی ترکیبی. (2) روش باقی مانده از مدل تعادل انرژی سطح. (3) روش شاخص پوشش گیاهی که در آن ET بالقوه یا مرجع از اندازه‌گیری‌های زمین محاسبه می‌شود و داده‌های RS برای تخمین عامل خاص محصول (ضریب محصول) استفاده می‌شود. (4) روش های قطعی مبتنی بر مدل انتقال جوی خاک به پوشش گیاهی (SVAT). در میان این رویکردها، روش باقیمانده به طور گسترده برای تخمین ET (یا شار گرمای نهان) استفاده شده است، که در آن ET به عنوان باقیمانده در SEBM به دست می‌آید و سایر اجزای تعادل انرژی (تابش خالص، شار حرارتی محسوس و شار گرمای خاک) بر اساس تخمین زده می‌شوند. روی روابط ترکیبی تجربی و فیزیکی [ 10]. روش باقیمانده در SEBM از داده های سنجش از دور به عنوان ورودی دمای سطح و ویژگی های ساختاری تاج پوشش مشتق شده از شاخص های پوشش گیاهی استفاده می کند (به عنوان مثال، شاخص گیاهی تفاوت نرمال شده (NDVI) یا شاخص سطح برگ (LAI)).
برخی از تکنیک‌های رایج برای تخمین ET عبارتند از: الگوریتم تعادل انرژی سطحی (SEBAL) [ 11 ]، شاخص تعادل انرژی سطحی ساده (S-SEBI) [ 12 ]، تبخیر و تعرق نگاشت با کالیبراسیون داخلی (METRIC) [ 13 ]، و مدل تعادل انرژی دو منبع (TSEB) [ 14 ، 15 ]. SEBAL، SEBI و METRIC برای تخمین ET به پیکسل های مرجع سرد و داغ درون تصویر نیاز دارند. دو دمای مرجع شدید برای تنظیم حد کسر تبخیری (0 و 1) اختصاص داده شده است که در آن شار گرمای نهان (λET) روی سطح خشک روی 0 و انرژی گرمایی محسوس (H) روی سطح مرطوب روی 0 تنظیم می شود. سطح، به ترتیب [ 11]. از سوی دیگر، TSEB به ارجاعات شدید درون تصویر نیاز ندارد و شارهای انرژی محسوس و نهفته را به طور جداگانه از تاج و خاک در یک پیکسل (یا واحد سطح) تقسیم می کند. ثابت شده است که TSEB یک روش قابل اعتماد برای تخمین E و T برای مزارع یکنواخت و ردیفی است.
روش‌های مبتنی بر RS برای تخمین ET در یک منطقه نسبتاً بزرگ با تصاویر ورودی اولیه از ماهواره‌ها طراحی شده‌اند. ماهواره ها می توانند باندهای مرئی، مادون قرمز نزدیک (VISNIR) و حرارتی (TIR) ​​را با وضوح فضایی 30 متر تا 1.0 کیلومتر ارائه دهند، به عنوان مثال، لندست 7 با VISNIR 30 متر و TIR 60 متر، لندست 5 با 30 متر و 120 متر. متر و MODIS به ترتیب با 0.5 کیلومتر و 1 کیلومتر. با این حال، هنگامی که یک تخمین ET در تفکیک مزارع کوچک یا درختان برای کشاورزی دقیق مورد نیاز است، وضوح داده‌های ماهواره‌ای معمولی برای ارائه اطلاعات دقیق مورد نیاز برای استفاده از آب گیاهی بیش از حد درشت است. علاوه بر این، وضوح زمانی برای گرفتن یک منطقه هدف در یک زمان پیش بینی شده در صورت تقاضا بسیار کم است زیرا چرخه بازدید مجدد ماهواره معمولاً چندین روز است [ 8 ، 16 ،17 ]. از سوی دیگر، تصاویر TIR و VISNIR با وضوح بالا که توسط یک وسیله نقلیه هوایی بدون سرنشین (UAV) به دست می‌آیند، بسته به ارتفاع پرواز و مشخصات سنسور دوربین، می‌توانند اطلاعات سطح را با وضوح بالاتر از 10 سانتی‌متر ارائه دهند [ 18 ، 19 ، 20 ، 21 .]. تصاویر با وضوح بالا از یک پهپاد امکان ثبت تغییرات سطح درخت در استفاده و وضعیت آب محصول، مانند علائم ET و استرس آب را فراهم می کند. همچنین ترسیم دقیق تر پیکسل های تاج از پس زمینه خاک را تسهیل می کند. در مورد مزارع ناهمگن، به عنوان مثال، محصولات درختان میوه، اگر از تصاویر با وضوح پایین استفاده شود، نشان دادن ویژگی های درون مزرعه ای جدا از ردیف درختان و ردیف های بین ردیف دشوار است، زیرا تصاویر شامل بسیاری از پیکسل های مخلوط درختان و خاک است. 22 ]. TSEB به طور گسترده ای برای تقسیم کردن شارهای انرژی از تاج درخت و خاک در پیکسل های مخلوط در این موضوع استفاده شده است. به عنوان یکی از روش های ET برای تصاویر با وضوح بالا، Zipper و Loheide II [ 16] یک مدل ترکیبی از طرح‌های یک منبع و دو منبع را با استفاده از تخمین ET مبتنی بر پیکسل، به نام نقشه‌برداری با وضوح بالا تبخیر و تعرق (HRMET) معرفی کرد. HRMET برای تقسیم انرژی موجود (تابش خالص) به تاج و خاک در یک پیکسل طراحی شده است و سپس شار حرارتی محسوس و نهان را به صورت تکراری محاسبه می کند. HRMET بر ورودی های ساده شده ای متکی است که می توان عملاً از داده های سنجش از دور و داده های هواشناسی اولیه به دست آورد. مزیت دیگر مدل این است که برای محاسبه شارهای آشفته در تصاویر به ویژگی های مرجع مرطوب و خشک نیاز ندارد.
در این مطالعه، اجزای تعادل انرژی در سطح درخت بر اساس HRMET با استفاده از داده‌های چندطیفی و حرارتی ناشی از پهپاد برآورد شد. منطقه مورد مطالعه یک باغ هلو با اندازه کوچک است که ویژگی‌های مزرعه‌ای ناهمگون را به دلیل محصولات درختی با ردیف‌های درختی و ردیف‌های میانی نشان می‌دهد. بنابراین، وضوح درشت معمولی از تصاویر ماهواره‌ای دارای محدودیت‌هایی در خصوصیات ET درون میدانی است. بنابراین، این مطالعه شامل تصاویری با وضوح بسیار بالا برای نشان دادن تغییرپذیری فضایی ET با دقت بیشتری در مزرعه با برخورد با پوشش زمین ناهمگن، پوشش تاج پوشش ناپیوسته، و ویژگی‌های ترکیبی پوشش گیاهی و خاک بود. هدف اصلی ارزیابی تغییرپذیری در مقیاس فرعی ET در باغ هلو آبیاری قطره‌ای است.

2. مواد و روشها

2.1. سایت مطالعه

این آزمایش در 19 ژانویه 2017 در باغ های هلو و شلیل (0.95 هکتار، 140 متر × 58 متر) در نزدیکی تاتورا، ویکتوریا، استرالیا (36°26’08″ جنوبی، 145°16’13″ شرقی، 114 متر AMSL انجام شد. ) که توسط دپارتمان مشاغل، مناطق و مناطق (DJPR) اداره می شود ( شکل 1 ). آب و هوای Tatura معتدل است. میزان بارندگی سالانه تقریباً 480 میلی متر است و میانگین سالانه ET o (تبخیر و تعرق گیاه مرجع) 1190 میلی متر است.
سایت مورد مطالعه دارای دو محصول درختی است: یک هلو ( Prunus persica (L.) Batsch cv. August Flame). و یک شلیل ( Prunus persica (L.) Batsch cv. Autumn Bright). درختان شلیل و هلو در سال 2013 کاشته شدند و در لحظه اندازه گیری، مرحله فنولوژیکی دیررس میوه را در برگ دهی کامل نشان دادند. هر رقم به دو ساختار تاج پوشش آموزش داده می شود: یک رهبر عمودی (VL) با اندازه تاج پوشش 2.0 متر ارتفاع × 0.8 متر عرض، و یک تاج پرده (TT) با اندازه تاج پوشش 1.9 متر ارتفاع × 1.0 متر بازوهای تریلی ( شکل 1 ب). TT به شکل Y با دو شاخه بازو است زیرا معماری TT برای به حداکثر رساندن سطح برگ در معرض نور خورشید برای افزایش بهره وری طراحی شده است [ 23 ، 24 ]]. درختان در جهت شمال به جنوب در خاک ریز، شنی، لومی و شپارتون کاشته شدند. فاصله درخت 1.0 متر و فاصله بین ردیف 4.5 متر است. باغ روزانه به صورت قطره ای آبیاری می شد و مقدار آبیاری با مدل ETc بر اساس آب و هوا (تبخیر و تعرق محصول) محاسبه شد [ 25 ].

2.2. اکتساب داده ها

2.2.1. تابش خالص و داده های ریز هواشناسی

یک برج برای اندازه گیری تابش خالص و داده های ریز هواشناسی در نزدیکی مرکز منطقه مورد مطالعه نصب شد. یک رادیومتر خالص با چهار جزء (NR01، Hukseflux Thermal Sensors BV، Delft، The Netherlands) تابش خالص، تابش موج کوتاه ورودی/خروجی، و تابش موج بلند 2.6 متر بالاتر از سطح زمین (AGL) و 0.6 متر بالاتر از درختان را اندازه گیری کرد. سنسورهای دما و رطوبت (HMP155، Vaisala Corporation، Helsinki، فنلاند) بالای درخت نصب شد. یک مانیتور باد (Wind Monitor-AQ, RM Young Company, Traverse City, MI, USA) در بالای برج در 4 متر AGL قرار داده شد و سرعت و جهت باد را اندازه گیری کرد.
2.2.2. فیزیولوژی محصول و داده های رهگیری تابش خورشیدی
اندازه‌گیری داده‌های فیزیولوژیکی محصول در چهار درخت مجاور در همان سه ردیفی که برج نصب شده بود، انجام شد. دمای برگ در هر دو نور آفتاب و برگ های سایه دار با استفاده از یک دماسنج مادون قرمز دستی (TN410LCE، ZyTemp، Radiant Innovation Inc.، HsinChu، تایوان) اندازه گیری شد. اندازه گیری تبادل گاز با استفاده از یک سیستم فتوسنتز (LI-6400، LI-COR Inc.، لینکلن، NE، ایالات متحده آمریکا) روی سه برگ بالغ و کاملاً منبسط شده سمت شرقی و سه برگ ضلع غربی برای به دست آوردن رسانایی روزنه ای ( g s ، mol) انجام شد. m – 2s -1 ) و نرخ تعرق ( E ، mmol m – 2s -1 ) در هر درخت اندازه گیری شد ( n = 6 برگ× 7 درخت = 42 مشاهده ). اندازه‌گیری‌ها به یک نرخ تعرق منفرد برای نشان دادن وضعیت درخت به‌طور میانگین محاسبه شدند. تشعشع فعال فتوسنتزی (PAR) در بالا و زیر سایبان برای رهگیری نور با استفاده از یک سپتومتر (Sunfleck، مدل SF-80، Decagon Devices Inc.، واشنگتن، دی سی، ایالات متحده آمریکا) اندازه گیری شد. تمام اندازه گیری ها نزدیک ظهر خورشیدی انجام شد.
2.2.3. کمپین میدانی پهپاد
کمپین پهپاد در روز آسمان صاف با باد معتدل (0.6 ms -1 )، دمای هوا (30.6 درجه سانتی گراد) و رطوبت نسبی (26.7٪) انجام شد. یک دوربین مادون قرمز حرارتی (TIR) ​​(A65، FLIR Systems، Inc.، Wilsonville، OR، ایالات متحده آمریکا) و دوربین چند طیفی (MS) (RedEdge، MicaSense، Seattle، WA، ایالات متحده) با یک GPS در یک CPU داخلی برای موقعیت جغرافیایی ادغام شدند. برچسب گذاری تمام ابزارها بر روی یک پلت فرم پهپاد (S1000، DJI، شنژن، چین) نصب شده بودند. پهپاد مورد استفاده یک هواپیمای هشت کوپتر بوده و حداکثر ظرفیت محموله آن 11 کیلوگرم است.
تمام تصاویر هوایی از حسگرهای TIR و MS با یک پرواز در بازه زمانی کوتاه (کمتر از 15 دقیقه) گرفته شد تا ویژگی‌های همگن در ظهر روز بر روی سایت ثبت شود. تصاویر TIR در طیف 7.5-13 میکرومتر، وضوح فضایی 640 × 512 پیکسل، فاصله کانونی 25 میلی‌متر و FOV 25 درجه (H) × 20 درجه (V) گرفته شد. تصاویر MS همزمان با سنجش TIR به دست آمد. دوربین MS شامل پنج نوار مجزا در طیف‌های آبی (475 نانومتر)، سبز (560 نانومتر)، قرمز (668 نانومتر)، لبه قرمز (717 نانومتر) و مادون قرمز نزدیک (NIR) (840 نانومتر) بود. وضوح فضایی 1280 × 960 پیکسل با فاصله کانونی 5.5 میلی متر بود.
هر دو دوربین روی یک گیمبال فعال نصب شده بودند تا بتوان تصاویر را در نمای نادر از پهپاد دریافت کرد. سنجش پهپاد در ظهر خورشیدی برای ثبت دوره ET بالا و به حداقل رساندن سایه های ایجاد شده توسط درختان انجام شد. این پهپاد در ارتفاع 90 متری AGL پرواز کرد تا تصاویری با بیش از 80 درصد رو به جلو و 40 درصد همپوشانی جانبی توسط یک طرح پرواز خودگردان ثبت کند. در مجموع، 204 عکس فوری از TIR و 199 تصویر چند باند از دوربین MS گرفته شد. ردپای تصویر TIR 39 متر × 31 متر با فاصله نمونه زمین (GSD) 6 سانتی متر بود. تصویر MS دارای ردپای 108 متر × 81 متر و GSD 8 سانتی متر بود.
در طول سنجش پهپاد، دو نوع هدف زمینی در سایت مستقر شدند: (1) هدف کالیبراسیون رادیومتریک برای تصاویر TIR و MS، و (2) نقطه کنترل زمینی (GCP) ویژگی مصنوعی زمینی (GAF) برای پردازش تصویر. بدنه آب و صفحات لاستیکی برای کالیبره کردن تصاویر TIR به ترتیب به عنوان ویژگی های سرد و گرم استفاده شدند. برزنت (3 متر × 3 متر) در سه مقدار بازتاب متفاوت (6، 12، و 33 درصد) برای کالیبراسیون تصاویر MS قرار داده شد ( شکل 2).). در مجموع، 24 GCP در میدان توزیع شد و توسط یک DGPS با دقت موقعیتی 3 سانتی متر بررسی شد. اهداف خاص GCP و GAF برای تنظیم بلوک بسته طراحی و استفاده شد. این اهداف با توجه به وضوح فضایی و ویژگی‌های طیفی تصاویر TIR و MS از ورق‌های آلومینیومی ساخته شده‌اند.

2.3. پردازش داده های سنجش از دور و مدل سازی ET

پردازش و مدل‌سازی داده شامل چهار مرحله بود ( شکل 3 ): (1) پردازش داده‌های RS برای تولید دمای سطح و ویژگی‌های تاج متغیرهای مدل‌سازی ET. (2) مدلسازی درخت به درخت برای شناسایی گیاهان منفرد و تخصیص متغیر فضایی نماینده به هر درخت. (3) محاسبه اجزای تعادل انرژی در مدل ET و نقشه برداری نرخ ET لحظه ای و. (4) ارزیابی ET برآورد شده با اندازه گیری های زمینی.

2.3.1. پردازش تصویر هوایی

هنگام پردازش تصاویر با وضوح بسیار بالا، یک فرآیند پس از کالیبراسیون برای تولید ورودی های قابل اعتماد انجام شد که عوامل کلیدی برای برآورد دقیق ET هستند. تصاویر TIR در یک فرمت خام، متشکل از مقادیر مبتنی بر سیگنال از دمای سطح ثبت شدند. یک روش کالیبراسیون یک نقطه [ 26] برای تبدیل اعداد دیجیتال خام به مقادیر دما با استفاده از کد سفارشی شده نوشته شده در Matlab (Mathworks Inc., Matick, MA, USA) استفاده شد. هنگام همبستگی مقادیر خام با دما، از اهداف کالیبراسیون ساخته شده از ورقه های لاستیکی و بدنه های آب برای اشاره به دمای واقعی به عنوان ویژگی های گرم و سرد استفاده شد. دمای هدف با عکس‌های فوری TIR توسط یک دوربین تصویربرداری حرارتی دستی (T640, FLIR Systems, Inc., Wilsonville, OR, USA) و یک دماسنج دستی به طور همزمان در زمان پرواز پهپاد اندازه‌گیری شد. در مورد تصاویر MS، کالیبراسیون رادیومتریک برای بازیابی مقادیر بازتاب در هر باند انجام شد. بازتاب اندازه گیری شده از سه برزنت یکنواخت مختلف با مقادیر عدد دیجیتال (DN) از تصاویر MS مرتبط بود. و رابطه رگرسیون خطی برای تبدیل تمام مقادیر DN به مقادیر بازتاب اعمال شد. همه تصاویر متوالی TIR و MS با موقعیت‌های اولیه دوربین از GPS داخلی در یک نرم‌افزار فتوگرامتری (PhotoScan، Agisoft LLC، سنت پترزبورگ، روسیه) هم‌تراز شدند. سپس پردازش تصویر ابر نقطه و بیلد مش/بافت/DEM/ارتوموزائیک با بالاترین دقت تنظیم انجام شد. RMSEهای MS و TIR به صورت افقی 0.084 متر و 0.137 متر و عمودی 0.229 متر و 0.319 متر بودند. پردازش تصویر ابر نقطه و بیلد مش/بافت/DEM/ارتوموزائیک با بالاترین دقت تنظیم انجام شد. RMSEهای MS و TIR به صورت افقی 0.084 متر و 0.137 متر و عمودی 0.229 متر و 0.319 متر بودند. پردازش تصویر ابر نقطه و بیلد مش/بافت/DEM/ارتوموزائیک با بالاترین دقت تنظیم انجام شد. RMSEهای MS و TIR به صورت افقی 0.084 متر و 0.137 متر و عمودی 0.229 متر و 0.319 متر بودند.
2.3.2. تخمین شاخص سطح برگ (LAI).
مدل HRMET مورد استفاده در این تحقیق به LAI برای تعیین انتقال سایبان نیاز دارد. شاخص سطح برگ را می توان به عنوان تابعی از شاخص های پوشش گیاهی چندطیفی مانند NDVI، نسبت ساده و نسبت ساده کاهش یافته پارامتر کرد [ 27 ، 28 ]. به عنوان مثال، NDVI به شدت با LAI همبستگی دارد و این رابطه را می توان در اشکال مختلف مدل رگرسیونی (مثلاً مدل نمایی کلی، خطی ساده یا منحنی بالاتر) اتخاذ کرد [ 28 ، 29 ]. در این تحقیق، LAI مبتنی بر تشعشع فعال فتوسنتزی (PAR) محاسبه و با LAI مبتنی بر NDVI همبستگی می‌شود تا ساختار واقعی‌تری از تاج در هر درخت به عنوان ورودی مدل ET به دست آید. روش رگرسیون نمایی [ 27] برای بازیابی LAI از NDVI سنجش از دور استفاده شد.

مقادیر LAI مرجع با استفاده از اندازه‌گیری‌های PAR در بالا و زیر تاج پوشش مورد استفاده برای محاسبه رهگیری نور توسط تاج در چهار درخت نمونه تعیین شد. PAR اندازه گیری شده هر درخت به ترتیب شامل تشعشعات منتقل شده و پراکنده شده از طریق تاج پوشش و در داخل تاج است. یک مدل تابشی از انتقال و پراکندگی توسط نورمن و جارویس [ 30 ] معرفی شد و [ 31 ] به شرح زیر ساده شد:

τ=انقضاآ1-0.47fبL/(1-1/2کfب-1)
ک=1/2cosθ

جایی که τ: انتقال سایبان، آ: جذب سایبان، fب: کسری از تابش مستقیم، L: LAI، ک: ضریب خاموشی تاج پوشش، و θ: زاویه اوج خورشید.

انتقال سایبان τنسبت PAR ارسالی به PAR اتفاقی است و fبکسری از تابش پرتو خورشیدی به کل تابش فرودی است که به عنوان کسر پرتو نیز شناخته می شود. کضریب خاموشی تاج پوشش است و می توان آن را با زاویه اوج خورشیدی ساده کرد ( θ). LAI مبتنی بر PAR در درخت مرجع با معکوس کردن مدل تابشی (معادله (1)) بازیابی شد. سپس، نقشه LAI بر روی سایت مورد مطالعه توسط مدل رگرسیون نمایی با نقشه NDVI تولید شده از تصاویر MS به دست آمده از سنجش پهپاد برآورد شد.
2.3.3. تقسیم بندی درختان
دمای سطح و نقشه‌های LAI که در بخش‌های قبلی توضیح داده شد، در تصاویر شطرنجی ثبت‌شده مشترک در یک خطای تقریباً ۱ پیکسلی با مختصات ارجاع‌شده جغرافیایی ایجاد شدند. تجزیه و تحلیل سطح درخت برای تولید سیستماتیک مصرف آب گیاهی فردی، خودکار شده توسط توضیحات میدان آموزنده (فاصله بوته، فاصله ردیف، و غیره) انجام شد. برای تجزیه و تحلیل درخت به درخت، از تکنیک تقسیم بندی ویژگی در این تحقیق استفاده شد. اول از همه، پیکسل‌های پس‌زمینه بدون سایه‌بان در هر دو تصویر دما و LAI با استفاده از روش هیستوگرام حذف شدند. مجموعه ای از مقادیر آستانه برای دمای سطح و شاخص سطح برگ برای جدا کردن توزیع تاج و غیر تاج در هیستوگرام تعیین شد. اگرچه ما از تصاویر با وضوح بسیار بالا در سایت آزمایشی استفاده کردیم، پیکسل‌های تصویر در امتداد مرزهای بین تاج پوشش و خاک پس‌زمینه می‌توانند دمای سطحی و NDVI را به دلیل ویژگی‌های مخلوط خاک-سایبان برای پیکسل‌های لبه و نشت احتمالی گرما از پیکسل‌های مجاور نشان دهند. برای بهبود دقت تخمین دمای سایبان، پیکسل های لبه در امتداد مرز بین سایه بان و پس زمینه با استفاده از روش تشخیص لبه حذف شدند. جزئیات روش تشخیص لبه مورد استفاده در تحقیق در مطالعه قبلی ارائه شده است [32 ]. دوم، پیکسل های متعلق به درختان منفرد طبقه بندی و به طور سیستماتیک با توضیحات میدان آموزنده، به عنوان مثال، فاصله بوته و فاصله ردیف. پیکسل های گروه بندی شده با استفاده از کد سفارشی نوشته شده در Matlab (Mathworks Inc., Matick, MA, USA) به عنوان یک مقدار نماینده هر درخت جمع آوری و میانگین شدند.
2.3.4. الگوریتم RSEB در مدلسازی ET

نقشه برداری با وضوح بالا از مدل تبخیر و تعرق (HRMET) برای برآورد اجزای تراز انرژی و متعاقباً ET در این تحقیق اجرا شد. HRMET یک مدل تعادل انرژی سطحی مبتنی بر پیکسل است که برای ترکیب داده های RS با وضوح بالا ایجاد شده است. برجسته ترین مزیت مدل این است که برای محاسبه شارهای آشفته در تصاویر به ویژگی های مرجع مرطوب و خشک وابسته نیست. بیشتر متغیرهای ورودی مدل را می‌توان از داده‌های RS به‌دست آورد، و مدل نیازی به فرآیند سنگینی ندارد و با ورودی‌های کمینه به‌عنوان ابزاری امکان‌پذیر برای تطبیق برنامه‌ریزی آبیاری قابل اجرا اجرا می‌شود. الگوریتم مدل از روش باقیمانده مدل تعادل انرژی سطح عمومی مانند رابطه (3) پیروی می کند:

λEتی= آرn-اچ-جی

جایی که λEتی: شار گرمای نهان (W m -2 )؛ آرn: تشعشع خالص در سطح (W m -2 )؛ اچ: شار حرارتی محسوس به هوا (W m -2 ) و; جی: شار حرارتی خاک (W m -2 ).

تابش خالص آنی برای جداسازی اجزای تاج پوشش و خاک بر اساس مدل دو منبع [ 14 ] به شرح زیر محاسبه شد:

آرn=اسمنn-اسoتوتی+Lمنn-Loتوتی
آرn=fجآرn، ج+1-fجآرn، س
آرn،ج=1-αجآرn+εجLمنn-Loتوتی،ج
آرn،س=1-αسآرn+εسLمنn-Loتوتی،س
L=εσتی4

جایی که اسمنn، اسoتوتی،  Lمنn، Loتوتیبه ترتیب موج کوتاه ورودی و خروجی و موج بلند ورودی و خروجی (W m -2 ) است. پوشش کسری fجاز LAI مشتق شده است. مشترکین جو سایستاده برای سایبان و خاک. αو εنشان دهنده سطح آلبیدو و انتشار است. σثابت استفان – بولتزمن است و تیدمای سطح بر حسب کلوین است.

تابش موج کوتاه ورودی و خروجی به طور جداگانه برای تاج و خاک با استفاده از مدل خاموشی تشعشع در معادلات (4) – (7) و معادله قانون استفان – بولتزمن (معادله (8)) محاسبه شد. سپس، شار حرارتی خاک به صورت تقریبی 35 درصد از تشعشع خالصی است که به خاک می رسد، به شرح زیر [ 14 ]:

جی=0.35آرn،س

شار حرارتی محسوس H به صورت زیر محاسبه شد:

اچ= ρآجپتیس-تیآ/гاچآ+гهایکس

جایی که ρآ: چگالی مولی هوا (mol m – 3 )، جپ: گرمای ویژه هوا (J mol -1 C -1 )، гاچآ: مقاومت آیرودینامیکی در برابر انتقال حرارت (sm -1 ) و гهایکس: مقاومت بیش از حد در برابر انتقال حرارت (sm -1 ).

این مدل از یک روش همگرایی تکراری برای محاسبه H استفاده می کند ، زیرا هم H و همгاچآمتغیرهای هم وابسته هستند. سطح H بر پایداری آیرودینامیکی و مقاومت آیرودینامیکی در برابر انتقال حرارت تأثیر می گذارد [ 11 ]. روش تکراری H در نمودار جریان در شکل 4 توضیح داده شده است . این روش به دلیل محاسبه تکراری شارهای حرارتی آشفته نیازی به پیکسل های شدید مرطوب و داغ ندارد.
هنگامی که معیار همگرایی برآورده شد، که کمتر از 0.1٪ تغییر بین تکرارهای متوالی است، شار گرمای نهان هر پیکسل با استفاده از شار حرارت محسوس به روز شده در رابطه (3) محاسبه شد.
2.3.5. ET محصول خاص سایت

محصول ET ( Eتیجارزش مزرعه مورد مطالعه با استفاده از ET محصول مرجع محاسبه شد ( Eتیo) و ضریب کشت پایه ( کجب) برای اندازه درخت به صورت زیر تنظیم می شود:

Eتیج=کجEتیo

جایی که کجضریب محصول است و می توان آن را به دو ضریب تقسیم کرد: ضریب تبخیر خاک ( که) و ضریب کشت پایه ( کجب) به سهم تبخیر خاک و تعرق محصول در مدلسازی ET محصول [ 25 ] مراجعه کنید. کجببرای بهبود برآورد مصرف آب روزانه محصولات کشاورزی در محصولات ردیفی آبی در نظر گرفته شده است. در نتیجه، Eتیجبه صورت زیر بیان می شود:

Eتیج=که+کجبEتیo
تحقیقات قبلی یک کجباز هلو به موجب آن یک ضریب محصول خاص سایت که برای اندازه درخت تنظیم شده است (1.52 × رهگیری نور ظهر) تخمین ET باغ را پس از گودوین و همکاران اجازه می دهد. [ 33 ].

مانند Eتیجتبخیر و تعرق روزانه را نشان می دهد، ET ساعتی تخمین زده شده از سنجش پهپاد به مقدار روزانه با استفاده از روش برون یابی [ 34 ] به شرح زیر ارتقا یافته است:

Eتید=LEمن/آرn،منآرn،دجf/λvρw

جایی که LEمنو آرn،منشار گرمای نهان لحظه ای و تشعشع خالص هستند و از اجزای انرژی برآورد شده به دست می آیند. آرn،دمیانگین تابش خالص روزانه (24 ساعت) است و توسط پرتو سنج خالص اندازه گیری می شود. جfضریب تبدیل واحد زمان است و λvو ρwبه ترتیب گرمای نهان تبخیر و چگالی آب هستند.

3. نتایج و بحث

3.1. دمای سایبان و NDVI

منطقه مورد مطالعه از دو سیستم تاج پوشش برای هر دو درخت شلیل و هلو تشکیل شده است: لیدر عمودی (VL) و Tatura trellis (TT) همانطور که در شکل 1 ب نشان داده شده است. در زمان پرواز پهپاد بر فراز منطقه مورد مطالعه، دمای تاج پوشش، گرفته شده از سنجش TIR، تغییرات مکانی را در مورد هر سیستم تاج پوشش و رقم نشان داد. سه ردیف اول با شلیل تاج VL کاشته شد و دمای کمتری (29.8 درجه سانتیگراد) در مقایسه با میانگین دمای سایر ردیفهای درخت (31.7 درجه سانتیگراد) داشت که اختلاف دمایی تقریباً 2 درجه سانتیگراد را نشان داد. شکل 5a تغییرپذیری فضایی درون میدانی دمای سطح را بدون پس‌زمینه خاک در یک نقشه رنگی کنتراست پیشرفته نشان می‌دهد. دمای سایبان توزیع شده در مزرعه مشاهده شد. دمای شلیل با VL سردتر از بقیه بود. کل مزرعه مورد مطالعه تحت رژیم آبیاری کامل قرار داشت. ضریب تغییرات (CV) دمای تاج پوشش در سطح باغ 5.3 درصد بود. بنابراین، این نتیجه نشان داد که دمای تاج پوشش ( Tc ) از ساختارهای مختلف تاج متفاوت است و منجر به تغییرپذیری نرخ ET می شود. NDVI توزیع شده فضایی با استفاده از تصاویر قرمز VHR و NIR از سنجش پهپاد، که در شکل 5 نشان داده شده است، تولید شد.ب شکل NDVI تاج پوشش را نشان می دهد، که در آن NDVI خاک با استفاده از روش مبتنی بر هیستوگرام برای فرآیند قطعه بندی درخت در مرحله بعدی طبقه بندی و حذف شد. Canopy NDVI نیز تنوع مکانی را با 4.5% CV نشان داد که کمی کمتر از CV دمای کانوپی در طول کمپین پهپاد بود.
تاج پوشش NDVI در درختان نمونه مرجع با LAI مبتنی بر PAR مقایسه شد و با یک رابطه نمایی [ 35 ] برازش شد، که منجر به ضریب تعیین (R2 ) برابر با 0.9 شد که در شکل 6 نشان داده شده است. وقتی LAI به صفر کاهش یافت، NDVI = 0 را در نظر گرفتیم. مقادیر LAI سایبان ها در کل میدان با استفاده از تابع نمایی NDVI در مقابل LAI همانطور که در شکل 5 نشان داده شده است، بازیابی شد . از آنجایی که جمع‌آوری داده‌های پهپاد برای ثبت ویژگی‌های آنی در مزرعه در مرحله بلوغ انجام شد، مقادیر NDVI از درختان مرجع تنها در محدوده باریکی در حدود 0.75 تغییر می‌کرد.
در حالت ایده آل، توزیع گسترده ای از NDVI در مقابل LAI برای مدل سازی دقیق رابطه مورد نیاز است. با این حال، در این تحقیق، فرض بر این بود که LAI بازیابی شده در میدان، از محدوده مرجع PAR–LAI با یک خطای قابل چشم پوشی پیروی می کند، زیرا مقادیر NDVI از همه درختان در توزیع باریک قرار داشتند و مشابه مقادیر NDVI از درختان مرجع بودند. 27 ].

3.2. تقسیم بندی درخت به درخت

شکل 7 نتایج تقسیم بندی درخت به درخت را در دمای سطح و نقشه LAI نشان می دهد. نتیجه تقسیم بندی درخت به درخت، مناطق احتمالی تاج درختان را نشان می دهد. باغات شامل 12 ردیف بود و در هر ردیف 120 درخت کاشته شد.
با توجه به توضیحات مزرعه، فاصله درخت و بین ردیف به ترتیب 1.0 متر و 4.5 متر است. با استفاده از توضیحات فیلد و موقعیت جغرافیایی ارجاع شده هر ردیف و درخت، هر بخش درخت قطعه بندی شد. سپس، میانگین دمای سطح و شاخص سطح برگ به هر بخش به عنوان یک مقدار درخت معرف اختصاص داده شد. نتایج، نقشه‌های تحلیلی بهتری را برای نشان دادن گیاهان منفرد و تفسیر تنوع بین گیاهان ارائه می‌کنند، که امکان تجزیه و تحلیل تلفات آب درخت به درخت را فراهم می‌کند.

3.3. اجزای تراز انرژی

اجزای تعادل انرژی، از جمله شار گرمای نهان، با استفاده از مدل HRMET برآورد شد و ET ساعتی در میدان مطالعه محاسبه شد، همانطور که در شکل 8 نشان داده شده است.. مدل اصلی HRMET در یک سطح یکنواخت با وضوح فضایی 1-2.5 متر حرارتی و 30 متر ورودی های چندطیفی تحت فرض شرایط هواشناسی یکنواخت در زمین های کوچک (9 هکتار و 12 هکتار) آزمایش شده است. اگرچه این سایت مطالعه ویژگی های سایت متفاوتی را ارائه می دهد (به عنوان مثال، پوشش تاج ناپیوسته، محصولات درختی، خاک بین ردیفی)، HRMET را می توان برای بررسی ET با وضوح بالا استفاده کرد زیرا تنها پیکسل های گیاهی به درختان منفرد تجمیع و در مدل تعادل انرژی محاسبه شدند. . این امر به دلیل استفاده از داده های RS با وضوح بسیار بالا (<8 سانتی متر) و یک میدان کوچک (<1 هکتار) در این مطالعه امکان پذیر بود، بنابراین تاج پوشش دقیق و پیکسل های خاک بر اساس داده های تفکیک فضایی کافی طبقه بندی شدند. تکنیک حذف پیکسل های مخلوط
ET تخمین زده شده در درختان مرجع تقریباً 0.62 میلی متر در ساعت در ساعت بود . ET نسبتاً بالاتری در سه ردیف اول (شلیل با VL) و در بخش شمالی ردیف درختان مشاهده شد که حداکثر 0.76 میلی متر در ساعت را ارائه می دهد. از آنجایی که میدان مورد مطالعه یک باغ کوچک بود و زمان جمع آوری داده های پهپاد کمتر از 15 دقیقه بود، متغیرهای هواشناسی مانند تابش موج کوتاه ورودی، سرعت باد و فشار بخار در سراسر مزرعه ثابت در نظر گرفته شدند. بنابراین، نرخ های مختلف ET در امتداد درختان تعیین شد، که عمدتاً توسط تفاوت دمای تاج پوشش، نوع محصول، و شاخص سطح برگ (از این رو، پوشش گیاهی کسری) به دست آمد، زیرا الگوهای مشابه در نقشه دمای سطح و NDVI (یا NDVI) تأیید شد. LAI) نقشه (شکل 7 ).
ET برآورد شده با نرخ تعرق برگ (mmol m -2 s -1 ) اندازه گیری شده توسط محفظه (6 سانتی متر مربع ) آنالایزر تبادل گاز (LI-6400) برای درختان نمونه مرجع مقایسه شد و نتایج با انحرافات استاندارد نشان داده شده است. در شکل 9 .
ET تخمین زده شده رابطه قوی ( R2 = 0.89) را با میانگین مقدار تعرق برگ نشان داد. ضریب تعیین ( R2 ) یک شاخص قوی برای نشان دادن اهمیت همبستگی با یک مجموعه داده کوچک نیست. از این رو، بزرگی رابطه ( شکل 9) را می توان بیش از حد تخمین زد، زیرا مجموعه داده از تعداد کمی اندازه گیری تشکیل شده است. با این حال، نتایج نشان می‌دهد که ET تاج پوشش با اندازه‌گیری زمینی تعرق برگ همبستگی داشت. اندازه گیری تعرق سطح برگ ممکن است ایده آل ترین روش به عنوان حقیقت زمین برای مقایسه با ET سطح درخت در موارد کلی نباشد. از آنجایی که عامل اصلی تفاوت در تعرق درخت و درخت-ET مربوط به LAI است [ 35 ، 36] و باغات آزمایشی هم سن بودند و از نظر ساختار تاج و اندازه نسبتاً یکنواخت نگهداری می شدند، نشان دادن همبستگی تعرق برگ و ET درخت قابل قبول است. اگرچه تعرق سطح برگ در کمیت مطلق با ET حمل شده توسط پهپاد قابل مقایسه نیست، روش به کار گرفته شده با تمرکز اصلی نشان دادن کاربرد تصاویر TIR حمل شده توسط پهپاد برای نگاشت ET درخت به درخت از نظر مکانی متفاوت است.
اگرچه اندازه گیری مستقیم ET مانند کوواریانس گردابی به عنوان داده های اعتبار سنجی در این تحقیق در دسترس نبود، ET محصول ( Eتیجبرای ارزیابی روش، ارزش میدان مورد مطالعه با ET برآورد شده مقایسه شد. از آنجا که Eتیجیک مقدار واحد در مقیاس میدانی است، محدودیتی برای ارائه مقایسه مقیاس میدان با UAV-ET بدون تعداد تکرار کافی دارد. با این حال، در شرایط یک کمپین یک روزه پهپاد، تمرکز اصلی مقایسه، بررسی این بود که پهپاد ET متولد شده در محدوده معقولی است که از Eتیج.
در نتیجه، ET روزانه (UAV) برون یابی شده به عنوان 5.50 (mm d -1 ) به دست آمد، در حالی که ET محصول به عنوان 6.35 (mm d -1 ) محاسبه شد. تفاوت بین دو مقدار ET روزانه 0.85 (mm d -1 ) بود. با توجه به اینکه ET برون یابی ممکن است شامل خطاهای تخمینی باشد (به عنوان مثال، محدوده بین 0.25 تا 1.17 mm d -1 ) بسته به روش های برون یابی و انواع محصول [ 34 ]]، مقدار ET روزانه تخمینی در محدوده ET مورد انتظار است، که مقدار قابل مقایسه ای را برای ET محصول نشان می دهد. اگرچه ارزیابی نتایج به طور کامل به دلیل عدم وجود داده های ET اندازه گیری مستقیم یا پهپاد چند فصلی چالش برانگیز بود، نتایج برآورد شده با تعرق برگ و ET محصول روزانه مقایسه شد تا نشان دهد که این روش پتانسیل تخمین درخت را دارد. درخت ET با تنوع درون میدانی و برای تطبیق تصاویر VHR.
این روش تحقیق را می توان با آزمایش های بیشتر پشتیبانی کرد و در مکان ها / ارقام / مراحل مختلف فنولوژیکی بررسی کرد.

4. نتیجه گیری

این مطالعه تخمین ET را با استفاده از تصاویر چندطیفی و حرارتی با وضوح بسیار بالا (VHR) به دست آمده از سنجش پهپاد مورد بررسی قرار داد. اجزای تعادل انرژی بر اساس مدل تعادل انرژی سطحی HRMET برآورد شد. نقشه‌های تحلیلی درخت به درخت با روش تقسیم‌بندی ویژگی سیستماتیک بر اساس استخراج تاج پوشش خالص و تجزیه و تحلیل آماری توزیع دمای سطح و شاخص سطح برگ تولید شدند. یک رابطه خطی قوی بین ET برآورد شده و تعرق برگ در این کار به دست آمد. ET برآورد شده یک ارزش نزدیک به ET محصول در سایت مورد مطالعه ارائه کرد. از آنجایی که NDVI از راه دور دارای قابلیت محدودی برای نمایش ساختار تاج پوشش ناهمگن درختان است، به ویژه برای نمای عمودی تاج پوشش، LAI مبتنی بر NDVI در روش پیشنهادی احتمالاً همان محدودیت را در زمانی که برای مزارع درختان با ساختارهای عمودی پیچیده و ناهمگن، مانند جنگل اعمال می‌شود، ایجاد می‌کند. بنابراین، روش پیشنهادی برای باغ‌هایی که درختان کاشته شده دارای ژنتیک و سن مشابه هستند و با یک روش یکنواخت زراعی با ساختار تاج پوشش و اندازه درخت نسبتاً همگن مدیریت می‌شوند، مناسب‌تر است. رویکرد پیشنهادی به طور بالقوه می تواند یک روش عملی برای ارزیابی تنوع درون مزرعه ای درخت به درخت ET در مقیاس زیرزمینی برای برنامه ریزی دقیق آبیاری ارائه کند. تحقیقات بیشتر در مورد تخمین VHR ET با مقایسه مدل‌های RSEB و انواع محصول برای توسعه اطلاعات و استراتژی‌های مدیریت آب قوی مورد نیاز است. روش پیشنهادی برای باغ هایی که درختان کاشته شده دارای ژنتیک و سن مشابه هستند و با یک روش یکنواخت زراعی با ساختار تاج پوشش و اندازه درخت نسبتاً همگن مدیریت می شوند، مناسب تر است. رویکرد پیشنهادی به طور بالقوه می تواند یک روش عملی برای ارزیابی تنوع درون مزرعه ای درخت به درخت ET در مقیاس زیرزمینی برای برنامه ریزی دقیق آبیاری ارائه کند. تحقیقات بیشتر در مورد تخمین VHR ET با مقایسه مدل‌های RSEB و انواع محصول برای توسعه اطلاعات و استراتژی‌های مدیریت آب قوی مورد نیاز است. روش پیشنهادی برای باغ هایی که درختان کاشته شده دارای ژنتیک و سن مشابه هستند و با یک روش یکنواخت زراعی با ساختار تاج پوشش و اندازه درخت نسبتاً همگن مدیریت می شوند، مناسب تر است. رویکرد پیشنهادی به طور بالقوه می تواند یک روش عملی برای ارزیابی تنوع درون مزرعه ای درخت به درخت ET در مقیاس زیرزمینی برای برنامه ریزی دقیق آبیاری ارائه کند. تحقیقات بیشتر در مورد تخمین VHR ET با مقایسه مدل‌های RSEB و انواع محصول برای توسعه اطلاعات و استراتژی‌های مدیریت آب قوی مورد نیاز است. رویکرد پیشنهادی به طور بالقوه می تواند یک روش عملی برای ارزیابی تنوع درون مزرعه ای درخت به درخت ET در مقیاس زیرزمینی برای برنامه ریزی دقیق آبیاری ارائه کند. تحقیقات بیشتر در مورد تخمین VHR ET با مقایسه مدل‌های RSEB و انواع محصول برای توسعه اطلاعات و استراتژی‌های مدیریت آب قوی مورد نیاز است. رویکرد پیشنهادی به طور بالقوه می تواند یک روش عملی برای ارزیابی تنوع درون مزرعه ای درخت به درخت ET در مقیاس زیرزمینی برای برنامه ریزی دقیق آبیاری ارائه کند. تحقیقات بیشتر در مورد تخمین VHR ET با مقایسه مدل‌های RSEB و انواع محصول برای توسعه اطلاعات و استراتژی‌های مدیریت آب قوی مورد نیاز است.

منابع

  1. قریشی، من; Hanjra، MA; وارد، جی. تأثیر کمبود آب در استرالیا بر امنیت غذایی جهانی در عصر تغییرات آب و هوایی. سیاست غذایی 2013 ، 38 ، 136-145. [ Google Scholar ] [ CrossRef ]
  2. میچل، PD; چالمرز، دی جی اثر کاهش عرضه آب بر رشد و عملکرد درخت هلو [سطح آبیاری]. مربا. Soc. هورتیک. علمی 1982 ، 107 ، 853-856. [ Google Scholar ]
  3. گودوین، آی. O Connell، MG مدیریت آب خشکسالی: دیدگاه استرالیا. در ActaHortic ، 1150th ed.; انجمن بین المللی علوم باغبانی (ISHS): لیدا، اسپانیا، 2017؛ ص 219-232. [ Google Scholar ]
  4. توگنتی، آر. d’Andria، R. مورلی، جی. Alvino، A. اثر کم آبیاری بر تغییرات فصلی استفاده از آب گیاه در Olea europaea L. Plant Soil 2005 ، 273 ، 139-155. [ Google Scholar ] [ CrossRef ]
  5. بوئسا، آی. پرز، دی. کاستل، جی. Intrigliolo، DS; Castel, JR اثر کم آبیاری بر عملکرد انگور و ترکیب انگور Vitis vinifera L. Cv. مسقط اسکندریه. اوست J. Grape Wine Res. 2017 ، 23 ، 251-259. [ Google Scholar ] [ CrossRef ]
  6. نوری، ح. بیچم، اس. اندرسون، اس. حسنلی، ع.م. کاظمی، ف. تکنیک های سنجش از دور برای پیش بینی تبخیر و تعرق از سطوح پوشش گیاهی مخلوط. Urban Water J. 2015 ، 12 ، 380-393. [ Google Scholar ] [ CrossRef ]
  7. کوستاس، دبلیو. Anderson, M. پیشرفت در سنجش از دور مادون قرمز حرارتی برای مدلسازی سطح زمین. کشاورزی برای. هواشناسی 2009 ، 149 ، 2071-2081. [ Google Scholar ] [ CrossRef ]
  8. شیا، تی. کوستاس، دبلیو. اندرسون، ام. الفیری، ج. گائو، اف. مک کی، ال. پروگر، جی. گلی، ح. نیل، سی. سانچز، ال. و همکاران نقشه‌برداری تبخیر و تعرق با تصاویر هواپیما با وضوح بالا بر فراز تاکستان‌ها با استفاده از طرح‌های مدل‌سازی یک و دو منبع. هیدرول. سیستم زمین علمی 2016 ، 20 ، 1523-1545. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. کورو، دی. سگوین، بی. Olioso، A. بررسی برآورد تبخیر و تعرق از داده های سنجش از دور: از رویکردهای مدل سازی تجربی تا عددی. آبیاری زه کشی. سیستم 2005 ، 19 ، 223-249. [ Google Scholar ] [ CrossRef ]
  10. Kalma، JD; مک ویکار، TR; McCabe، MF برآورد تبخیر سطح زمین: بررسی روش‌های با استفاده از داده‌های دمای سطح سنجش از راه دور. Surv. ژئوفیز. 2008 ، 29 ، 421-469. [ Google Scholar ] [ CrossRef ]
  11. Bastiaanssen، WGM; مننتی، م. فدس، RA; Holtslag، AAM یک الگوریتم تعادل انرژی سطح سنجش از دور برای زمین (sebal). 1. فرمولاسیون. جی هیدرول. 1998 ، 212-213 ، 198-212. [ Google Scholar ] [ CrossRef ]
  12. رورینک، جی جی; سو، ز. Menenti, M. S-sebi: یک الگوریتم سنجش از دور ساده برای تخمین تعادل انرژی سطح. فیزیک شیمی. زمین قسمت B هیدرول. اقیانوس. اتمس. 2000 ، 25 ، 147-157. [ Google Scholar ] [ CrossRef ]
  13. آلن، آر جی. تاسومی، م. Trezza، R. تعادل انرژی مبتنی بر ماهواره برای ترسیم تبخیر و تعرق با مدل کالیبراسیون داخلی (متریک). جی. آیریگ. زه کشی. مهندس 2007 ، 133 ، 380-394. [ Google Scholar ] [ CrossRef ]
  14. نورمن، جی.ام. Becker, F. اصطلاحات در سنجش از دور مادون قرمز حرارتی سطوح طبیعی. کشاورزی برای. هواشناسی 1995 ، 77 ، 153-166. [ Google Scholar ] [ CrossRef ]
  15. کوستاس، WP; نورمن، JM ارزیابی پیش‌بینی‌های شار حرارتی خاک و پوشش گیاهی با استفاده از یک مدل دو منبع ساده با دمای رادیومتریک برای پوشش جزئی تاج پوشش. کشاورزی برای. هواشناسی 1999 ، 94 ، 13-29. [ Google Scholar ] [ CrossRef ]
  16. زیپ، SC; Loheide II، SP با استفاده از تبخیر و تعرق برای ارزیابی حساسیت به خشکی در مقیاس فرعی با hrmet، یک مدل تعادل انرژی سطحی با وضوح بالا. کشاورزی برای. هواشناسی 2014 ، 197 ، 91-102. [ Google Scholar ] [ CrossRef ]
  17. اورتگا-فاریاس، اس. اورتگا-سالازار، اس. پوبلته، تی. کیلیچ، ع. آلن، آر. Poblete-Echeverría، C.; آهومادا-اورلانا، ال. زونیگا، م. Sepúlveda، D. برآورد اجزای تعادل انرژی در باغ زیتون آبیاری قطره‌ای با استفاده از دوربین‌های حرارتی و چندطیفی که بر روی یک هواپیمای بدون سرنشین مبتنی بر هلیکوپتر (UAV) قرار گرفته‌اند. Remote Sens. 2016 , 8 , 638. [ Google Scholar ] [ CrossRef ][ Green Version ]
  18. برنی، JAJ; Zarco-Tejada، PJ; Sepulcre-Cantó، G. فررس، ای. Villalobos، F. نقشه برداری رسانایی تاج پوشش و cwsi در باغ های زیتون با استفاده از تصاویر سنجش از دور حرارتی با وضوح بالا. سنسور از راه دور محیط. 2009 ، 113 ، 2380-2388. [ Google Scholar ] [ CrossRef ]
  19. Zarco-Tejada، PJ; گونزالس-دوگو، وی. شاخص‌های برنی، JAJ فلورسانس، دما و باند باریک از یک پلتفرم uav برای تشخیص تنش آب با استفاده از یک تصویرگر میکرو فراطیفی و یک دوربین حرارتی به دست آمده‌اند. سنسور از راه دور محیط. 2012 ، 117 ، 322-337. [ Google Scholar ] [ CrossRef ]
  20. روی، اس. افوری، د. برآورد شاخص تنش آبی محصول در باغات بادام با استفاده از تصاویر هوایی حرارتی. جی. اسپات. هیدرول. 2014 ، 12 ، 29. [ Google Scholar ]
  21. رود، آر. کوهن، ی. آلچاناتیس، وی. لوی، ا. بریکمن، آر. شندری، سی. هیور، بی. مارکوویچ، تی. دار، ز. روزن، سی. و همکاران شاخص تنش آبی محصول حاصل از تصاویر حرارتی چند ساله زمینی و هوایی به عنوان شاخصی از وضعیت آب سیب زمینی. دقیق کشاورزی 2014 ، 15 ، 273-289. [ Google Scholar ] [ CrossRef ]
  22. Matese، A.; توسکانو، پی. جنارو، SFD؛ جنزیو، ال. Vaccari، FP; پریمیسریو، جی. بلی، سی. زالدئی، ع. بیانکونی، آر. Gioli، B. مقایسه متقابل پلت فرم‌های سنجش از راه دور UAV، هواپیما و ماهواره‌ای برای کشت انگور دقیق. Remote Sens. 2015 ، 7 ، 2971-2990. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. چالمرز، دی جی; وان دن اند، بی. تاتوره ترلیس هلو: بهره وری بیش از پانزده سال . انجمن بین المللی علوم باغبانی (ISHS): Clemson, SC, USA, 1989; صص 303-306. [ Google Scholar ]
  24. الکینز، RB; DeJong، TM اثر سیستم آموزشی و پایه روی رشد و بهره وری درختان گلابی گلدن Russet® Bosc . انجمن بین المللی علوم باغبانی (ISHS): لوون، بلژیک؛ فرار-بولونیا، ایتالیا، 2002; ص 603-607. [ Google Scholar ]
  25. آلن، آر جی. پریرا، LS; Raes, D.; اسمیت، ام. تبخیر و تعرق محصول: دستورالعمل برای محاسبه نیازهای آب محصول ؛ سازمان غذا و کشاورزی سازمان ملل متحد: رم، ایتالیا، 1998; پ. 300. [ Google Scholar ]
  26. سیستم های FLIRS دفترچه راهنمای کاربر Flir ax5 Series ; T559770; FLIR Systems: Wilsonville, OR, USA, 2013. [ Google Scholar ]
  27. فن، ال. گائو، ی. بروک، اچ. برنهوفر، سی. بررسی رابطه بین ndvi و lai در علفزار نیمه خشک در مغولستان داخلی با استفاده از اندازه‌گیری‌های درجا. نظریه. Appl. کلیماتول. 2009 ، 95 ، 151-156. [ Google Scholar ] [ CrossRef ]
  28. استنبرگ، پی. راوتاینن، ام. مانینن، تی. Voipio، P. Smolander، H. نسبت ساده را بهتر از ndvi برای تخمین lai در توده‌های کاج فنلاندی و صنوبر کاهش داد. سیلوا فن 2004 ، 38 ، 3-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. استلتزر، اچ. Welker, JM مدلسازی اثر خواص پوشش گیاهی فتوسنتزی بر رابطه ndvi-lai. اکولوژی 2006 ، 87 ، 2765-2772. [ Google Scholar ] [ CrossRef ]
  30. نورمن، جی.ام. جارویس، PG Photosynthesis در صنوبر sitka ( Picea sitchensis (bong.) carr.). V. نظریه نفوذ تشعشع و یک مورد آزمایشی. J. Appl. Ecol. 1975 ، 12 ، 839-878. [ Google Scholar ] [ CrossRef ]
  31. DecagonDevicesInc. راهنمای عملیات سپتومتر Decagon Accupar ; Decagon Devices Inc.: Pullman، WA، USA، 2001. [ Google Scholar ]
  32. پارک، اس. ریو، دی. فوئنتس، اس. چانگ، اچ. هرناندز-مونتس، ای. O’Connell، M. برآورد تطبیقی ​​تنش آبی محصول در باغات شلیل و هلو با استفاده از تصاویر با وضوح بالا از یک وسیله نقلیه هوایی بدون سرنشین (UAV). Remote Sens. 2017 , 9 , 828. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. گودوین، آی. ویتفیلد، DM؛ کانر، دی جی اثرات اندازه درخت بر مصرف آب هلو ( Prunus persica L. Batsch). آبیاری علمی 2006 ، 24 ، 59-68. [ Google Scholar ] [ CrossRef ]
  34. چاوز، جی ال. نیل، CMU؛ پروگر، جی اچ. Kustas، WP تخمین‌های تبخیر و تعرق روزانه را از برون‌یابی مقادیر و ارزش‌های سنجش از راه دور هوابرد آنی. آبیاری علمی 2008 ، 27 ، 67-81. [ Google Scholar ] [ CrossRef ]
  35. ژانگ، ی. لیو، سی. لی، ی. تانگ، ی. یو، کیو. شن، ی. Sun, H. یک الگوریتم یکپارچه برای تخمین شار گرمای نهان منطقه ای و تبخیر و تعرق روزانه. بین المللی J. Remote Sens. 2006 ، 27 ، 129-152. [ Google Scholar ] [ CrossRef ]
  36. هادیویجایا، بی. پپین، اس. ایزابل، P.-E. Nadeau، DF دینامیک نسبت تعرق به تبخیر و تعرق در شرایط تاج پوشش مرطوب و خشک در یک جنگل شمالی مرطوب. Forests 2020 , 11 , 237. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 10 00211 g001 550
شکل 1. ( الف ) مکان محل مطالعه. باغ آزمایشی استون فروت (Tatura، ویکتوریا، استرالیا). منبع تصویر از Google Maps. ( ب ) سازه های سایبان در پیشرو عمودی ( سمت چپ ) و پرده تاتورا ( راست ). عکس‌های گرفته شده در اواسط فصل (ژانویه ۲۰۱۷) در ظهر (ظهر خورشیدی) به سمت شمال.
Ijgi 10 00211 g002 550
شکل 2. شرح میدان: ( بالا سمت چپ ) اهداف خاکستری رادیومتری و اهداف دما. ( پایین سمت چپ ) جزئیات نمونه برداری از درختان و برج هواشناسی؛ ( سمت راست ) مکان اهداف و درختان نمونه در جعبه های قرمز محصور شده است.
Ijgi 10 00211 g003 550
شکل 3. جریان پردازش و مدل سازی داده ها.
Ijgi 10 00211 g004 550
شکل 4. روش تکراری محاسبه شار حرارتی محسوس در مدل HRMET.
Ijgi 10 00211 g005 550
شکل 5. نقشه ردیف درخت به استثنای پس‌زمینه خاک با استفاده از روش هیستوگرام tge: ( الف ) نقشه دمای سطح (°C). ( ب ) نقشه NDVI.
Ijgi 10 00211 g006 550
شکل 6. رابطه نمایی بین LAI مبتنی بر PAR و NDVI.
Ijgi 10 00211 g007 550
شکل 7. تقسیم بندی درخت به درخت: ( الف ) نقشه دمای سطح (°C) و ( ب ) نقشه LAI.
Ijgi 10 00211 g008 550
شکل 8. نقشه تخمینی ET ( mmh −1 ): ( سمت چپ ) توزیع ET بر روی باغ‌ها. ( سمت راست ) درخت ET با خاک پس زمینه حذف شده است.
Ijgi 10 00211 g009 550
شکل 9. مقایسه بین ET برآورد شده و تعرق برگ در درختان نمونه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید