اخبار و اعلانات

 آمار

تعداد نشریات282
تعداد نشریات سازمان80
تعداد شماره‌ها3,196
تعداد مقالات35,423
تعداد مشاهده مقاله52,242,193
تعداد دریافت فایل اصل مقاله91,775,601
محمدی معله زاده, جمال, هوشمند, عبدالرحیم. (1404). کاربرد شاخص تنش آبی گیاه در برنامه‌ریزی آبیاری نیشکر با استفاده از داده‏های حرارتی لندست و مدل AquaCrop. سامانه مدیریت نشریات علمی, 39(4), 373-390. doi: 10.22092/jwra.2026.372059.1105
جمال محمدی معله زاده; عبدالرحیم هوشمند. "کاربرد شاخص تنش آبی گیاه در برنامه‌ریزی آبیاری نیشکر با استفاده از داده‏های حرارتی لندست و مدل AquaCrop". سامانه مدیریت نشریات علمی, 39, 4, 1404, 373-390. doi: 10.22092/jwra.2026.372059.1105
محمدی معله زاده, جمال, هوشمند, عبدالرحیم. (1404). 'کاربرد شاخص تنش آبی گیاه در برنامه‌ریزی آبیاری نیشکر با استفاده از داده‏های حرارتی لندست و مدل AquaCrop', سامانه مدیریت نشریات علمی, 39(4), pp. 373-390. doi: 10.22092/jwra.2026.372059.1105
محمدی معله زاده, جمال, هوشمند, عبدالرحیم. کاربرد شاخص تنش آبی گیاه در برنامه‌ریزی آبیاری نیشکر با استفاده از داده‏های حرارتی لندست و مدل AquaCrop. سامانه مدیریت نشریات علمی, 1404; 39(4): 373-390. doi: 10.22092/jwra.2026.372059.1105

کاربرد شاخص تنش آبی گیاه در برنامه‌ریزی آبیاری نیشکر با استفاده از داده‏های حرارتی لندست و مدل AquaCrop

پژوهش آب در کشاورزی
دوره 39، شماره 4، اسفند 1404، صفحه 373-390    اصل مقاله (2.29 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/jwra.2026.372059.1105
نویسندگان
جمال محمدی معله زاده1؛ عبدالرحیم هوشمند* 2
1دانشجوی دکتری آبیاری و زهکشی دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز و رئیس اداره سنجش از دور و GIS، مؤسسه تحقیقات و آموزش توسعه نیشکر، اهواز، ایران.
2استاد گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
چکیده
در این مطالعه، از مدل AquaCrop به‌همراه داده‌های میدانی رطوبت غلاف برگ (VWC) و تصاویر لندست 8 و 9 استفاده شد تا حدود بالا و پایین شاخص تنش آبی گیاه (CWSI) دقیق‌تر تعیین شود. این پژوهش در شرکت کشت و صنعت نیشکر دعبل خزاعی و طی اسفند ۱۴۰۰ تا مهر ۱۴۰۱ انجام شد. نتایج نشان داد که بین مقدار CWSI و رطوبت غلاف برگ (VWC) رابطه‌ای منفی و معنی‌دار وجود دارد؛ به‌طوری‌که با کاهش محتوای آب گیاه، CWSI افزایش می‌یابد (R2=0.71). اثر سن مزرعه در مرحله میانی رشد بر این رابطه معنی‌دار نبود. بر اساس رگرسیون خطی بین CWSI و VWC، وضعیت آبی گیاه به پنج کلاس شامل تنش آبی، زمان آبیاری، متوسط، مرطوب و بسیار مرطوب طبقه‌بندی شد. تحلیل‌های مکانی نیز نشان داد که توزیع فضایی CWSI استخراج‌شده از تصاویر ماهواره‌ای با تغییرات واقعی رطوبت گیاه هم‌راستا است و امکان پایش پویای تنش آبی و تعیین زمان دقیق آبیاری را فراهم می‌سازد. در مجموع، تلفیق مدل شبیه‌سازی AquaCrop، داده‌های زمینی و شاخص حرارتی CWSI رویکردی دقیق‌تر و نوآورانه‌تر نسبت به روش‌های مبتنی بر پیکسل سرد و گرم است و می‌تواند برای مدیریت هوشمند آبیاری نیشکر در مناطق خشک و نیمه‌خشک به‌کار رود.
کلیدواژه‌ها
سنجش از دور؛ رطوبت خاک
عنوان مقاله [English]
Application of Crop Water Stress Index in Sugarcane Irrigation Scheduling Using Landsat Thermal Data and AquaCrop Model
نویسندگان [English]
Jamal Mohammadi Moalezade1؛ Abdorahim Hooshmand2
1PhD student in Irrigation and Drainage, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz and Head of Remote Sensing and GIS Department, Sugarcane Research and Development Training Institute, Ahvaz, Iran.
2Professor, Irrigation and Drainage Department, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
چکیده [English]
In this study, to overcome some limitations, the AquaCrop model was used together with field measurements of Leaf Sheath Volumetric Water Content (VWC) and Landsat 8 and 9 images to determine the upper and lower bounds of Crop Water Stress Index (CWSI) more accurately. This research was conducted at Debal Khuzaei Sugarcane Cultivation and Industry Company from March 2022 to October 2022.The results showed a significant negative relationship between CWSI and VWC; that is, as the plant water content decreased, CWSI increased (R2=0.71). The effect of field age during the mid-growth stage on this relationship was not significant. Based on the linear regression between CWSI and VWC, the plant water status was classified into five classes: water stress, irrigation time, moderate, moist, and very moist. Spatial analyses also showed that the spatial distribution of CWSI extracted from satellite imagery was consistent with actual variations in plant moisture, enabling dynamic monitoring of water stress and precise irrigation timing. Overall, the integration of the AquaCrop simulation model, ground-based data, and the thermal CWSI offers a more accurate and innovative approach than the methods based on hot and cold pixels, and it can be used for smart irrigation management of sugarcane in arid and semi-arid regions.
کلیدواژه‌ها [English]
Remote Sensing, Soil moisture
مراجع
  1. فیضی زاده بختیار، دیده بان خلیل و غلام نیا خلیل، 1395. برآورد دمای سطح زمین با استفاده از تصاویر ماهواره لندست 8 و الگوریتم پنجره مجزا. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی سپهر، (98)25، صص. 171- DOI: 10.22034/SEPEHR.2016.27017
  2. محمدی معله زاده، جمال، ناصری، عبدعلی و هوشمند، عبدالرحیم، 2019. بررسی کارایی مدل AquaCrop در تعیین زمان آبیاری گیاه نیشکر و پایش آن با شاخص تنش آبی گیاه. نشریه آبیاری و زهکشی ایران 13(5)، صص. 1439-1450. DOI: 10.22059/IJWRED.2019.270058.1140
  3. Doorenbos, J., & Kassam, A. H. 1979. Yield response to water. FAO Irrigation and Drainage 33, Rome. DOI: 10.1017/S002185960007204X
  4. Idso, S. B., Jackson, R. D., & Reginato, R. J., Remote-Sensing of Crop Yields: Canopy temperature and albedo measurements have been quantitatively correlated with final harvests of wheat. Science, 196(4285), pp. 19-25.‏ DOI: 10.1126/science.196.4285.19
  5. Movahedi, A., Karimi, S., & Jafari, R., 2021. Assessment of Plant Water Stress Based on Remote Sensing Techniques: A Review. Journal of Water Resource and Hydraulic Engineering, 10(1), pp. 1-15. DOI: 10.1126/science.196.4285.19
  6. Najafi, E., Zand-Parsa, S., Kamkar, B., & AghaAlikhani, M., 2019. Mapping drought stress using vegetation indices and meteorological data in wheat fields. Journal of Agricultural Science and Technology, 21(3), pp. 655-669. DOI: 22091/AEST.2019.4714.1348
  7. Ramanian, H., Darvishzadeh, R., Homayouni, S., & Gholizadeh, H., 2021. Assessment of vegetation water stress using multi-temporal Sentinel-2 data and machine learning techniques. Geocarto International, 36(6), pp. 634-648.

 DOI: 10.1080/10106049.2019.1654678

  1. Russo D and Bakker D. 1986. Crop water production function for sweet corn and cotton irrigated and saline water. Soil science society and American journal. 51, pp. 1554-1562.

DOI: 10.2136/sssaj1987.03615995005100060024x

  1. Ritchie, J. C., & McCarty, G. W., 2003. Remote Sensing of Surface Temperature. Remote Sensing of Environment, 85(3), pp. 313-324. DOI: 1016/S0034-4257(03)00057-0
  2. Sund, J.M., & Clements, R.O., 1974. A method for determining the moisture content of leaf sheaths in plants. Plant and Soil, 41(2), pp. 335-345. DOI: 1007/BF00015064
  3. Turner, N.C., 1996. Adaptation to Water Deficits: A Changing Perspective. Australian Journal of Plant Physiology, 23, pp. 213-226. DOI: 1071/PP9960213
  4. Veysi, S., A. A. Naseri, S. Hamzeh and H. Bartholomeus 2017. A satellite-based crop water stress index for irrigation scheduling in sugarcane fields. Agricultural water management 189: pp. 70-86. DOI: 1016/j.agwat.2017.04.004
  5. Wang, W., Huang, D., Wang, X. G., Liu, Y. R., & Zhou, F. 2011. Estimation of soil moisture using trapezoidal relationship between remotely sensed land surface temperature and vegetation index. Hydrology and Earth System Sciences, 15(5), pp. 1699-1712.‏

DOI: 10.5194/hess-15-1699-2011

آمار
تعداد مشاهده مقاله: 143
تعداد دریافت فایل اصل مقاله: 68


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب