Water Management in Agriculture

Water Management in Agriculture

Investigation the effect of observated and estimated dry matter from satellite imagery on the accuracy of Hashemi rice yield simulation using SWAP model

Document Type : Original Article

Authors
Adineh Abdi 1
Safoora Asadi Kapourchal 2
Majid Vazifedoust 3
M Rezaei 4
1 Graduated MSc, Department of Soil Science, Faculty of Agricultural Sciences, University Of Guilan, Rasht, Iran
2 Assistant Professor, Department of Soil Science, Faculty of Agricultural Sciences, University Of Guilan, Rasht, Iran
3 3 Assistant Professor, Department of Water Engineering, Faculty of Agricultural Sciences, University Of Guilan, Rasht, Iran
4 Research Assistant Professor, Rice Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Rasht, Iran
Abstract
Predicting crop yields before harvest using simulation models and remote sensing technology is very important in sustainable agricultural management. The objective of this study was to use Sentinel 2 satellite images to improve the accuracy of SWAP model to simulate Hashemi rice yield in one of the research farms at the Rice Research Institute of Iran. For this purpose, LAI, NDVI and SAVI indices were derived from satellite images for growth period of plant. Also, leaf area index was measured directly and weekly at the field level and compared with indices derived from satellite images to provide the best equation for estimating the amount of dry matter. Then, using multivariate linear regression equation, the amount of dry matter was estimated from satellite images and given as the input parameter in the SWAP model. Finally, the measured yield was compared with the simulated values by the SWAP model with and without using satellite imagery. The results showed, when measured dry matter was as the model input, the error of model was 3.93% equal to 396.88 kg/ha and the model accuracy was acceptable (R2=0.95). but when the estimated dry matter from the satellite imagery was modeled as input, the model simulated the yield value of paddy with R2 equal to 0.99 and an error of 2.04% equal to 241.20 kg/ha. Finally, based on the obtained results, updating the SWAP model using satellite imagery improved the simulation accuracy and the model was able to simulate rice yield with higher accuracy.
Keywords
Dry matter
Remote sensing
Simulation
Vegetation indices
امیری، ا. و شیرشاهی، ف. 1396. ارزیابی عکس­العمل ذرت دانه­ای به مدیریت کم­آبیاری با استفاده از مدل SWAP. نشریه اکوفیزیولوژی گیاهان زراعی. 11 (4): 774-759.
امینی بازیانی، س.، زارع ابیانه، ح. و اکبری، م. 1393. برآورد دما و شاخص پوشش گیاهی سطح زمین با استفاده از سنجش‌ازدور در دشت همدان. پژوهش­های جغرافیای طبیعی. 46 (3): 333-348.
بابائیان، ا.، همایی، م. و نوروزی، ع.ا. 1392. برآورد رطوبت خاک سطحی با استفاده از تصاویر رادار ENVISAT/ASTER. نشریه پژوهش آب در کشاورزی. 27(4): 611-622.
بی‌نام، 1398. آمارنامه کشاورزی سال 1397-1396 (جلد اول: محصولات زراعی). وزارت جهاد کشاورزی. 95 صفحه.
بخشنده، ا.، سلطانی، ا. و غدیریان، ر. 1390. اندازه‌گیری شاخص سطح برگ با استفاده از دستگاه AccuPAR در گندم. تولید گیاهی. 18(4): 97-102.
پندی، ح.، اسدی کپورچال، ص.، وظیفه‌دوست، م. و رضایی، م. 1398. ارزیابی دقت مدل SWAP در برآورد عملکرد برنج رقم هاشمی. شانزدهمین کنگره علوم خاک ایران. شهریور، زنجان، ایران.
حیدریان خلیلی، م. 1396. بهینه­سازی مدیریت آبیاری اراضی شالی­زاری تحت شرایط شوری با استفاده از مدل SWAP و الگوریتم ژنتیک. پایان‌نامه کارشناسی ارشد. گروه مهندسی آب. دانشگاه گیلان.
رضایی، م،. وظیفه­دوست، م.، دواتگر، ن.، پیرمرادیان، ن. مختاری، ش.،  شاه­نظری، ع.، رائینی­سرجاز، م.  و امیری، ا. 1395. استفاده از تصاویر ماهواره لندست در برآورد شاخص سطح برگ برنج در سطوح وسیع. مدیریت آب در کشاورزی. 2(3): 53-60.
شیرشاهی، ف.، بابازاده، ح.، کاوه، ف. و امیری، ا. 1393. ارزیابی کارآیی مصرف آب و برآورد عملکرد گندم با استفاده از مدل SWAP در بخشی از شبکه آبیاری و زهکشی درودزن. نشریه پژوهش آب در کشاورزی. 28 (2): 273-283.
صدوقی، ل،. همایی، م. نوروزی، ع.ا. و اسدی کپورچال، ص. 1395. برآورد عملکرد برنج با استفاده از مدل VSM و تصاویر ماهواره­ای در استان گیلان. تحقیقات غلات. 6(3): 397-410.
علی­آبادی، ک،. انتظاری. ع. و اسکندری، ن. 1393. تخمین پارامترهای فیزیکی (زی­توده) پوشش گیاهی با استفاده از داده‌های سنجش‌ازدوری. مطالعات جغرافیایی مناطق خشک. 15(4): 23-33.
موسوی، س.ا.ح.، اگدرنژاد، ا. و گیلانی، ع. 1398. شبیه­سازی عملکرد و کارایی مصرف آب ارقام مختلف برنج تحت شرایط مختلف کاشت با استفاده از دو مدل SWAP و AquaCrop. نشریه مدیریت آب در کشاورزی. 6(1): 123-134.
نوروزی، ع.ا.، جلالی، ن.، میری، م. و عباسی، م. 1392. برآورد شاخص سطح برگ گیاه برنج در شمال ایران. نشریه حفاظت منابع آب‌وخاک. 3(2): 1-10.
 
Comba, L., Biglia, A., Aimonino, D.R., Tortia, C., Mania, E., Guidoni, S. and Gay, P. 2020. Leaf Area Index evaluation in vineyards using 3D point clouds from UAV imagery. Precision Agriculture. 21(4): 881-896.
FAO, 2017. FAOSTAT. Statistical Databases. Food and Agriculture Organization of the United Nations. http:/ www.fao.org.
Huete, A.R. 1988. A soil-adjusted vegetation index (SAVI). Remote sensing of environment. 25(3): 295-309.
Leon, C.T., Shaw, D.R., Cox, M.S., Abshire, M.J., Ward, B., Wardlaw, M.C. and Watson, C. 2003. Utility of remote sensing in predicting crop and soil characteristics. Precision Agriculture. 4(4): 359-384.
Liu, J., Sun, S., Wu, P., Wang, Y. and Zhao, X. 2015. Evaluation of crop production, trade, and consumption from the perspective of water resources: A case study of the Hetao irrigation district, China, for 1960–2010. Science of The Total Environment. 505: 1174-1181.
Noureldin, N., Aboelghar, M., Saudy, H. and Ali, A. 2013. Rice yield forecasting models using satellite imagery in Egypt. The Egyptian Journal of Remote Sensing and Space Science. 16(1): 125-131.
 
Padilla, F., Maas, S., González-Dugo, M., Mansilla, F., Rajan, N., Gavilán, P. and Domínguez, J. 2012. Monitoring regional wheat yield in Southern Spain using the GRAMI model and satellite imagery. Field Crops Research. 130: 145-154.
Saadat, S. and Homaee, M. 2015. Modeling sorghum response to irrigation water salinity at early growth stage. Agricultural Water Management. 152: 119-124.
Singh, R. 2004. Simulation on direct and cyclic use of saline waters for sustaining cotton-wheat in a semi-arid area of north-west India”, Agricultural Water Management. 66(2): 153-162.
Van Dam, J.C. and Malik, R.S. 2003. Water productivity of irrigated crops in Sirsa district, India. Integration of remote sensing, crop and soil model and geographical information systems, WATPRO Final Report.
Yingbin, H., Uchida, S., Huajun, T., Youqi, C. and Jia, L. 2010. Application of TERRA/MODIS images, TM images and weather data to assess the effect of cold damage on rice yield. International Journal of Agricultural and Biological Engineering. 3(2): 31-38.
Zarate-Valdez, J.L., Whiting, M.L., Lampinen, B.D., Metcalf, S., Ustin, S.L. and Brown, P.H. 2012. Prediction of leaf area index in almonds by vegetation indices. Computers and Electronics in Agriculture. 85: 24–32.