پیش‌بینی عملکرد یونجه توسط برخی شاخص‌های پوشش گیاهی و متغیرهای محیطی در خراسان جنوبی (مطالعه موردی شهرستان سرایان)

مقدمه

از میان گیاهان زراعی، یونجه (Medicago sativa L.) به دلیل عملکرد بالا و غنی بودن از مواد پروتینی و معدنی، به عنوان مهم‌ترین گیاه علوفه­ای دنیا محسوب میشود (Yarnia et al., 2005). متوسط عملکرد علوفه خشک آن در ایران 9838 کیلوگرم در هکتار گزارش شده است (Agricultural Statistics, 2015). بررسی عملکرد علوفه در مناطق مختلف، به­عنوان یکی از منابع اصلی فیبر و پروتین مورد نیاز دام، از اهمیت غیر قابل انکاری برخوردار است. امروزه روش­های مختلفی برای بررسی و تخمین عملکرد گیاهان زراعی مورد استفاده قرار می­گیرند که از آن جمله می­توان به سنجش از دور و مدل­های رشد گیاهی اشاره کرد.

فاکتورهای اقلیمی، خاکی و گیاهی، تعیین کننده عملکرد گیاهی در هر منطقه می­باشند (Anderson, 1968; Burrough, 1991; Guisan et al., 1998). برخی محققان، از پارامترهای هواشناسی جهت پیش­بینی عملکرد ذرت استفاده کردند و نشان دادند که زیر مدل آب و خاک، منجر به افزایش دقت مدل می­شود (Dadrasi and Torabi, 2016). می­توان میزان تولید علوفه در حوضه آب­خیز دماوند را به‌­وسیله سه متغیر بارندگی، شیب و شاخص گیاهی نرمال شده تخمین زد؛ بر این اساس، ضریب همبستگی در رابطه بین شاخص گیاهی تفاضل نرمال شده و تولید علوفه، 72 درصد به­دست آمد (Mirakhorlo & Hosseini, 2006). همچنین با مطالعه عوامل محیطی مؤثر بر پراکنش گیاهان در جنگل های بارانی آتلانتیک دریافتند که دمای اتمسفر و خاک و در مرحله بعد، رطوبت هوا، از همه مهم‌تر هستند (Nunes & Santue, 2012). با استفاده از روش رگرسیون لجستیک تحت تأثیر، متوسط بارش سالیانه، میزان رس، میانگین دمای گرمترین فصل سال و درجه شیب، پراکنش گونه­ گون زرد در منطقه اصفهان مشخص شد (Safaei et al., 2013). در مطالعات برخی از محققین نیز اشاره شده است که گون زرد، بیشترین همبستگی را با میانگین درجه حرارت و سه عامل خاک (هدایت الکتریکی، میزان رس و کربن آلی) دارد (Saki et al., 2012) به­طوری‌که حضور این گونه با میزان رس و کربن آلی همبستگی مستقیم و با میزان هدایت الکتریکی همبستگی معکوس دارد. در بررسی تأثیر شرایط اقلیمی بر تولید علوفه مراتع استپی استان مرکزی، از بین شاخص‌های مهم اقلیمی، شاخص بارندگی فصل رویش به اضافة بارش فصول پیشین، به­عنوان مؤثرترین شاخص اثرگذار بر تولید گیاهان بوته‌ای معرفی شدند (Ehsani et al., 2007).

در مطالعه Eldeiry and Garcia  (2012)که با هدف مقایسه سه روش کریجینگ فصلی، شاخص و احتمالاتی در برآورد پتانسل عملکرد گیاه یونجه و ذرت، تحت آستانه­های مختلف شوری انجام شد به این نتیجه رسیدند که هر سه روش مورد آزمایش در برآورد عملکرد، توانایی خوبی دارند ولی روش کریجینگ فصلی از بقیه روش­ها مناسب­تر است. در شبه­جزیره مالزی، مطالعه­ای با استفاده از خط خاک و بر اساس پنج شاخص پوشش گیاهی انجام گرفت. نتایج نشان داد که شاخص SAVI[1] (شاخص گیاهی تعدیل شده خاک)، بهترین شاخص برای نقشه­برداری از درختان با دقت 79 درصد در مقایسه با دیگر شاخص­ها بود (Baugh & Groeneveld, 2006). برخی محققین با بررسی رابطه بین شاخص پوشش گیاهی نرمال شده حاصل از ماهواره مودیس[2] با عملکرد گندم نشان دادند که با برازش خوبی (R²=0.75) می­توان عملکرد گندم را در بخش شمالی آرژانتین ارزیابی کرد (Lopresti et al., 2015). جهت تعیین عملکرد علوفه گراس­ها و کاربرد شاخص پوشش گیاهی نرمال شده (NDVI[3]) به روش رگرسیون بهینه مشخص شد که این روش می­تواند در سطح وسیع به کار رود (Song et al, 2014). به­منظور تعیین شاخص­های مناسب ارزیابی تولید گیاهان در مناطق ییلاقی جنوب استان مازندران، داده­های ماهواره­ای شاخص­های پوشش گیاهی TVI[4]، MIRV[5]، LAI[6] و VI[7] که همگی از مشتقات شاخص گیاهی نرمال شده هستند، رابطه معنی­داری با تولید علوفه نشان دادند (Arzani et al., 2008).

استفاده از تصاویر ماهواره­ای به­همراه داده­های مشاهداتی زمینی و داده­های اقلیمی، روش مناسبی برای تخمین عملکرد علوفه است اما باید آزمون شود که چه اندازه می­توان به خروجی به­دست آمده از این روش اطمینان کرد. به­طورکلی، هدف اصلی این پژوهش، ارزیابی دقت تخمین عملکرد یونجه بر پایه پارامترهای اقلیمی، خاکی و شاخص­های پوشش گیاهی طی دو برداشت متوالی، توسط رگرسیون خطی چند متغیره بود.

مواد و روش‌ها

منطقه مورد مطالعه

این منطقه در شمال استان خراسان جنوبی، بین طول جغرافیایی 58 درجه و 65 دقیقه تا 58 درجه و 20 دقیقه شرقی و عرض جغرافیایی 33 درجه و 79 دقیقه و 33 درجه و 99 دقیقه شمالی قرار دارد که بالاترین ارتفاع آن، 1789 و پایین­ترین ارتفاع آن، 1102 متر از سطح دریا است. مساحت منطقه (شهرستان سرایان)، 477 کیلومتر مربع است (شکل 1). میانگین بارندگی طی دوره آماری 20 ساله، 153 میلیمتر گزارش شده است و حداکثر میزان بارندگی در اسفند ماه است. بارندگی از آذرماه شروع می‌شود که در طول سه ماه زمستان و ماه اول بهار ادامه می‌یابد و در اردیبهشت ماه، بارندگی با افت شدیدی روبه‌رو می‌شود و در ماه‌های مرداد و شهریور به صفر می‌رسد. این منطقه دارای تابستان­های گرم و خشک و زمستان­های سرد و خشک می­باشد و میانگین دمای سالیانه 19 درجه سانتی­گراد گزارش شده است. بر اساس طبقه­بندی آمبرژه، منطقه سرایان در اقلیم خشک قرار دارد (Alizadeh, 2007).

جهت پیش­بینی عملکرد یونجه، از شاخص­های پوشش گیاهی(NDVI،[8]PVI،[9]WDVI،[10]DVI،[11]MSAVI)، خصوصیات خاک (Soil Class،[12]EC،[13]OC و[14]SI1) و پارامترهای اقلیمی (میانگین دما[15]، میانگین بارش[16]، میانگین سرعت باد[17]، ارتفاع[18]، میانگین کمترین و بیشترین دما[19] و میانگین رطوبت[20] و باند 9 (نشاندهنده رطوبت خاک)، استفاده شد. شاخص­های گیاهی، از داده های ماهواره Sentinel-2 به‌طور مستقیم از سازمان هوایی ناسا[21] (www.usgs.com) و در تاریخ 27/06/2018 تهیه شدند (جداول 1 و 2). این تصویر، به روش نزدیک­ترین همسایه در سیستم مختصات متریک (UTM zone 40N)، با 30 نقطه کنترل زمینی و با استفاده از نقشه توپوگرافی سازمان نقشه برداری کشور با مقیاس یک به 25000 و میزان خطای (RMSE=0.38) زمین مرجع شدند. جهت محاسبه برخی شاخص­های پوشش گیاهی، به‌دست آوردن معادله خط خاک[22] ضروری است. خط خاک، در واقع خطی در فضای طیفی بازتاب خاک در باند مادون قرمز نزدیک و باند قرمز است (شکل 2).

جدول 1- شاخص­های پوشش گیاهی و شوری مورد استفاده.

Table 1- Vegetation Plants and salinity indexes.

R _NIR، Rred، Green، a و b به ترتیب بازتاب در ناحیه مادون قرمز، قرمز، سبز، شیب و عرض از مبدأ خط خاک را نشان می دهد.

R_NIR, Rred, Green, a and b show the reflection in the infrared, red, green, Slope and Source width of the soil line, respectively.

جدول 2- خصوصیات ماهواره Sentinel.

Table 2. Characteristics of Sentinel satellite.

نقشه کلاس خاک منطقه ، بر اساس نسبت جذب سدیم SAR[23] بود، که از سایت https://farafile.ir/product/19422/9240 خریداری شد و نقشه هدایت الکتریکی خاک و ماده آلی خاک حاصل از 52 نقطه، توسط روش آزمایشگاهی و نقشه اقلیمی، از شش نقطه توسط معکوس فاصله وزنی[24] تولید شدند. اطلاعات پارامترهای اقلیمی از شش ایستگاه منطقه استخراج شد (جدول 3). به‌عنوان نمونه، میزان بارندگی ایستگاه‌ها در شکل 3 نشان داده شده است. پس از تهیه نقشه­های اولیه، اطلاعات آنها استخراج شد و سپس مدلسازی شد.

با توجه به­این موضوع که اطلاعات استخراج شده هر تصویر، وضعیت مزارع را به صورت لحظه­ای در همان زمان نشان می­دهد، ممکن است خطاهایی داشته باشد (به عنوان مثال، مزارع گندم، جو، ذرت و حتی زیره به دلیل متراکم بودنشان دچار خطا شوند). از زمانی که این گیاهان برداشت شدند یا در حال برداشت شدن بودند، تاریخ تهیه تصاویر بعد انتخاب شد. داده­های زمینی شامل مختصات جغرافیایی 52 نقطه (توسط GPS دستی گارمین)، به­همراه عملکرد علوفه طی دو چین متوالی (هشت تیر و 28 مرداد سال 1397)، هدایت الکتریکی خاک و کربن آلی خاک آن‌ها بود.

جدول 3. مشخصات ایستگاه های هواشناسی.

Table 3. Characteristics of meteorological stations.

نرم افزارهای ERDAS IMAGIN 2014 جهت استخراج اطلاعات تصاویر و همچنین نرمال کردن تصاویر، ArcGIS 10.3.1 جهت تهیه نقشه­ها و نرم افزار SPSS 22 جهت محاسبات آماری و تهیه مدل رگرسیون چند متغیره و روش گام به گام^[25] مورد استفاه قرار گرفتند. جهت سنجش اعتبار مدل تخمین عملکرد، از 10 داده تست استفاده شد؛ برای این منظور، پارامترهای ضریب تبیین (R²)، RMSE و GMER^[26] و آزمونکای اسکوئر بین مقادیر واقعی و تخمینی استفاده شدند (معادلات 1 و 2).

معادله1              

معادله2    

معادله 3   

معادله 4        

در این معادلات، O و E به‌ترتیب مقادیر واقعی و تخمینی،  (xi-xi^)و RMSE به‌ترتیب تفاوت مقادیر تخمینی و واقعی و خطای میانگین مربعات، N ، ، ،  و GMER به‌ترتیب نشان­دهنده تعداد نمونه، نسبت خطا، مقادیر تخمینی، مقادیر واقعی و میانگین هندسی نسبت خطا بودند. بر این اساس، GMER برابر با یک، بیانگر انطباق مقادیر برآورد شده و اندازه گیری شده است. GMER بالاتر از یک، نشان از بیشتر بودن داده­های تخمینی از داده­های واقعی دارد و GMER کمتر از یک، نشان دهنده کمتر بودن داده­های تخمینی از داده­های واقعی است. بنابراین مدلی از اعتبار بالاتری برخوردار است که GMER نزدیک به یک و ضریب تبیین بالا داشته باشد (Wagner et al, 2001).

نتایج و بحث

زمانی که مقادیر چولگی داده­ها بین منفی یک تا مثبت یک  باشد، این مطلب را نشان می­دهد که توزیع داده­ها نرمال است (Savari et al., 2016). همان‌طور که در جدول 1 مشاهده می­شود، مقادیر چولگی تمام متغیرها در این محدوده قرار گرفت. نزدیکی میانه و متغیر نیز دلیل دیگری بر نرمال بودن متغیرها بود. با این حال باید نرمال بودن توزیع داده‌ها مورد آزمون قرار گیرد. برای تست این فرضیه، از آزمون کولموگروف-اسمیرنوف یک استفاده شد (جدول 4).

جدول 4- آزمون نرمال بودن داده­ها.

Table 4. Normality test of data.

نتایج نشان داد که با توجه به مقدار Sig، فرض H0 (نرمال نبودن داده ها) رد شد و داده­ها دارای توزیع نرمال بودند. داده‌های غیر نرمال (میانگین رطوبت، میانگین کمترین و بیشترین دما، میانگین دمای سالیانه و میانگین سرعت باد)، از روش کاکس-باکس (Cox & Box) و با نرم افزار SPSS-22 نرمال شدند.

توزیع خطا داده­ها، جزو فرضیات اولیه همه کارهای آماری است؛ بنابراین همان‌گونه که در شکل 4 نشان داده شده است، فراوانی رگرسیون استاندارد باقیمانده عملکرد یونجه طی هر دو چین دارای توزیع نرمال بود (Ardakani et al., 2017).

جهت تجزیه­های رگرسیونی خطی چند متغیره، از روش گام به گام استفاده شد. با توجه به جداول ضرایب همبستگی بین عملکرد علوفه طی دو چین متوالی و متغیرها، همبستگی بالایی بین عملکرد علوفه و شاخص­های پوشش گیاهی NDVI، PVI، EVI، Bond9، بارندگی، کلاس خاک و شوری خاک طی هر دو چین وجود داشت (جداول 5، 6 و 7). نقشه بارندگی، کلاس خاک، شوری و شاخص NDVI در شکل 5 نشان داده شده است.

جدول 5- همبستگی عملکرد یونجه با شاخص­های گیاهی.

Table 5. Corrolation between alfalfa yield and plants cover indexes.

جدول 6- همبستگی عملکرد یونجه با برخی پارامترهای اقلیمی.

Table 6. Corrolation between alfalfa yield and some climatic parameters.

جدول 7- همبستگی عملکرد یونجه با برخی خصوصیات خاک.

Table 7. Corrolation between alfalfa yield and some soil characteristics.

برخی از محققان با تخمین عملکرد گندم توسط شاخص­های گیاهی دریافتند که همبستگی معنی­داری بین عملکرد گندم با شاخص­های NDVI، SAVI و EVI وجود دارد (Sanaeinejad et al., 2014). برخلاف نتایج به­دست آمده در این پژوهش، Liaghat et al (2017) در مطالعه روی گندم نشان دادند که برای پیش­بینی عملکرد، شاخص NDVI چندان مناسب نیست. آن ها همچنین نشان دادند که همبستگی شاخص SAVI با عملکرد در ماهواره مودیس نسبت به ماهواره لندست بیشتر است. برخی محققان نیز نشان دادند که بین وزن خشک و سطح برگ گندم با شاخص­های گیاهی رابطه معنی­داری وجود دارد ولی با عملکرد دانه در هیچ تاریخی و هیچ شاخصی رابطه معنی­داری وجود نداشت (Mahmoudi et al., 2014).

جدول 8- ضرایب تشخیص تخمین عملکرد یونجه.

Table 8. Determination coefficients of alfalfa yield estimation.

با توجه به جدول ضرایب رگرسیونی مدل، معادله عملکرد یونجه در سطح احتمال 99 درصد معنی­دار شد (معادلات 5 و 6).

معادله 5

 معادله 6

جدول 9- تجزیه رگرسیون مدل تخمین عملکرد یونجه.

Table 9- Regression analysis of alfalfa yield estimation model.

برای استفاده از متغیرهای مستقل این معادله، معنی­دار بودن ضرایب رگرسیونی یعنی برابر بودن این ضرایب با یک مقدار ثابت (B) مورد آزمون قرار گرفت. این آزمون نشان ­داد که متغیرهای این معادله در سطح 99 درصد معنی­دار بودند (جدول 10) و از متغیرهای بارندگی، کلاس خاک و شاخص گیاهی PVI می­توان جهت تولید نقشه عملکرد یونجه با ضریب تعیین و ضریب همبستگی 63/0 و 79/0 استفاده کرد (جدول 10).

جدول 10- ضرایب رگرسیونی مدل.

Table 10- Regression coefficient of models.

برخی محققان نیز نشان دادند که به­وسیله سه متغیر بارندگی، شیب و شاخص گیاهی نرمال شده می­توان میزان تولید علوفه در حوضه آبخیز دماوند را تخمین زد (Mirakhorlo & Hosseini, 2006). رطوبت ناشی از بارندگی فصل رویش و ابتدای فصل رشد، به‌صورت رطوبت ذخیره شده در خاک باقی می‌ماند و گیاهان از این رطوبت استفاده می­کنند. بر اساس نمودار همبستگی، ضریب تبیین در رابطه بین شاخص گیاهی تفاضل نرمال شده و تولید علوفه، 72 درصد به­دست آمد. نتایج Saki et al (2012)، نشان داده است که حضور گون زرد با عامل­های محیطی میانگین درجه حرارت و سه عامل خاک (رس، هدایت الکتریکی و کربن آلی) بیشترین همبستگی را داشت به­طوری که حضور این گونه با میزان رس و مواد آلی همبستگی مستقیم و با میزان هدایت الکتریکی همبستگی معکوس داشت (Song et al, 2014). برخی محققین در تعیین عملکرد علوفه گراس­ها و کاربرد شاخص NDVI به روش رگرسیون بهینه دریافتند که این روش می­تواند در سطح وسیع به‌کار رود. از بین شاخص­های پوشش گیاهی، NDVI، SAVI، MSAVI و EVI در تهیه نقشه عملکرد گندم تحت شرایط آبیاری شاخص SAVI از دقت بالاتری (R2=0.63)، برخوردارند و می­توان از آن ها در جهت تعیین عملکرد استفاده کرد (Liaghat et al., 2017). تعداد 14 شاخص پوشش گیاهی با استفاده از ماهواره لندست پنج و سنجنده TM در دره سان­لوئیس ایالات متحده آمریکا، برای یافتن بهترین شاخص در مناطق خشک با پوشش گیاهی تنک مورد ارزیابی قرار گرفتند. پس از آن، مقدار ضریب تبیین از رگرسیون خطی این شاخص­ها برای تعیین عملکرد، مورد استفاده قرار گرفت و نتایج مطلوبی را ارائه داد (Baugh & Groeneveld, 2006) به‌طوری‌که شاخص­های دارای ضریب خط خاک، برای این مناطق مناسبتر هستند. Bocco et al(2013) نیز پیشنهاد کردند که شاخص SAVI جهت پوشش گیاهان سویا و ذرت بسیار مفید است؛ البته آن ها از ماهواره مودیس استفاده کرده بودند. به­منظور تعیین شاخص­های مناسب ارزیابی تولید گیاهان در مراتع ییلاقی جنوب استان مازندران، داده­های ماهواره­ای شاخص­های گیاهی TV، MIRV، LAI و VI که همگی از مشتقات شاخص گیاهی نرمال شده هستند، رابطه معنی­داری با تولید علوفه نشان دادند (Arzani et al., 2008). پس از یافتن بهترین معادله، اقدام به تهیه نقشه در محیط GIS شد (شکل 6).

نتایج اعتبارسنجی مدل نشان داد که میانگین هندسی نسبت خطا در هر دو چین، بالاتر از یک شد که نشان دهندهکمی بالاتر بودن مقادیر تخمینی  نسبت به مقادیر واقعی است. ضریب تبیین بالاتر، میانگین خطای آزمایشی کمتر (RMSE) و نزدیک­تر بودن میانگین هندسی نسبت خطا (GMER)، در چین اول نسبت به چین دوم مناسب­تر است (جدول 11). با توجه به جدول 12 که نتایج آزمون کای اسکوئر را نشان می­دهد، پیداست که تفاوت معنی­داری بین مقادیر واقعی و تخمینی عملکرد یونجه طی هر دو چین وجود ندارد.

جدول 11- پارامترهای ارزیابی مدل.

Table 11. Model evaluation parameters.

جدول 12- آزمون کای اسکوئر.

Table 12. Chi-Square test.

نتیجه­ گیری کلی

بر اساس این مدل طی هر دو چین، از بین پارامترهای اقلیمی، بارندگی و از بین شاخص­های گیاهی، شاخص PVI و از بین خصوصیات خاکی، کلاس خاک تعیین شدند. اگر فرض شود که شاخص PVI برابر صفر، بارندگی برابر 120 و کلاس خاک برابر یک (SAR<0.05) باشد، به عملکرد بالای 575 گرم بر متر مربع خواهیم رسید (مکان دو). اگر همین مقادیر را فرض بگیریم اما کلاس خاک را به دو (SAR= 0.05-0.1) برسانیم، عملکرد به 480 گرم بر متر مربع می­رسد (مکان سه) و اگر در کلاس خاک دو، بارندگی را به 110 میلیمتر کاهش داده، عملکرد به کمتر از 180 گرم بر متر مربع (مکان 1) می­رسد. به­طور‌کلی، این روش پیش­بینی عملکرد علوفه، به دلیل این که از پارامترهای اقلیمی، خاکی و پوشش گیاهی در آن استفاده شده است، از اعتبار بالایی برخوردار است. مدیران می­توانند از این نقشه­ها جهت ارائه الگوی بهره­برداری مناسب منطقه استفاده کنند، به­طوری‌که در مناطقی با شوری کم، می­توان یونجه تولید کرد؛ این امر می‌تواند منجر به کاهش مهاجرت از این مناطق می­شود.

سپاسگزاری

بدینوسیله از مسئولان محترم دانشکده کشاورزی شهرستان سرایان، جهاد کشاورزی و منابع طبیعی که در امر اجرای این تحقیق، همکاری­های لازم را به عمل آورده­اند صمیمانه قدردانی می­شود.