Uydu Görüntüleri, Meteorolojik Veriler Ve Kamera Fotoğrafları İle Pamuk Ve Mısır Bitkileri İçin Rekolte Tahmin Modeli Tasarımı: Şanlıurfa Örneği
Uydu Görüntüleri, Meteorolojik Veriler Ve Kamera Fotoğrafları İle Pamuk Ve Mısır Bitkileri İçin Rekolte Tahmin Modeli Tasarımı: Şanlıurfa Örneği
Dosyalar
Tarih
2015-10-23
Yazarlar
Algancı, Uğur
Süreli Yayın başlığı
Süreli Yayın ISSN
Cilt Başlığı
Yayınevi
Fen Bilimleri Enstitüsü
Institute of Science And Technology
Institute of Science And Technology
Özet
Ekili ürün tiplerinin ve alanlarının uydu görüntüleri ile parsel seviyesinde belirlenmesi, tarımsal politikaların yönetilmesi, çiftçi beyanına dayalı teşvik sisteminin doğrulanması ve hassas tarım uygulamaları gibi konularda önemli katkılar sağlayabilmektedir. Tarımsal faaliyetlerin sera gazı emisyonlarına katkısı da düşünüldüğünde ürün tiplerinin ve mekânsal dağılımlarının belirlenmesinin iklim perspektefinden bakıldığında da büyük önem arzettiği görülmektedir. Bu sebeple birçok Avrupa Birliği üyesi ülke, tarım politikalarının ve teşviklerin yönetilmesinde kullanılmak üzere hava fotoğrafı ve uydu görüntüsünü temel alan Arazi Parsel Tanımlama Sistemi altyapılarını oluşturmuşlardır. Ürün ekim deseninin belirlenmesine ek olarak ürün verimininde zamanında ve doğru şekilde belirlenmesi, bölgesel ya da ülke ölçeğinde düşünüldüğünde sosyal, ekonomik, tarımsal politikaların belirlenmesinde önemli rol oynamaktadır. Örneğin verimin bölgesel ölçekte tahmini, toplam potansiyel ürün tahminini ortaya koyarak bir sonraki yıl için ürün fiyatlandırma ve stok yönetiminin gerçekleştirilmesinde en önemli veri kaynağını oluşturacaktır. Verim tahmini ayrıca tarım – ekosistem ilişkilerinin karbon döngüsü ve iklim değişikliği perspektifinde modellenmesine de faydalı bir girdi olmaktadır. Ek olarak verim bilgisi, bitki kütlesi – ürün miktarı ilişkileri kullanılarak birincil net üretim (NPP) bilgisinin üretilmesinde ve karbon bütçesinin belirlenmesinde kullanılmaktadır. Bu şekli ile değerlendirildiğinde geniş alanlar için ekili ürün deseninin ve ürün bazında verimin belirlenmesi önemli bir mekânsal problem olarak düşünülmelidir. Bu bilginin bölgesel ya da ülke ölçeğinde ve parsel bazında belirlenmesiklasik yersel yöntemler ile mümkün görünmemektedir. Bu noktada uzaktan algılama sistemleri; geniş alanları görüntüleme kapasiteleri ve farklı mekânsal – zamansal çözünürlükleri ile tarımsal bilginin üretilmesinde önemli bir veri kaynağı olarak karşımıza çıkmaktadır. Klasik yöntemler ile kıyaslandığında uzaktan algılama yöntemleri hızlı ve ekonomik veri elde etme ve bilgisayar tabanlı hızlı analiz olanakları ile öne çıkmaktadır. Uzaktan algılama ile tarımsal analizler gerçekleştirilirken tarım alanlarının karakteristik özellikleri, ürün tiplerine bağlı olarak ortaya çıkan spektral yansıtım farklılıkları ve şekil, doku gibi yüzey özellikleri göz önünde bulundurulmalıdır. Bu özellikler göz önüne alınarak gerçekleştirilen analiz ile uzaktan algılama verisinden ürün tipi, ürün yoğunluğu ve ürün geometrisine ilişkin ayırt edici bilgiler üretilebilir. Bu çalışmada Türkiye’nin güneydoğusunda bulunan Şanlıurfa ilinde bulunan Harran Ovası’nda pamuk ve mısır bitkileri için parsel seviyesinde ve bölge ölçeğinde çalışan adaptif verim tahmin modeli tasarımı gerçekleştirilmiştir. İki aşamalı olarak tasarlanan rekolte tahmin modelinde uydu görüntüleri ile ekili alan tespitine yönelik analiz; uydu görüntüleri, meteorolojik data ve kamera fotoğrafları kullanılarak tasarlanan agro-meteorolojik verim modeli ile entegre edilmiştir. Gerçekleştirilen çalışmanın ilk bölümünde altı farklı test alanında, farklı mekansal çözünürlükte uydu görüntüleri kulanılarak obje ve piksel tabanlı sınıflandırma yöntemlerinin ürün tiplerinin parsel seviyesinde tesbitindeki başarımı değerlendirilmiştir. SPOT 5 uydusundan elde edilen 2,5m, 5m ve 10m mekansal çözünürlüklü görüntüler ve Landsat 5 TM uydusundan elde edilen 30m mekansal görüntüden oluşan veri seti ile gerçekleştirilen çalışmada, çalışmada obje tabanlı “En Yakın Komşuluk - Nearest Neighbour (NN)” algoritması, piksel tabanlı “En Çok Benzerlik – Maximum Likelihood (ML)”, “Destek Vektör Makinası – Support Vector Machine (SVM)” ve “Spektral Açı Haritalayıcı – Spectral Angle Mapper (SAM)” algoritmaları kullanılmıştır. Gerekli görülen piksel tabanlı sınıflandırma sonuçlarına tuz-biber etkisi ve parsel içi heterojenliği azaltmak amacı ile sınıflandırma sonrası düzeltme işlemleri uygulanmıştır. Sonuçlara göre obje tabanlı yaklaşım 10m ve daha yüksek çözünürlükteparsel tanımlama ve alan tahmininde en iyi sonuçları vermiştir. SVM algoritması 2,5m ve 5m çözünürlükte obje tabanlı yaklaşıma yakın sonuçlar vermekle birlikte çözünürlük düştükçe doğruluğun hızlı bir şekilde düştüğü gözlemlenmiştir. ML ve SAM algoritmaları 30m çözünürlüğe kadar göreceli olarak en düşük doğruluklu sonuçları üretmişlerdir. Genel olarak değerlendirildiğinde parsel tanımlama başarımı mekânsal çözünürlükle çok güçlü bir krelasyon göstermekte iken alan tahmin başarımında temel faktörün sınıflandırma algoritması olduğu gözlemlenmiştir. Çalışma sonuçları aynı zamanda mekânsal çözünürlük ve sınıflandırma algoritmasından bağımsız olan parsel büyüklüğü, ürün tiplerinin mekânsal dağılımı ve oluşturdukları doku gibi parametrelerin etkilerini de tartışma olanağı vermiştir. Test alanlardaki analiz sonuçlarına göre en iyi parsel tanımlama ve alan tahmini sonuçlarının elde edildiği 2,5 m çözünürlüklü veri - OBC ve SVM algoritması kombinasyonları kullanılarak araştırma ilçe ölçeğinde devam ettirilmiştir. Harran, Şanlıurfa ve Hilvan ilçeleri için gerçekleştirilen sınıflandırma sonuçlarına göre OBC algoritması SVM algoritmasına göre hem noktasal hem de alan bazlı doğrulukta daha yüksek başarım göstermiştir. Noktasal doğruluk analizleri sonucunda OBC algoritması ile üretici ve kullanıcı doğrulukları ve kappa değerlerinde SVM algoriğtmasına göre daha yüksek doğruluğa ulaşılmıştır. Ayrıca her iki algoritma için pamuk sınıfında elde edilen doğruluk mısır sınıfına göre daha yüksektir. Bu bulgular hem test alanları hem de ilçe ölçekli analizler için geçerli olup, OBC de alan tahmin doğruluğu her iki ürün için daha yüksek, pamuk ekili alan tahmin doğruluğu da her iki algoritma için mısır ekili alan tahmininden daha yüksek olrak gözlemlenmiştir. Çalışmanın ikinci kısmında pamuk ve mısır ekili alanlarda verim tahminin gerçekleştirilmesidir. Bu kapsamda çok zamanlı uydu görüntüsü, kamera fotoğrafları ve meteorolojik veriler kullanılarak agro – meteorolojik verim modeli tasarlanmıştır. Kamera görüntülerden elde edilen Bitki Örtü Oranı (CC) ölçmelerinin Fotosentetik Aktif Radyasyon Emilim Katsayısı (fPAR) tahmininde kullanıldığı Işınım Kullanım Başarımı (LUE) temelli model test parselleri üzerinde tasarlanmıştır. Modelin geniş alanlarda çalıştırılabilmesi için CC parametresi ile spektral bitki indeksleri (SVI) regresif bağıntılar tanımlanmış ve elde edilen dönüşüm denklemlerinin çok zamanlı uydu görüntülerine uygulanması ile mekânsal fPAR verisi üretilmiştir. Uydu görüntülerinden iki farklı SVI - CC yaklaşımı ile üretilen mekânsal fPAR verisi ve bölgesel olrak optimize edilmiş meteorolojik verinin kulanımı ile ilçe ölçeğinde ve parsel seviyesinde verim tahmini gerçekleştirilmişitir. Bunun dışında LUE modelinin oluşturulması için yeterli verinin bulunamayacağı durumları test etmek için, NDVI’ın fPAR olarak kabul edildiği, GI indeksin Toplam Birincil Üretim (GPP) olarak kabul edildiği, ve NDVI – fPAR, SR – fPAR ilişkilerinin ait bağıntıların deneysel olarak daha önceki çalışmalardan elde edildiği yaklaşımlar da analize dahil edilmiştir. Tüm bu yaklaşımlarla elde edilen verim tahminleri karşılaştırmalı olarak değerlendirilmiştir. LUE temelli model tasarımında bitkilerin LUE katsayılarını etkileyen sıcaklık ve Buhar Basınç Eksikliği (VPD) parametreleri modelleme sürecine dahil edilmiştir. Test parsellerinde gerçekleştirilen analiz sonuçlarına göre kamera görüntülerinden elde edilen CC verisi ile oluşturalan fPAR yaklaşımı ile kurulan LUE model verim tahmininde en yüksek başarımı sağlamıştır. Yöntem pamuk ve mısır ekili test parsellerinde %5’ten daha düşük bağıl hata ile verim tahminine olanak vermiştir. CC – SVI arasındaki ilişki, 0,825 – 0,980 R2 değerleri ile yüksek lineer korelasyon göstermiştir. Bu yüksek korelasyonlu ilişkiden yola çıkılarak oluşturulan ürün tipine özel regresif denklemler kullanılarak verim tahmin modeli dört farklı ilçede ve parsel seviyesinde çalıştırılmıştır. Sonuçlar dört ilçedeki istatistiksel verim sonuçları ile karşılaştırıldığında, kurulan modelin geniş alanlarda da güvenilir sonuçlar ürettiği gözlemlenmiştir. Sonuçlara göre uzaktan alıglama verileri ile mekânsallaştırılan modelde verim tahmin sonuçları %10 bağıl hata altında kalmıştır. Ayrıca meteorolojik gözelem ve bitki gelişim özellikleri gibiverilere ulaşılamadığı durumlar için incelenmiş olan GI – GPP yaklaşımının da oldukça yüksek doğruluklu sonuçlar ürettiği gözlemlenmiştir. Çalışma sonuçları ayrıca bölgeye özel meteorolojik koşulların ve bitki gelişim süresince yürütülen bakım faaliyetlerinin verim üzerindeki etkilerini de gözlemleme olanağı sunmuştur. Ek olarak geçmiş çalışmalardan elde edilmiş genel SVI-fPAR yaklaşımları ile elde verim değerlerindeki yüksek hata değerleri, bu tarz ilişkilerin kurulmasında bölgesel kalibrasyon ve adaptasyonun gerekliliğini ispat etmiştir. Verim modellemesinde muhtemel hata kaynakları değerlendirildiğinde ilk olarak verim modellinde gözardı edilen iki temel unsur su ve nitrojen stresidir. Bu stres faktörlerinin modele dâhil edilmeyişinin ilk sebebi test alanlarının ve Harran Ovası’nın bitki gelişim dönemi boyunca düzenli olarak sulanması ve gübrelenmesine bağlı olarak su ve nitrojen stresinin çalışma alanında belirgin bir etki göstermeyeceğinin düşünülmesidir. Çalışmada muhtemel hata kaynaklarının ikincisi, olgunluk döneminin başından itibaren sararmaya bağlı olarak, yeşil kanopiye duyarlı olan CC değerlerindeki düşüşün fPAR tahmininini ne kadar etkilediğinin bilinmemesidir. Bu durum özellikle püsküllenmenme evresinden sonra hızlıca sararan mısır bitkisi için etkili olabilir. Yine de elde edilen fPAR tahmin grafikleri önceki yersel gözlemler ile oluşturulmuş grafiklere benzeşim göstermiş ve sadece son 10 günlük periyotta fPAR değerlerinde daha hızlı bir düşüş gözlemlenmiştir. Üçüncü olarak, bölgenin detaylı toprak türü haritasına ulaşılamadığından, toprak türünün verim üzerindeki etkisi modellenememiştir. Toprağın tuzluluk, doku ve su tutma kapasitesi özelliklerinin verime etkisi muhtemel olmakla birlikte; bu farklılaşmaların modelde kullanılan SVI’ler aracılığı ile dolaylı olarak modellendiği düşünülmektedir. Son olarak, bu çalışmada yer istasyonlarından elde edilen meteorolojik verilerin alana yayılmasında ortalama değer yöntemi kullanılmıştır. Toplam alanın küçüklüğü ve istasyon dağılımının alt iklim kuşaklarını temsil eder nitelikteki konumları düşünüldüğünde bu yöntem çalışma için yeterli görülmekle birlikte; bölge ya da ülke ölçeğinde gerçekleştirilecek çalışmalarda, co – kriging ya da Inverse Distance Weighting (IDW) gibi daha kapsamlı mekânsal veri interpolasyon yöntemlerinin kullanılması önerilmektedir.
Accurate identification of crop types and estimates of their area at agricultural parcel level from satellite sensor data can provide important information to support agricultural policies, verify claims by farmers who apply for public subsidies and assist in the practice of precision agriculture. Since agricultural practices contribute to greenhouse gas emissions, identification of crop types and their spatial distribution assumes importance from a climate perspective as well. Several countries in the European Union have developed their Land Parcel Identification Systems (LPIS) based on satellite sensor or aerial images to support area-based subsidies and agricultural policies. In addition to identification of crop types and their spatial distribution, timely and accurate estimation of crop yield at local to regional scales is of paramount importance for societal, economic, agricultural, and policy considerations. For example, regional-scale yield estimation enables estimation of potential agricultural production capacity so that food pricing and stock management can be performed for the forthcoming year. Yield estimates also add valuable data to modeling of agriculture – ecosystem relationships in terms of carbon cycling and climate change. Using allometric relationships, crop yields can be converted to terrestrial net primary productivity (NPP) to be used for carbon budget determination. Determination of the crop cultivations and their yield information is an important task from this perspective and should be considered as a spatial problem. Gathering this information in regional or country scale and in parcel basis seems nearly impoossible with classical terrestrial meyhods. At this point, remote sensing systems with their synoptic viewing capability and variety of temporal and spatial resolution are important data source to derive agricultural information. Remote sensing methods are superior to conventional methods since fast and economic data acquisition and fast processing of data using computer based analyses are possible in remote sensing. Characteristics of agricultural field, difference of spectral reflectance of different crop types and differences in feature characteristics such as shape and texture are important parameters that should be considered while working agricultural areas with remote sensing. Remotely sensed data provide identifiable signatures for crop type, crop density, crop geometry etc, in order to perform agricultural survey and analysis. This study aimed to perform a two step analysis of cultivated areas of Harran Plain at Sanliurfa Province in Southeastern region of Turkey in order to develop an adaptive yield model for cotton and maize crops at parcel level and regional scale. An agro-meteorological model with multi sensor and multi temporal satellite images, digital photos and meteorological measurements were combined with cultivated area detection analysis in order to achieve the model construction. First part of the study investigates the accuracy of pixel- and object-based classification techniques across varying spatial resolutions to identify crop types at parcel level and estimate the area of six test sites to find the optimum data source for the identification of crop parcels. Multi sensor data with spatial resolutions of 2.5m, 5m and 10m from SPOT-5 and 30 m from Landsat 5 TM were used. Maximum Likelihood (ML), Spectral Angle Mapper (SAM) and Support Vector Machines (SVM) were used as pixel-based methods in addition to object-based image classification (OBC). Post-classification methods were applied to the output of pixel-based classification to minimize the noise effects and heterogeneity within the agricultural parcels. OBC results provided comparatively the best performance for both parcel identification and area estimation at 10m and finer spatial resolution levels. SVM followed OBC at 2.5m and 5m resolutions but accuracies decreased dramatically with coarser resolutions. ML and SAM results were worse up to 30m resolution for both crop type identification and area estimation. In general, parcel identification efficiency was strongly correlated with spatial resolution while the classification algorithm was a more effective factor than spatial resolution for area estimation accuracy. Results also provided an opportunity to discuss the effects of image resolution and the classification algorithm independent factors such as parcel size, spatial distribution of crop types and crop patterns. According to the regional scale analysis performed in Harran, Sanliurfa and Hilvan districts, OBC produced more accurate results than SVM classification for both point- and area-based accuracy assessments. Producers and users accuracy and the kappa coefficient for both of crops, as well as the overall accuracy of the OBC results were higher than those with SVM. Moreover, cotton class accuracy was higher than corn for both algorithms. These characteristics were repeated for area-based analysis, and provided greater area estimation accuracy for OBC for both crop types. Similarly, cotton area estimation was more successful than corn area by both classification algorithms. Second part of this study focuses on yield estimates of planted areas of cotton and maize in southeastern Turkey. The purpose of the research reported here was to construct an agro-meteorological yield model with the use of digital camera images, multitemporal satellite data and meteorological measurements in cotton and maize planted areas. More specifically, we investigated the utility of digital camera-based crop cover fraction (CC) measurements in lieu of photosynthetically active radiation (fPAR) and developed a light use efficiency (LUE) based yield model over test parcels. We also defined a regression-based relationship between CC and spectral vegetation index (SVI) values derived from multitemporal satellite images to obtain spatial fPAR information. We then extended our findings to regional yield estimation at the parcel level with the use of multitemporal satellite images coupled with locally optimized meteorological measurements. Finally, we tested the use of greenness index (GI) as an approximation of Gross Primary Production (GPP) and generic SVI – fPAR equation in addition to our SVI – CC approach and compared yield estimation results across these different approaches. Meteorological parameters limiting the LUE of crops, such as temperature and vapor pressure deficit, were also calculated and incorporated into the yield estimation process. Results showed that the use of digital photo-based CC rather than the fraction of fPAR in the LUE model provided the most accurate yield estimates. It produced less than 5 percent relative error in cotton and maize test parcels. In general, the CC – SVI relationship showed high linear correlation, with a range of 0,825 – 0,980 R2 in all test parcels. Crop specific regression equations derived from these relationships enabled yield estimates at the parcel level across the study area. When compared to statistical yield information at four districts, the remote sensing based method proved to be reliable, with relative errors below 10 percent in most cases. Moreover, GI was also used in GPP approximation, and yield estimates using this method also provided reasonable accuracy. Results also provided valuable information about the effects of region-specific meteorological conditions and crop management activities on yields. Finally, the higher yield estimation errors that result from the use of generic SVI – fPAR equations in the literature indicate the need for local calibration of this relationship. When the possible error sources of yield estimation model developed in this study are interpreted, the effects of water and nitrogen stress were not modeled, as the test sites were well irrigated and fertilized. The whole study segment had also similar irrigation conditions with a complete irrigation network and assumed to have no significant effect on the results. Secondly, the CC based fPAR approach may have potential bias by being insensitive to productivity increases following the onset of the maturity. CC based fPAR estimates were reduced due to a large reduction in green biomass with the start of senescence in maize and the effects of green biomass reduction over productivity at this stage was not previously known. Yet, the CC graphs for maize were very similar to fPAR graphs from previous studies and only showed a sharper reduction in the last 10-day period. Thirdly, soil type and related effects on yield did not consider in this study due lacking of detailed soil map of the area. While salinity, textural properties, and water holding capacity of the soil may affect NPP (or its yield equivalent), these site conditions would have been captured by vegetation indices, making the LUE approach particularly attractive. Finally, a simple mean value calculation was performed for generalizing station-level meteorological data to the entire study area. While a more sophisticated interpolation methods could be useful for further analysis on larger areas, considering the small extent of the total area and the number of stations (even though some were clustered in the north and south) may make our generalization attempts acceptable.
Accurate identification of crop types and estimates of their area at agricultural parcel level from satellite sensor data can provide important information to support agricultural policies, verify claims by farmers who apply for public subsidies and assist in the practice of precision agriculture. Since agricultural practices contribute to greenhouse gas emissions, identification of crop types and their spatial distribution assumes importance from a climate perspective as well. Several countries in the European Union have developed their Land Parcel Identification Systems (LPIS) based on satellite sensor or aerial images to support area-based subsidies and agricultural policies. In addition to identification of crop types and their spatial distribution, timely and accurate estimation of crop yield at local to regional scales is of paramount importance for societal, economic, agricultural, and policy considerations. For example, regional-scale yield estimation enables estimation of potential agricultural production capacity so that food pricing and stock management can be performed for the forthcoming year. Yield estimates also add valuable data to modeling of agriculture – ecosystem relationships in terms of carbon cycling and climate change. Using allometric relationships, crop yields can be converted to terrestrial net primary productivity (NPP) to be used for carbon budget determination. Determination of the crop cultivations and their yield information is an important task from this perspective and should be considered as a spatial problem. Gathering this information in regional or country scale and in parcel basis seems nearly impoossible with classical terrestrial meyhods. At this point, remote sensing systems with their synoptic viewing capability and variety of temporal and spatial resolution are important data source to derive agricultural information. Remote sensing methods are superior to conventional methods since fast and economic data acquisition and fast processing of data using computer based analyses are possible in remote sensing. Characteristics of agricultural field, difference of spectral reflectance of different crop types and differences in feature characteristics such as shape and texture are important parameters that should be considered while working agricultural areas with remote sensing. Remotely sensed data provide identifiable signatures for crop type, crop density, crop geometry etc, in order to perform agricultural survey and analysis. This study aimed to perform a two step analysis of cultivated areas of Harran Plain at Sanliurfa Province in Southeastern region of Turkey in order to develop an adaptive yield model for cotton and maize crops at parcel level and regional scale. An agro-meteorological model with multi sensor and multi temporal satellite images, digital photos and meteorological measurements were combined with cultivated area detection analysis in order to achieve the model construction. First part of the study investigates the accuracy of pixel- and object-based classification techniques across varying spatial resolutions to identify crop types at parcel level and estimate the area of six test sites to find the optimum data source for the identification of crop parcels. Multi sensor data with spatial resolutions of 2.5m, 5m and 10m from SPOT-5 and 30 m from Landsat 5 TM were used. Maximum Likelihood (ML), Spectral Angle Mapper (SAM) and Support Vector Machines (SVM) were used as pixel-based methods in addition to object-based image classification (OBC). Post-classification methods were applied to the output of pixel-based classification to minimize the noise effects and heterogeneity within the agricultural parcels. OBC results provided comparatively the best performance for both parcel identification and area estimation at 10m and finer spatial resolution levels. SVM followed OBC at 2.5m and 5m resolutions but accuracies decreased dramatically with coarser resolutions. ML and SAM results were worse up to 30m resolution for both crop type identification and area estimation. In general, parcel identification efficiency was strongly correlated with spatial resolution while the classification algorithm was a more effective factor than spatial resolution for area estimation accuracy. Results also provided an opportunity to discuss the effects of image resolution and the classification algorithm independent factors such as parcel size, spatial distribution of crop types and crop patterns. According to the regional scale analysis performed in Harran, Sanliurfa and Hilvan districts, OBC produced more accurate results than SVM classification for both point- and area-based accuracy assessments. Producers and users accuracy and the kappa coefficient for both of crops, as well as the overall accuracy of the OBC results were higher than those with SVM. Moreover, cotton class accuracy was higher than corn for both algorithms. These characteristics were repeated for area-based analysis, and provided greater area estimation accuracy for OBC for both crop types. Similarly, cotton area estimation was more successful than corn area by both classification algorithms. Second part of this study focuses on yield estimates of planted areas of cotton and maize in southeastern Turkey. The purpose of the research reported here was to construct an agro-meteorological yield model with the use of digital camera images, multitemporal satellite data and meteorological measurements in cotton and maize planted areas. More specifically, we investigated the utility of digital camera-based crop cover fraction (CC) measurements in lieu of photosynthetically active radiation (fPAR) and developed a light use efficiency (LUE) based yield model over test parcels. We also defined a regression-based relationship between CC and spectral vegetation index (SVI) values derived from multitemporal satellite images to obtain spatial fPAR information. We then extended our findings to regional yield estimation at the parcel level with the use of multitemporal satellite images coupled with locally optimized meteorological measurements. Finally, we tested the use of greenness index (GI) as an approximation of Gross Primary Production (GPP) and generic SVI – fPAR equation in addition to our SVI – CC approach and compared yield estimation results across these different approaches. Meteorological parameters limiting the LUE of crops, such as temperature and vapor pressure deficit, were also calculated and incorporated into the yield estimation process. Results showed that the use of digital photo-based CC rather than the fraction of fPAR in the LUE model provided the most accurate yield estimates. It produced less than 5 percent relative error in cotton and maize test parcels. In general, the CC – SVI relationship showed high linear correlation, with a range of 0,825 – 0,980 R2 in all test parcels. Crop specific regression equations derived from these relationships enabled yield estimates at the parcel level across the study area. When compared to statistical yield information at four districts, the remote sensing based method proved to be reliable, with relative errors below 10 percent in most cases. Moreover, GI was also used in GPP approximation, and yield estimates using this method also provided reasonable accuracy. Results also provided valuable information about the effects of region-specific meteorological conditions and crop management activities on yields. Finally, the higher yield estimation errors that result from the use of generic SVI – fPAR equations in the literature indicate the need for local calibration of this relationship. When the possible error sources of yield estimation model developed in this study are interpreted, the effects of water and nitrogen stress were not modeled, as the test sites were well irrigated and fertilized. The whole study segment had also similar irrigation conditions with a complete irrigation network and assumed to have no significant effect on the results. Secondly, the CC based fPAR approach may have potential bias by being insensitive to productivity increases following the onset of the maturity. CC based fPAR estimates were reduced due to a large reduction in green biomass with the start of senescence in maize and the effects of green biomass reduction over productivity at this stage was not previously known. Yet, the CC graphs for maize were very similar to fPAR graphs from previous studies and only showed a sharper reduction in the last 10-day period. Thirdly, soil type and related effects on yield did not consider in this study due lacking of detailed soil map of the area. While salinity, textural properties, and water holding capacity of the soil may affect NPP (or its yield equivalent), these site conditions would have been captured by vegetation indices, making the LUE approach particularly attractive. Finally, a simple mean value calculation was performed for generalizing station-level meteorological data to the entire study area. While a more sophisticated interpolation methods could be useful for further analysis on larger areas, considering the small extent of the total area and the number of stations (even though some were clustered in the north and south) may make our generalization attempts acceptable.
Açıklama
Tez (Doktora) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2014
Thesis (PhD) -- İstanbul Technical University, Institute of Science and Technology, 2014
Thesis (PhD) -- İstanbul Technical University, Institute of Science and Technology, 2014
Anahtar kelimeler
Uydu görüntüleri; Sayısal Kameralar; Verim Tahmin Modeli; Görüntü Sınıflandırma; Spektral Bitki İndisi; Bitki Örtü Oranı; Mekansal Veri; Meteorolojik Veri; Toplam Birincil Üretim; Işınım Kullanım Başarımı,
Satellite Images; Digital cameras; Yield Estimation Model; Image Classification; Spectral Vegetation Index; Crop Cover Fraction; Spatial Data; Meteorological Data; Gross Primary Production; Light Use Efficiency