کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6536624 1420844 2018 21 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Statistical modelling of crop yield in Central Europe using climate data and remote sensing vegetation indices
ترجمه فارسی عنوان
مدلسازی آماری عملکرد محصول در اروپای مرکزی با استفاده از داده های آب و هوایی و شاخص های پوشش گیاهی سنجش از دور
کلمات کلیدی
ترجمه چکیده
در تحقیق حاضر، مدل رگرسیون چندگانه خطی برای شبیه سازی عملکرد گندم زمستانه، کلزا، ذرت و آفتابگردان در مجارستان برای دوره زمانی 2000 تا 2016 ساخته شد. ما از داده های هواشناسی و محتوای آب خاک از بررسی مجدد هواشناسی به عنوان پیش بینی کننده مدل ها در قطعنامه ماهانه استفاده کردیم. ما مقدار کود کیمدی را در تجزیه و تحلیل برای حذف روند از داده های سرشماری وارد کردیم. ما همچنین شاخص رشد گیاه سنجی از راه دور را برای گسترش رویکرد به اهداف پیش بینی عملکرد محصول زودهنگام و بررسی ارزش افزوده داده های پروکسی در قدرت پیش بینی مدل های آماری استفاده کردیم. با استفاده از روش رگرسیون خطی گام به گام مناسب ترین مدل ها بر اساس ارزیابی آماری مدل سازی انتخاب شدند. ما معادلات ساده را با ضرایب قابل تفسیر ارائه دادیم که می تواند محصول محصول را با دقت بالا تخمین بزند. واریانس توضیحی متقابل اعتبارات 67٪ برای گندم زمستانه، 76٪ برای کلزا، 81٪ برای ذرت و 68.5٪ برای آفتابگردان بود. تمرین مدل سازی نشان داد که ناهنجاری مثبت حداقل دما در ماه می تاثیر منفی زیادی بر عملکرد محصول نهایی برای هر چهار محصول دارد. برای گندم زمستانه افزایش حداکثر دما در ماه مه، اثر مثبت دارد، در حالیکه کسری فشار بالای بخار در ماه مه باعث کاهش عملکرد می شود. برای ماه ذرت محتوای آب در ماه های ژوئیه و اوت از لحاظ عملکرد نهایی بسیار مهم است. استفاده از شاخص رشد گیاه پیش بینی شده در مدل های کشور به ترتیب 10٪، 2٪ و 4٪ برای گندم زمستانه، کلزا و ذرت بود. در سطح شهرستان، داده های از راه دور سنجش قدرت کلی پیش بینی مدل فقط برای گندم زمستانه را بهبود بخشید. نتایج مدلهای ساده و در عین حال قوی برای پیش بینی عملکرد صریح و همچنین پیش بینی عملکرد در آینده نزدیک را ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات علم هواشناسی
پیش نمایش مقاله
مدلسازی آماری عملکرد محصول در اروپای مرکزی با استفاده از داده های آب و هوایی و شاخص های پوشش گیاهی سنجش از دور
چکیده انگلیسی
In the present study, multiple linear regression models were constructed to simulate the yield of winter wheat, rapeseed, maize and sunflower in Hungary for the 2000-2016 time period. We used meteorological data and soil water content from meteorological reanalysis as predictors of the models in monthly resolution. We included annual fertilizer amount in the analysis to remove trend from the census data. We also used remote sensing based vegetation index to extend the approach for early crop yield forecast purposes and to study the added value of proxy data on the predictive power of the statistical models. Using a stepwise linear regression-like method the most appropriate models were selected based on the statistical evaluation of the model fitting. We provided simple equations with well interpretable coefficients that can estimate crop yield with high accuracy. Cross-validated explained variance were 67% for winter wheat, 76% for rapeseed, 81% for maize and 68.5% for sunflower. The modelling exercise showed that positive anomaly of minimum temperature in May has a substantial negative effect on the final crop yield for all four crops. For winter wheat increasing maximum temperature in May has a beneficial effect, while higher-than-usual vapour pressure deficit in May decreases yield. For maize soil water content in July and August is crucial in terms of the final yield. Incorporation of the vegetation index improved the predictive power of the models at country scale, with 10%, 2% and 4% for winter wheat, rapeseed and maize, respectively. At the county level, remote sensing data improved the overall predictive power of the models only for winter wheat. The results provide simple yet robust models for spatially explicit yield forecast as well as yield projection for the near future.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Agricultural and Forest Meteorology - Volumes 260–261, 15 October 2018, Pages 300-320
نویسندگان
, , , , , , , ,