کاربرد GIS در مهندسی کشاورزی

بنده اطلاعاتم راجع به کشاورزی زیاد نبود بنابر این یکم سرچ کردم و مطالب زیر رو از وبسایت هایی به این آدرس و این آدرس در اینجا آوردم. منظور از RS در این متن همان Remote Sensing یا سنجش از دور هست که شامل علومی است که مرتبط با اندازه گیری و تفسیر بر اساس تصاویر ماهواره ای هستند که ما در GIS از علوم RS بسیار استفاده می کنیم.

مثال هایی از کاربرد GIS در کشاورزی برای درک اهمیت آن :

خریداران بزرگ محصولات کشاورزی برای تصمیم گیری در مورد اینکه چه هنگام نسبت به خرید کالا اقدام نماید، تا اندازه ای از داده های ماهواره ای برای پیش بینی وضعیت محصولات استفاده می کنند. دانستن این مسئله که مقدار محصول، بیشتر یا کمتر از حد معمول خواهد بود، در صورتی که به موقع مشخص شود بسیار با ارزش است. حتی اگر سطح دقت موجود در اطلاعات بسیار کم و کلی باشد. بعضی کمپانی ها مانند (Earth Satellite Corporation) این نوع گزارش های مربوط به وضعیت محصولات را به طور تجاری در اختیار می گذارد مثلا کمپانی (Agriculture Canada) از تصاویر ماهواره ای برای تعیین وضعیت محصول گندم در کانادا استفاده می کند (مدیری، 1378). بعنوان مثال هنگام خشکسالی چمنزارها در سال 1988، این سیستم به طور هفتگی گزارش های مربوط به ارزیابی محصولات را ارائه نمود و پس از آن داده های فوق برای نمایش شدت خشکسالی بکار رفتند. دپارتمان منابع آب کالیفرنیا به منظور پیش بینی آب مورد نیاز جهت آبیاری، با استفاده از تصاویر ماهواره ای مساحت زمین های زراعی را تخمین زده است. این دپارتمان از این تخمین ها برای تعیین میزان آب مخازن و نیز میزان آب مورد نیاز در شبکه آبیاری استفاده می کند. دقت مورد درخواست از تصاویر ماهواره ای، مانند سایر منابع داده های جغرافیایی، بستگی به کاربرد مورد نظر دارد. مسئله اساسی سطح دقت مورد نیاز برای اخذ تصمیمات صحیح می باشد. این موضوع ثابت شده است که دقت مکانی داده های حاصل از سیستم های سنجش از دور ماهواره ای برای طیف گسترده ای از نیازهای اطلاعات عملی کافی می باشد.

فرض کنید کشورمان قصد وارد کردن گندم از خارج کشور را دارد، با توجه به اینکه قیمت گندم در بازارهای جهانی در زمان های مختلف متفاوت است پس ما ابتدا باید روش هایی را اتخاذ کنیم تا در ارزان‌ ترین زمان گندم مورد نیازمان را خریداری کنیم، ولی این کار مستلزم دانستن میزان گندم مورد نیاز کشور است که از سالی به سال دیگر متفاوت است، زیرا با توجه به اینکه قسمت قابل توجهی از گندم کشورمان از کشت دیم آن حاصل می شود و میزان عملکرد کشت دیم با توجه به تغییرات وضعیت جوی متفاوت است، هرساله نیازمان به واردات گندم نیز تغییر می کند. حال این مشکلی است که کشور ما با آن مواجه است، زیرا مجبور است تا گزارش نهایی میزان تولید گندم داخلی صبر کند و بعد گندم مورد نیاز را وارد کند که این زمان مصادف با گران شدن گندم در بازار جهانی است، زیرا تقاضای برای خرید گندم زیاد است در نتیجه قیمت ها بالاست و کشور مجبور است هزینة گزافی را به علت عدم توان پیش ‌بینی گندم مورد نیازش پرداخت کند. حال اگر ما بتوانیم نقشه زمین های دیم تحت کشت گندم را تهیه کنیم و بر اساس میزان بارندگی پائیز و سایر مسائل جوی مدلی برای عملکرد در نقاط مختلف تهیه کنیم، خیلی زود میزان تولید داخلی تا حد نسبتاً دقیقی مشخص می شود (با توجه به اینکه تولید گندم آبی تقریباً ثابت است و یا به راحتی با توجه به سطح زیر کشت قابل برآورد است) و می‌توان در زمانی مناسب گندم را با قیمت پائین‌ تر خرید که این کار با استفاده از تکنولوژی سنجش از دور و GIS  عملی است که چگونگی انجام آن از حوصله این بحث خارج است (سفیدگری، 1391).

تخمین عملکرد یک محصول زراعی با استفاده از سنجش از دور RS و GIS

ابزار سنجش از دور نه تنها توانایی تشخیص طبقه ‌بندی کشت محصولات زراعی را در یک منطقه دارد بلکه توانایی تشخیص سطح زیر کشت و تخمین عملکرد را نیز داراست. با توجه به اینکه اطلاعات به روز یکی از نیازات پایه‌ ای و اساسی برای تصمیم گیری و مدیریت می باشد، بنابراین مدیریت و تصمیم گیری برای تحویل محصولات غذایی برای فروش، نیاز به اطلاعات به هنگام شده سطح زیرکشت محصولات زراعی و عملکرد آنها می ‌باشد. در این رابطه در کشور هند پروژه‌ای تحت عنوان " تعیین سطح زیر کشت محصولات زراعی و تخمین تولید " با استفاده از داده‌ های ماهواره ‌ای برای پیش‌ بینی سطح زیر کشت و عملکرد محصولات مختلف قبل از برداشت در دست اجراست و این در تصمیم‌ گیری ‌های اقتصادی بسیار مهم است که این اطلاعات قبل از برداشت در دست دولت باشد . این مطالعه روی برنج و خردل و سیب زمینی انجام شد و نشان دادکه این تکنیک نه فقط برای پیش‌بینی عملکرد، بلکه برای نظارت برشرایط محصولات تحت کشت مفید می باشد. این اطلاعات همچنین برای پیاده کردن یک سیستم کشاورزی پایدار در منطقه مفید می باشد (Kundu et al., 2000)

مدلسازی دینامیک عملکرد محصولات زراعی با استفاده از GIS

با توجه به اینکه سیستمGIS  دارای بانک اطلاعاتی قوی می باشد که توانایی به روز رسانی اطلاعات را آسان می کند، می توان با ارتباط آن به سیستم های مدلسازی زراعی و وارد کردن متغیرهایی از قبیل شرایط خاک، توپوگرافی و متغیرهای اقلیمی که دائماً‌ در حال تغییر هستند، یک شبیه سازی دقیقی برای عملکرد گیاهان زراعی انجام داد که برای پیشگویی عملکرد در منطقه با توجه به شرایط همان سال بسیار مفید خواهد بود(Priya & Shibasaki, 2000). در بررسی خصوصیات بازتابش طیفی گوجه ‌فرنگی در تاریخ های کشت مختلف با استفاده از سنجش از دور  RSو GIS مشاهده شد که هرچه گوجه فرنگی دیرتر کاشته شود در یک زمان مشابه بازتابش کمتر می گردد و میزان آن در 90-80 روز بعد از نشاءکاری در همه تاریخ های کشت، کاهش نشان داد که به علت زرد شدن و ریزش برگها در کانوپی گوجه فرنگی بود (Kundu et al., 2000).

ارتباط GIS و RS با استرس خشکی

با توسعه RS و رسیدن درجه تفکیک طیفی 10 نانومتر یا کوچکتر، بررسی دقیق تر صفات مختلف فیزیکی گیاه ممکن شد. پاسخ های محصولات زراعی به استرس های محیطی از قبیل کمبود مواد غذایی، خشکی، یخبندان و آفات نیز ممکن است به خوبیِ خصوصیات کمی، قابل تشخیص و طبقه بندی باشد. آزمایشی با استفاده از آنالیز تصاویر ماهوارهای کانوپی برنج در دوره تنش خشکی در فاز رویشی انجام شد. اطلاعات مربوط به خصوصیات طیفی آن از انعکاس طیفی با درجه تفکیک طیفی بالا استخراج شدند. همبستگی بین سطوح کمبود آب و تغییرات در پارامتر‌های طیفی مطالعه شدند و پتانسیل کاربرد این روابط برای تخمین قدرت و وضعیت کمبود آب ارزیابی شد. برای ارزیابی خصوصیات طیفی کانوپی در شرایط تنش خشکی از داده های Hyperspectral  (تعداد باند طیفی باریک زیاد) زمین مرجع در بالای کانوپی برنج در سطوح مختلف کمبود آب بررسی شد. زمان اندازه گیری در مرحله 8 تا 9 برگی در فاز رویشی (پوشش گیاهی70%) و شش روز پس از تیمار استرس با یک اسپکترودیامتر قابل حمل در ظهر خورشیدی (10 سطح تیمار استرس در سه سطح تکرار) بود. آزمایشات نشان داده است که انعکاس طیفی به استرس خشکی حساس است و باند های مختلف پاسخ های گوناگونی به تنش خشکی دارند. در این میان انعکاس 8  طول موج رابطه خطی معنی داری با سطوح استرس داشت و انعکاس 2245 نانومتر بالاترین همبستگی (80%) را داشت اما به خوبی طول موج 5/2113 نانومتر نبود (Yong & Su, 2000).

تجزیه و تحلیل کمی (شیوه ای برای استخراج اطلاعات مفید از تصاویر ماهوارهای)

برای تعیین یا براورد مشخصات کمی از یک پدیده مثلاً میزان شوری آب، درجه حرارت آب، میزان وزن بیوماس زیر توده یک توده مرتعی، تعیین پارامترهای کمی در جنگل (تعداد درختان در واحد سطح) و ... روش کار به طور کلی به این صورت است که ابتدا تعدادی پلات در منطقه می گیریم (با رعایت اصول آماری و نمونه برداری تخصصی از نقاطی که گویای تغییرات کلی منطقه باشند) سپس مختصات محل پلات ها را با استفاده از GPS  تعیین و روی تصویر ماهوارهای تطابق داده شده قرار می دهیم، بعد تجزیه و تحلیل آماری انجام می دهیم تا ببینیم آیا رابطه ای بین پارامتری که در سطح زمین اندازه گیری کردیم وDN  های تصاویر ماهواره ای مربوط به آنها وجود دارد، یعنی ما می توانیم با داشتن این رابطه ها و DN ها صفت مورد مطالعه را در نقاط مختلف تعیین کنیم (Munkhtuya & Oyuntulkhnur, 2000).

تعیین میزان شوری خاک با داده های ماهواره ای (درویش صفت ،1380) مراحل کار:

1- انتخاب محلی ‌که پوشش گیاهی بسیار کمی‌ داشته داشته باشد (نزدیک دریاچه حوض سلطان قم) 2- نمونه برداری خاک از منطقه ای که تصویر ماهواره ای آن نیز در دسترس بود به طور تصادفی 30 نمونه با فواصل 30*30 متر (مشابه با درجه تفکیک زمینی ماهواره یا GRE 1 ) 3- تعیین میزان شوری خاک در آزمایشگاه 4- تعیین رابطه رگرسیونی بین میزان شوری و میزان بازتابش ثبت شده در تصاویر ماهواره ای (Y=aX+b) که Y پارامتر شوری و X برابر DN تصاویر ماهواره ای می باشد و از این رابطه و با داشتن تصاویر ماهواره ای منطقه (DN) ، میزان شوری تعیین می شود. مثال های دیگر رسیدن از DN به شاخص های گیاهی چون LAI, LDW, , YIELD  و ... است.

مدیریت آفت، بیماری ها و علف های هرز

در مدیریت سنتی آفات و بیماری های گیاهی، تفاوت هایی که در مقیاس کوچک در مزارع وجود دارند، نادیده گرفته می شود. در مدیریت مکان ویژه، در مزارع با استفاده از فناوری های مربوط به کشاورزی دقیق نظیر GPS، GIS و سنجش از دور جمعیت آفات، بیماری ها و علف های هرز در نقاط مختلف مزرعه در مقیاس کوچک مورد شناسایی و ارزیابی قرار گرفته و نقشه تراکم جمعیت هر کدام تهیه می شود. در این نقشه و در نقاطی که جمعیت آفت بالاتر از حد آستانه است مشخص می شود و کشاورز می تواند فقط در این نقاط ویژه آفت یا بیماری را کنترل نماید (ویز و همکاران، 1996).

در تحقیقات متعددی که در مورد مدیریت مکان ویژه آفات مختلف انجام شده، به این نکته تأکید شده است که برای گیاهان با ارزش اقتصادی کم در طی فصل زراعی چنانچه نیاز به کاربرد یکبار آفت کش باشد، مدیریت مکان ویژه آفت مقرون به صرفه نیست.

بیماری های گیاهان زراعی اغلب بر روی میزان تعرق، رنگ برگ، مورفولوژی و تراکم گیاهی اثر می گذارند. با استفاده سیستم سنجش از دور می توان گیاهان سالم و بیمار را از طریق تمرکز بر روی برگ های آنها شناسایی کرد (لمب و همکاران، 2002).