دادهگواری سنجش از دور بهروش جایگزینی در شبیهسازی عملکرد ذرت علوفهای با استفاده از مدل AquaCrop | ||
| نشریه سنجش از دور و GIS ایران | ||
| دوره 17، شماره 1 - شماره پیاپی 65، 1404، صفحه 109-128 اصل مقاله (1.51 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2024.233912.1190 | ||
| نویسنده | ||
| الهه اکبری* | ||
| گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران | ||
| چکیده | ||
| مقدمه: برآورد بهموقع و دقیق عملکرد محصول قبلاز برداشت و پیشبینی آن ازطریق مدلهای رشد محصول، برای دستیابی به برنامهریزی عملیات زراعی و حفظ و توسعۀ عملکرد در مقیاس منطقهای، از اهمیت بسیاری برخوردار است. مدلسازی تغییرات پویا، در هنگام رشد محصول، کمک شایان توجهی به محققان میکند تا استراتژیهای مدیریت محصول را بهمنظور افزایش عملکرد آن، برنامهریزی کنند. این مدلها حاوی پارامترهای متعددی است که باید، با توجه به ویژگیهای منطقۀ مورد مطالعه، کالیبره شوند؛ ازطرفی، وجود نداشتن مؤلفۀ مکان در این مدلها و نیز عدمقطعیت درمورد مقادیر پارامترهای آنها منجر به بروز خطا در خروجیهای برآوردشده میشود. اسیمیلیت دادههای سنجش از دور میتواند برای حل این مشکل و ارزیابی تغییرپذیری مکانی در اراضی، بهویژه در مقیاس منطقهای، مفید باشد. سنجش از دور را میتوان برای تخمین و برآورد مقادیر پارامترهای ورودی مدلهای رشد محصول، مانند شاخص سطح برگ، سطح پوشش، بیومس، ویژگیهای خاک به کار برد. مواد و روشها: برای دستیابی به عملکرد دقیق محصول میتوان از مدلهای رشد گیاه استفاده کرد. برای تخمین پارامترهای مدل شبیهسازی گیاه زراعی AquaCrop و تنظیم مدل در سطح منطقه، اطلاعات مورد نیاز مدل در مراحل متفاوت رشد گیاه و قبلاز کشت، در مزارع ذرت علوفهای و در مقیاس منطقهای، اندازهگیری و نمونهبرداری شد. بهمنظور کالیبره کردن مدل شبیهسازی AquaCrop ازطریق دادهگواری سنجش از دور (RS)، متغیر بیوفیزیکی fCover از دادههای RS مبتنیبر پیکسل، با توسعۀ الگوریتم GPR-PSO، استخراج شد. علاوهبراین، با هدف سادهسازی مدل AquaCrop و شناسایی پارامترهای تأثیرگذارتر، الگوریتمهای تحلیل حساسیت ترکیبی Morris و EFAST به کار رفت. درنَهایت، ازطریق دادهگواری متغیر بیوفیزیکی استخراجشده با RS در مدل AquaCrop، این پارامترهای مؤثرتر با استفاده از روش جایگزینی تخمین زده شد و نتایج با نتایج حاصل از شرایط استفاده نکردن از دادههای RS مقایسه شد. بهمنظور کالیبره کردن مدل AquaCrop، نمونهبرداری مزرعهای از خاک (قبلاز کاشت) و محصول در فصل رشد ذرت علوفهای، عکسبرداری رقومی نیمکروی (DHP) و همچنین اندازهگیری بهروش تخریبی LAI برای مقایسه، در مزارع شهرستان قلعهنو واقعدر جنوب تهران، در تابستان ۱۳۹۸ انجام شد. نتایج و بحث: نتایج دادهگواری RS در مدل AquaCrop در مقایسه با به کار نبردن دادههای RS در این مدل نشان داد که در نظر گرفتن دادهگواری RS منجر به افزایش دقت تنظیم کردن مدل میشود. نتایج نشان داد که دادهگواری سنجش از دور در مدل به برآورد دقت متغیر خروجی عملکرد در آمارۀ R2، بهمیزان ۸۹/۰ و ۸۸/۰، در واسنجی و صحتسنجی منجر شده است. دادهگواری سنجش از دور، در قیاس با اعمال نشدن آن، به بهبود دقت و افزایش R2 بهمیزان ۱۴/۰ و ۱۵/۰ و نیز کاهش در آمارۀ RRMSE بهمیزان ۱۲/۴ و ۱۷/۵%، در آمارۀ RMSE بهمیزان ۵/۲ و ۴/۲ ton/ha، بهترتیب در واسنجی و صحتسنجی، انجامیده است. بنابراین، در مقایسۀ دادهگواری RS و بدون دادهگواری، بهبود فرایند تنظیم مدل با دادهگواری RS همراه است. نتیجهگیری: در این تحقیق، مقادیر برآوردشدۀ پارامتر بیوفیزیکی fCover، بهدستآمده ازطریق سنجش از دور بهمنزلۀ متغیر کنترل مشاهداتی ورودی برای مدل AquaCrop استفاده شد تا پارامترهای تأثیرگذار شناساییشدۀ آن (ازطریق تحلیل حساسیت) تنظیم شود. نتایج نشان میدهد که دادهگواری سنجش از دور، با استفاده از روش جایگزینی برای تنظیم مدل مدنظر، توانسته است بر میزان دقت برآوردشده بیفزاید. علاوهبراین، توافق بین مقادیر پیشبینیشده و اندازهگیریشده بیشتر از زمانی است که سنجش از دور اعمال نمیشود. بنابراین نتایج تحقیق نشان میدهد که دادهگواری سنجش از دور در مدل AquaCrop میتواند عملکردی موفقتر از شرایط اعمال نشدن سنجش از دور داشته باشد و نتایج با دقت بیشتری به دست دهد. همچنین، در مقیاس منطقهای، میتوان با استفاده از سنجش از دور و قابلیت آن در برآورد پارامتر بیوفیزیکی در مقیاس وسیع، با صرف وقت و هزینۀ کمتر و بهروزتر، مدلهای رشد محصول را برای منطقۀ مورد نظر کالیبره کرد. | ||
| کلیدواژهها | ||
| روش جایگزینی؛ سنجش از دور؛ مدل شبیهسازی رشد گیاه؛ کسر پوشش گیاهی؛ AquaCrop | ||
| عنوان مقاله [English] | ||
| Remote Sensing Data Assimilation by Forcing Method in Simulation of Silage Maize Yield Using AquaCrop Model | ||
| نویسندگان [English] | ||
| Elahe Akbari | ||
| Dep. of Remote Sensing and Geographic Information System, Faculty of Geography and Environmental Sciences, Hakim Sabzevari University, Sabzevar, Iran | ||
| چکیده [English] | ||
| Introduction: An essential part of agricultural plans for maintaining and developing performance at the regional scale is the timely and accurate estimation and prediction of crop yield prior to harvesting using crop growth models. Modeling dynamic changes during crop growth helps researchers to plan crop management strategies to improve its yield. These models contain several parameters that should be calibrated according to the characteristics of the study area. Lack of spatial/geographic components in these models and parameter uncertainties lead to errors in the estimated outputs. Remote sensing data assimilation can be useful for solving this problem and evaluating the spatial variability in the lands, especially at the regional scale. Remote sensing can estimate the values of input variables of crop growth models such as the Leaf Area Index (LAI), canopy cover, biomass, and soil characteristics. Materials and Methods: To achieve accurate crop yield, it is possible to use crop growth models. To this end, the AquaCrop model parameters were estimated and the model was calibrated with measuring and sampling different requied information of model in the crop growing stages and prior to cultivation over agricultural silage maize fields at the regional scale. To calibrate the Aquacrop simulation model through assimilation of remote sensing (RS) data, fCover biophysical variable was extracted from pixel-based RS data by developing GPR-PSO algorithm. Besides, to simplify the Aquacrop model, and to identify more sensitive parameters, the combined sensitivity analysis Morris and EFAST algorithms were employed. Finally, by assimilating the biophysical variable extracted by RS into the Aquacrop model, these more effective parameters were estimated through the forcing method, and compared the results with the results of no application of RS data. In order to calibrate the Aquacrop model, field sampling of soil (before planting) and crop during the growing season of silage maize, digital hemispherical photography (DHP) as well as measurement by destructive method for comparison, was performed in the fields of Qhale-Nou county located in the south of Tehran, in the summer of 2019. Results and Discussion: The results of assimilation of RS data in Aquacrop model compared to no application of RS data in this model showed that considering data assimilation of RS data leads to the increase in model calibration accuracy. As the results suggest, the output yield for the model with data assimilation was estimated with R2 values of 0.89 and 0.88 for calibration and evaluation, respectively. The superiority of RS data assimilation into the model as opposed to not its incorporating was also verified by improving the accuracy with increases in R2 values by 0.14 and 0.15 and decrese in Relative RMSE (RRMSE) values of 4.12 and 5.17 percent and RMSE of 2.5 and 2.4 ton/ha for calibration and evaluation, respectively. So, compared to RS data assimilation and without assimilation is associated with improving the model calibration process with RS data assimilation. Conclusion: The present study employed estimated fCover values obtained via RS data as observed state variables fed as input to the AquaCrop model for means of estimating the most effective parameters identified (via sensitivity analysis). The findings of this procedure indicate that RS data assimilation as a forcing method for model parameters estimating can increase the overall accuracy of the model. Moreover, the correlation between simulated and observed values was higher for the case of RS data assimilation as opposed to not incorporating such data. As these results suggest, RS data assimilation into the AquaCrop model can prove more successful and attain higher accuracies as opposed to not incorporating such data. Furthermore, this process of data assimilation can be used for estimating biophysical variables and calibrating crop growth models at the regional scale, with less time complexity and lower costs and more updated information. | ||
| کلیدواژهها [English] | ||
| AquaCrop, Crop growth simulation model, Forcing method, fCover, Remote sensing | ||
| مراجع | ||
|
Abi Saab, M.T., El Alam, R., Jomaa, I., Skaf, S., Fahed, S., Albrizio, R. & Todorovic, M., 2021, Coupling Remote Sensing Data and AquaCrop Model for Simulation of Winter Wheat Growth under Rainfed and Irrigated Conditions in a Mediterranean Environment, Agronomy, 11(11), P. 2265, DOI: 10.3390/agronomy11112265. Ahmadi, S.H., Mosallaeepour, E., Kamgar-Haghighi, A.A. & Sepaskhah, A.R., 2015, Modeling Maize Yield and Soil Water Content with AquaCrop under Full and Deficit Irrigation Managements, Water Resources Management, 29(8), PP. 2837-2853, DOI: 10.1007/s11269-015-0973-3. Akbari, E., 2020, Remotely Sensed Data Assimilation into Crop Simulation Model for Crop Yield Estimation, PhD. thesis. Tehran university. (in persian). Akbari, E., 2023, A Review of Remotely Sensed Data Assimilation into Crop Simulation Models, Iranian Journal of Soil and Water Research, 54(5), PP. 753-770, DOI: 10.22059/ ijswr.2023.357472.669478. (in persian). Akbari, E., Darvishi Boloorani, A., Neysani Samany, N., Hamzeh, S., Soufizadeh, S. & Pignatti, S., 2020a, Estimating the Spatial-Temporal Distribution of Leaf Area Index Using Sentinel-2 Satellite Images (Case Study: Silage Maize Farms of South of Tehran), Iranian Journal of Irrigation & Drainage, 14(3), PP. 967-980, DOI: 20.1001. 1.20087942.1399.14.3.20.7. (in persian).
Akbari, E., Darvishi Boloorani, A., Neysani Samany, N., Hamzeh, S., Soufizadeh, S. & Pignatti, S., 2020b, Deriving the Leaf Area Index of Silage Maize Using Digital Hemispherical Photography Method (Case Study: Qaleh-Now Farms, South of Tehran), Iranian Journal of Soil and Water Research, 51(6), PP. 1331-1340, DOI: 10.22059/ ijswr.2020.296569.668483. (in persian). Akbari, E., Boloorani, A.D., Verrelst, J., Pignatti, S., Neysani Samany, N., Soufizadeh, S. & Hamzeh, S., 2023, Biophysical Variable Retrieval of Silage Maize with Gaussian Process Regression and Hyperparameter Optimization Algorithms, Remote Sensing, 15(14), P. 3690, https://doi.org/10.3390/ rs15143690. Akbari, E., Darvishi Boloorani, A., Verrelst, J., Pignatti, S., Neysani Samany, N., Soufizadeh, S. & Hamzeh, S., 2024, How Global Sensitive is the AquaCrop Model to Input Parameters? A Case Study of Silage Maize Yield on a Regional Scale, Frontiers of. Agronomy, 6, P. 1304611, DOI: 10.3389/ fagro.2024.1304611. Alexandratos, N. & Bruinsma, J., 2012, World Agriculture Towards 2030 /2050: The 2012 Revision. Badiehneshin, A., Noory, H. & Vazifedoust, M., 2014, Improving Crop Yield Estimation through SWAP Model Using Satellite Data, Iranian Journal of Soil and Water Research, 45(4), PP. 379-388, DOI: 10.22059/ ijswr.2014.52590. (in persian). Baret, F., Weiss, M., Allard, D., Garrigues, S., Leroy, M., Jeanjean, H., Fernandes, R., Myneni, R., Privette, J., Morisette, J. & Bohbot, H., 2005, VALERI: A Network of Sites and a Methodology for the Validation of Medium Spatial Resolution Land Satellite Products, Remote Sensing of Environment, 76(3), PP. 36-39, https://hal.inrae.fr/hal-03221068. Busetto, L., Casteleyn, S., Granell, C., Pepe, M., Barbieri, M., Campos-Taberner, M., Casa, R., Collivignarelli, F., Confalonieri, R., Crema, A., García-Haro, F.J., Gatti, L., Gitas, I. Z., Gonz´alez-P´erez, A., Grau-Muedra, G., Guarneri, T., Holecz, F., Katsantonis, D., Minakou, C., Miralles, I., Movedi, E., Nutini, F., Pagani, V., Palombo, A., Di Paola, F., Pascucci, S., Pignatti, S., Stroppiana, D., Rampini, A., Ranghetti, L., Ricciardelli, E., Romano, F., Stavrakoudis, D.G., Viggiano M. & Boschetti, M., 2017, Downstream Services for Rice Crop Monitoring in Europe: From Regional to Local Scale, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(12), PP. 5423-5441, DOI: 10.1109/ JSTARS.2017.2679159. Claverie, M., Demarez, V., Duchemin, B., Hagolle, O., Ducrot, D., Marais-Sicre, C., Dejoux, J.F., Huc, M., Keravec, P., Béziat, P. & Fieuzal, R., 2012, Maize and Sunflower Biomass Estimation in Southwest France Using High Spatial and Temporal Resolution Remote Sensing Data, Remote Sensing of Environment, 124, PP. 844-857, DOI: 10.1016/j.rse.2012.04.005. Clevers, J., Vonder, O.W., Jongschaap, R. E.E., Desprats, J. F., King, C., Prevot, L. & Bruguier, N., 2002, Using SPOT Data for Calibrating a Wheat Growth Model under Mediterranean Conditions, Agronomie, 22(6), PP. 687-694, DOI: 10.1051/agro:2002038. Curnel, Y., de Wit, A.J., Duveiller, G. & Defourny, P., 2011, Potential Performances of Remotely Sensed LAI Assimilation in WOFOST Model Based on an OSS Experiment, Agricultural and Forest Meteorology, 151(12), PP. 1843-1855, DOI: 10.1016/ j.agrformet. 2011.08.002. Dorigo, W.A., Zurita-Milla, R., de Wit, A.J., Brazile, J., Singh, R. & Schaepman, M.E., 2007, A Review on Reflective Remote Sensing and Data Assimilation Techniques for Enhanced Agroecosystem Modeling, International Journal of Applied Earth Observation and Geoinformation, 9(2), PP. 165-193, DOI:10.1016/j.jag.2006.05.003. ESA, 2005, SPARC 2004, Contract No. 18307/04/NL/FF, SPARC Data Acquisition Report. Gao, Y., Duan, A., Qiu, X., Sun, J., Zhang, J., Liu, H. & Wang, H., 2010, Distribution and Use Efficiency of Photosynthetically Active Radiation in Strip Intercropping of Maize and Soybean, Agronomy Journal, 102(4), PP. 1149-1157, DOI:10.2134/agronj2009.0409. Hadria, R., Duchemin, B.I., Lahrouni, A., Khabba, S., Er Raki, S., Dedieu, G., Chehbouni, Hassanli, M., Ebrahimian, H., Mohammadi, E., Rahimi, A. & Shokouhi, A., 2016, Simulating Maize Yields When Irrigating with Saline Water, Using the AquaCrop, SALTMED, and SWAP Models, Agricultural Water Management, 176, PP. 91-99, Doi: 10.1016/j.agwat.2016.05.003. Hoefsloot, P., Ines, A.V., van Dam, J., Duveiller, G., Kayitakire, F. & Hansen, J., 2012, Combining Crop Models and Remote Sensing for Yield Prediction: Concepts, Applications and Challenges for Heterogeneous Smallholder Environments, Publications Office of the European Union, 2012, Luxembourg. DOI:10.2788/72447. Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D. & Fereres, E., 2009, AquaCrop—the FAO Crop Model to Simulate Yield Response to Water: III. Parameterization and Testing for Maize, Agronomy Journal, 101(3), PP. 448-459, DOI: 10.2134/agronj2008.0218s. IRIMO [WWW Document], 2019, URL www.irimo.ir (accessed 9.30.21). Jafari Sayadi, F., 2021, Estimation of Rice Yield Using Satellite Image Integration Algorithms and AquaCrop Model, Thesis of PhD. Sari University of Agricultural Sciences and Natural Resources (in persian). Jin, X., Kumar, L., Li, Z., Xu, X., Yang, G. & Wang, J., 2016, Estimation of Winter Wheat Biomass and Yield by Combining the AquaCrop Model and Field Hyperspectral Data, Remote Sensing, 8(12), P. 972, 1-15, DOI:10.3390/rs8120972. Jin, X., Li, Z., Yang, G., Yang, H., Feng, H., Xu, X., Wang, J., Li, X. & Luo, J., 2017, Winter Wheat Yield Estimation Based on Multi-Source Medium Resolution Optical and Radar Imaging Data and the AquaCrop Model Using the Particle Swarm Optimization Algorithm, ISPRS Journal of Photogrammetry and Remote Sensing, 126, PP. 24-37, DOI: 10.1016/j.isprsjprs.2017. 02.001. Jin, X., Kumar, L., Li, Z., Feng, H., Xu, X., Yang, G. & Wang, J., 2018, A Review of Data Assimilation of Remote Sensing and Crop Models, European Journal of Agronomy, 92, PP. 141-152, DOI: 10.1016/ j.eja.2017.11.002. Launay, M. & Guerif, M., 2005, Assimilating Remote Sensing Data into a Crop Model to Improve Predictive Performance for Spatial Applications, Agriculture, Ecosystems & Environment, 111(1-4), PP. 321-339, DOI: http://dx.doi.org/10.1016/ j.agee.2005.06.005. Liang, S., Li, X. & Xie, X., 2013, Land Surface Observation, Modeling and Data Assimilation World Scientific, World Scientific Publishing Company, 1st edition. Liu, J., Pattey, E. & Admiral, S., 2013, Assessment of in Situ Crop LAI Measurement Using Unidirectional View Digital Photography, Agricultural and Forest Meteorology, 169, PP. 25-34, DOI: 10.1016/j.agrformet.2012.10.009. Ma, B., Wang, Q., Xue, B., Hou, Z., Jiang, Y. & Cai, W., 2022, Application of UAV Remote Sensing in Monitoring Water Use Efficiency and Biomass of Cotton Plants Adjacent to Shelterbelt, Frontiers in Plant Science, 13, DOI: 10.3389/fpls.2022.894172. Morel, J., Martiné, J.-F., Bégué, A., Todoroff, P. & Petit, M., 2012, A Comparison of Two Morel, J., Bégué, A., Todoroff, P., Martiné, J.F., Lebourgeois, V. & Petit, M., 2014, Coupling a Sugarcane Crop Model with the Remotely Sensed Time Series of fIPAR to Optimise the Yield Estimation, European Journal of Agronomy, 61, PP. 60-68, DOI: 10.1016/j.eja.2014.08.004. Munz, S., Feike, T., Chen, Q., Claupein, W. & Graeff-Hönninger, S., 2014, Understanding Interactions between Cropping Pattern, Maize Cultivar and the Local Environment in Strip-Intercropping Systems, Agricultural and Forest Meteorology, 195, PP. 152-164, DOI: 10.1016/j.agrformet.2014.05.009. Prescott, J.A., 1940, Evaporation from Water Surface in Relation to Solar Radiation, Transactions of The Royal Society of South Australia, 40, PP. 114-118. Quaife, T., Lewis, P., De Kauwe, M., Williams, M., Law, B.E., Disney, M. & Bowyer, P., 2008, Assimilating Canopy Reflectance into an Ecosystem Model with an Ensemble Kalman Filter, Remote Sensing Environment, 112, PP. 1347-1364, DOI: 10.1016/j.rse.2007.05.020. Raes, D., 2017, AquaCrop Training Handbook I. Understanding AquaCrop, Food and Agriculture Organization of the United Nations, Rome, Italy. Raes, D., Steduto, P., Hsiao, T.C. & Fereres, E., 2016, AquaCrop Version 5.0 Reference Manual, Annex I. Food and Agriculture Organization of the United Nations, Rome, Italy, http://www.fao.org/land-water/ databases- and-software/AquaCrop/en/. Raes, D., Steduto, P., Hsiao, T.C. & Fereres, E., 2017, AquaCrop. FAO Crop – Water Productivity Model to Simulate Yield Response to Water, Reference Manual, Ver. 6, FAO, Land and Water Division, Rome, Italy. Razzaghi, F., Zhou, Z., Andersen, M.N. & Plauborg, F., 2017, Simulation of Potato Yield in Temperate Condition by the AquaCrop Model, Agricultural Water Management, 191, PP. 113-123, DOI: 10.1016/j.agwat.2017. 06.008. Richter, K., Atzberger, C., Hank, T.B. & Mauser, W., 2012, Derivation of Biophysical Variables from Earth Observation Data: Validation and Statistical Measures, Journal of Applied Remote Sensing, 6(1), PP. 063557-063557, DOI:10.1117/1.JRS.6.063557. Sadooghi, L., Homaee, M., Noroozi, A. & Asadi Kapourchal, S., 2017, Estimating Rice Yield Using VSM Model and Satellite Images in Guilan Province, Cereal Research, 6(3), PP. 397-410, DOI: 20.1001.1.22520163.1395.6.3. 10.2. (in persian). Silvestro, P.C., Pignatti, S., Pascucci, S., Yang, H., Li, Zh., Yang, G., Huang, W. & Casa, R., 2017, Estimating Wheat Yield in China at the Field and District Scale from the Assimilation of Satellite Data into the Aquacrop and Simple Algorithm for Yield (SAFY) Models, Remote Sensing, 9(5), P. 509, DOI: 10.3390/rs9050509. Steduto, P., Hsiao, T.C., Raes, D. & Fereres, E., 2009, AquaCrop—The FAO Crop Model to Simulate Yield Response to Water: I. Concepts and Underlying Principles, Agronomy Journal, 101(3), PP. 426-437, DOI: 10.2134/agronj2008.0139s. Thorp, K.R., Hunsaker, D.J. & French, A.N., 2010, Assimilating Leaf Area Index Estimates from Remote Sensing into the Simulations of a Cropping Systems Model, Transactions of the ASABE, 53(1), PP. 251–262, DOI:10.13031/2013.29490. Tripathy, R., Chaudhari, K.N., Mukherjee, J., Ray, S.S., Patel, N., Panigrahy, S. & Parihar, Vanuytrecht, E., Raes, D. & Willems, P., 2014, Global Sensitivity Analysis of Yield Output from the Water Productivity Model, Environmental Modelling & Software, 51, PP. 323-332, DOI: 10.1016/j.envsoft.2013. 10.017. Vazifedoust, M., Van Dam, J.C., Bastiaanssen, W.G.M. & Feddes, R.A., 2009, Assimilation of Satellite Data into Agrohydrological Models to Improve Crop Yield Forecasts, International Journal of Remote Sensing, 30(10), PP. 2523-2545, DOI: 10.1080/ 01431160802552769. (in persian). Wösten, J.H.M. , Pachepsky, Y.A. & Rawls, W.J., 2001, Pedotransfer Functions: Bridging the Gap between Available Basic Soil Data and Missing Soil Hydraulic Characteristics, Journal of Hydrology, 251(3-4), PP. 123-150. DOI :10.1016/S0022-1694(01)00464-4. Yao, F., Tang, Y., Wang, P. & Zhang, J., 2015, Estimation of Maize Yield by Using a Process Based Model and Remote Sensing Data in the Northeast China Plain, Physics Chemistry Earth Parts A/B/C, 87, PP. 142-152, DOI: 10.1016/j.pce.2015.08.010 | ||
|
آمار تعداد مشاهده مقاله: 1,892 تعداد دریافت فایل اصل مقاله: 1,021 |
||