Gökhan ÇAMOĞLU, Şerafettin AŞIK, Levent GENÇ

Farklı Su Stresi Düzeylerinde Yer Tabanlı Spektral Ölçümler ile Tatlı Mısırın Verim Tahmini

Uzaktan algılama, su stresinin ve buna bağlı olarak değişen bitki özelliklerinin belirlenmesinde kullanılan önemli araçlardan biridir. Bu çalışmada, el spektroradyometresi ile yaprak düzeyinde yapılan yansıma ölçümlerinden yararlanarak su stresine bağlı olarak değişen mısır (Zea mays saccharata Sturt.) veriminin tahmin edilmesi amaçlanmıştır. Bu amaçla, Çanakkale’de, 2007 ve 2008 yıllarında altı sulama konusundan (%100, %80, %60, %40, %20 ve susuz) oluşan bir tarla denemesi yürütülmüştür. Çalışmada her sulamadan önce yansıma değerleri ölçülmüş ve bu ölçümlerden oniki spektral indeks hesaplanmıştır. Mısırın her bir büyüme dönemi için spektral indeksler ile hasatta elde edilen koçan verimleri arasında tek değişkenli ve çok değişkenli regresyon analizleri yapılmıştır. Çalışma sonucunda, verim ile spektral indeksler arasında istatistiksel olarak önemli modeller elde edilmiştir. Tek değişkenli regresyon analizi sonuçlarına göre, söz konusu ilişkiler vejetatif dönemden sonra daha da güçlenmiştir. Çok değişkenli doğrusal regresyon analizine göre; en yüksek belirtme katsayıları (R2 ) vejetatif, çiçeklenme ve tane dolumu-hasat dönemlerine göre sırasıyla 2007 yılında 0.945, 0.905, 0.938 ve 2008 yılında 0.703, 0.946, 0.914 olarak bulunmuştur. Çalışmanın sonucu olarak uzaktan algılama ile yaprak düzeyinde belirlenen spektral indekslerden yararlanarak tatlı mısırın koçan veriminin yüksek doğrulukla belirlenebileceği söylenebilir.

Estimation of Corn's Yield by Ground-Based Spectral Measurements under Different Water Stress Levels

Remote sensing is one of the most important tools for determining water stress and related plant traits. In this study, it is aimed to estimate the corn yield depending on water stress by using the reflectance measurements performed at the leaf level via the hand-held spectroradiometer. For this purpose, in Canakkale, a field experiment consisting of six irrigation treatments (100%, 80%, 60%, 40%, 20% and 0%) was conducted in 2007 and 2008. The reflectance values were measured before each irrigation event and twelve different spectral indices were calculated from these measurements. Univariate and multivariate regression analyzes were performed between the cob yield obtained from the harvest and the spectral indices for each growth period of corn. As a result of the study, statistically significant models were obtained between the yield and spectral indices. In the univariate regression analysis, these relationships were further strengthened after the vegetative period. According to multivariate linear regression analysis; the highest coefficients of determination (R2 ) were 0.945, 0.905, 0.938 respectively according to vegetative, flowering and grain filling-harvest periods in 2007. They were found to be 0.703, 0.946, 0.914 respectively in 2008. Consequently, it can be said that the cob yield of sweet corn can be determined with high accuracy by using the spectral indices calculated at the leaf level with remote sensing.

PDF

___

Babar M.A., Reynolds M.P., Klatt A.R., Van Ginkel M., Raun, W.R., 2003. Using Spectral Reflectance as a Selection Tool for Yield and Biomass in Spring Wheat. International Symposium on Plant Breeding, 17-22 August, Mexico City.
Baez-Gonzalez A.D., Chen P., Tiscareno-Lopez M., Srinivasan R., 2002. Using Satellite and Field Data with Crop Growth Modeling to Monitor and Estimate Corn Yield in Mexico. Crop Science 42: 1943-1949.
Baez-Gonzalez A.D., Kiniry J.R., Maas S.J., Tiscareno M.L., Macias J.C., Mendoza J.L., Richardson C.W., Salinas J.G., Manjarrez J.R., 2005. Large-Area Maize Yield Forecasting using Leaf Area Index Based Yield Model. Agron. J. 97: 418-425.
Chang J., Clay D.E., Dalsted K., Clay S.A., O’Neill M., 2003. Corn (Zea Mays L.) Yield Prediction Using Multispectral and Multidate Reflectance. Agronomy J. 95:1447-1453.
Demirel K., Genc L., Bahar E., Inalpulat M., Smith S., Kizil U., 2014. Yield Estimate using Spectral Indices in Eggplant and Bell Pepper Grown under Deficit Irrigation. Fresenius Environmental Bulletin 23(5): 1232-1237.
Fernandez S.D., Vidal D., Simon E., Sole-Sugranes L., 1994. Radiometric Characteristics of Triticum Aestivum cv. Astral under Water and Nitrogen Stress. Int. J. of Remote Sensing 15:1867-1884.
GopalaPillai S., Tian L., 1999. In-field Variability Detection and Yield Prediction in Corn using Digital Aerial Imaging. Trans. ASAE 42: 1911-1920.
Jackson R.D., Pinter P.J. Jr., Reginato R.J., Idso S.B., 1980. Hand-Held Radiometry. A Set of Notes Developed for Use at the Workshop on Hand-Held Radiometry, Phoenix, Ariz., February 25–26.
Kleman J., Fagerlund E., 1987. Influence of Different Nitrogen and Irrigation Treatments on the Spectral Reflectance of Barley. Remote Sensing of Environment 21: 1-14.
Panda S.S, Daniel P.A., Panigrahi, S., 2010. Application of Vegetation Indices for Agricultural Crop Yield Prediction Using Neural Network Techniques. Remote Sensing 2: 673-696.
Raun W.R., Solie J.B., Johnson G.V., Stone M.L., Lukina E.V., Thomason W.E., Schepers J.S., 2001. In-Season of Potential Grain Yield in Winter Wheat Using Canopy Reflectance. Agronomy Journal 93: 131-138.
Strachan I.B., Pattey E., Boisvert J.B., 2002. Impact of Nitrogen and Environmental Conditions on Corn as Detected by Hyperspectral Reflectance Remote Sensing of Environment 80(2): 213-224.
Tuncay Ö., Bozokalfa M.K.,, Eşiyok D., 2005. Ana Ürün ve İkinci Ürün Olarak Yetiştirilen Bazı Tatlı Mısır Çeşitlerinde Koçanın Agronomik ve Teknolojik Özelliklerinin Belirlenmesi. Ege Üniv. Ziraat Fak. Derg. 42(1): 47-58.
Weber V.S., Araus J.L., Cairns J.E., Sanchez C., Melchinger A.E., Orsini, E., 2012. Rediction of Grain Yield using Reflectance Spectra of Canopy and Leaves in Maize Plants Grown under Different Water Regimes. Field Crops Research 128: 82–90.