Applying MODIS Leaf Area Index products and meteorological data monitoring systems for estimating rice yields
,
and
Article Sidebar
Full Text: 
PDF
Abstract
The study aims to assess the possibility of using the Leaf Area Index (LAI) MODIS product and IOT weather data to estimate rice yield at pixel level. MODIS LAI images (product MCD15A2Hv006) acquired at 30 to 40 days after-sowing were aggregated to construct the LAI map for each rice season cropping. The LAI values were converted to relative leaf growth values (RGRL) which were used in the Oryza2000 v3 model to simulate rice yield. The model was calibrated using the data from the season Summer-Autumn 2018. The estimated results were then compared with the statistics-based yield data of the Autumn-Winter 2018, Winter-Spring 2018-2019 and Summer-Autumn 2019 cropping seasons with RMSE values of 0.44 ton, 0.38 ton and 0.31 ton accordingly with nRMSE values of 5.61%, 4.22% và 5.40%. In general, the results obtained show that MODIS LAI product could help to build detailed pixel-level yield estimation maps through a simple image processing method that can be applied for agricultural managers.
Tóm tắt
Bài viết nhằm đánh giá khả năng ứng dụng ảnh viễn thám chỉ số diện tích lá MODIS LAI và dữ liệu thời tiết thu thập bằng IOT trong ước đoán năng suất lúa dựa trên pixel ảnh. Phương pháp nghiên cứu dựa trên nguồn ảnh MODIS LAI MCD15A2Hv006. Bản đồ diện tích lá mỗi vụ được tổng hợp từ các ảnh LAI ứng với thời điểm 30-40 ngày sau sạ cho từng đợt sạ. Giá trị LAI được chuyển đổi thành hệ số phát triển tương đối của lá (RGRL) sử dụng cho mô hình Oryza2000 v3 để ước đoán năng suất lúa. Mô hình được hiệu chỉnh dựa vào năng suất lúa vụ Hè Thu năm 2018 để làm cơ sở ước tính cho các vụ còn lại. Với các tham số được hiệu chỉnh, năng suất mô phỏng được kiểm chứng cho vụ Thu Đông 2018, Đông Xuân 2018-2019 và Hè Thu 2019 với sai số RMSE lần lượt là 0,44 tấn, 0,38 tấn và 0,31 tấn tương ứng với nRMSE là 5,61%, 4,22% và 5,40%. Kết quả đạt được cho thấy ảnh MODIS LAI giúp xây dựng bản đồ ước đoán năng suất chi tiết mức pixel nhờ vào phương pháp xử lý ảnh đơn giản, dễ triển khai ứng dụng cho các nhà quản lý trong việc phát triển sản xuất nông nghiệp.
Article Details
References
Bouman, B. A. M., Kropff, M., Tuong, T., Wopereis, M., ten Berge, H., & van Laar, H. (2001). ORYZA2000: Modeling lowland rice. Los Baños (Philippines). http://books.irri.org/9712201716_content.pdf
Bréda, N. J. J. (2003). Ground‐based measurements of leaf area index: A review of methods, instruments and current controversies. Journal of Experimental Botany, 54(392), 2403–2417. https://doi.org/10.1093/jxb/erg263
Holecz, F., Barbieri, M., Collivignarelli, F., Gatti, L., Nelson, A., Setiyono, T., Boschetti, M., Manfron, G., Brivio, P., Quilang, E., Obico, M., Minh, V., Kieu Diem, P., Huu, Q., Veasna, T., Intrman, A., Wahyunto, P., & Pazhanivelan, S. (2013). An operation remote sensing based service for rice production estimation at national scale. https://doi.org/10.13140/2.1.1492.8643
Jacovides, C. P., & Kontoyiannis, H. (1995). Statistical procedures for the evaluation of evapotranspiration computing models. Agricultural Water Management, 27(3), 365–371. https://doi.org/10.1016/0378-3774(95)01152-9
Jonckheere, I., Fleck, S., Nackaerts, K., Muys, B., Coppin, P., Weiss, M., & Baret, F. (2004). Review of methods for in situ leaf area index determination: Part I. Theories, sensors and hemispherical photography. Agricultural and Forest Meteorology, 121(1), 19–35. https://doi.org/10.1016/j.agrformet.2003.08.027
Dương Văn Khảm, Nguyễn Hồng Sơn, Nguyễn Hữu Quyền, Hoàng Thanh Tùng, Đỗ Thanh Tùng, & Trịnh Thị Tâm (2011). Xây dựng mô hình dự báo năng suất, sản lượng lúa ở Đồng bằng sông Hồng bằng dữ liệu ảnh MODIS. https://www.researchgate.net/profile/Nguyen-Huu-Quyen/publication/278038757
Nguyễn Ngọc Khánh, Tất Anh Thư, Trần Văn Dũng, Trần Hoài Tâm, & Nguyễn Văn Quí. (2020). Ứng dụng mô hình CERES-Maize mô phỏng năng suất bắp lai trồng trên đất phù sa ở Đồng bằng sông Cửu Long. Tạp chí Khoa học Trường Đại học Cần Thơ, 56, 11-23. https://doi.org/10.22144/ctu.jsi.2020.064
Lam-Dao, N., Le-Toan, T., Apan, A. A., Bouvet, A., Young, F., & Le-Van, T. (2009). Effects of changing rice cultural practices on C-band synthetic aperture radar backscatter using Envisat advanced synthetic aperture radar data in the Mekong River Delta. Journal of Applied Remote Sensing, 3(1), 1–17. https://doi.org/10.1117/1.3271046
Mentaschi, L., Besio, G., Cassola, F., & Mazzino, A. (2013). Problems in RMSE-based wave model validations. Ocean Modelling, 72, 53–58. https://doi.org/10.1016/j.ocemod.2013.08.003
Myneni, Knyazikhin, Yuri, Park, Taejin, & Ranga. (2015, May 11). MOD15A2H MODIS/Terra Leaf Area Index/FPAR 8-Day L4 Global 500m SIN Grid V006 [Data set]. NASA EOSDIS Land Processes DAAC. https://doi.org/10.5067/MODIS/MOD15A2H.006
Nelson, A., Setiyono, T., Rala, A. B., Quicho, E. D., Raviz, J. V., Abonete, P. J., ... & Ninh, N. H. (2014). Towards an operational SAR-based rice monitoring system in Asia: Examples from 13 demonstration sites across Asia in the RIICE project. Remote Sensing, 6(11), 10773-10812. https://doi.org/10.3390/rs61110773
Nguyễn Văn Viết, Nguyễn Văn Liêm, Ngô Tiền Giang, & Nguyễn Hồng Sơn. (2002). Tác động của những biến động khí hậu đến năng suất lúa Đông Xuân ở tỉnh Sơn La và giải pháp ứng phó. Tạp chí Khí tượng Thuỷ văn, 504, 1–9.
Setiyono, T. D., Quicho, E. D., Holecz, F. H., Khan, N. I., Romuga, G., Maunahan, A., ... & Mabalay, M. R. O. (2019). Rice yield estimation using synthetic aperture radar (SAR) and the ORYZA crop growth model: development and application of the system in South and South-east Asian countries. International Journal of Remote Sensing, 40(21), 8093-8124. https://doi.org/10.1080/01431161.2018.1547457
van Ruijven, B., van der Sluijs, J. P., van Vuuren, D. P., Janssen, P., Heuberger, P. S. C., & de Vries, B. (2010). Uncertainty from Model Calibration: Applying a New Method to Transport Energy Demand Modelling. Environmental Modeling & Assessment, 15(3), 175–188. https://doi.org/10.1007/s10666-009-9200-z