علی جعفر موسیوند؛ میثم شیرمحمدپور؛ علی شمس الدینی
چکیده
پوشش گیاهی موتور محرک کرة زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل میکند و در چرخههای جهانی انرژی، اکسیژن، دیاکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوششهای گیاهی با استفاده از پارامترهای بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام میپذیرد. شاخص سطح برگ (LAI) از مهمترین پارامترهای پوشش گیاهی است که در اغلب ...
بیشتر
پوشش گیاهی موتور محرک کرة زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل میکند و در چرخههای جهانی انرژی، اکسیژن، دیاکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوششهای گیاهی با استفاده از پارامترهای بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام میپذیرد. شاخص سطح برگ (LAI) از مهمترین پارامترهای پوشش گیاهی است که در اغلب مدلسازیها مانند مدلسازی چرخههای آب، انرژی و کربن استفاده میشود. رویکردهای بازیابی متفاوتی، بهمنظور استخراج اطلاعات پارامترهای بیوفیزیکی از دادههای سنجش از دوری، توسعه یافته است. در تحقیق حاضر، از روش فیزیکی معکوس مدل انتقال تابش PROSAIL، مبتنیبر جدول LUT، با هدف بازیابی متغیر LAI استفاده شده است. همچنین دادههای زمینی برداشتشده طی کمپین SPARC 2003 برای ارزیابی صحت متغیر بازیابیشده بهکار رفت. برای رفع مشکل ill-posed، چهار دسته از معیارهای هزینه با عنوان اندازهگیر اطلاعات (IM)، حداقل اختلاف (MC)، اندازهگیر زاویه (SAM) و خطای حداقل مربعات (LSE) بههمراه نرمالسازی و میانگین بهترین جوابها استفاده شد. نتایج بهبود تخمین متغیر LAI را با استفاده از معیار اندازهگیر اطلاعات (Kulbak-liebler)، بهمیزان 12% و با استفاده از 11% میانگین بهترین جوابها نشان دادند. تابع هزینة LSE نیز در قیاس با حالت نرمالنشده، 7% بهبود یافت.
بهزاد محمدی شیخرضی؛ محمد شریف ملا؛ موسیوند علی جعفر؛ علی شمس الدینی
چکیده
متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، بهمنزلة متغیرهای ورودی، برای مدلهای متفاوت چرخة کربن، آب، انرژی و مدلهای اقلیمی و کشاورزی دقیق نقش مهمی ایفا میکنند. یکی از مهمترین متغیرهای مربوط به تاجپوشش گیاه، که کاربردهای فراوانی در مدلسازیهای گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روشهای گوناگونی ...
بیشتر
متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، بهمنزلة متغیرهای ورودی، برای مدلهای متفاوت چرخة کربن، آب، انرژی و مدلهای اقلیمی و کشاورزی دقیق نقش مهمی ایفا میکنند. یکی از مهمترین متغیرهای مربوط به تاجپوشش گیاه، که کاربردهای فراوانی در مدلسازیهای گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روشهای گوناگونی برای بازیابی LAI از تصاویر ابرطیفی بهکار رفتهاند که، از میان آنها، روشهای ناپارامتریک غیرخطی یادگیری ماشین بسیار مورد توجه قرار گرفتهاند زیرا، در مواجهه با دادههای دارای ابعاد زیاد، انعطافپذیرند. بااینحال، در مطالعات پیشین، به بررسی عملکرد روشهای یادگیری ماشین در بازیابی مقادیر LAI در مقادیر حاشیهای (مقادیر خارج از دامنة نمونهگیری زمینی) و قابلیت این روشها در تهیة نقشة متغیر توجه چندانی نشده است. در این تحقیق، عملکرد چهار روش پرکاربرد یادگیری ماشین شامل رگرسیون بردار پشتیبان، فرایند گاوسی، شبکة عصبی مصنوعی و جنگل تصادفی در بازیابی LAI از تصویر ابرطیفی ماهوارة کریسـ پروبا بررسی شده است. نتایج نشان داد که، بهرغم کارآیی هر چهار روش در بازیابی مقادیر LAI برای دامنة مقادیر اندازهگیریشدة زمینی با RMSE بهتر از 0.5 و خطای نسبی کمتر از 10%، روشهای فرایند گاوسی و رگرسیون بردار پشتیبان صحت بالاتری در مقایسه با سایر روشها دارند. باوجوداین، عملکرد روش شبکة عصبی مصنوعی، در تخمین LAIهای دارای مقادیر حاشیهای، بهتر از دیگر روشهاست و نقشة تهیهشده با این روش و تابع یادگیری GDA تطابق بیشتری با نقشة NDVI و تصویر ابرطیفی منطقه دارد.