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.