مائده بهی‌فر؛ حسین عقیقی؛ علی اکبر متکان؛ علی‌اکبر متکان
چکیده
شاخص سطح برگ استخراج‌شده (LAI) از تصاویر سنجش از دور پارامتر مهمی، به‌منظور مدل‌سازی مکانی تولید پوشش گیاهی، محسوب می‌شود. معمولاً شاخص‌های پوشش گیاهی که با بازتاب طول موج‌های قرمز و مادون قرمز نزدیک محاسبه می‌شوند، در برآورد LAI با استفاده از روش‌های آماری، به‌کار می‌روند اما بسیاری از این شاخص‌ها در مقادیر متفاوت LAI به اشباع ...
بیشتر
شاخص سطح برگ استخراج‌شده (LAI) از تصاویر سنجش از دور پارامتر مهمی، به‌منظور مدل‌سازی مکانی تولید پوشش گیاهی، محسوب می‌شود. معمولاً شاخص‌های پوشش گیاهی که با بازتاب طول موج‌های قرمز و مادون قرمز نزدیک محاسبه می‌شوند، در برآورد LAI با استفاده از روش‌های آماری، به‌کار می‌روند اما بسیاری از این شاخص‌ها در مقادیر متفاوت LAI به اشباع میرسند. برای رفع این محدودیت، بازتاب محدودة لبة قرمز استفاده شده است؛ بنابراین، باید قابلیت شاخص‌های متفاوت پوشش گیاهی استخراج‌شده از داده‌های سنجش از دور، برای برآورد LAI ذرت علوفهای، ارزیابی شود. بدینمنظور پنج مرحله نمونه‌برداری میدانی، با فاصلة زمانی نزدیک به گذر ماهوارة سنتینل‌ـ 2، از سوی مرکز تحقیقات فضایی پژوهشگاه فضایی ایران، اجرا شد و در مجموع، 234 نمونه از مزارع ذرت علوفهای شرکت کشت و صنعت مگسال قزوین برداشت شد. سپس سیزده شاخص پوشش گیاهی متفاوت، با استفاده از سری زمانی تصاویر سنتینل‌ـ 2، محاسبه شد و برای برآورد آماری مقادیر LAI به‌کار رفت. نتایج نشان داد که شاخص EVI با ضریب همبستگی 76/0 برای برآورد شاخص سطح برگ ذرت علوفهای بهترین عملکرد را داشته است. علاوهبراین، مقدار RMSE روش‌های رگرسیون غیرخطی بیشتر از روش‌های خطی بوده است.
محمد حاجب؛ سعید حمزه؛ سید کاظم علوی پناه؛ جوشم ورلزت
چکیده
شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به‌دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهوارة PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده‌های ابرطیفی را فراهم کرده است که به‌ویژه، در تهیة ...
بیشتر
شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به‌دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهوارة PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده‌های ابرطیفی را فراهم کرده است که به‌ویژه، در تهیة نقشة متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکه‌های عصبی مصنوعی، موسوم به شبکة عصبی تنظیم‌شده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش‌برازش شبکه‌های عصبی به‌کار می‌برد، استفاده می‌شود. مدل یادشده روی مجموعه‌ای داده، متشکل از طیف دریافت‌شده ازطریق ماهوارة PRISMA به‌منزلة متغیر مستقل و مقادیر اندازه‌گیری شاخص سطح برگ نیشکر به‌منزلة متغیر وابسته، اجرا شد. اندازه‌گیری‌های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه‌برداری زمینی، روی مزارع کشت‌و‌صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسة عملکرد BRANN با یک روش متعارف شبکة عصبی، یعنی شبکة آموزش‌دیده با روش لونبرگ‌ـ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE بازیابی از 26/2 (m2/m2) به‌روش LMANN به 67/0 (m2/m2)، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، به‌منظور کاهش ابعاد داده نیز از تبدیل مؤلفه‌های اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مؤلفة اصلی اول نیز RMSE از 41/1 (m2/m2) با استفاده از روش LMANN به 71/0 (m2/m2) طبق روش BRANN کاهش یافت. استفاده از مؤلفه‌های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزش‌دیدة BRANN روی تصاویر PRISMA به‌صورت پیکسل‌به‌پیکسل، نقشة شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را به‌خوبی نشان می‌دهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.
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.
علی‌اکبر آبکار؛ علیرضا صفدری‌نژاد؛ مجتبی زمانی؛ سیدرضا صوف‌باف؛ نبی‌اله غلامی بیدخانی؛ امید غفاری
دوره 7، شماره 2 ، بهمن 1394، ، صفحه 69-88
چکیده
بررسی خصوصیات انواع پوشش‌های گیاهی به‌عنوان یکی از پارامترهای مؤثر در تبادل انرژی بین جو و سطح زمین در مطالعات زیست‌محیطی، منابع طبیعی و کشاورزی اهمیت بسیاری دارد. امروزه فناوری سنجش از دور با ارائة اطلاعات طیفی گسترده و متنوع موجب تسهیل در مطالعة پوشش‌های گیاهی در سطح زمین و به‌ویژه تخمین پارامترهای بیوفیزیکی آنها شده است. ...
بیشتر
بررسی خصوصیات انواع پوشش‌های گیاهی به‌عنوان یکی از پارامترهای مؤثر در تبادل انرژی بین جو و سطح زمین در مطالعات زیست‌محیطی، منابع طبیعی و کشاورزی اهمیت بسیاری دارد. امروزه فناوری سنجش از دور با ارائة اطلاعات طیفی گسترده و متنوع موجب تسهیل در مطالعة پوشش‌های گیاهی در سطح زمین و به‌ویژه تخمین پارامترهای بیوفیزیکی آنها شده است. یکی از مهم‌ترین پارامترهای فیزیکی به‌کار گرفته‌شده در تحلیل‌های مختلف مربوط به مطالعة پوشش‌های گیاهی، شاخص سطح برگ (LAI) است. در پژوهش حاضر ضمن تحلیل و مدل‌سازی ارتباط بین LAI و شاخص‌های گیاهی مختلف، با استفاده از مشاهدات طیف‌سنجی آزمایشگاهی، به بررسی محدودیت‌های مدل ریاضی موجود در برآورد LAI، ارائة راهکارهایی به‌منظور افزایش دقت و صحت نتایج این مدل و همچنین طراحی یک شاخص جدید پرداخته شده است. نتایج نشان دادند که از میان شاخص‌های گیاهی متداول، دو شاخص Simple Ratio و SAVI-2 دارای کمترین RMSE (حدود 08/0 در واحد LAI) بوده و شدت اشباع‌شدگی مدلی که برازش داده‌اند از شاخص‌های دیگر کمتر است. دو شاخص مذکور کارایی بالاتری در تخمین LAI به‌ویژه در مناطق با تراکم پوشش گیاهی آنها زیاد، دارند و می‌توان با اطمینان بالایی در مدل‌سازی خطی برآورد LAI از آنها استفاده کرد.
