نوع مقاله : علمی - پژوهشی
نویسندگان
دانشگاه تربیت مدرس
چکیده
پوشش گیاهی موتور محرک کره زمین میباشد که کنترل کننده تبادلات انرژی و آب بین اتمسفر و زمین بوده و نقش مهمی در چرخه‌های جهانی انرژی، اکسیژن، دیاکسیدکربن و آب 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 نظیر مدلسازی چرخه‌های آب، انرژی و کربن از آن استفاده می‌شود.
رویکردهای بازیابی مختلفی به منظور استخراج اطلاعات پارامترهای بیوفیزیکی از داده‌های سنجش از دوری توسعه داده شده است.
این روش‌ها به دو دسته روش‌های آماری-تجربی و روش‌های فیزیکی تقسیم بندی می‌شوند که هرکدام از این روش‌ها بسته به نوع داده و منطقه مورد مطالعه می‌توانند دقت‌های مورد قبولی را برای بازیابی پارامترهای پوشش گیاهی ارائه دهند،
اما عدم اطمینان‌های موجود در داده‌های سنجش از دوری روند بازیابی پارامترهای پوشش گیاهی را با مشکلات بسیار زیادی روبه‌رو ساخته است. یکی از اساسی‌ترین مشکلاتی که این خطاها دارند مشخص نبودن توضیع مقادیر آن‌ها است و این باعث نقض شرایط استفاده از توابع هزینه‌ای مانند توابع LSE است که توضیع خطا در داده‌ها را نرمال در نظر می‌گیرند. از این رو، در تحقیق حاضر از روش فیزیکی معکوس مدل انتقال تابش PROSAIL مبتنی بر جدول LUT و چهار دسته از معیارهای هزینه تحت عنوان اندازه‌گیر اطلاعات (IM)، حداقل اختلاف(MC)، اندازه‌گیر زاویه (SAM)و خطای حداقل مربعات (LSE) به همراه نرمال‌سازی و میانگین بهترین جواب‌ها، جهت بازیابی متغیر LAI استفاده شده است. همچنین از داده‌های زمینی برداشت شده طی کمپین SPARC 2003 و داده های همزمان با برداشت زمین ماهواره‌ی کریس-پروبا برای ارزیابی صحت متغیر بازیابی شده استفاده شده است. نتایج حاصل از تحقیق حاضر، نشان دهنده بهبود تخمین متغیر LAI با استفاده از معیار اندازه‌گیر اطلاعات (Kulbak-liebler) به میزان 12٪ با استفاده از 11٪ میانگین بهترین جواب‌ها بود. تابع هزینه LSE نیز نسبت به حالت نرمال نشده 7٪ بهبود یافت.
کلیدواژه‌ها
عنوان مقاله [English]
Combining multiple solution and cost function for better LAI estimation
نویسندگان [English]
- alijafar mousivand
- meysam shir mohammad pour
- ali shamsoddini
tarbiat modares university
چکیده [English]
Vegetation is a key component of the earth planet, which controls the energy and water exchanges between atmosphere and the Earth surface and plays an important role in the global energy cycles, such as oxygen, carbon dioxide, and water. Biophysical and biochemical parameters such as Leaf area index (LAI), chlorophyll content (CAB), etc. are necessary to vegetation monitoring and management. (LAI) is one of the most important vegetation parameters that used in many applications such as water and carbon cycles modeling, precision agriculture, yield estimation, etc.
Remote sensing in terms of its continuous and extensive cover is a unique tool for vegetation variables estimation.
There are different method for vegetation biophysical variable estimation from EO data that divided into two broad classes, the statistical/experimental approaches and the physical approach.
Each of these methods, depending on the type of the data and the study area, can provide acceptable accuracy for retrieving vegetation biophysical parameters, but the uncertainty in remote sensing data has changed the process of retrieving vegetation parameters into a very difficult process. One of the main problems is errors value distribution. Outliers and nonlinearities distort the residuals and this violates the use of cost functions such as LSE, which consider the distribution of errors in data to be normal. Therefore, in the present study we used inversion of radiative transfer model (PROSAIL) through the construction of Look-Up Tables (LUTs) that is the most successful approaches for Vegetation Variable estimation. We investigated four categories of cost functions called information measurement (IM), minimum contrast (MC), spectral angle mapper (SAM) and Least square error (LSE) ) Along with the normalization and the mean of the best solutions to show how using different distances and normalization approaches can affect the solution of the inverse problem.
Ground reference data collected during the SPARC 2003 campaign also used to evaluate the accuracy of the retrieved variable. The results showed improvement in the LAI estimation with Kullback and Leibler (KL) measures, up to 12% for the multi-species canopy and the normalization improved LSE about 7% at all.
کلیدواژه‌ها [English]
- &ldquo
- leaf area index&rdquo
- Radiative transfer model&rdquo
- cost function&rdquo
- , &ldquo
- Look up table&rdquo
)