نوع مقاله : علمی - پژوهشی

نویسندگان

1 مربی گروه سنجش از دور و GIS، دانشگاه شهید بهشتی

2 گروه سنجش از دور و GIS، دانشکده جغرافیا دانشگاه تهران

3 گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران

4 آزمایشگاه مشاهدات زمینی، آزمایشگاه پردازش تصویر، دانشگاه والنسیا، اسپانیا

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 بواسطه نقش آن در صنایع غذایی و انرژی اهمیت اقتصادی بالایی دارد. ماهواره PRISMA که در سال 2019 پرتاب شد یکی از جدیدترین منابع داده‌های ابرطیفی را فراهم کرده است که به‌ویژه برای تهیه نقشه متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر نوع جدیدی از شبکه‌های عصبی مصنوعی موسوم به شبکه عصبی تنظیم‌شده توسط روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش‌برازش شبکه‌های عصبی بکار می‌برد، استفاده می‌شود. مدل مذکور روی یک مجموعه داده متشکل از طیف اخذ شده توسط ماهواره PRISMA به عنوان متغیر مستقل و مقادیر اندازه‌گیری شاخص سطح برگ نیشکر به عنوان متغیر وابسته پیاده‌سازی شد. اندازه‌گیری‌های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه‌برداری زمینی روی مزارع کشت‌و‌صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ مختلف در طول یک دوره رشد نیشکر در سال 1399 انجام شد. مقایسه عملکرد BRANN‌ با یک روش متعارف شبکه عصبی یعنی شبکه آموزش‌دیده با روش لونبرگ-مارکوراد (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA حاکی از این است کهRMSE بازیابی از 26/2 m2/m2 توسط روش LMANN به 67/0 m2/m2 توسط روش BRANN کاهش یافته‌است. در این پژوهش همچنین برای کاهش ابعاد داده از تبدیل مولفه‌های اصلی استفاده شد. در بازیابی شاخص سطح برگ از 20 مولفه‌ اصلی اول نیزRMSE از 41/1 m2/m2 توسط روش LMANN به 71/0 m2/m2 توسط روش BRANN کاهش یافت. استفاده از مولفه‌های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با پیاده‌سازی مدل آموزش‌دیده BRANN‌ روی تصاویر PRISMA به‌صورت پیکسل‌به‌پیکسل نقشه شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه به-خوبی نشان‌دهنده تغییرات مکانی شاخص سطح برگ نیشکر است. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN‌ و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.

کلیدواژه‌ها

عنوان مقاله [English]

Mapping sugarcane leaf area index by inverting PRISMA hyperspectral images

نویسندگان [English]

  • M Hajeb 1
  • Saeid Hamzeh 2
  • Seyed Kazem Alavipanah 3
  • Jochem Verrelst 4

1 Lecturer of Remote Sensing & GIS Dep., Shahid Beheshti University

2 Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran

3 - Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran, Tehran, Iran

4 Image Processing Laboratory (IPL), Parc Científic, Universitat de Val`encia, Val`encia, Spain

چکیده [English]

Leaf Area Index (LAI) plays a critical role in the mass and energy exchanges between the earth and the atmosphere. Like of other plants, LAI of sugarcane is a good indicator of the health status and growth of this crop which is of great economic importance due to its role in the food and energy industries. Launched in 2019, the PRISMA satellite provides one of the most recent hyperspectral data sources which are applicable especially for mapping plant variables. In this study, a new kind of Artificial Neural Networks (ANN) so-called Bayesian Regularized Artificial Neural Networkk (BRANN) which applies Bayes' theorem to overcome the overfitting problem of neural networks is used. The model was implemented on a data set consisting of spectrum obtained by PRISMA satellite as an independent variable and sugarcane LAI measurements as a dependent variable. The ground measurements of sugarcane LAI were carried out in 118 elementary sampling units on the fields of Amir Kabir sugarcane cultivation and industry in Khuzestan province and on seven different dates during a sugarcane growth period in 2020. Comparing the performance of BRANN in retrieving sugarcane LAI from PRISMA spectra with that of a conventional ANN trained with the Levenberg-Marquardt algorithm (LMANN) indicates that the retrieval RMSE is reduced from 2.26 m2/m2 applying LMANN to 0.67 m2/m2 applying the BRANN method. In this study, the principle component analysis was also used dimensionality reduction. Retrieving LAI from the first 20 principle components, RMSE was also reduced from 1.41 m2/m2 applying LMANN to 0.71 m2/m2 applying BRANN. Exploiting principal components significantly reduced computational time. By implementing the calibrated BRANN model over the PRISMA image pixel by pixel, the sugarcane LAI map was generated. Evaluating this map showed that this map represents the spatial variations of sugarcane LAI well. The results of this study indicate the high performance of the BRANN method and high potential of PRISMA images to retrieve sugarcane LAI.

کلیدواژه‌ها [English]

  • Vegetation parameter retrieval
  • Leaf Area Index
  • Artificial Neural Networks
  • Inverting. Hyperspectral Remote Sensing
  • Sugarcane