نوع مقاله : علمی - پژوهشی

نویسندگان

1 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

2 گروه مدیریت منابع آب، دانشکده کشاورزی، دانشگاه تربیت مدرس ، تهران ، ایران

چکیده

رطوبت غلاف پارامتر مهمی در طول دوره رشد نیشکر است که از منظر تنش آبی و مدیریت آبیاری مزرعه از اهمیت زیادی برخوردار است. داده‌های سنجش از دور ظرفیت بالایی برای به روز نمودن سیستم‌های پایش رشد محصول دارند. در این راستا، می‌توان از تصاویر ماهواره‌ای که اطلاعات متنوعی را در اختیار کاربران قرار می‌دهند، بهره برد. در سال زراعی 1399 با هدف پیش‌بینی رطوبت غلاف نیشکر، 4 شاخص طیفی و 7 تک باند سنجنده ماهواره سنتینل-2، مورد ارزیابی قرار گرفت. برای مدل‌سازی و پیش‌بینی رطوبت غلاف، چهار روش PLSR، RF، GRNN و SVR به کار گرفته شد. از الگوریتم بیز به منظور بهینه کردن پارامترها در مدل‌های RF، GRNN و SVR استفاده گردید. بعلاوه از آنالیز حساسیت به روش گام به گام بهبود یافته برای یافتن تاثیرگذارترین پارامتر ورودی در برآورد رطوبت غلاف بهره‌گیری شد. نتایج بررسی نشان داد که مدل SVR زمانی که پارامترهای NDVI، EVI، SRWI، Clgreen، B2، B3، B5، B4، B11و B12 بعنوان ورودی به چهار مدل داده شدند، نسبت به مدل‌های دیگر تخمین قابل قبول‌تری از رطوبت غلاف ارائه داده است. طبق آنالیز حساسیت، پارامتر SRWI به عنوان موثرترین شاخص در فرآیند مدلسازی قرار گرفت. بنابراین می‌توان نتیجه گرفت که در میان ورودی‌های داده شده به مدل، ترکیبی از شاخص‌ها و باندهای NDVI، EVI، SRWI، Clgreen، B2، B3، B5، B4، B11و B12 تخمین بهتری از رطوبت غلاف نیشکر به دست می‌دهند.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of four PLSR, RF, GRNN and SVR algorithms to estimate sugarcane sheath moisture during growing season using Sentinel-2 satellite imagery

نویسندگان [English]

  • maryam soltanikazemi 1
  • Saeid Minaei 1
  • Hossein Shafizadeh Moghadam 2
  • AliReza Mahdavian 1

1 Biosystems Engineering Department, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran, respectively

2 Department of Water Engineering and Management, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran

چکیده [English]

Sheath moisture is an important parameter during the growth period of sugarcane, which is of special importance from the perspective of water stress and field irrigation management. Remote sensing data has a high capacity to update crop growth monitoring systems. In this regard, satellite images that provide a variety of information can be used. In the crop year of 2020, with the aim of predicting the moisture content of sugarcane pods, 4 spectral indices and 7 single band sensors of Sentinel-2 satellite were evaluated. Four methods PLSR, RF, GRNN and SVR were used to model and predict pod moisture. Bayes algorithm was used to optimize the parameters in RF, GRNN and SVR models. In addition, improved sensitivity analysis was used improved stepwise was used to find the most effective input parameter in estimating pod moisture. The results showed that the SVR model provided a more acceptable estimate of sheath moisture content than the other models when the parameters NDVI, EVI, SRWI, Clgreen, B2, B3, B5, B4, B11 and B12 were used as input to the four models. According to the sensitivity analysis, SRWI parameter was considered as the most effective index in the modeling process. Therefore, it can be concluded that among the inputs given to the model, a combination of indices and bands of NDVI, EVI, SRWI, Clgreen, B2, B3, B5, B4, B11 and B12 give a better estimate of sugarcane sheath moisture content.

کلیدواژه‌ها [English]

  • Remote sensing
  • Short wavelength infrared
  • Moisture spectral index
  • Crop growth monitoring