تخمین توزیع مکانی-زمانی شاخص سطح برگ با استفاده از تصاویر ماهواره-ایSentinel-۲ (مطالعه موردی: مزارع ذرت علوفه ای جنوب تهران)

شاخص سطح برگ (LAI)، در مطالعات هیدرولوژی، کشاورزی و مدیریت آبیاری اراضی، نقش مهمی را ایفا می کند. به منظور دستیابی به الگوریتم مناسب، با دقت و استوار یا پایدار(robust) برای تخمین توزیع مکانی-زمانی LAI با استفاده از تصاویر Sentinel-۲، الگوریتم های رگرسیون بردار پشتیبان (SVR)، Kernel Ridge Regression (KRR)، (RVM) Relevance Vector Machines و رگرسیون فرآیند گوسی (GPR)، کالیبره و مورد ارزیابی قرار گرفتند. داده های این تحقیق، از مزارع ذرت علوفه ای شهرستان قلعه نو در استان تهران، در کل دوره رشد آن در تابستان ۱۳۹۷، از طریق اندازه گیری تخریبی و نیز عکسبرداری نیم کروی، جمع آوری شد. نتایج تحقیق با الگوریتم های متداول در این حوزه؛ جنگل تصادفی (RF) و شبکه عصبی مصنوعی (ANN)، مقایسه گردیدند. نتایج نشان می دهد که الگوریتم GPR، نه تنها از دقت (در گروه باندی بیست متری، ۹۱۳/۰=R۲ و ۶۴۱/۰=RMSE)، سرعت و پایداری بالاتری در تخمین LAI برخوردار بوده، بلکه قابلیت منحصر به فرد ایجاد نقشه پیکسل مبنای عدم اطمینان (عدم اطمینان و عدم اطمینان نسبی، به ترتیب، به مساحت ۹۶% و ۷۴% از کل منطقه کمتر از ۷/۰ و۳۰%) را داراست. با در نظر گرفتن مقادیر R۲ و RMSE، SVR دومین الگوریتم با دقت برای برآورد LAI و بعد از آن، RVM، KRR، RF و ANN، به ترتیب می باشند. مقایسه LAI تخمین زده شده و میدانی در دفعات نمونه برداری با RMSE = ۰.۲۷۶ و ۰۹۹/۰ = Bias، و سایر مزایای مطرح شده، بر کارآیی الگوریتم GPR در تخمین توزیع مکانی-زمانی LAI دلالت دارد.

کلیدواژه ها:

الگوریتم کرنل مبنا ، شاخص سطح برگ ، عکسبرداری نیم کروی ، مطالعه منطقه ای ، نقشه پیکسل مبنا