مقایسه چهار الگوریتم PLSR، RF، GRNN و SVR به منظور برآورد رطوبت غلاف نیشکر در طول دوره رشد با استفاده از تصاویر ماهواره سنتینل-2 (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: رطوبت غلاف پارامتر مهمی در طول دوره رشد نیشکر است که از منظر تنش آبی و مدیریت آبیاری مزرعه اهمیت فراوانی دارد. بااین حال اندازه گیری میزان رطوبت محصول در گیاهان به طور سنتی از طریق به دست آوردن وزن تر و وزن خشک و سپس محاسبه میزان رطوبت محصول تعیین شده است. اما این روش وقت گیر، هزینه بر و در مناطق وسیع غیرقابل اجراست. در سال های اخیر، توسعه سریع فنّاوری سنجش ازدور برای نظارت بر میزان آب بافت گیاه در مزارع گسترده به کار برده می شود. داده های سنجش ازدور ظرفیت بالایی برای به روز کردن سیستم های پایش رشد محصول دارند. در این راستا، می توان از تصاویر ماهواره ای که اطلاعات متنوعی در اختیار کاربران قرار می دهند، بهره برد. هدف از این پژوهش ارزیابی رطوبت غلاف برگ نیشکر با استفاده از تصاویر ماهواره ای و تهیه نقشه های رطوبت براساس بهترین مدل است.مواد و روش ها: مزارع نیشکر که بزرگ ترین مزارع خوزستان هستند، بیش از 84000 هکتار مساحت دارند. حدوداً 9670 هکتار از مزارع تحت کشت متعلق به کشت و صنعت امیرکبیر است که این پژوهش در آن اجرا شد. منطقه مورد مطالعه در عرض جغرافیایی 31 درجه و 00 دقیقه و 20 ثانیه شمالی و طول جغرافیایی 48 درجه و 15 دقیقه و 22 ثانیه شرقی قرار گرفته است. برای پژوهش حاضر، 18 مزرعه از واریته CP69-1062 نیشکر انتخاب شد که از هر مزرعه 5 نقطه برگزیده و مختصات نقاط با دستگاه GPS ثبت شد، لذا این پژوهش از تیر تا شهریور ماه اجرا شد. برای این منظور، تلاش شد که داده برداری زمینی هم زمان با تصویربرداری ماهواره سنتینل-2 از منطقه مورد نظر صورت گیرد. سپس رطوبت غلاف هر نمونه در آزمایشگاه اندازه گیری شد. برای هر تصویر شاخص ها و باندهای طیفی با نرم افزار QGIS محاسبه و خروجی به صورت فایل اکسل و TIF ذخیره شد. در این پژوهش از شاخص های NDWI، NDII، SRWI، SIWSI، Clgreen و GVMI و باندهای حاصل از تصاویر ماهواره ای سنتینل-2 برای برآورد و پایش وضعیت رطوبت غلاف برگ نیشکر استفاده شد. در گام بعدی، از تحلیل VIF به منظور بررسی هم خطی بین شاخص ها و باندها استفاده شد. در نهایت شاخص های NDVI، EVI، SRWI، Clgreen و تک باندهای B2، B3، B4، B5، B6، B11 و B12 به عنوان ورودی به چهار مدل GRNN، RF، SVR و PLSR وارد شدند. شایان ذکر است که الگوریتم بیز به منظور بهینه سازی پارامترهای مدل استفاده شد.نتایج و بحث: نتایج نشان داد که مدل SVR در مقایسه با سایر مدل ها توانایی بالاتری در تخمین رطوبت غلاف برگ داشت. همچنین طبق تحلیل حساسیت، پارامترهای SRWI، Clgreen، NDVI، B5، B12، B11، B4، B3، EVI و B2 به ترتیب به عنوان پارامترهای مؤثر در فرایند مدل سازی رطوبت انتخاب شدند. در مرحله نهایی رطوبت غلاف برگ به ترتیب مقدار از کم تا زیاد، به 5 کلاس تنش، زمان آبیاری، رطوبت کم، رطوبت متوسط و رطوبت بالا طبقه بندی شد. با توجه به نتایج نقشه های رطوبتی و با توجه به برنامه زمان بندی آبیاری مربوط به هر تاریخ، می توان نتیجه گرفت خروجی حاصل ترکیبی از شاخص ها و باندهای B2، B3، B4، B5، B6، B11، B12، NDVI، EVI، SRWI و Clgreen عملکرد بهتری در تهیه نقشه های آبیاری داشتند. این روش با هدف ارزیابی پتانسیل شاخص های طیفی S2 MSI برای برآورد رطوبت غلاف برگ در مرحله رشد نیشکر به کار گرفته شد.نتیجه گیری: طبق تحلیل حساسیت، پارامتر SRWI به عنوان مؤثرترین شاخص در فرایند مدل سازی قرار گرفت. بنابراین می توان نتیجه گرفت که در میان ورودی های داده شده به مدل، ترکیبی از شاخص ها و باندهای NDVI، EVI، SRWI، Clgreen، B2، B3، B5، B4، B11و B12 تخمین بهتری از رطوبت غلاف نیشکر به دست می دهند. این پژوهش در پی بهبود روش های نظارت بر رطوبت غلاف نیشکر در مزارع وسیع است.Comparison of four PLSR, RF, GRNN and SVR algorithms to estimate sugarcane sheath moisture during growing season using Sentinel-2 satellite imagery
Introduction: The moisture content of sugarcane sheath is a crucial parameter during the crop's growth period, as it plays a key role in understanding water stress and field irrigation management. Traditional methods of measuring crop moisture levels involve time-consuming and expensive processes like obtaining wet and dry weights, followed by calculating moisture content, which are impractical for large areas. Recent advancements in remote sensing technology have enabled the monitoring of plant tissue moisture content in large fields. Remote sensing data have a high capacity to update crop growth monitoring systems. In this regard, it is possible to use satellite images that provide a wealth of information to users. This research aims to evaluate sugarcane leaf sheath moisture using satellite images and generate moisture maps based on the best model.Materials and methods: The sugarcane fields, which represent the largest agricultural operations in Khuzestan, have an area of over 84,000 hectares. It covers over 9,670 hectares are cultivated by the Amir Kabir Agriculture and Industry company, the focus of this research. The study area is located at a latitude of 31° 00' 20' N and a longitude of 48° 15' 22' E. A total of 18 farms of the sugarcane variety CP69-1062 were utilized for this research. Five points were selected from each farm, and the coordinates of the points were recorded using a GPS device. The study was carried out between July and September. Ground data were collected nearly simultaneously with the Sentinel-2 satellite imaging of the target area. The moisture content of each collected sample was determined gravimetrically in the laboratory. For each image, indices and spectral bands were calculated using QGIS software and the output was saved as Excel and TIF files. The indices and bands obtained from Sentinel-2 satellite images were used to estimate and monitor the moisture status of sugarcane leaf sheath. In the next step, a variance inflation factor (VIF) analysis was implemented to check the collinearity between indices and bands. Finally, the indices of NDVI, EVI, SRWI, Clgreen and single bands B2, B3, B4, B5, B6, B11 and B12 were entered as input to four GRNN, RF, SVR and PLSR models. The Bayes algorithm was employed to optimize the parameters of the model.Results and discussion: The results demonstrated that the SVR model exhibited a superior ability to estimate leaf sheath moisture compared to other models. Additionally, the sensitivity analysis revealed that the SRWI, Clgreen, NDVI, B5, B12, B11, B4, B3, EVI and B2 parameters are effective parameters in the moisture content modelling process. In the final stage, the leaf sheath moisture was classified into five stress classes, namely irrigation time, low moisture, medium moisture, and high moisture, in the order from low to high. The results of the moisture maps and the irrigation schedule for each date indicate that the combined output of B2, B3, B4, B5, B6, B11, B12, NDVI, EVI, SRWI and Clgreen indices and bands has a superior performance. These indices were utilized in the preparation of irrigation plans. This method was employed to assess the potential of S2 MSI spectral indices for the estimation of leaf sheath moisture in the sugarcane growth stage.Conclusion: Based on sensitivity analysis, the SRWI parameter was found to be the most effective index in the modelling process. Consequently, it can be concluded that a combination of indices and bands of NDVI, EVI, SRWI, Clgreen, B2, B3, B5, B4, B11, and B12 provides a more accurate estimate of sugarcane sheath moisture than any single input. Thus, processing and analysis of Sentinel-2 satellite images can be used to enhance the methodologies employed for the monitoring of sugarcane sheath moisture content in expansive fields.
تبلیغات
