اکبر میراحمدی

در سالیان اخیر، مطالعه فنولوژی محصولات زراعی با استفاده از داده های ماهواره ای گسترش فراوانی یافته است. امروزه داده های سنجنده OLI از ماهواره لندست 8 با تفکیک مکانی 30 متر، تشخیص مراحل فنولوژی گیاهان را در مقیاس محلی فراهم کرده است. در این پژوهش، از شاخص های سنجش از دور NDVI، EVI، Greenness و Brightness حاصل از سنجنده OLI و شاخص GCC حاصل از تصاویر دوربین دیجیتال، برای برآورد مراحل فنولوژی گیاه کلزا و از فیلتر ساویتزکی- گولی برای برطرف کردن داده های پرت و تولید منحنی های هموار سری های زمانی شاخص های گیاهی استفاده شد. نتایج نشان داد که منحنی های حاصل از شاخص های NDVI, EVI, GCC هر چهار مرحله فنولوژی سنجش از دور( سبزینگی، رکود، بلوغ و پیری) را به خوبی نمایش می دهند اما شاخص Greenness، مرحله رکود را به خوبی نمایش نمی دهد. منحنی حاصل از شاخص Brightness رفتاری عکس با دیگر منحنی ها از خود نشان می دهد. بر اساس آزمون همبستگی پیرسون داده های شاخص GCC با داده های شاخص NDVI و Brightness همبستگی دارند. برای برآورد شروع فصل و پایان فصل از روش های آستانه نسبی، نرخ تغییر و مشتق اول استفاده شد و نتایج نشان داد که روش مشتق اول و آستانه نسبی به ترتیب با میانگین اختلاف 18 و 19 روز در برآورد شروع فصل و روش نرخ تغییر با میانگین اختلاف 8 روز در برآورد پایان فصل بهترین عملکرد را دارند. همچنین شاخص Brightness با میانگین اختلاف 16 روز و شاخص EVI با میانگین اختلاف 7 روز به ترتیب در برآورد شروع فصل و پایان فصل بهترین عملکرد را دارند.

سری های زمانی شاخص های گیاهی سنجش از دور امکان بازیابی فنولوژی گیاهان را در سطح زمین فراهم کرده است. ابرها، رطوبت، و هواویزها باعث ایجاد نوفه در سیگنال های دریافتی سنجنده های ماهواره ای می شوند و در نتیجه کیفیت سری های زمانی کاهش می یابد. برای رفع این مشکل و بازسازی سری های زمانی، چندین تابع هموارسازی داده ها برای حذف نوفه استفاده می شود که، به دلیل اختلاف نظر درمورد عملکرد آن ها، مقایسه بین آن ها لازم است. اهداف این تحقیق ارزیابی عملکرد توابع مختلف هموارسازی در نرم افزار TIMESAT و تأثیرات آن ها در بازسازی سری های زمانی و برآورد پارامترهای فنولوژیکی آغاز فصل رشد (SOS) و پایان فصل رشد (EOS) با استفاده از داده های نمایه Greenness (سبزینگی) ماهواره لندست 8 است. پالایشگر ساویتزکی- گولی (S-G)، تابع نامتقارن گوسی (AG)، و لجستیک دوگانه (DL) برای برازش داده های Greenness   استفاده شد و عملکرد آن ها با استفاده از اندازه گیری خطای مجذور میانگین مربع (RMSE) و ضریب همبستگی پیرسون (r) ارزیابی شد. نتایج نشان داد که روش هموارسازی S-G در بازسازی سری های زمانی از دقت بیشتری (935/0 = r) برخوردار است. در برآورد پارامترهای فنولوژی، تابع هموارساز DL در برآورد آغاز فصل و تابع هموارساز AG در برآورد پایان فصل به ترتیب با 8 و 14 روز اختلاف با داده های مشاهداتی بهترین عملکرد را داشتند. این مطالعه نشان داد که روش های هموارسازی نرم افزار TIMESAT عملکرد مناسبی دارند

سری های زمانی شاخص های گیاهی سنجش از دورامکان بازیابی فنولوژی گیاهان را در سطح زمین فراهم کرده است، اما این سری زمانی توسط ابرها و رطوبت و هواویزها تحت تأثیر قرارمی گیرند و باعث ایجاد نوفه در سیگنال های دریافتی سنسورهای ماهواره ای می شوند. برای بر طرف کردن این مشکل، چندین تابع هموارسازی داده ها برای حذف نوفه استفاده می شود که به دلیل اختلاف نظر در مورد عملکرد آنها، مقایسه بین آن ها لازم است. پارامترهای فنولوژیکی مشتق شده از ماهواره به طور خاص اطلاعاتی در مورد فنولوژی یک گیاه، گونه ها یا فازهای آن (به عنوان مثال، باز شدن جوانه، ظهور برگ، باز شدن برگ و گلدهی) ارائه نمی دهند. شاخص های گیاهی سنجش از دور معمولاً قادر به تخمین چند پارامتر فنولوژیکی مانند شروع فصل SOS، پایان فصل EOS هستند. هدف این پژوهش، ارزیابی سه روش هموارسازی سری های زمانی، با استفاده از معیارهای آماری، داده های درجا و پارامترهای فنولوژی استخراج شده از شاخص تفاضل نرمال شده پوشش گیاهی NDVI حاصل از تصاویر ماهواره لندست 8، از مزرعه کلزا واقع در منطقه فرخ شهر استان چهارمحال و بختیاری، است. روش های هموارسازی توسط بسته نرم افزاری TIMESAT استفاده شد که شامل روش های ساویتزکی- گولی S-G، تابع نامتقارن گاوسی AG و تابع لجستیکی دوگانه DL است. نتایج نشان داد که در صورت استفاده ی بهینه از پارامترهای هموارسازی، روش هموارسازی S-G در بازسازی سری های زمانی از دقت بیشتری 0/98=r نسبت به سایر روش ها برخوردار است. همچنین، نتایج نشان داد که معیار آماری ضریب همبستگی پیرسون در مقایسه با مجذور میانگین مربعات خطا شاخص قوی تر برای بازسازی سری های زمانی است. در برآورد پارامترهای فنولوژی نیز، تابع هموارساز DL با اختلاف برآورد یک روز برای آغاز فصل SOS و 9 روز برای پایان فصل EOS کمترین میزان خطا را با داده های فنولوژی مشاهداتی داشت.