تهیه نقشه شاخص سطح برگ گیاه نیشکر با استفاده از معکوس سازی تصاویر ابرطیفی ماهواره PRISMA (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
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 به دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهواره PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده های ابرطیفی را فراهم کرده است که به ویژه، در تهیه نقشه متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکه های عصبی مصنوعی، موسوم به شبکه عصبی تنظیم شده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش برازش شبکه های عصبی به کار می برد، استفاده می شود. مدل یادشده روی مجموعه ای داده، متشکل از طیف دریافت شده ازطریق ماهواره PRISMA به منزله متغیر مستقل و مقادیر اندازه گیری شاخص سطح برگ نیشکر به منزله متغیر وابسته، اجرا شد. اندازه گیری های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه برداری زمینی، روی مزارع کشت و صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسه عملکرد BRANN با یک روش متعارف شبکه عصبی، یعنی شبکه آموزش دیده با روش لونبرگ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE بازیابی از 26/2 (m 2 /m 2 ) به روش LMANN به 67/0 (m 2 /m 2 )، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، به منظور کاهش ابعاد داده نیز از تبدیل مؤلفه های اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مؤلفه اصلی اول نیز RMSE از 41/1 (m 2 /m 2 ) با استفاده از روش LMANN به 71/0 (m 2 /m 2 ) طبق روش BRANN کاهش یافت. استفاده از مؤلفه های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزش دیده BRANN روی تصاویر PRISMA به صورت پیکسل به پیکسل، نقشه شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را به خوبی نشان می دهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.Mapping Sugarcane Leaf Area Index by Inverting PRISMA Hyperspectral Images
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 m 2 /m 2 applying LMANN to 0.67 m 2 /m 2 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 m 2 /m 2 applying LMANN to 0.71 m 2 /m 2 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.
تبلیغات
