شاخص سطح برگ

بررسی خصوصیات انواع پوشش های گیاهی به عنوان یکی از پارامترهای مؤثر در تبادل انرژی بین جو و سطح زمین در مطالعات زیست محیطی، منابع طبیعی و کشاورزی اهمیت بسیاری دارد. امروزه فناوری سنجش از دور با ارائة اطلاعات طیفی گسترده و متنوع موجب تسهیل در مطالعة پوشش های گیاهی در سطح زمین و به ویژه تخمین پارامترهای بیوفیزیکی آنها شده است. یکی از مهم ترین پارامترهای فیزیکی به کار گرفته شده در تحلیل های مختلف مربوط به مطالعة پوشش های گیاهی، شاخص سطح برگ (LAI) است. در پژوهش حاضر ضمن تحلیل و مدل سازی ارتباط بین LAI و شاخص های گیاهی مختلف، با استفاده از مشاهدات طیف سنجی آزمایشگاهی، به بررسی محدودیت های مدل ریاضی موجود در برآورد LAI، ارائة راهکارهایی به منظور افزایش دقت و صحت نتایج این مدل و همچنین طراحی یک شاخص جدید پرداخته شده است. نتایج نشان دادند که از میان شاخص های گیاهی متداول، دو شاخص Simple Ratio و SAVI-2 دارای کمترین RMSE (حدود 08/0 در واحد LAI) بوده و شدت اشباع شدگی مدلی که برازش داده اند از شاخص های دیگر کمتر است. دو شاخص مذکور کارایی بالاتری در تخمین LAI به ویژه در مناطق با تراکم پوشش گیاهی آنها زیاد، دارند و می توان با اطمینان بالایی در مدل سازی خطی برآورد LAI از آنها استفاده کرد.

متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، به منزله متغیرهای ورودی، برای مدل های متفاوت چرخه کربن، آب، انرژی و مدل های اقلیمی و کشاورزی دقیق نقش مهمی ایفا می کنند. یکی از مهم ترین متغیرهای مربوط به تاج پوشش گیاه، که کاربردهای فراوانی در مدل سازی های گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روش های گوناگونی برای بازیابی LAI از تصاویر ابرطیفی به کار رفته اند که، از میان آنها، روش های ناپارامتریک غیرخطی یادگیری ماشین بسیار مورد توجه قرار گرفته اند زیرا، در مواجهه با داده های دارای ابعاد زیاد، انعطاف پذیرند. بااین حال، در مطالعات پیشین، به بررسی عملکرد روش های یادگیری ماشین در بازیابی مقادیر LAI در مقادیر حاشیه ای (مقادیر خارج از دامنه نمونه گیری زمینی) و قابلیت این روش ها در تهیه نقشه متغیر توجه چندانی نشده است. در این تحقیق، عملکرد چهار روش پرکاربرد یادگیری ماشین شامل رگرسیون بردار پشتیبان، فرایند گاوسی، شبکه عصبی مصنوعی و جنگل تصادفی در بازیابی LAI از تصویر ابرطیفی ماهواره کریس پروبا بررسی شده است. نتایج نشان داد که، به رغم کارآیی هر چهار روش در بازیابی مقادیر LAI برای دامنه مقادیر اندازه گیری شده زمینی با RMSE بهتر از 0.5 و خطای نسبی کمتر از 10%، روش های فرایند گاوسی و رگرسیون بردار پشتیبان صحت بالاتری در مقایسه با سایر روش ها دارند. باوجوداین، عملکرد روش شبکه عصبی مصنوعی، در تخمین LAIهای دارای مقادیر حاشیه ای، بهتر از دیگر روش هاست و نقشه تهیه شده با این روش و تابع یادگیری GDA  تطابق بیشتری با نقشه NDVI و تصویر ابرطیفی منطقه دارد.

در این پژوهش به منظور بررسی و پایش وضعیت شاخص سطح برگ در استان همدان از داده های ماهواره ی مودیس در یک بازه ی زمانی 15 ساله بهره گرفته شد. داده های شاخص سطح برگ پس از استخراج از تارنمای مودیس، با کدنویسی در نرم افزار مت لب مورد واکاوی قرار گرفتند و سپس نقشه های آن استخراج شدند. در نهایت، سری زمانی سالانه ی شاخص سطح برگ به دست آمد و ارتباط آن با میزان بارش ها و میانگین دما در طی این سال ها بررسی گردید. به منظور بررسی بهتر نقشه ها، یاخته های بالاتر از یک که نشان دهنده ی وضعیت بهتر و تراکم بیشتر سطح برگ هستند، مورد بررسی قرار گرفتند. در این میان، سال های 1381، 1387، 1390 به ترتیب با(01/0 ، 03/0 و 03/0 درصد) پایین ترین یاخته های بالاتر از 1 و سال 1395 با 24/0 و سال های 1393، 1388 و 1389 با 07/0 یاخته ی بالاتر از 1، بالاترین تعداد یاخته را به خود اختصاص داده اند. وجه مشترک تمامی سال ها از نظر یاخته های بالاتر از یک نشان می دهد که باغات جنوب همدان در جنوب دره مرادبیک، کشتزارهای غرب نهاوند، باغات جنوب شرق ملایر، منطقه حفاظت شده لشگردر در جنوب شرق ملایر در تمام سال ها مشترک بوده اند. تنها تفاوتی که در سال های مختلف مشاهده می شود تعداد یاخته هاست. در نهایت سری زمانی داده ها نشان داد که سال 1389 دارای بالاترین و سال 1381 و 1387 دارای پایین ترین میزان سری زمانی سطح برگ هستند.

شاخص سطح برگ استخراج شده (LAI) از تصاویر سنجش از دور پارامتر مهمی، به منظور مدل سازی مکانی تولید پوشش گیاهی، محسوب می شود. معمولاً شاخص های پوشش گیاهی که با بازتاب طول موج های قرمز و مادون قرمز نزدیک محاسبه می شوند، در برآورد LAI با استفاده از روش های آماری، به کار می روند اما بسیاری از این شاخص ها در مقادیر متفاوت LAI به اشباع می رسند. برای رفع این محدودیت، بازتاب محدوده لبه قرمز استفاده شده است؛ بنابراین، باید قابلیت شاخص های متفاوت پوشش گیاهی استخراج شده از داده های سنجش از دور، برای برآورد LAI ذرت علوفه ای، ارزیابی شود. بدین منظور پنج مرحله نمونه برداری میدانی، با فاصله زمانی نزدیک به گذر ماهواره سنتینل 2، از سوی مرکز تحقیقات فضایی پژوهشگاه فضایی ایران، اجرا شد و در مجموع، 234 نمونه از مزارع ذرت علوفه ای شرکت کشت و صنعت مگسال قزوین برداشت شد. سپس سیزده شاخص پوشش گیاهی متفاوت، با استفاده از سری زمانی تصاویر سنتینل 2، محاسبه شد و برای برآورد آماری مقادیر LAI به کار رفت. نتایج نشان داد که شاخص EVI با ضریب همبستگی 76/0 برای برآورد شاخص سطح برگ ذرت علوفه ای بهترین عملکرد را داشته است. علاوه براین، مقدار RMSE روش های رگرسیون غیرخطی بیشتر از روش های خطی بوده است.

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.