بازیابی پارامتر

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.

بازیابی پارامتر های بیوفیزیکی و بیوشیمیایی پوشش گیاهی که در طیف گسترده ای از برنامه ها مانند مطالعات اقلیمی، نرخ فتوسنتز، وضعیت تغذیه ای گیاهان و چرخه های ژئوشیمیایی مورد استفاده قرار می گیرند، از اهمیت بالایی برخوردار است. آگاهی از این پارامتر ها دید مناسبی درباره سلامت گیاهان، وضعیت رشد آن ها و کیفیت پوشش گیاهی فراهم می آورد و امکان بررسی طولانی مدت پویایی پوشش گیاهی را میسر می سازد. به طورکلی، رویکرد های بازیابی پارامتر در دو گروه کلی رویکرد های آماری تجربی و رویکرد های مبتنی بر مدل های فیزیکی قرار می گیرند. در این مطالعه بازیابی پارامتر های شاخص سطح برگ (LAI)، مقدار کلروفیل و سطح پوشیده شده با پوشش گیاهی (FVC) با استفاده از رویکرد آماری تجربی از تصاویر ماهواره ای کریس پروبا در منطقه باراکس اسپانیا ارائه شده است. در این رویکرد برای بازیابی پارامترهای پوشش گیاهی، نیازمند داده های میدانی جمع آوری شده و یک تصویر ماهواره ای از منطقه مورد مطالعه بوده تا با فراهم کردن این داده ها و برقراری ارتباط بین آن ها، مدل کالیبره شده و با استفاده از روش های رگرسیون خطی و غیرخطی نسبت به بازیابی پارامتر های پوشش گیاهی اقدام کرد. نتایج حاصل از این مطالعه نشان دادند که در بازیابی شاخص سطح برگ، مقدار کلروفیل و سطح پوشیده شده با پوشش گیاهی به ترتیب مدل های Exponential GPR (RMSE= 0.78, R2=0.77, MAE=0.49)، Rational Quadratic GPR (RMSE= 4.55, R2=0.36, MAE=3.61) و Squared Exponential GPR (RMSE=0.11, R2=0.71, MAE=0.09) بهترین برآورد و برازش با داده های میدانی را ارائه دادند. تجزیه و تحلیل نقشه های بازیابی شده شاخص های LAI، مقدار کلروفیل و FVC نشان دادند که مدل های فرایند گاوسی که از روش های رگرسیون غیرخطی هستند، در مقایسه با روش های رگرسیون خطی و روش های ماشین بردار پشتیبان، در بازیابی پارامتر های مذکور عملکرد بهتری داشته اند. نقشه های بازیابی شده نشان می دهند که مدل های مختلف گاوسی نه تنها در بازیابی شکل اراضی کشاورزی موفق عمل کرده، بلکه تغییرات شاخص های LAI، مقدار کلروفیل و FVC داخل اراضی کشاورزی را نیز با دقت مطلوبی بازیابی کرده اند.