برآورد ضریب گیاهی گندم پاییزه با استفاده از داده‌های سنجش از دور با رویکرد کاهش داده

Abstract

استفاده بهینه از آب آبیاری نیاز به برنامه­ریزی دقیق آبیاری دارد و برآورد دقیق ضریب گیاهی به‌خصوص در مقیاس­های وسیع پیش­نیاز آن است. هدف از این تحقیق مقایسه برخی از رویکردهای پیش­پردازش داده­های ورودی به شبکه عصبی مصنوعی: رگرسیونی و کاهش داده (تحلیل مؤلفه­های اصلی و چرخشی) در برآورد ضریب گیاهی با شاخص­های NDVI، RI، TVI، MSAVI، SAVI، mTVI، EVI، MNDVI، TVX، NVSWI در جهت مدل‌سازی ضریب گیاهی گندم در استان آذربایجان شرقی بود. مقایسه عملکرد رویکرد کاهش داده و رگرسیون بیانگر کاهش معیارهای خطا در رویکرد کاهش داده بود، به­عنوان نمونه درصد افزایش آماره RMSE از حالت چرخشی به رگرسیون 8/11 و از حالت تحلیل مؤلفه­های اصلی به رگرسیون 7/22 بود. رویکردهای مورد استفاده در برآورد ضریب گیاهی از تخمین بیش­برآوردی برخوردار بودند به­طوری­که میزان افزایش متوسط ضریب گیاهی دوره صحت­سنجی از ضریب گیاهی فائو به رویکرد پیش­پردازش با رگرسیون، تحلیل مؤلفه­های اصلی و چرخشی به ترتیب 7/13، 7/6 و 6/4 درصد بوده است. بنابراین استفاده از چرخش در تحلیل کاهش داده میزان دقت تخمین را بالا می­برد. کاهش 13/39 درصد ضریب همبستگی از شاخص MSAVI نسبت بهNDVI ، حاکی از این است که شاخص­های توسعه­یافته براساس شرایط منطقه در افزایش کارایی برآورد ضریب گیاهی با تصاویر ماهواره­ای از اهمیت ویژه­ای برخوردار هستند.