ارزیابی چند شاخص طیفی برای برآورد عملکرد کلزا با استفاده از تصاویر سنجنده سنتینل-2
Publish place: Journal of Agricultural Machinery، Vol: 11، Issue: 2
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 377
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JAM-11-2_024
تاریخ نمایه سازی: 6 دی 1399
Abstract:
سنجش از دور و به‌کارگیری تصاویر ماهواره‌ها به‌علت سرعت کار و گستردگی سطح پوشش بسیار مورد توجه قرار گرفته است. کلزا به‌دلیل گل‌های زرد آن دارای رنگ پوشش گیاهی متفاوتی با سایر محصولات است و تحقیقات کمی در زمینه ارزیابی شاخص‌های طیفی به‌منظور پیش‌بینی عملکرد آن انجام گردیده است. در سال زراعی 96-95 با هدف پیش‌بینی عملکرد کلزا ده شاخص طیفی سنجنده سنتینل-2، مورد ارزیابی قرار گرفت. این تحقیق به شکل پیکسل‌مبنا در سه مزرعه انجام شد و محدوده شبکه‌ای پیکسل‌های مزارع با کمک سیستم موقعیت‌یابی جهانی سینماتیک زمان واقعی (RTKGPS) تعیین گردید. در این تحقیق مدل‌های رگرسیونی خطی ساده و چند متغیره و نیز شبکه عصبی به‌کار رفت. نتایج نشان داد براساس مدل رگرسیون خطی ساده، بین مراحل مختلف رشد، بیشترین ضریب تبیین (R2) در هر یک از شاخص‌های گیاهی در یکی از دو مرحله اوج گل‌دهی و رسیدگی سبز رخ می‌دهد. براساس این مدل، در مرحله اوج گل‌دهی، شاخص تفاضل نرمال شده زردی (NDYI) با 73 درصد بیشترین ضریب تبیین را نسبت به سایر شاخص‌ها احراز کرد. با به‌کارگیری مدل رگرسیون خطی چند متغیره گام به گام با ورودی چهار باند، سه باند مرئی و باند مادون قرمز نزدیک، بهترین مدل در مرحله اوج گل‌دهی با ضریب تبیین 76 درصد و اعتبارسنجی 73 درصد با ریشه میانگین مربعات خطا (RMSE) به‌میزان 641/0 به‌دست آمد. همچنین با استفاده از مدل شبکه عصبی و ورود چهار باند مذکور نیز بهترین مدل در مرحله اوج گل‌دهی با ضریب تبیین 92 درصد (آموزش) و اعتبارسنجی (آزمون) 77 درصد با RMSE به‌میزان 612/0 احراز شد.
Keywords:
Authors
نعیم لویمی
دانشگاه تهران
اسداله اکرم
دانشگاه تهران
نیکروز باقری
موسسه تحقیقات فنی و مهندسی کشاورزی
علی حاجی احمد
دانشگاه تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :