برآورد زیست توده گندم زمستانه (Triticum aestivum L.) با استفاده از مدل های رگرسیون خطی چندگانه، شبکه عصبی مصنوعی و داده های سنجش از دور

سابقه و هدف: زیست توده ارتباط حیاتی بین مصرف انرژی خورشیدی و عملکرد گیاه را فراهم می کند، بنابراین برآورد صحیح آن برای پایش دقیق رشد محصول و پیش بینی عملکرد بسیار مهم است و به مدیران کشاورزی برای بهبود مدیریت زمین های زراعی کمک می کند. در چند دهه اخیر، سنجش از دور به عنوان ابزاری برای تخمین پارامترهای بیوفیزیکی گیاه به صورت گسترده مورد استفاده قرار گرفته است. توانایی فناوری سنجش از دور برای تخمین زیست توده گیاهی امید بخش، سریع، دوره ای و غیرمخرب است. بدین منظور، این تحقیق با هدف کاربرد فناوری سنجش از دور و مقایسه دو مدل آماری رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برای برآورد زیست توده گندم زمستانه در شهرستان شهرکرد، استان چهارمحال و بختیاری در سال ۱۳۹۶ انجام شد. مواد و روش ها: در این پژوهش به منظور برآورد زیست توده گیاه گندم به وسیله تصاویر ماهواره لندست ۸، هشت مزرعه زیر کشت گندم زمستانه با مساحت بین ۱۰ تا ۶۰ هکتار در سراسر شهرستان شهرکرد، در نظر گرفته شد. سپس موقعیت ۱۲۰ واحد نمونه-برداری به صورت تصادفی در مزارع مورد مطالعه توسط GPS تعیین گردید. واحدهای نمونه برداری به صورت مربع های ۳۰×۳۰ متری مطابق با پیکسل های لندست بود. هر یک از این واحدها، شامل ۵ پلات ۲۵/۰ مترمربعی در چهار گوشه و مرکز مربع می باشد. درطی فصل رشد در تاریخ های ۳۱ فروردین (۲۰ آوریل)، ۱ خرداد (۲۲ می)، ۲ تیر (۲۳ ژوئن) و ۳ مرداد (۲۵ ژولای) سال ۱۳۹۶ همزمان با عبور ماهواره لندست ۸ به مزارع مراجعه و نمونه برداری انجام گردید. جمع آوری داده های میدانی شامل زیست توده اندام هوایی و شمارش تعداد بوته ها در هر پلات بود. سپس نمونه ها به آزمایشگاه منتقل گردیده و آون خشک و وزن شدند. همزمان داده-های مربوط به سنجش از دور ماهواره لندست ۸ در این تاریخ ها به دست آمد و شاخص های گیاهی به کمک باندهای ماهواره ای محاسبه شد. در این بررسی زیست توده گندم با استفاده از ۲۵ شاخص گیاهی و دو روش رگرسیون خطی چند متغیره و شبکه عصبی مصنوعی (Artificial Neural Network, ANN) برآورد شد. مدل شبکه عصبی مصنوعی پرسپترون با چندلایه (پیش خور) طراحی شد و کارایی آن با نتایج مدل رگرسیون خطی چند متغیره مقایسه گردید. اعتبارسنجی و آزمون مدل ها و مقایسه نتایج این دو مدل با استفاده از آماره هایی نظیر ضریب تبیین (R۲)، شاخص جذر میانگین مربعات خطا (RMSE)، و میانگین خطا (ME) انجام گرفت. یافته ها: نتایج نشان داد که مدل شبکه عصبی مصنوعی با ۸۳/۰=R۲ و g/m۲ ۹۱/۵۳=RMSE برای داده های آموزش و ۸۵/۰=R۲ و g/m۲ ۷۴/۴۶=RMSE برای داده های آزمون و مدل رگرسیون خطی چند متغیره با ۷۸/۰=R۲ و g/m۲ ۶۸/۶۵=RMSE زیست توده را برآورد کرده اند. در روش رگرسیون خطی چند متغیره، شاخص های EVI، CIgreen، PSRI، CRI، VARI و GNDVI به ترتیب موثرترین شاخص در تخمین میزان زیست توده محصول بودند. شاخص های GI، SAVI، ARVI، CRI، EVI، NDWI، MSR و NDVI به ترتیب بیشترین حساسیت را در رابطه با زیست توده گندم در مدل شبکه عصبی مصنوعی داشتند. نتیجه گیری: یافته های پژوهش حاضر نشان داد که با بهره گیری از تصاویر ماهواره ای و توسعه مدل های آماری پارامتری و غیرپارامتری امکان برآورد زیست توده گندم زمستانه در منطقه مورد مطالعه وجود دارد. همچنین روش شبکه عصبی مصنوعی نسبت به روش رگرسیون خطی چندگانه صحت پیش بینی بهتری دارد و لذا استفاده از این روش به عنوان یک رهیافت مناسب در برآورد زیست توده گندم زمستانه پیشنهاد می شود.

Keywords:

زیست توده , سنجش از دور , شاخص گیاهی , شبکه عصبی مصنوعی , گندم