ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

آنالیز مقایسهای بازیابی شاخص سطح برگ با استفاده از روشهای یادگیری ماشین مبتنی بر داده های ابرطیفی

آنالیز مقایسهای بازیابی شاخص سطح برگ با استفاده از روشهای یادگیری ماشین مبتنی بر داده های ابرطیفی
Year: 1399
COI: JR_GIS-12-3_004
Language: PersianView: 65
This Paper With 19 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 19 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

بهزاد محمدی شیخرضی - کارشناسی ارشد سنجش از دور و GIS، دانشگاه تربیت مدرس
محمد شریف ملا - کارشناسی ارشد سنجش از دور و GIS، دانشگاه تربیت مدرس
موسیوند علی جعفر - استادیار گروه سنجش از دور و GIS، دانشگاه تربیت مدرس
علی شمس الدینی - استادیار گروه سنجش از دور و GIS، دانشگاه تربیت مدرس

Abstract:

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 سازیهای گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روشهای گوناگونی برای بازیابی LAI از تصاویر ابرطیفی به کار رفته اند که، از میان آنها، روشهای 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 روشهای یادگیری ماشین در بازیابی مقادیر LAI در مقادیر حاشیهای (مقادیر خارج از دامنه نمونهگیری 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 اندازهگیری شده زمینی با RMSE بهتر از ۰.۵ و خطای نسبی کمتر از ۱۰%، روشهای فرایند گاوسی و رگرسیون بردار پشتیبان صحت بالاتری در مقایسه با سایر روشها دارند. باوجوداین، عملکرد روش شبکه عصبی مصنوعی، در تخمین LAIهای دارای مقادیر حاشیهای، بهتر از دیگر روشهاست و نقشه تهیه شده با این روش و تابع یادگیری GDA  تطابق بیشتری با نقشه NDVI و تصویر ابرطیفی منطقه دارد.

Keywords:

بازیابی پارامتر , شاخص سطح برگ , داده ابرطیفی , روشهای ناپارامتریک یادگیری ماشین , کریس پروبا

Paper COI Code

This Paper COI Code is JR_GIS-12-3_004. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1269316/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
محمدی شیخرضی، بهزاد و شریف ملا، محمد و علی جعفر، موسیوند و شمس الدینی، علی،1399،آنالیز مقایسهای بازیابی شاخص سطح برگ با استفاده از روشهای یادگیری ماشین مبتنی بر داده های ابرطیفی،https://civilica.com/doc/1269316

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 :

  • Asner, G.P., ۱۹۹۸, Biophysical and Biochemical Sources of Variability in ...
  • Atkinson, P.M. & Tatnall, A.R., ۱۹۹۷, Introduction Neural Networks in ...
  • Baptista, F.D., Rodrigues, S. & Morgado-Dias, F., ۲۰۱۳, Performance Comparison ...
  • Baret, F. & Buis, S., ۲۰۰۸, Estimating Canopy Characteristics from ...
  • Extrapolation۲. Adaptability۳. Vegetation Properties MappingBaret, F., Hagolle, O., Geiger, B., ...
  • Belgiu, M. & Drăguţ, L., ۲۰۱۶, Random Forest in Remote ...
  • Breiman, L., ۲۰۰۱, Random Forests, Machine learning, ۴۵(۱), PP. ۵-۳۲ ...
  • Camps-Valls, G., ۲۰۰۹, Machine Learning in Remote Sensing Data Processing, ...
  • Camps-Vails, G., Gómez-Chova, L., Muñoz-Mari, J., Vila-Francés, J., Amoros, J., ...
  • Camps-Valls, G., Verrelst, J., Munoz-Mari, J., Laparra, V., Mateo-Jimenez, F. ...
  • Cherkassky, V. & Ma, Y., ۲۰۰۴, Practical Selection of SVM ...
  • Clevers, J., ۲۰۱۴, Beyond NDVI: Extraction of Biophysical Variables from ...
  • Darvishzadeh, R., ۲۰۰۸, Hyperspectral Remote Sensing of Vegetation Parameters Using ...
  • Demuth, H. & Beale, M., ۱۹۹۸, User’s Guide for Neural ...
  • Durbha, S.S., King, R.L. & Younan, N.H., ۲۰۰۷, Support Vector ...
  • Duveiller, G., Weiss, M., Baret, F. & Defourny, P., ۲۰۱۱, ...
  • Erästö, P., ۲۰۰۱, Support Vector Machines-Backgrounds and Practice ...
  • Fawagreh, K., Gaber, M.M. & Elyan, E., ۲۰۱۴, Random Forests: ...
  • Hagan, M.T., Demuth, H.B., Beale, M.H. & De Jesús, O., ...
  • Kimes, D.S., Knyazikhin, Y., Privette, J., Abuelgasim, A. & Gao, ...
  • Kumar, P., Gupta, D.K., Mishra, V.N. & Prasad, R., ۲۰۱۵, ...
  • Kuss, M. & Rasmussen, C.E., ۲۰۰۵, Assessing Approximate Inference for ...
  • Lawrence, N., ۲۰۰۵, Probabilistic Non-Linear Principal Component Analysis with Gaussian ...
  • LeCun, Y., Touresky, D., Hinton, G. & Sejnowski, T., ۱۹۸۸, ...
  • Menenti, M., Rast, M., Baret, F., van den Hurk, B., ...
  • Meroni, M., Colombo, R. & Panigada, C., ۲۰۰۴, Inversion of ...
  • Moreno, J.F., Baret, F., Leroy, M., Menenti, M., Rast, M. ...
  • Mousivand, A., ۲۰۱۵, Retrieval of Vegetation Properties Using Top of ...
  • Mousivand, A., Menenti, M., Gorte, B. & Verhoef, W., ۲۰۱۴, ...
  • Mutanga, O., Adam, E. & Cho, M.A., ۲۰۱۲, High Density ...
  • O'Hagan, A., ۱۹۷۸, Curve Fitting and Optimal Design for Prediction, ...
  • Pham, T.D., Yoshino, K. & Bui, D.T., ۲۰۱۷, Biomass Estimation ...
  • Rivera-Caicedo, J.P., Verrelst, J., Muñoz-Marí, J., Camps-Valls, G. & Moreno, ...
  • Rumelhart, D.E., Hinton, G.E. & McClelland, J.L., ۱۹۸۶, A General ...
  • Sellers, P., Dickinson, R., Randall, D., Betts, A., Hall, F., ...
  • Smola, A.J. & Schölkopf, B., ۱۹۹۸, On a Kernel-Based Method ...
  • Smola, A.J. & Schölkopf, B., ۲۰۰۴, A Tutorial on Support ...
  • Vapnik, V., ۲۰۱۳, TheNature of Statistical Learning Theory, Springer Science ...
  • Verger, A., Baret, F. & Camacho, F., ۲۰۱۱, Optimal Modalities ...
  • Verrelst, J., Alonso, L., Camps-Valls, G., Delegido, J. & Moreno, ...
  • Verrelst, J., Malenovský, Z., Van der Tol, C., Camps-Valls, G., ...
  • Verrelst, J., Rivera, J.P., Gitelson, A., Delegido, J., Moreno, J. ...
  • Verrelst, J., Rivera, J.P., Veroustraete, F., Muñoz-Marí, J., Clevers, J.G., ...
  • Verstraete, M.M., Pinty, B. & Myneni, R.B., ۱۹۹۶, Potential and ...
  • Wang, F., Huang, J., Wang, Y., Liu, Z., Peng, D. ...
  • Watson, D.J., ۱۹۴۷, Comparative Physiological Studies on the Growth of ...
  • Weiss, M., Baret, F., Smith, G., Jonckheere, I. & Coppin, ...
  • Williams, C.K. & Rasmussen, C.E., ۱۹۹۶, Gaussian Processes for Regression, ...
  • Williams, C.K. & Rasmussen, C.E., ۲۰۰۶, Gaussian Processesfor Machine Learning ...
  • Yi, G., Shi, J. & Choi, T., ۲۰۱۱, Penalized Gaussian ...
  • Yu, X., Hyyppä, J., Vastaranta, M., Holopainen, M. & Viitala, ...
  • Yuan, H., Yang, G., Li, C., Wang, Y., Liu, J., ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Scientometrics

    The specifications of the publisher center of this Paper are as follows:
    Type of center: دانشگاه دولتی
    Paper count: 34,293
    In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support