تحلیل و مدل سازی همبستگی بین LAI و شاخص های گیاهی حاصل از مشاهدات طیف سنجی
Publish place: Remote Sensing and Iran GIS، Vol: 7، Issue: 2
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 160
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-7-2_005
تاریخ نمایه سازی: 16 آبان 1400
Abstract:
بررسی خصوصیات انواع پوشش های گیاهی به عنوان یکی از پارامترهای موثر در تبادل انرژی بین جو و سطح زمین در مطالعات زیست محیطی، منابع طبیعی و کشاورزی اهمیت بسیاری دارد. امروزه فناوری سنجش از دور با ارائه اطلاعات طیفی گسترده و متنوع موجب تسهیل در مطالعه پوشش های گیاهی در سطح زمین و به ویژه تخمین پارامترهای بیوفیزیکی آنها شده است. یکی از مهم ترین پارامترهای فیزیکی به کار گرفته شده در تحلیل های مختلف مربوط به مطالعه پوشش های گیاهی، شاخص سطح برگ (LAI) است. در پژوهش حاضر ضمن تحلیل و مدل سازی ارتباط بین LAI و شاخص های گیاهی مختلف، با استفاده از مشاهدات طیف سنجی آزمایشگاهی، به بررسی محدودیت های مدل ریاضی موجود در برآورد LAI، ارائه راهکارهایی به منظور افزایش دقت و صحت نتایج این مدل و همچنین طراحی یک شاخص جدید پرداخته شده است. نتایج نشان دادند که از میان شاخص های گیاهی متداول، دو شاخص Simple Ratio و SAVI-۲ دارای کمترین RMSE (حدود ۰۸/۰ در واحد LAI) بوده و شدت اشباع شدگی مدلی که برازش داده اند از شاخص های دیگر کمتر است. دو شاخص مذکور کارایی بالاتری در تخمین LAI به ویژه در مناطق با تراکم پوشش گیاهی آنها زیاد، دارند و می توان با اطمینان بالایی در مدل سازی خطی برآورد LAI از آنها استفاده کرد.
Keywords:
Authors
علی اکبر آبکار
استادیار دانشگاه صنعتی خواجه نصیرالدین طوسی، دانشکده مهندسی نقشه برداری
علیرضا صفدری نژاد
دانشجوی دکتری سنجش از دور، دانشگاه صنعتی خواجه نصیرالدین طوسی
مجتبی زمانی
دانشجوی کارشناسی ارشد سنجش از دور، دانشگاه صنعتی خواجه نصیرالدین طوسی
سیدرضا صوف باف
دانشجوی دکتری سنجش از دور، دانشگاه صنعتی خواجه نصیرالدین طوسی
نبی اله غلامی بیدخانی
دانشجوی دکتری سنجش از دور، دانشگاه صنعتی خواجه نصیرالدین طوسی
امید غفاری
دانشجوی دکتری سنجش از دور، دانشگاه صنعتی خواجه نصیرالدین طوسی
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 :