آنالیز مقایسه ایی بازیابی شاخص سطح برگ با الگوریتم فرآیند گاوسی در جنگل شهرستان نکا با استفاده از داده های SENTINAL۲ abstract
گیاهان در کره زمین با جذب دی اکسید کربن و آب، اکسیژن و مواد عالی برای ادامه حیات را تولید میکنند. اهمیت گیاهان و تاثیر هریک از پارامتر/متغیرهای گیاهی در تنظیم جریانهای ماده و انرژی از طریق چرخه های آب، نیتروژن و کربن، در مطالعات مختلف مورد بررسی قرار گرفته است . ( Menenti et al., ۲۰۰۳, Sellers et al.,۱۹۹۷ ) در این بین مقدار کلروفیل برگ و
شاخص سطح برگ از جمله مهمترین پارامترهای بیوفیزیکی میباشند که میتوان به بازیابی و محاسبه آنها با استفاده از تصاویر ماهواره ای ی پرداخت تا بتوان به روابطی که بین گیاهان و محیط اطراف در حال رخ دادن است پی برد(.(Whittaker & Marks,۱۹۷۵ از این پارامترها در مرحله فنولوژیک گیاه برای بررسی وضعیت سلامت گیاهان و جنگلها استفاده می شود. این پارامترها به عنوان رابط بین اکوسیستم و جو و مشارکت در بسیاری از فرآیندها مانند برآورد زیست توده، محاسبه تبخیر و تعرق و ارزیابی تبادل انرژی گیاهان، نقش حیاتی و مهمی دارند(.(Baret & Buis,۲۰۰۸ تعاریف مختلفی از
شاخص سطح برگ ارائه شده و سادهترین این تعاریف عبارت است از نسبت مجموع مساحت یک طرف کل برگهای گیاه به سطح زمین(. (Bréda, ۲۰۰۳ در مطالعات کشاورزی نیز از
شاخص سطح برگ برای اندازهگیری تراکم گیاه استفاده میشود و این شاخص یک عامل مهم برای ارزیابی مراحل رشد گیاهان میباشد(. (Villa et al., ۲۰۱۴برای اندازهگیری و بازیابی این پارامتر/متغیرها با استفاده از تصاویر ماهواره ای ی باید از روش و مدلهایی استفاده شود که از دقت و کارایی و انعطاف پذیری بالایی برخوردار باشند. در بین این روشها، رویکرد تجربی آماری مانند روشهای مبتنی بر شاخصهای پوشش گیاهی، به طور گسترده استفاده میشوند ولی از مدل بدست آمده نمیتوان در تصویری دیگر استفاده شود. به نوعی یک روش محلی محسوب میشوند. بالعکس در رویکرد فیزیک پایه مانند معکوس سازی مدل انتقال تابش((RT، به پارامترها و اطلاعات بسیار زیادی برای ساخت مدل نیاز است، تا به دقت بالایی در بازیابی برسیم .(Verrelst et al., ۲۰۱۲) از این رو، با توجه به کاربردهای پایش گیاهان با مقیاس وسیع در سرتاسر جهان، روشهای مبنی بر شاخص گیاهی ممکن است بیش از حد ساده باشند. همچنین مدلهای فیزیکی برای ارائه نتایج دقیق، دشوار و زمانبر باشند (Baret &.Buis,۲۰۰۸)متناوبا، الگوریتمهای رگرسیون یادگیری ماشین، پتانسیل ایجاد روابط تطبیقی، قوی و زمانی را دارند و زمانی که مدل آموزش دید، بسیار سریع و دقیق عمل میکنند(.(Hastie et al., ۲۰۰۹ این روشها انعطاف پذیری بالایی دارند و به طور معمول قادر به مقابله با غیر خطی بودن بین پارامتر بیوفیزیکی (LAI) و باندهای تصویر (متغیر مستقل) هستند .(Verrelst et al., ۲۰۱۲)