خلاصه

شاخص سطح برگ (LAI) یک شاخص بیوفیزیکی حیاتی برای ارزیابی و پایش ساختار و عملکرد اکوسیستم‌های جنگلی است. بهبود در ویژگی‌های ابزار سنجش از دور و در دسترس بودن الگوریتم‌های آماری کارآمدتر، پتانسیل مدل‌های دقیق‌تر خواص بیوفیزیکی گیاهی از جمله LAI را افزایش می‌دهد. هدف از این مطالعه ارزیابی اطلاعات طیفی تصاویر ماهواره ای Sentinel-2 MSI برای بازیابی LAI بر روی یک اکوسیستم جنگلی مختلط واقع در شمال غربی یونان بود. چهل و هشت قطعه صحرایی برای جمع‌آوری اندازه‌گیری‌های سطح سطح زمین با استفاده از ACCUPAR LP-80: PAR & LAI Ceptometer بازدید شد. باندهای طیفی و شاخص های طیفی برای توسعه مدل LAI با استفاده از الگوریتم رگرسیون فرآیندهای گاوسی (GPR) استفاده شدند. یک روش انتخاب متغیر برای بهبود دقت پیش‌بینی مدل اعمال شد و اهمیت متغیر برای شناسایی آموزنده‌ترین متغیرها بررسی شد. مدل حاصل از انتخاب متغیرهای شاخص‌های طیفی دقیق‌ترین پیش‌بینی LAI را با ضریب تعیین 0.854 تولید کرد. باندهای مادون قرمز موج کوتاه و شاخص تاج پوشش نرمال شده (NCI) به عنوان مهمترین ویژگی برای پیش بینی LAI شناسایی شدند.

کلید واژه ها:

یادگیری ماشینی ؛ چند طیفی ; اهمیت متغیر ؛ نظارت بر جنگل

 

چکیده گرافیکی

1. معرفی

شاخص سطح برگ (LAI)، که معمولاً به عنوان مقدار سطح برگ (m2) در یک تاج پوشش در واحد سطح زمین (m2) تعریف می شود [ 1 ، 2 ] ، یک شاخص بیوفیزیکی حیاتی است که به عنوان یک متغیر آب و هوایی ضروری (ECV) شناخته می شود . ). LAI در ارزیابی وضعیت و عملکرد اکوسیستم زمین و همچنین مشاهده ویژگی های مختلف اکوسیستم های جهانی کاربرد دارد [ 3 ]. همچنین می توان از آن برای ارزیابی ظرفیت فتوسنتزی پوشش گیاهی به عنوان تابعی از سطح برگ موجود استفاده کرد [ 4]]. مقدار کل سطح برگ یک پارامتر مهم پوشش گیاهی است که می تواند برای مدل سازی و تعیین کمیت نقش پوشش گیاهی در بسیاری از فرآیندهای سطح زمین، مانند بهره وری اولیه، رهگیری بارندگی، و شار کربن استفاده شود [5 ] . بنابراین، LAI می تواند به عنوان ابزاری برای تطبیق و اجرای شیوه های مدیریت جنگل پایدارتر استفاده شود [ 6 ].
اندازه‌گیری‌های میدانی مستقیم مانند نمونه‌گیری تماس نقطه‌ای، تله‌های ریزش زباله یا نمونه‌برداری مخرب (برداشت منطقه) دقیق‌ترین رویکرد برای تخمین شاخص سطح برگ در نظر گرفته می‌شوند. با این حال، این فرآیندها کار فشرده هستند و اغلب توسط دسترسی به سایت، عوامل لجستیکی، مرتبط با کارکنان و عوامل مالی محدود می شوند [ 7 ]. تکنیک‌های مبتنی بر میدان غیرمستقیم و غیرمخرب مانند ربع نقطه غیرمستقیم، تجزیه و تحلیل کسر شکاف تاج‌دار و آلومتریک از طریق حسگرهای زمینی بهبود یافته، و بازدهی هزینه‌ای را در رویکرد سنتی درجا افزایش داده است. با این حال، اندازه‌گیری‌های زمینی نمی‌توانند اطلاعات LAI را در مناطق بزرگ و دوره‌های زمانی طولانی فراهم کنند [ 8 ].
در حال حاضر، سنسورهای هوابرد و ماهواره، غیرفعال و فعال برای بازیابی سریع و صریح فضایی LAI استفاده می‌شوند [ 9 ]. حسگرهای ماهواره ای با تکیه بر ویژگی های طیفی خاص برگ های سبز (یعنی جذب قوی در مرئی و بازتاب زیاد در مادون قرمز نزدیک) در مقایسه با سایر مواد سطح زمین، به پتانسیل بازیابی مقادیر LAI از مقیاس های محلی تا جهانی کمک می کنند [5 ] .
در حال حاضر، روش‌های تخمین LAI مبتنی بر سنجش از دور نوری شامل توسعه روابط تجربی بین LAI و اطلاعات طیفی/مکانی، مدل‌سازی بیوفیزیکی (وارونگی مدل‌های انتقال تشعشعی شبیه‌سازی بازتاب تاج پوشش)، و روش‌های وارونگی ترکیبی [10، 11 ] است . رویکردهای تجربی (مدل‌های پارامتری یا ناپارامتریک) بر روی ارتباط بین بافت یا ویژگی‌های طیفی و مقادیر LAI میدانی که بر روی نمودارهای نمونه تعریف شده‌اند، تنظیم می‌شوند. در رویکرد دوم (یعنی مدلسازی بیوفیزیکی)، شاخص سطح برگ از طریق یک مدل فیزیکی معکوس با استفاده از بازتاب طیفی به عنوان متغیر ورودی و LAI به عنوان خروجی مدل برآورد می‌شود. در نهایت، رویکرد وارونگی ترکیبی مدل‌های آماری و فیزیکی را ادغام می‌کند [ 12 ،13 ]. در مقایسه با مدل‌های آماری، دو رویکرد آخر دقیق‌تر در نظر گرفته می‌شوند و به خوبی در سطح وسیع‌تری تعمیم می‌یابند، با این حال، آنها زمان و داده‌های بیشتری را در طول مرحله آموزش می‌طلبند [14 ، 15 ] .
متداول ترین رویکرد برای تخمین LAI از طریق داده های سنجش از دور بر استفاده از شاخص های پوشش گیاهی طیفی متکی است و این یک رویکرد نسبتا ساده و محاسباتی کارآمد است [ 11 ، 15 ، 16 ]. شاخص‌های پوشش گیاهی به عنوان شاخص‌های پراکسی بازتاب سطح پوشش گیاهی عمل می‌کنند که می‌توانند به منظور کاهش ابعاد و افزونگی اطلاعات طیفی، و همچنین متغیرهای مخدوش‌کننده مانند روشنایی صحنه، پس‌زمینه خاک، توپوگرافی یا اثرات جوی مورد استفاده قرار گیرند [5 ، 17 ] . با این وجود، روابط آماری بین LAI سنجش از دور و شاخص‌های طیفی وابسته به اکوسیستم هستند و معمولاً به خوبی در اکوسیستم‌های مختلف تعمیم نمی‌یابند.16 ، 18 ].
تا همین اواخر، تصاویر Landsat به دلیل وضوح فضایی، پوشش وسیع منطقه و در دسترس بودن رایگان از پایان سال 2008، رایج ترین منبع اطلاعات برای LAI بود [ 11 ]. پرتاب Sentinel-2A در سال 2015، ارائه زمان بازبینی بالا و تصاویری با وضوح فضایی تا 10 متر، همچنین بدون هزینه، دقت تجزیه و تحلیل پارامترهای بیوفیزیکی مانند LAI را افزایش داد که به دلیل فضایی/طیفی بالاتر آن پیش بینی شده است. وضوح و فرکانس بازدید مجدد بالاتر [ 4]. به طور خاص، Sentinel-2، جدا از شش باند قابل مقایسه با Landsat-8، سه باند در قسمت لبه قرمز طیف ارائه می‌کند که در 705، 740 و 783 نانومتر دیده می‌شوند. این نوارهای اضافی که در لبه تیز بین حداکثر جذب قرمز و بازتاب نزدیک به فروسرخ قرار دارند، به بازتاب تاج پوشش که ناشی از پراکندگی چندگانه در بین لایه‌های برگ است، پاسخ می‌دهند [ 5 ، 15 ]. علاوه بر این، اطلاعات طیفی از ناحیه لبه قرمز طیف کمتر تحت تأثیر ویژگی‌های بیوفیزیکی مانند ساختار تاج پوشش و خواص طیفی برگ، تابش زاویه اوج خورشیدی و سایر اثرات جوی قرار می‌گیرد [19 ]]. با این حال، بهبود بازیابی LAI از طریق بهره‌برداری از اطلاعات طیفی موجود در موقعیت لبه قرمز طیف بازتابی هنوز برای تحقیق باز است، زیرا چندین مطالعه نتایج بحث‌انگیز ارائه کردند [5 ، 15 ] .
همراه با پیشرفت در ویژگی‌های حسگر، رویکردهای جدیدی برای توسعه مدل آماری معرفی شده‌اند که چارچوبی قوی‌تر برای مدل‌سازی دینامیک پیچیده ارائه می‌دهد. اکثر مطالعاتی که مدل‌های پیش‌بینی LAI را در محیط‌های جنگلی توسعه می‌دهند، بر استفاده از مدل‌های مبتنی بر رگرسیون ساده و چندگانه (یعنی خطی، لگ خطی یا نمایی) تکیه دارند [5 ، 11 ] . با این حال، روش‌های رگرسیون مرسوم ممکن است برای پیش‌بینی‌کننده‌های مستقل متعدد، مانند شاخص‌های چندگانه پوشش گیاهی [ 12 ]، به دلیل ضعف آن در مدیریت روابط غیرخطی با ابعاد بالا، محدودیت‌های چند خطی، و نیاز توزیع نرمال کافی نباشد [ 20] .]، نیاز به رویکردهای مدل سازی پیشرفته را افزایش می دهد.
روش‌های آماری یادگیری ماشین شامل مدل‌های غیرخطی و خطی، غیر پارامتری مانند رگرسیون بردار پشتیبان (SVR) [ 20 ، 21 ، 22 ]، شبکه‌های عصبی (NN) [ 20 ، 23 ، 24 ]، رگرسیون حداقل مربعات جزئی (PLSR) [ 23 ، 25 ]، جنگل تصادفی (RF) [ 22 ، 26 ، 27 ]، و رگرسیون فرآیند گاوسی (GPR) [ 27 ، 28 ، 29 ] جایگزین های مدل سازی هستند که برای ساخت مدل های پیش بینی LAI [ 30] استفاده شده اند.] با پارامترهای مشخصه با ابعاد بالا [ 12 ].
مایر و همکاران [ 5 ] با استفاده از داده‌های Landsat-8 و Sentinel-2، مدل‌های رگرسیون خطی ساده و چندگانه را برای تخمین LAI در یک جنگل معتدل در جنوب شرقی آلمان توسعه داد. اومنر و همکاران [ 20 ] مدل های رگرسیون SVM و NN را برای بازیابی LAI گونه های درختان در معرض خطر در آفریقای جنوبی با استفاده از تصاویر WorldView مقایسه کردند. رگرسیون SVM نیز توسط دوربا و همکاران به کار گرفته شد. [ 21 ] برای برآورد LAI از طیف‌سنجی تصویربرداری چند زاویه‌ای در یک منطقه کشاورزی در فرانسه. وانگ و همکاران [ 22 ] با استفاده از داده‌های Sentinel-1، Sentinel-2 و Landsat در مدل‌های SVM و RF، شاخص سطح برگ علفزار را در اوکلاهما، ایالات متحده تخمین زد. Cohrs و همکاران [ 16] از طبقه بندی SVM برای بهبود مدل های خطی داده های LAI-2200C و اطلاعات طیفی Sentinel-2 در مزرعه کاج استفاده کرد. کیال و همکاران [ 25 ] از الگوریتم PLSR برای پیش‌بینی شاخص سطح برگ در یک منطقه علفزار، با استفاده از داده‌های فراطیفی استفاده کرد. هوبورگ و همکاران [ 26 ] شاخص سطح برگ را در یک منطقه کشاورزی ارزیابی کرد و یک مدل ترکیبی را بر اساس الگوریتم‌های رگرسیون درخت تصمیم پیشنهاد کرد. کامپوس تابرنر و همکاران [ 27 ] بازیابی شاخص سطح برگ محصولات را با استفاده از مدل GRP و PROSAIL با داده های ماهواره ای Landsat و SPOT5 مورد بررسی قرار داد. ورلست و همکاران [ 28 ] با استفاده از مجموعه داده فراطیفی میدانی در منطقه کشاورزی، مدل‌های GRP را برای برآورد LAI توسعه داد. ورلست و همکاران [ 29] طیف وسیعی از روش‌های بازیابی پارامتری، ناپارامتریک و فیزیکی را برای تخمین شاخص سطح برگ در انواع مختلف محصول با استفاده از تصاویر Sentinel-2 آزمایش کرد.
با این وجود، ارزیابی رویکردهای آماری رگرسیون یادگیری ماشینی برای بهبود همبستگی بین LAI و بازتاب طیفی در مناطق جنگلی هنوز یک چالش باز است [ 16 ]، زیرا مطالعات در زیست‌های مختلف انجام شده است، الگوریتم‌های انتخاب شده در هر بیوم پیکربندی می‌شوند، و غیره اندازه گیری مستقیم LAI تحت تأثیر ساختار تاج پوشش [ 2 ] است. با بهترین دانش ما، همبستگی مقادیر LAI در محل جنگل مختلط با مقادیر طیفی تولید شده توسط تصاویر Sentinel-2، با استفاده از الگوریتم GPR، در محیط مدیترانه در حال بررسی است.
به طور خاص، فرآیندهای گاوسی در علم زمین و حوزه سنجش از دور محبوب شده اند [ 31 ، 32 ] و نتایج دلگرم کننده ای را در برآورد متغیرهای بیوفیزیکی ارائه می دهند [ 27 ، 28 ، 29 ، 31 ]. یافته های چندین مطالعه از مزایای GRP مانند پایداری مدل و کارایی محاسبات پشتیبانی می کنند [ 33 ، 34 ]. مطالعات تطبیقی ​​که در آن روش‌های آماری برای پیش‌بینی LAI مورد ارزیابی قرار گرفتند [ 29]، کارایی GPR را در زمان پردازش و همچنین در دقت عملکرد نشان می دهد. علاوه بر این، تکنیک GP بینشی در مدل ارزیابی ارتباط متغیرها با توجه به تعیین ارتباط خودکار (ARD) ارائه می‌کند و سهم نسبی پیش‌بینی‌کننده‌های مختلف را در توسعه مدل نشان می‌دهد [35 ] . با توجه به مزایای آن برای پیش بینی پارامترهای بیوفیزیکی، به نظر می رسد GRP اولین انتخاب برای کشف اطلاعات طیفی برای تخمین LAI باشد.
در این چارچوب، هدف این مطالعه بررسی کاربرد تصاویر نوری Sentinel-2 برای بازیابی LAI در یک اکوسیستم جنگلی ناهمگن در منطقه مدیترانه، از طریق روابط آماری تجربی ساخته شده بر اساس یک الگوریتم یادگیری ماشین GPR بود. اهداف ویژه ارزیابی هر دو مدل باندهای اصلی و شاخص های طیفی برای پیش بینی LAI و تقویت مدل های LAI با استفاده از رویکرد انتخاب متغیر و شناسایی آموزنده ترین ویژگی های طیفی بود.

2. مواد و روشها

2.1. منطقه مطالعه

اکوسیستم جنگلی تحت بررسی پارک ملی پیندوس شمالی است که یکی از بزرگترین مناطق خشکی حفاظت شده یونان است. این پارک در شمال غربی یونان واقع شده است و مساحت کل آن 1969 کیلومتر مربع است. این منطقه دارای آب و هوای کوهستانی است که از نظر جنبه و ارتفاع متفاوت است. میزان بارندگی سالانه بین 1000 تا 1800 میلی متر و میانگین دمای ماهانه از 0.9 تا 21.4 سانتیگراد متغیر است.
پارک ملی پیندوس شمالی دارای تنوع برجسته ای از گیاهان و جانوران است و جنگل ها چشم انداز زیبایی شناسی منحصر به فردی را پوشش می دهند. ارتفاعات پایین و میانی توسط بلوط ( Q. macedonica، Q. cerris، Q. pubescens، Quercus frainetto )، و دیگر توده‌های مخلوط یا خالص گونه‌های درختان برگریز ( Ostrya carpinifolia، Carpinus orientalis، Carpinus betulus، Fraxinus ornus ) پوشیده شده است . در ارتفاعات بالاتر، دو درخت مخروطی Pinus nigra و Abies borissii regis یافت می شود. تا ارتفاع 1800 متری، جنگل راش ( Fagus sylvatica ) در دامنه های شمالی و کاج بوسنیایی ( Pinus leucodermis) گسترش یافته است.) لبه دامنه کوه را می پوشاند. در بالای 1800 متر، علفزارهای زیر آلپ به قله ها می رسند و اغلب با کاج های بالکان ( Pinus peuce ) پر شده اند. در علفزارهای بی درخت آلپ، فقط انواع خاصی از اسکاب ها یافت می شود.

2.2. داده های میدانی

داده‌های صحرایی در طول آگوست 2018 جمع‌آوری شد. مجموعه داده‌های زمینی توسط 48 واحد نمونه‌برداری ابتدایی (ESU) تشکیل شد ( شکل 1 )، که در آن پارامترهای بیوفیزیکی اندازه‌گیری شدند. هر ESU اندازه ای برابر با اندازه پیکسل (20 × 20 متر) دارد و در بین انواع جنگل های مختلف قرار داشت.
اندازه‌گیری‌های سایبان با یک تابش سنج فعال فتوسنتزی قابل حمل ACCUPAR LP-80: PAR & LAI Ceptometer انجام شد. AccuPAR LP-80، که اندازه گیری LAI غیر مخرب را تسهیل می کند، از یک آرایه خطی از 80 حسگر مستقل تشعشع فعال فتوسنتزی (PAR) تشکیل شده است. اندازه‌گیری‌های میدانی غیرمستقیم با سپتومتر LP-80 AccuPAR مقدار انرژی نوری منتقل‌شده توسط تاج گیاه را در نظر می‌گیرند و LAI را با استفاده از یک نسخه ساده‌شده از مدل انتقال و پراکندگی تابش نورمن-جارویس محاسبه می‌کنند [36 ]]. در هر ESU، ما اندازه‌گیری‌های سایبان بالا را در میدان باز نزدیک، بدون سایه جمع‌آوری کردیم، به دنبال آن شش حسگر جداگانه زیر سایه‌بان، که برای به دست آوردن میانگین آماری هر ESU استفاده شد. میانگین شاخص شاخص سطح برگ برای گونه های پهن برگ و سوزنی برگ به ترتیب 01/5 و 89/1 بود.

2.3. اکتساب و پیش پردازش داده های سنجش از دور

داده‌های سنجش از راه دور به کار گرفته شده در این مطالعه شامل یک تصویر بازتابی پایین‌تر از جو (BoA) تصحیح‌شده هندسی و جوی و تصویر بدون ابر Sentinel-2 MSI (Level-2A) است که در 25 اوت 2018 به‌دست آمد. تصاویر نگهبان در دسترس بود. برای دانلود بدون هزینه از طریق وب سایت Sentinels Scientific Data Hub ( https://scihub.copernicus.eu/ ).
برای تجزیه و تحلیل، ما 10 باند از 13 باند طیفی اصلی تصویر را حفظ کردیم (باندهای وضوح فضایی 60 متر حذف شدند)، که طیف بازتابی مادون قرمز موج کوتاه (SWIR) را پوشش می‌دهد. باندهای 10 متری به 20 متر نمونه برداری شدند تا با اندازه ESU سازگار باشند. در نهایت، سه شاخص پوشش گیاهی: شاخص گیاهی تفاوت نرمال شده (NDVI) [ 37 ]، شاخص غیر خطی (NLI) [ 38 ]، و شاخص تاج پوشش نرمال شده (NCI) [ 39 ]، و همچنین همتایان اصلاح شده آنها با در نظر گرفتن قرمز- مناطق لبه و نزدیک به مادون قرمز طیف [ 40 ، 41 ]، برای ایجاد مجموعه ویژگی دوم تخمین زده شد. در مجموعه داده دوم، ویژگی‌های کلاهک منگوله‌ای (TCFs) را نیز گنجانده‌ایم [42 ] بر اساس باندهای طیفی اصلی محاسبه شده است ( جدول 1 ).

2.4. تحلیل آماری

در مطالعه حاضر، یک فرآیند گاوسی که به صورت پارامتریک برای مسائل رگرسیون مشخص شده است، برای تعیین ارتباط بین اندازه‌گیری‌های بیوفیزیکی میدان LAI و داده‌های طیفی انجام شد. فرآیند گاوسی یک الگوریتم ناپارامتریک بیزی است که می تواند به عنوان تعمیم یک توزیع احتمال گاوسی (عادی) [ 43 ] گسترش یافته به ابعاد نامحدود [ 44 ] در نظر گرفته شود. برخلاف سایر الگوریتم‌های رگرسیون، الگوریتم GPR یک تابع میانگین شرطی را تعریف نمی‌کند، بلکه یک کوواریانس مناسب بین مشاهدات را تشخیص می‌دهد [ 45] .]. GPR از یک رویکرد روش هسته تشکیل شده است که می تواند مزایای بیشتری مانند اطلاعات آماری شرطی برای متغیر پیش بینی شده ارائه دهد. این دانش استخراج شده امکان تفسیرپذیری و همچنین انعطاف پذیری مدل های GPR را فراهم می کند.

الگوریتم GPR همانطور که در بسته kernlab [ 46 ] در نرم افزار محیط R [ 47 ] پیاده سازی شد، استفاده شد. برای ارزیابی کیفیت مدل، اعتبارسنجی متقاطع 10 برابری بر روی داده های آموزشی انجام شد. ضریب تعیین (R 2 ) و ریشه میانگین مربعات خطا (RMSE) برای دسترسی به دقت مدل ها محاسبه شد. به طور کلی، هر چه مقادیر R 2 بالاتر و RMSE کمتر باشد، مدل دقیق تر است. فرمول RMSE:

آرماسE=1n∑من=1n(Yمن^-Yمن)2

که در آن n تعداد پیش بینی ها را نشان می دهد، Y^منپیش بینی تولید شده برای مشاهده i است و Y مقادیر مشاهده شده را نشان می دهد که ورودی معادله هستند.

در ابتدا، دو مدل GPR (باندهای طیفی و شاخص های طیفی) با استفاده از مجموعه کامل متغیرها توسعه یافتند. در مرحله بعد، اهمیت پیش‌بینی‌کننده‌های فردی با استفاده از تحلیل اهمیت جایگشت برآورد شد. روش اهمیت جایگشت تغییر در عملکرد مدل را قبل و بعد از جابجایی مقادیر هر متغیر نشان می‌دهد و این را با پیش‌بینی‌های انجام شده در مجموعه داده کامل مقایسه می‌کند [ 48 ]. با استفاده از تکنیک انتخاب حذف به عقب [ 49 ] و حذف تدریجی متغیرهایی که کمترین سهم را دارند، مجموعه ای کافی از ویژگی ها را به عنوان ورودی برای مدل های جدید ایجاد کردیم.
پس از آن، حداقل زیرمجموعه پیش‌بینی‌کننده‌ها که کمترین RMSE و بهترین ضریب تعیین (R2) را برای مدل LAI تولید می‌کنند، انتخاب شدند. فرآیند تجزیه و تحلیل اهمیت جایگشت در نرم افزار محیط R (R Development Core Team، 2014) با استفاده از بسته ‘mlr’ [ 48 ] اعمال شد .

3. نتایج

دو مدل GRP برای پیش‌بینی LAI با در نظر گرفتن ده باند طیفی اصلی و مجموعه کامل شاخص‌های طیفی ساخته شد ( جدول 1 ). دقت مدل شاخص های طیفی کمی بهتر بود (R2 = 0.825 RMSE = 1.415) از مدل باندهای طیفی (R2 = 0.811 RMSE = 1.646) ( شکل 2 ).
در مرحله بعدی تجزیه و تحلیل، متغیرهای فردی را با توجه به اهمیت آنها در عملکرد پیش‌بینی مدل رتبه‌بندی کردیم. شکل 3 رتبه بندی اهمیت جایگشت را برای باندهای طیفی و برای 16 شاخص طیفی نشان می دهد.
مهمترین متغیرها در مدل باندهای طیفی SWIR (B11 و B12) و باند باریک مادون قرمز نزدیک (NIR n1 -B8A) بودند. مهمترین متغیرهای موجود در مدل شاخص های طیفی NCI، رطوبت (WET) و شاخص NDVI اصلاح شده بر اساس نوارهای لبه قرمز B5 و B6 (NDVI_RE 1 و NDVI_RE 2 ) بودند.
شکل 4 نتایج را پس از حذف معکوس و فرآیند انتخاب متغیر نشان می دهد. بالاترین عملکرد برای مدل باندهای طیفی با استفاده از هفت باند طیفی (R2 = 0.824 RMSE = 1.628) به دست آمد . روش انتخاب متغیر مدل شاخص های طیفی را ساده کرد. مدل شاخص های طیفی با استفاده از پنج متغیر ورودی (NCI 2 , NCI 1 , WET , NDVI_RE 1 , NDVI_RE 2 ) به بالاترین دقت (R2 = 0.854 و RMSE = 1.234 ) رسید.
در نهایت، ما نقشه های LAI ( شکل 5 ) را بر اساس بهترین مدل های توسعه یافته با در نظر گرفتن باندهای طیفی و مدل شاخص های طیفی تولید کردیم.

4. بحث

این مطالعه کاربرد اطلاعات طیفی Sentinel-2 را برای تخمین LAI در پارک ملی پیندوس شمالی در یونان، با استفاده از یک الگوریتم GPR بررسی کرد. همانطور که مطالعات قبلی [ 29 ، 50] همچنین نشان داده‌اند، تکنیک GPR دقت رضایت‌بخشی از تخمین‌های LAI را فراهم می‌کند و به طور موثر یک مجموعه داده چند بعدی را مدیریت می‌کند. علاوه بر این، مدل‌های GPR تولید شده از طریق اعتبارسنجی متقابل 10 برابری بر روی داده‌های آموزشی، مرتبط‌ترین متغیرها را به LAI به ترتیب رتبه‌بندی نشان می‌دهند که بینشی در رابطه مقادیر شاخص سطح برگ با پاسخ طیفی پوشش گیاهی ارائه می‌کند. فهرست رتبه‌بندی توسعه‌یافته و فرآیند حذف به عقب، هرس کردن متغیرهای امیدوارکننده، توسعه مدل کمتر پیچیده و محاسباتی سبک‌تر با متغیرهای مستقل کمتر را تسهیل کرد. و دقت کمی بهبود یافته است.
مدل GPR بر اساس مجموعه داده کامل اصلی شاخص های طیفی، عملکرد کمی بهتر از مدل توسعه یافته بر روی باندهای طیفی نشان داده است. همین الگو پس از روش انتخاب متغیر نیز توسط مدل ها ارائه شد. مدل‌های شاخص طیفی، با استفاده از پنج شاخص طیفی (NDVI، NLI، WET و اصلاح‌شده NLI_RE 1 ، NLI_RE2 ) اندکی از بهترین مدل باندهای طیفی هفت باند طیفی بهتر عمل کردند. در کورهونن و همکاران. [ 51 ] مطالعه، مدل‌های شاخص دقت پیش‌بینی کمتر اما کافی را در مقایسه با مدل‌های باند فردی برای ارزیابی متغیرهای بیوفیزیکی نشان می‌دهند. در Verrelst و همکاران [ 33در مطالعه ای که در آن تصاویر ماهواره ای فراطیفی کریس استفاده شد، مدل فرآیند گاوسی از چهار یا چند باند خوب انتخاب شده از شاخص های پوشش گیاهی برای ارزیابی پارامترهای بیوفیزیکی پوشش گیاهی بهتر عمل کرد. با این حال، اندازه‌گیری مقادیر LAI در این مطالعات قبلی به بیوم‌های مختلفی اشاره داشت که بر رابطه با پاسخ طیفی تأثیر می‌گذارند. همچنین لازم به ذکر است که حتی اگر چندین مطالعه رابطه بین داده‌های رصد زمین با LAI را بررسی کرده‌اند، این واقعیت که تکنیک‌ها و روش‌های مختلفی برای اندازه‌گیری LAI در این زمینه به کار گرفته شده است، ممکن است آنها را با یکدیگر قابل مقایسه نباشد.
بر اساس ترتیب رتبه اهمیت باندهای طیفی، باندهای SWIR (B11 و B12)، NIR n2 (B8A) و NIR (B8) برای ارزیابی LAI مناسب‌تر بودند. مطالعات قبلی همچنین یک همبستگی قوی بین باندهای SWIR با LAI پیدا کردند [ 51 ، 52 ]. انعکاس در بخش SWIR و NIR طیف متاثر از ویژگی های خاک و پوشش گیاهی است و بنابراین می تواند برای تخمین LAI مفید باشد [ 53 ]. علاوه بر این، نوار NIR و همچنین نوار SWIR ظرفیت حس کردن اجزای گیاه را از طریق لایه‌های عمیق پوشش گیاهی دارد [ 26 ، 54]]. به طور خاص، اهمیت باند طیفی SWIR که با ارتباط آن با بازتاب تاج پوشش و محتوای آب معرفی شده است، برای تخمین کارآمد LAI عمدتاً در جنگل‌های تاج‌پوش بسته امیدوارکننده به نظر می‌رسد [52 ] . اولین نوارهای باریک NIR B7 (NIR n1 ) و دومین نوارهای لبه قرمز B6 (RE 2 ) نیز به نظر می رسد که نقش مهمی در ارزیابی شاخص سطح برگ دارند، زیرا آنها شاخص های شناخته شده محتوای کلروفیل گیاه هستند [ 55 ]. این نوارها بر روی ناحیه طیفی گذار قرار دارند که با جذب کلروفیل به پراکندگی برگ مشخص می شود، بنابراین یک تغییر مثبت در محتوای کلروفیل برگ نشان دهنده تغییرات بازتابی از کم در ناحیه لبه قرمز به بسیار زیاد در NIR است [56 ] .
با توجه به ترتیب رتبه‌بندی اهمیت شاخص‌های طیفی، نتایج کاملاً غیرمنتظره نبودند. NDVI یک شاخص بسیار رایج برای ارزیابی LAI در طیف وسیعی از اکوسیستم ها است [ 51 ، 52 ، 57 ، 58 ، 59 ، 60 ]. NDVI کنتراست بین پوشش گیاهی و خاک را افزایش می دهد، اما تاثیر افزایش شرایط نور را به حداقل می رساند [ 61 ]. علاوه بر این، NDVI با محدودیت های شناخته شده اشباع در سطوح متوسط ​​LAI [ 26 ] همراه است. اهمیت NDVI برای تخمین شاخص سطح برگ ضعیف تر می شود در حالی که شاخص سطح برگ در حال افزایش فراتر از یک آستانه وابسته به گونه است، که معمولاً در حدود مقادیر متوسط ​​شاخص سطح برگ است [ 57 ،62 ].
نسخه های اصلاح شده NDVI که از نوارهای باریک لبه قرمز و نزدیک به مادون قرمز مشتق شده اند نیز از جمله متغیرهای بسیار مهم هستند. توله و همکاران [ 63 ] که LAI را در یک محیط گرمسیری ارزیابی کرد، دریافت که عملکرد شاخص‌ها با استفاده از شاخص‌های باند باریک بهتر از شاخص‌های باند پهن است. لبه قرمز همچنین توسط مطالعات قبلی به عنوان یک متغیر با ارزش برای ارزیابی LAI [ 51 ، 55 ] به دلیل قدرت تشخیص عمق تاج پوشش در زیر تاج متراکم و وضعیت زیست توده بالا [ 64 ، 65 ] بوده است. مایر و همکاران [ 5 ] همچنین نشان داد که شاخص‌های پوشش گیاهی توسعه‌یافته بر روی نوارهای مادون قرمز نزدیک بیشترین همبستگی را با شاخص سطح برگ دارند.
علاوه بر این، شاخص‌ها و TCFs برای جلوگیری از مشکل اشباع و افزایش دقت پیش‌بینی در مورد سطح برگ جنگل پیشنهاد شده‌اند. شونرت و همکاران [ 66 ] با استفاده از تصاویر RapidEye توانایی های بزرگ TCF ها را برای تخمین شاخص سطح برگ محصول تایید کرد. شاخص رطوبت، همانطور که اصطلاحات آن نیز نشان می دهد، با انتزاع مجموع نوار مرئی و مادون قرمز نزدیک از نوارهای مادون قرمز طولانی تر، میزان رطوبت پوشش گیاهی یا خاک را اندازه گیری می کند [67 ] . ویژگی رطوبتی نسبت به رطوبت سایبان حساس است، بنابراین با افزایش مقدار سایبان، مقادیر رطوبت تا رسیدن به حداکثر پوشش تاج پوشش افزایش می یابد [ 67 ].
همچنین، شاخص NCI که از SWIR و باند سبز محاسبه شده است، به عنوان مهم‌ترین متغیر برای تخمین LAI ارائه شد. اهمیت NCI برای ارزیابی LAI با حساسیت نوار سبز به کلروفیل و حساسیت SWIR به رطوبت مرتبط است. در یک اکوسیستم مرتعی خشک، براتی و همکاران. [ 68 ] تشخیص داد که NCI در مقایسه با سایر شاخص‌های پوشش گیاهی، دقت پیش‌بینی پایینی برای پارامترهای بیوفیزیکی ارائه می‌دهد. وسکوو و همکاران [ 39] نشان داد که NCI زمانی که سطوح گیاهی در یک محیط مرتع نسبتاً بالا بود، همبستگی قوی‌تری با LAI نشان داد. در نتیجه، با توجه به این مطالعات قبلی، قدرت همبستگی NCI با شاخص سطح برگ به سطح زیست توده بستگی دارد. این واقعیت با نتایج مطالعه ما مطابقت دارد که در آن NCI در میان متغیرهای مهم رتبه‌بندی برتر برای تخمین LAI در یک اکوسیستم جنگلی مدیترانه است.
در مجموع، الگوریتم GPR، تکنیک انتخاب متغیر، و داده‌های طیفی Sentinel-2 MSI برای ارزیابی LAI در جنگل‌های مختلط مدیترانه جذاب به نظر می‌رسند. نتایج به‌دست‌آمده می‌تواند به انتخاب کارآمد باندهای Sentinel-2 MSI و شاخص‌های طیفی مناسب برای بازیابی LAI، در یک رویکرد تنظیم منطقه‌ای و تحت یک چارچوب نظارت عملیاتی کمک کند.
با این حال، مطالعات بیشتری برای ایجاد رابطه بین ویژگی‌های اکوسیستم جنگلی خاص و پارامترهای بیوفیزیکی با استفاده از داده‌های سنجش از دور نوری مورد نیاز است، زیرا شرایط محیطی بر پاسخ طیفی تأثیر می‌گذارد. تحقیقات قبلی همچنین اهمیت پوشش گیاهی زیرزمینی، تنوع گونه‌ها و رطوبت سطحی را برای مدل‌سازی LAI و پیوند اطلاعات طیفی نشان داده است [ 69 ].

5. نتیجه گیری ها

اندازه‌گیری‌های LAI مبتنی بر سنجش از دور می‌توانند برای نظارت بر واکنش اکوسیستم‌های جنگلی به فشارهای ناشی از عوامل مختلف تغییر، و نشان دادن علائم هشدار اولیه در مورد خطرات پایداری جنگل مورد استفاده قرار گیرند. در این مقاله، ما کاربرد تصاویر ماهواره ای Sentinel-2 MSI را برای تخمین LAI در یک جنگل ناهمگن مدیترانه ای ارزیابی کردیم. علاوه بر این، ما اثربخشی شاخص‌های طیفی و باند طیفی را با مدل LAI با استفاده از الگوریتم GPR مقایسه کردیم و مرتبط‌ترین متغیرهای اطلاعاتی را برای نظارت و نقشه‌برداری LAI شناسایی کردیم.
نتایج تحقیق حاضر را می توان به شرح زیر خلاصه کرد:
→
الگوریتم GRP برای تخمین LAI و تفسیر مدل های LAI از طریق رتبه بندی اهمیت جایگشت متغیرها امیدوارکننده به نظر می رسد.
→
اگرچه باندهای SWIR برای کاربردهای تصحیح جوی طراحی شده اند و قرار است برای تخمین پارامترهای بیوفیزیکی از اهمیت آینه ای برخوردار باشند، GPR اطلاعات طیفی را در باندهای SWIR نشان داد که ثابت شده است برای ارزیابی پارامترهای بیوفیزیکی مانند LAI مفید است.
→
شاخص سطح برگ بر روی یک جنگل مدیترانه ای ناهمگن را می توان با دقت پیش بینی بالا با استفاده از پنج شاخص طیفی (NCI 2 ، NCI 1 ، WET، NDVI_RE 1 ، NDVI_RE 2 ) ترسیم کرد. شاخص‌های رطوبتی NCI، NDVI لبه قرمز و TCFs پیش‌بینی‌کننده‌های مهمی برای مدل‌سازی LAI جنگل هستند.
به طور کلی، نتایج این تحقیق اثباتی بر پتانسیل تفکیک طیفی Sentinel-2 MSI برای ارزیابی LAI در جنگل‌های مدیترانه‌ای است. با این حال، تلاش‌های نمونه‌برداری اضافی، که طی چندین فصل رشد گسترش یافته است، می‌تواند در تأیید استحکام یافته‌های ما کمک کند.

منابع

  1. آسنر، GP; Scurlock، JMO; هیکه، JA سنتز جهانی مشاهدات شاخص سطح برگ: پیامدهایی برای مطالعات اکولوژیکی و سنجش از دور. گلوب. Ecol. Biogeogr. 2003 ، 12 ، 191-205. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. یان، جی. هو، آر. لو، جی. ویس، م. جیانگ، اچ. مو، ایکس. زی، دی. Zhang, W. بررسی اندازه‌گیری‌های نوری غیرمستقیم شاخص سطح برگ: پیشرفت‌ها، چالش‌ها و دیدگاه‌های اخیر. کشاورزی برای. هواشناسی 2019 ، 265 ، 390-411. [ Google Scholar ] [ CrossRef ]
  3. داش، ج. Ogutu, BO پیشرفت‌های اخیر در سیستم‌های سنجش از راه دور نوری فضاپیمایی برای نظارت بر اکوسیستم‌های زمینی جهانی. Prog. فیزیک Geogr. محیط زمین. 2016 ، 40 ، 322-351. [ Google Scholar ] [ CrossRef ]
  4. برید، بی. ورلست، جی. Gastelu-Etchegorry، J.-P. باهوش، JGPW; گودزوارد، ال. دن اودن، جی. وربسلت، ج. هرولد، ام. ارزیابی انتخاب ویژگی گردش کار در پیش‌بینی LAI جنگل با Sentinel-2A MSI، Landsat 7 ETM+ و Landsat 8 OLI. Remote Sens. 2020 , 12 , 915. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. مایر، LH; هیوریچ، ام. بیدرت، بی. پریمیر، جی. Pflugmacher, D. مقایسه داده های Landsat-8 و Sentinel-2 برای تخمین شاخص سطح برگ در جنگل های معتدل. Remote Sens. 2019 , 11 , 1160. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. پاپ، جی. برآورد Treitz، P. Leaf Area Index (LAI) در جنگل مرکب جنگلی انتاریو، کانادا با استفاده از تشخیص نور و محدوده (LiDAR) و تصاویر جهان بینی-2. Remote Sens. 2013 , 5 , 5040–5063. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. Gower، ST; کوچاریک، سی جی; نورمن، JM برآورد مستقیم و غیرمستقیم شاخص سطح برگ، fAPAR، و خالص تولید اولیه اکوسیستم های زمینی. سنسور از راه دور محیط. 1999 ، 70 ، 29-51. [ Google Scholar ] [ CrossRef ]
  8. براون، لس آنجلس؛ اوگوتو، بو. Dash، J. برآورد شاخص سطح برگ جنگل و محتوای کلروفیل تاج پوشش با Sentinel-2: ارزیابی دو الگوریتم بازیابی ترکیبی. Remote Sens. 2019 ، 11 ، 1752. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. ژنگ، جی. Moskal، LM بازیابی شاخص سطح برگ (LAI) با استفاده از سنجش از دور: نظریه‌ها، روش‌ها و حسگرها. Sensors 2009 , 9 , 2719-2745. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. نیش، اچ. لیانگ، مدل‌های شاخص سطح برگ S. در ماژول مرجع در سیستم های زمین و علوم محیطی ; الزویر: آمستردام، هلند، 2014; شابک 978-0-12-409548-9. [ Google Scholar ]
  11. Song, C. سنجش از دور نوری شاخص سطح برگ جنگل و زیست توده. Prog. فیزیک Geogr. 2012 ، 37 ، 98-113. [ Google Scholar ] [ CrossRef ]
  12. لیو، ک. ژو، Q. وو، دبلیو. شیا، تی. Tang, H. برآورد شاخص سطح برگ محصول با استفاده از سنجش از دور فراطیفی. جی. اینتگر. کشاورزی 2016 ، 15 ، 475-491. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. لیانگ، ال. Qin، Z. ژائو، اس. دی، ال. ژانگ، سی. دنگ، م. لین، اچ. ژانگ، ال. وانگ، ال. لیو، زی. برآورد میزان کلروفیل محصول با شاخص‌های پوشش گیاهی فراطیفی و روش وارونگی هیبرید. بین المللی J. Remote Sens. 2016 , 37 , 2923-2949. [ Google Scholar ] [ CrossRef ]
  14. کیمز، دی اس؛ کنیازیخین، ی. Privette، JL; Abuelgasim، AA; Gao, F. روش‌های وارونگی برای مدل‌های مبتنی بر فیزیکی. Remote Sens. Rev. 2000 , 18 , 381-439. [ Google Scholar ] [ CrossRef ]
  15. سان، ی. Qin، Q. رن، اچ. ژانگ، تی. چن، S. شاخص های گیاهی نوار لبه قرمز برای تخمین شاخص سطح برگ از تصاویر Sentinel-2/MSI. IEEE Trans. Geosci. Remote Sens. 2020 , 58 , 826–840. [ Google Scholar ] [ CrossRef ]
  16. Cohrs، CW; کوک، RL; گری، جی.ام. Albaugh، TJ Sentinel-2 برآورد شاخص سطح برگ برای گیاهان کاج در جنوب شرقی ایالات متحده. Remote Sens. 2020 , 12 , 1406. [ Google Scholar ] [ CrossRef ]
  17. سیاچالو، س. مالینس، جی. Tsakiri-Strati، M. تجزیه و تحلیل داده های شاخص طیفی سری های زمانی برای تقویت شناسایی محصول در یک چشم انداز روستایی مدیترانه ای. IEEE Geosci. سنسور از راه دور Lett. 2017 ، 14 ، 1508-1512. [ Google Scholar ] [ CrossRef ]
  18. کالاچسکا، م. سانچز آزوفیفا، GA; کائلی، تی. ریوارد، بی. Boerlage، B. برآورد شاخص سطح برگ از تصاویر ماهواره ای با استفاده از شبکه های بیزی. IEEE Trans. Geosci. Remote Sens. 2005 ، 43 ، 1866-1873. [ Google Scholar ] [ CrossRef ]
  19. پو، آر. گونگ، پی. Biging، GS; Larrieu، MR استخراج پارامترهای نوری لبه قرمز از داده های Hyperion برای تخمین شاخص سطح برگ جنگل. IEEE Trans. Geosci. Remote Sens. 2003 , 41 , 916-921. [ Google Scholar ]
  20. عمر، جی. موتانگا، او. عبدالرحمن، EM; Adam, E. پیش‌بینی تجربی شاخص سطح برگ (LAI) گونه‌های درختی در معرض خطر انقراض در اکوسیستم‌های جنگل‌های بومی دست‌نخورده و تکه تکه شده با استفاده از داده‌های WorldView-2 و دو الگوریتم یادگیری ماشینی قوی. Remote Sens. 2016 , 8 , 324. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. دوربه، اس اس. پادشاه، RL; رگرسیون ماشین‌های بردار پشتیبان Younan، NH برای بازیابی شاخص سطح برگ از طیف‌سنجی تصویربرداری چند زاویه‌ای. سنسور از راه دور محیط. 2007 ، 107 ، 348-361. [ Google Scholar ] [ CrossRef ]
  22. وانگ، جی. شیائو، ایکس. باجگین، ر. استارکس، پی. اشتاینر، جی. دوغی، RB; Chang، Q. برآورد شاخص سطح برگ و زیست توده بالای زمینی مراتع چرا با استفاده از تصاویر Sentinel-1، Sentinel-2 و Landsat. ISPRS J. Photogramm. Remote Sens. 2019 , 154 , 189–201. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. وانگ، ال. چانگ، Q. یانگ، جی. ژانگ، ایکس. Li, F. برآورد شاخص سطح برگ برنج شلتوک با استفاده از روش‌های یادگیری ماشینی بر اساس داده‌های فراطیفی از آزمایش‌های چند ساله. PLoS ONE 2018 , 13 , e0207624. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  24. شیائو، ز. لیانگ، اس. وانگ، تی. جیانگ، ب. بازیابی شاخص سطح برگ (LAI) و کسری از تابش فعال فتوسنتزی جذب شده (FAPAR) از داده‌های سری زمانی VIIRS. Remote Sens. 2016 , 8 , 351. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. کیالا، ز. اودیندی، ج. Mutanga, O. پتانسیل رگرسیون حداقل مربعات جزئی فاصله در تخمین شاخص سطح برگ. اس افر. J. Sci. 2017 ، 113 ، 1-9. [ Google Scholar ] [ CrossRef ]
  26. هوبورگ، آر. McCabe، MF یک رویکرد آموزشی ترکیبی برای تخمین شاخص سطح برگ از طریق یادگیری ماشینی جنگل‌های کوبیست و تصادفی. ISPRS J. Photogramm. Remote Sens. 2018 , 135 , 173-188. [ Google Scholar ] [ CrossRef ]
  27. کامپوس تابرنر، م. گارسیا هارو، FJ; کمپز-والز، جی. گراو-مویدرا، جی. نوتینی، اف. کرما، ا. Boschetti، M. بازیابی شاخص سطح برگ چند زمانی و چند تفکیک‌پذیری برای نظارت بر محصول محلی برنج. سنسور از راه دور محیط. 2016 ، 187 ، 102-118. [ Google Scholar ] [ CrossRef ]
  28. ورلست، جی. ریورا، جی پی؛ گیتلسون، ا. دلگیدو، جی. مورنو، جی. Camps-Valls، G. انتخاب باند طیفی برای بازیابی خواص پوشش گیاهی با استفاده از رگرسیون فرآیندهای گاوسی. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 52 ، 554-567. [ Google Scholar ] [ CrossRef ]
  29. ورلست، جی. ریورا، جی پی؛ وروسترات، اف. مونوز ماری، جی. باهوش، JGPW; کمپز-والز، جی. مورنو، جی. تجربی Sentinel-2 برآورد LAI با استفاده از روش های پارامتری، ناپارامتریک و بازیابی فیزیکی – مقایسه. ISPRS J. Photogramm. Remote Sens. 2015 ، 108 ، 260-272. [ Google Scholar ] [ CrossRef ]
  30. علی، ع.م. درویش زاده، ر. اسکیدمور، آ. گارا، TW; Heurich، M. عملکرد روش‌های یادگیری ماشین در وارونگی مدل انتقال تابشی برای بازیابی صفات گیاهی از داده‌های Sentinel-2 یک جنگل کوهستانی مختلط. بین المللی جی دیجیت. زمین 2020 ، 1-15. [ Google Scholar ] [ CrossRef ]
  31. Svendsen، DH; مورالس-آلوارز، پی. Ruescas, AB; مولینا، ر. Camps-Valls، G. فرآیندهای گاوسی عمیق برای بازیابی پارامترهای بیوژئوفیزیکی و وارونگی مدل. ISPRS J. Photogramm. Remote Sens. 2020 , 166 , 68–81. [ Google Scholar ] [ CrossRef ]
  32. کمپز-والز، جی. سجدینوویچ، دی. رانگ، جی. رایششتاین، ام. دیدگاهی در مورد فرآیندهای گاوسی برای رصد زمین. Natl. علمی Rev. 2019 , 6 , 616–618. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. ورلست، جی. آلونسو، ال. کمپ-والز، جی. اعضا.؛ دلگیدو، جی. مورنو، جی. بازیابی پارامترهای بیوفیزیکی گیاهی با استفاده از تکنیک‌های فرآیند گاوسی. IEEE Trans. Geosci. Remote Sens. 2012 ، 50 ، 1832-1843. [ Google Scholar ] [ CrossRef ]
  34. پازولی، ال. ملگانی، ف. Blanzieri، E. برآورد پارامترهای بیوفیزیکی از تصاویر سنجش از دور با فرآیندهای گاوسی. در مجموعه مقالات IGARSS 2008 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، بوستون، MA، ایالات متحده آمریکا، 7-11 ژوئیه 2008. صص 851-854. [ Google Scholar ]
  35. کمپز-والز، جی. ورلست، جی. مونوز ماری، ج. لاپارا، وی. متئو خیمنز، اف. گومز-دانز، جی. بررسی فرآیندهای گاوسی برای تجزیه و تحلیل داده‌های رصدی زمین: یک تحقیق جامع. IEEE Geosci. سنسور از راه دور Mag. 2016 ، 4 ، 58-78. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. پوکوای، ک. Fodor, N. تنظیم داده‌های سپتومتر برای بهبود اندازه‌گیری‌های شاخص سطح برگ. Agronomy 2019 , 9 , 866. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. Rouse, JW; هاس، RH; شل، JA; Deering، DW نظارت بر پیشرفت بهاری و پسرفت (اثر موج سبز) پوشش گیاهی طبیعی. در گزارش نهایی، RSC 1978-4، Texas AM Univ Coll Station Texas ; ناسا: واشنگتن دی سی، ایالات متحده آمریکا، 1973. [ Google Scholar ]
  38. گوئل، NS; Qin، W. تأثیرات معماری تاج پوشش بر روابط بین شاخص های مختلف پوشش گیاهی و LAI و FPAR: یک شبیه سازی کامپیوتری. Remote Sens. Rev. 1994 , 10 , 309-347. [ Google Scholar ] [ CrossRef ]
  39. وسکوو، ال. Gianelle، D. استفاده از نوارهای MIR در شاخص‌های پوشش گیاهی برای تخمین پارامترهای بیوفیزیکی مرتع از سنجش از دور ماهواره‌ای در منطقه آلپ ترنتینو (ایتالیا). Adv. Space Res. 2008 ، 41 ، 1764-1772. [ Google Scholar ] [ CrossRef ]
  40. کریسفیس، آی. مالینس، جی. تساکیری، م. Patias، P. ارزیابی اطلاعات فضایی و طیفی تک‌تاریخ و چند فصلی از تصاویر Sentinel-2 برای ارزیابی حجم سهام در حال رشد یک جنگل مدیترانه‌ای. بین المللی J. Appl. زمین Obs. Geoinf. 2019 ، 77 ، 1-14. [ Google Scholar ] [ CrossRef ]
  41. کریسفیس، آی. مالینس، جی. سیاچالو، س. Patias، P. ارزیابی روابط بین حجم در حال رشد سهام و تصاویر Sentinel-2 در یک اکوسیستم جنگلی مدیترانه ای. سنسور از راه دور Lett. 2017 ، 8 ، 508-517. [ Google Scholar ] [ CrossRef ]
  42. هنریش، وی. یونگ، آ. گوتزه، سی. سندو، سی. تورکو، دی. Gläßer, C. توسعه پایگاه داده شاخص های آنلاین: انگیزه، مفهوم و اجرا. در مجموعه مقالات ششمین کارگاه آموزشی طیف سنجی تصویربرداری EARSeL ابزار نوآورانه برای کاربردهای محیط علمی و تجاری، تل آویو، اسرائیل، 16 تا 18 مارس 2009. [ Google Scholar ]
  43. کوسیجان، ج. موری اسمیت، آر. راسموسن، CE; لیکار، ب. کنترل پیش‌بینی با مدل‌های فرآیند گاوسی. در مجموعه مقالات منطقه IEEE 8 EUROCON 2003. کامپیوتر به عنوان ابزار، لیوبلیانا، اسلوونی، 22-24 سپتامبر 2003. [ Google Scholar ]
  44. Abden, M. Gaussian Processes: A Quick Introduction. arXiv 2015 ، arXiv:1505.02965. [ Google Scholar ]
  45. مهدی پور، پ. نویدی، آی. پارسائیان، م. محمدی، ی. مرادی لاکه، م. رضایی درزی، ا. نوریجلیانی، ک. فرزادفر، ف. کاربرد رگرسیون فرآیند گاوسی (GPR) در برآورد سطوح و روند مرگ و میر زیر پنج سال در ایران، پروتکل مطالعه 1990-2013. قوس. ایران. پزشکی 2014 ، 17 ، 189-192. [ Google Scholar ]
  46. کاراتزوگلو، ع. اسمولا، ا. هورنیک، ک. Zeileis، A. kernlab-An S4 Package for Kernel Methods در R. J. Stat. نرم افزار 2004 ، 11 ، 1-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. تیم اصلی توسعه R. زبان و محیطی برای محاسبات آماری. R پیدا شد. آمار محاسبه کنید. 2014 ، 1 ، 409. [ Google Scholar ]
  48. بیشل، بی. لانگ، ام. کوتوف، ال. شیفنر، جی. ریشتر، جی. استودروس، ای. کاسالیچیو، جی. جونز، ZM mlr: یادگیری ماشین در R. J. Mach. فرا گرفتن. Res. 2016 ، 17 ، 1-5. [ Google Scholar ]
  49. پولاک، پ. کارلیک، آر. کورن، ا. تورمن، آر. سندستروم، آر. لورنس، ام اس؛ رینولدز، ای. راینز، ای. ولاهوویچک، ک. Stamatoyannopoulos، JA; و همکاران سازمان کروماتین سلولی منشا، چشم انداز جهشی سرطان را شکل می دهد. طبیعت 2015 ، 518 ، 360-364. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  50. کامپوس تابرنر، م. گارسیا هارو، FJ; بوستتو، ال. رانگتی، ال. مارتینز، بی. Gilabert، MA; کمپز-والز، جی. کاماچو، اف. Boschetti، M. مقایسه انتقادی تخمین‌های سنجش از دور سطح برگ در مناطق تحت کشت برنج: از Sentinel-2 و Landsat-7/8 تا MODIS، GEOV1 و سیستم قطبی EUMETSAT. Remote Sens. 2018 , 10 , 763. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. کورهونن، ال. هادی؛ پاکالن، پی. Rautiainen، M. مقایسه Sentinel-2 و Landsat 8 در تخمین پوشش تاج پوشش جنگل های شمالی و شاخص سطح برگ. سنسور از راه دور محیط. 2017 ، 195 ، 259-274. [ Google Scholar ] [ CrossRef ]
  52. تره فرنگی؛ پارک، YI; کیم، SH; پارک، جی اچ. وو، CS; Jang، KC تخمین سنجش از دور LAI جنگل در موقعیت تاج پوشش نزدیک. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی -طاق ISPRS. 2004 ، 35 . [ Google Scholar ]
  53. بناری، ع. پاچکو، ا. استنز، ک. مک نیرن، اچ. عمری، ک. برآورد و نقشه برداری پوشش بقایای گیاهی در زمین های کشاورزی با استفاده از داده های فراطیفی و IKONOS. سنسور از راه دور محیط. 2006 ، 104 ، 447-459. [ Google Scholar ] [ CrossRef ]
  54. Lillesaeter، O. بازتاب طیفی برگ‌های نیمه انتقالی: اندازه‌گیری‌های آزمایشگاهی و مدل‌سازی ریاضی. سنسور از راه دور محیط. 1982 ، 12 ، 247-254. [ Google Scholar ] [ CrossRef ]
  55. فیللا، آی. Penuelas, J. موقعیت و شکل لبه قرمز به عنوان شاخص محتوای کلروفیل گیاه، زیست توده و وضعیت هیدریک. بین المللی J. Remote Sens. 1994 ، 15 ، 1459-1470. [ Google Scholar ] [ CrossRef ]
  56. دلگیدو، جی. ورلست، جی. Meza، CM; ریورا، جی پی؛ آلونسو، ال. مورنو، ج. یک شاخص طیفی لبه قرمز برای تخمین سنجش از دور LAI سبز بر روی اکوسیستم‌های کشاورزی. یورو جی. آگرون. 2013 ، 46 ، 42-52. [ Google Scholar ] [ CrossRef ]
  57. دیوی، اچ. سودانی، ک. دککس، تی. دوفرن، ای. لو دانتک، وی. François, C. برآورد شاخص سطح برگ جنگل از تصاویر SPOT با استفاده از توزیع NDVI بر روی توده های جنگلی. بین المللی J. Remote Sens. 2006 ، 27 ، 885-902. [ Google Scholar ] [ CrossRef ]
  58. گونگ، پی. پو، آر. Biging، GS; Larrieu, MR برآورد شاخص سطح برگ جنگل با استفاده از شاخص های پوشش گیاهی به دست آمده از داده های فراطیفی Hyperion. IEEE Trans. Geosci. Remote Sens. 2003 , 41 , 1355-1362. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. Onojeghuo، AO; بلک برن، GA درک ویژگی های طیفی و بیوفیزیکی چند فصلی زیستگاه های نیزار در بریتانیا. ژئوسپات. Inf. علمی 2016 ، 19 ، 233-244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. هوبورگ، آر. McCabe، MF بازیابی روزانه NDVI و LAI با وضوح 3 متر از طریق ادغام داده های CubeSat، Landsat و MODIS. Remote Sens. 2018 , 10 , 890. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. بارت، اف. Guyot, G. پتانسیلها و محدودیتهای شاخصهای پوشش گیاهی برای ارزیابی LAI و APAR. سنسور از راه دور محیط. 1991 ، 35 ، 161-173. [ Google Scholar ] [ CrossRef ]
  62. وانگ، اف. هوانگ، جی. تانگ، ی. Wang, X. شاخص گیاهی جدید و کاربرد آن در تخمین شاخص سطح برگ برنج. علم برنج 2007 ، 14 ، 195-203. [ Google Scholar ] [ CrossRef ]
  63. توله، ا. اراسمی، س. Kappas، M. تخمین صریح فضایی شاخص سطح برگ با استفاده از داده‌های EO-1 Hyperion و Landsat ETM+: مفاهیم پهنای باند طیفی و داده‌های مادون قرمز موج کوتاه بر دقت پیش‌بینی در یک محیط کوهستانی گرمسیری. GISci. Remote Sens. 2008 , 45 , 229-248. [ Google Scholar ] [ CrossRef ]
  64. Ciganda، VS; Gitelson، AA; Schepers، J. حسگر از راه دور چقدر عمق دارد؟ بیان محتوای کلروفیل در تاج پوشش ذرت سنسور از راه دور محیط. 2012 ، 126 ، 240-247. [ Google Scholar ] [ CrossRef ]
  65. فنگ، دبلیو. وو، ی. او، ال. رن، ایکس. وانگ، ی. هو، جی. وانگ، ی. لیو، دبلیو. Guo, T. یک شاخص گیاهی غیرخطی بهینه برای تخمین شاخص سطح برگ در گندم زمستانه. دقیق کشاورزی 2019 ، 20 ، 1157–1176. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. شونرت، ام. زیلمان، ای. ویچلت، اچ. Eitel، JUH; Magney، TS; لیلینتال، اچ. زیگمن، بی. Jarmer, T. تبدیل کلاهک منگوله‌ای برای داده‌های RapidEye و تخمین پارامترهای محصول حیاتی و پیر. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی طاق ISPRS. 2015 ، 40 ، 101-108. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  67. لیا، RD; کاول، سی ام. ناظر، T. مقایسه روش‌ها و پیامدهای تشخیص تغییر جنگل برای مدیریت جنگل. پایان نامه کارشناسی ارشد، دانشگاه میسوری-کلمبیا، کلمبیا، MO، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  68. براتی، س. رایگانی، ب. ساعتی، م. شریفی، ع. نصری، م. مقایسه دقت شاخص های طیفی مختلف برای تخمین کسر پوشش گیاهی در مناطق کم پوشش گیاهی. مصر. J. Remote Sens. Space Sci. 2011 ، 14 ، 49-56. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  69. اکلوند، ال. هال، ک. اریکسون، اچ. آردو، جی. Pilesjö, P. بررسی استفاده از داده های نقشه برداری موضوعی Landsat برای تخمین شاخص سطح برگ جنگل در جنوب سوئد. می توان. J. Remote Sens. 2003 ، 29 ، 349-362. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00622 g001 550
شکل 1. منطقه مطالعه و مکان طرح میدانی روی تصویر Sentinel-2 (قرمز: نزدیک مادون قرمز 2؛ سبز: قرمز؛ آبی: سبز) پوشانده شده است.
Ijgi 09 00622 g002 550
شکل 2. رابطه بین مقادیر مشاهده شده و پیش بینی شده ( a ) مدل باندهای طیفی و ( b ) مدل شاخص های طیفی در مجموعه داده کامل.
Ijgi 09 00622 g003 550
شکل 3. مهمترین متغیرهای پیش بینی کننده به ترتیب رتبه، با استفاده از اهمیت جایگشت ( a ) باندهای طیفی و ( b ) مجموعه داده های شاخص طیفی.
Ijgi 09 00622 g004 550
شکل 4. ( الف ) انتخاب متغیر پیشگویانه بهینه با استفاده از فرآیند حذف به عقب. ( ب ) روابط بین مقادیر LAI پیش‌بینی‌کننده و واقعی، با استفاده از بهترین باندهای طیفی و مدل شاخص‌های طیفی. نقاط نشان دهنده اندازه گیری در سطح ESU هستند، خطوط چین نشان دهنده یک رابطه 1:1 است.
Ijgi 09 00622 g005 550
شکل 5. نقشه های شاخص سطح برگ (LAI) بر اساس باندهای طیفی Sentinel-2 (چپ) و شاخص های طیفی (راست) بهترین مدل های پیش بینی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید