برآورد ضریب گیاهی گندم پاییزه با استفاده از داده‌های سنجش از دور با رویکرد کاهش داده
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری
لاله پرویز
1
(دانشکده کشاورزی دانشگاه شهید مدنی آذربایجان- تبریز- ایران)
کلید واژه: چرخشی, کاهش داده, شاخص‌های توسعه‌یافته, پیش پردازش,
چکیده مقاله :
استفاده بهینه از آب آبیاری نیاز به برنامه ریزی دقیق آبیاری دارد و برآورد دقیق ضریب گیاهی به‌خصوص در مقیاس های وسیع پیش نیاز آن است. هدف از این تحقیق مقایسه برخی از رویکردهای پیش پردازش داده های ورودی به شبکه عصبی مصنوعی: رگرسیونی و کاهش داده (تحلیل مؤلفه های اصلی و چرخشی) در برآورد ضریب گیاهی با شاخص های NDVI، RI، TVI، MSAVI، SAVI، mTVI، EVI، MNDVI، TVX، NVSWI در جهت مدلسازی ضریب گیاهی گندم در استان آذربایجان شرقی بود. مقایسه عملکرد رویکرد کاهش داده و رگرسیون بیانگر کاهش معیارهای خطا در رویکرد کاهش داده بود، به عنوان نمونه درصد افزایش آماره RMSE از حالت چرخشی به رگرسیون 8/11 و از حالت تحلیل مؤلفه های اصلی به رگرسیون 7/22 بود. رویکردهای مورد استفاده در برآورد ضریب گیاهی از تخمین بیش برآوردی برخوردار بودند به طوری که میزان افزایش متوسط ضریب گیاهی دوره صحت سنجی از ضریب گیاهی فائو به رویکرد پیش پردازش با رگرسیون، تحلیل مؤلفه های اصلی و چرخشی به ترتیب 7/13، 7/6 و 6/4 درصد بوده است. بنابراین استفاده از چرخش در تحلیل کاهش داده میزان دقت تخمین را بالا می برد. کاهش 13/39 درصد ضریب همبستگی از شاخص MSAVI نسبت بهNDVI ، حاکی از این است که شاخص های توسعه یافته براساس شرایط منطقه در افزایش کارایی برآورد ضریب گیاهی با تصاویر ماهواره ای از اهمیت ویژه ای برخوردار هستند.
Optimal use of irrigation water requires to the precise irrigation planning and the accurate crop coefficient estimation is the prerequisite of that particularly in the global scale. The aim of research was the comparison of preprocessing approaches of artificial neural network: regression and data reduction (principle component analysis and rotation) for crop coefficient estimation using NDVI, RI, TVI, MSAVI, SAVI, mTVI, EVI, MNDVI and TVX for wheat crop coefficient of East Azarbaijan Province. The performance of regression and data reduction approaches indicated the error criteria decreasing of data reduction approach, for example RMSE increasing from rotation to regression and from principle component analysis to regression was 11.8 and 22.7%, respectively. The used approaches of crop coefficient estimation has overestimation as the average increase of crop coefficient in the validation period showed 7.7, 6.13 and 4.6% increasing of crop coefficient from FAO to the regression, principle component and rotation approaches, respectively. Therefore, using the rotation in the data reduction analysis increased the accuracy of estimation. Decreasing of correlation coefficient-39.13% - from MSAVI to NDVI indicated that the improved indices basis on the study area condition increased the performance of crop coefficient estimation using satellite images.
_||_