Comparative analysis of LAI retrieval from hyperspectral imagery using machine learning approaches

Abstract

متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، به‌منزلة متغیرهای ورودی، برای مدل‌های متفاوت چرخة کربن، آب، انرژی و مدل‌های اقلیمی و کشاورزی دقیق نقش مهمی ایفا‌ می‌کنند. یکی از مهم‌ترین متغیرهای مربوط به تاج‌پوشش گیاه، که کاربردهای فراوانی در مدل‌سازی‏های گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روش‏های گوناگونی برای بازیابی LAI از تصاویر ابرطیفی به‌کار رفته‌اند که، از میان آنها، روش‏های ناپارامتریک غیرخطی یادگیری ماشین بسیار مورد توجه قرار گرفته‌اند زیرا، در مواجهه با داده‌های دارای ابعاد زیاد، انعطاف‌پذیرند. بااین‌حال، در مطالعات پیشین، به بررسی عملکرد روش‏های یادگیری ماشین در بازیابی مقادیر LAI در مقادیر حاشیه‏ای (مقادیر خارج از دامنة نمونه‏گیری زمینی) و قابلیت این روش‌ها در تهیة نقشة متغیر توجه چندانی نشده است. در این تحقیق، عملکرد چهار روش پرکاربرد یادگیری ماشین شامل رگرسیون بردار پشتیبان، فرایند گاوسی، شبکة عصبی مصنوعی و جنگل تصادفی در بازیابی LAI از تصویر ابرطیفی ماهوارة کریس‌ـ پروبا بررسی شده است. نتایج نشان داد که، به‌رغم کارآیی هر چهار روش در بازیابی مقادیر LAI برای دامنة مقادیر اندازه‏گیری‌‌شدة زمینی با RMSE بهتر از 0.5 و خطای نسبی کمتر از 10%، روش‏های فرایند گاوسی و رگرسیون بردار پشتیبان صحت بالاتری در مقایسه با سایر روش‏ها دارند. باوجوداین، عملکرد روش شبکة عصبی مصنوعی، در تخمین LAIهای دارای مقادیر حاشیه‏ای، بهتر از دیگر روش‏هاست و نقشة تهیه‌شده با این روش و تابع یادگیری GDA تطابق بیشتری با نقشة NDVI و تصویر ابرطیفی منطقه دارد.