Abstract
شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به‌دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهوارة PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده‌های ابرطیفی را فراهم کرده است که به‌ویژه، در تهیة نقشة متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکه‌های عصبی مصنوعی، موسوم به شبکة عصبی تنظیم‌شده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش‌برازش شبکه‌های عصبی به‌کار می‌برد، استفاده می‌شود. مدل یادشده روی مجموعه‌ای داده، متشکل از طیف دریافت‌شده ازطریق ماهوارة PRISMA به‌منزلة متغیر مستقل و مقادیر اندازه‌گیری شاخص سطح برگ نیشکر به‌منزلة متغیر وابسته، اجرا شد. اندازه‌گیری‌های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه‌برداری زمینی، روی مزارع کشت‌و‌صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسة عملکرد BRANN با یک روش متعارف شبکة عصبی، یعنی شبکة آموزش‌دیده با روش لونبرگ‌ـ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE بازیابی از 26/2 (m2/m2) به‌روش LMANN به 67/0 (m2/m2)، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، به‌منظور کاهش ابعاد داده نیز از تبدیل مؤلفه‌های اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مؤلفة اصلی اول نیز RMSE از 41/1 (m2/m2) با استفاده از روش LMANN به 71/0 (m2/m2) طبق روش BRANN کاهش یافت. استفاده از مؤلفه‌های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزش‌دیدة BRANN روی تصاویر PRISMA به‌صورت پیکسل‌به‌پیکسل، نقشة شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را به‌خوبی نشان می‌دهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.
Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
