آنالیز مقایسه‏ای بازیابی شاخص سطح برگ با استفاده از روش‏های یادگیری ماشین مبتنی‌بر داده‌های ابرطیفی

متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، به‌منزله متغیرهای ورودی، برای مدل‌های متفاوت چرخه 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 دامنه نمونه‏گیری زمینی) و قابلیت این روش‌ها در تهیه نقشه متغیر توجه چندانی نشده است. در این تحقیق، عملکرد چهار روش پرکاربرد یادگیری ماشین شامل رگرسیون بردار پشتیبان، فرایند گاوسی، شبکه عصبی مصنوعی و جنگل تصادفی در بازیابی lai از تصویر ابرطیفی ماهواره کریس‌ پروبا بررسی شده است. نتایج نشان داد که، به‌رغم کارآیی هر چهار روش در بازیابی مقادیر lai برای دامنه مقادیر اندازه‏گیری‌‌شده 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 شبکه عصبی مصنوعی، در تخمین laiهای دارای مقادیر حاشیه‏ای، بهتر از دیگر روش‏هاست و نقشه تهیه‌شده با این روش و تابع یادگیری gda  تطابق بیشتری با نقشه ndvi و تصویر ابرطیفی منطقه دارد.

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

< p >Vegetation biophysical and biochemical variables are key inputs to a wide range of modelling approaches for carbon, water, energy cycle, climate and agricultural applications. Leaf Area Index (LAI) is among the most important canopy variables, used by many different physiological and functional plant models. Several approaches have been developed for vegetation properties retrieval from remotely sensed hyperspectral data. Among them, nonparametric machine learning methods have increasingly gained attention in vegetation variable retrieval due to their flexibility and efficiency while working with data of high dimensionality over the last decades. Although these methods provide reasonable accuracy at relatively high speed, they are mainly restricted to estimate values within their training domain and often perform poorly on the marginal values (i.e. outside of the training domain). The performance of these methods has not been adequately studied in retrieving LAI on the marginal values. This study employs four wellknown machine learning methods including SVR, GPR, ANN, and RF to retrieve LAI from a hyperspectral CHRISProba image over Barrax, Spain, in order to inspect their capability in retrieving marginal values. The results showed that although all the methods perform similarly well on retrieving LAI over the training domain values with RMSE values of less than 0.5 and relative error of less than 10%, GPR and SVR performed slightly better. However, ANN outperformed the other methods in estimating LAI on the marginal values, resulted in the generated LAI map more consistent with the NDVI map, as well as, the hyperspectral image of the region.