مقایسۀ چهار الگوریتم plsr، rf، grnn و svr به‌منظور برآورد رطوبت غلاف نیشکر در طول دورۀ رشد با استفاده از تصاویر ماهوارۀ سنتینل-2

سابقه و هدف: رطوبت غلاف پارامتر مهمی در طول دورۀ رشد نیشکر است که از منظر تنش آبی و مدیریت آبیاری مزرعه اهمیت فراوانی دارد. بااین‌حال اندازه‎گیری میزان رطوبت محصول در گیاهان به‌طور‌‌ سنتی از طریق به دست آوردن وزن ‌تر و وزن خشک و سپس محاسبه‌ میزان رطوبت محصول تعیین شده است. اما این روش وقت‌گیر، هزینه‌بر و در مناطق وسیع غیرقابل اجراست. در سال‌های اخیر، توسعه‌ سریع فنّاوری سنجش‌ازدور برای نظارت بر میزان آب بافت گیاه در مزارع گسترده به کار برده می‌شود. داده‌های سنجش‌ازدور ظرفیت بالایی برای به‌روز کردن سیستم‌های پایش رشد محصول دارند. در این راستا، می‌‌توان از تصاویر ماهواره‌‌ای که اطلاعات متنوعی در اختیار کاربران قرار می‌‌دهند، بهره برد. هدف از این پژوهش ارزیابی رطوبت غلاف برگ نیشکر با استفاده از تصاویر ماهواره‌ای و تهیه‌ نقشه‌های رطوبت براساس بهترین مدل است.مواد و روش‌ها: مزارع نیشکر که بزرگ‌ترین مزارع خوزستان هستند، بیش از 84000 هکتار مساحت دارند. حدوداً 9670 هکتار از مزارع تحت کشت متعلق به کشت و صنعت امیرکبیر است که این پژوهش در آن اجرا شد. منطقه‌ مورد مطالعه در عرض جغرافیایی 31 درجه و 00 دقیقه و 20 ثانیه‌ شمالی و طول جغرافیایی 48 درجه و 15 دقیقه و 22 ثانیه‌ شرقی قرار گرفته است. برای پژوهش حاضر، 18 مزرعه از واریته‌ cp69-1062 نیشکر انتخاب شد که از هر مزرعه 5 نقطه برگزیده و مختصات نقاط با دستگاه gps ثبت شد، لذا این پژوهش از تیر تا شهریور ماه اجرا شد. برای این منظور، تلاش شد که داده‌برداری زمینی هم‌زمان با تصویربرداری ماهواره‌ سنتینل-2 از منطقه‌ مورد نظر صورت گیرد. سپس رطوبت غلاف هر نمونه در آزمایشگاه اندازه‌گیری شد. برای هر تصویر شاخص‌ها و باندهای طیفی با نرم‌افزار qgis محاسبه و خروجی به‌صورت فایل اکسل و tif ذخیره شد. در این پژوهش از شاخص‌های ndwi، ndii، srwi، siwsi، clgreen و gvmi و باندهای حاصل از تصاویر ماهواره‌ای سنتینل-2 برای برآورد و پایش وضعیت رطوبت غلاف برگ نیشکر استفاده شد. در گام بعدی، از تحلیل vif به‌منظور بررسی هم‌خطی بین شاخص‌ها و باندها استفاده شد. در نهایت شاخص‌‌های ndvi، evi، srwi، clgreen و تک‌باندهای b2، b3، b4، b5، b6، b11 و b12 به‌عنوان ورودی به چهار مدل‎‌ grnn، rf، svr و plsr وارد شدند. شایان ذکر است که الگوریتم بیز به‌منظور بهینه‌سازی پارامترهای مدل استفاده شد.نتایج و بحث: نتایج نشان داد که مدل svr در مقایسه با سایر مدل‌ها توانایی بالاتری در تخمین رطوبت غلاف برگ داشت. همچنین طبق تحلیل حساسیت، پارامترهای srwi، clgreen، ndvi، b5، b12، b11، b4، b3، evi و b2 به‌ترتیب به‌عنوان پارامترهای موثر در فرایند مدل‌سازی رطوبت انتخاب شدند. در مرحله‌ نهایی رطوبت غلاف برگ به‌ترتیب مقدار از کم تا زیاد، به 5 کلاس تنش، زمان آبیاری، رطوبت کم، رطوبت متوسط و رطوبت بالا طبقه‌بندی شد. با توجه به نتایج نقشه‌های رطوبتی و با توجه به برنامه‌ زمان‌بندی آبیاری مربوط به هر تاریخ، می‌توان نتیجه گرفت خروجی حاصل ترکیبی از شاخص‌ها و باندهای b2، b3، b4، b5، b6، b11، b12، ndvi، evi، srwi و clgreen عملکرد بهتری در تهیه‌ نقشه‌های آبیاری داشتند. این روش با هدف ارزیابی پتانسیل شاخص‌های طیفی s2 msi برای برآورد رطوبت غلاف برگ در مرحله‌ رشد نیشکر به کار گرفته شد.نتیجه‌گیری: طبق تحلیل حساسیت، پارامتر srwi به‌عنوان موثرترین شاخص در فرایند مدل‌سازی قرار گرفت. بنابراین می‌توان نتیجه گرفت که در میان ورودی‌های داده‌شده به مدل، ترکیبی از شاخص‌ها و باندهای ndvi، evi، srwi، clgreen، b2، b3، b5، b4، b11و b12 تخمین بهتری از رطوبت غلاف نیشکر به دست می‌‌دهند. این پژوهش در پی بهبود روش‌های نظارت بر رطوبت غلاف نیشکر در مزارع وسیع است.

comparison of four plsr, rf, grnn and svr algorithms to estimate sugarcane sheath moisture during growing season using sentinel-2 satellite imagery

introduction: the moisture content of sugarcane sheath is a crucial parameter during the crop’s growth period, as it plays a key role in understanding water stress and field irrigation management. traditional methods of measuring crop moisture levels involve time-consuming and expensive processes like obtaining wet and dry weights, followed by calculating moisture content, which are impractical for large areas. recent advancements in remote sensing technology have enabled the monitoring of plant tissue moisture content in large fields. remote sensing data have a high capacity to update crop growth monitoring systems.  in this regard, it is possible to use satellite images that provide a wealth of information to users. this research aims to evaluate sugarcane leaf sheath moisture using satellite images and generate moisture maps based on the best model.materials and methods: the sugarcane fields, which represent the largest agricultural operations in khuzestan, have an area of over 84,000 hectares. it covers over 9,670 hectares are cultivated by the amir kabir agriculture and industry company, the focus of this research. the study area is located at a latitude of 31° 00’ 20’ n and a longitude of 48° 15’ 22’ e. a total of 18 farms of the sugarcane variety cp69-1062 were utilized for this research. five points were selected from each farm, and the coordinates of the points were recorded using a gps device. the study was carried out between july and september. ground data were collected nearly simultaneously with the sentinel-2 satellite imaging of the target area. the moisture content of each collected sample was determined gravimetrically in the laboratory. for each image, indices and spectral bands were calculated using qgis software and the output was saved as excel and tif files. the indices and bands obtained from sentinel-2 satellite images were used to estimate and monitor the moisture status of sugarcane leaf sheath. in the next step, a variance inflation factor (vif) analysis was implemented to check the collinearity between indices and bands. finally, the indices of ndvi, evi, srwi, clgreen and single bands b2, b3, b4, b5, b6, b11 and b12 were entered as input to four grnn, rf, svr and plsr models. the bayes algorithm was employed to optimize the parameters of the model.results and discussion: the results demonstrated that the svr model exhibited a superior ability to estimate leaf sheath moisture compared to other models. additionally, the sensitivity analysis revealed that the srwi, clgreen, ndvi, b5, b12, b11, b4, b3, evi and b2 parameters are effective parameters in the moisture content modelling process. in the final stage, the leaf sheath moisture was classified into five stress classes, namely irrigation time, low moisture, medium moisture, and high moisture, in the order from low to high. the results of the moisture maps and the irrigation schedule for each date indicate that the combined output of b2, b3, b4, b5, b6, b11, b12, ndvi, evi, srwi and clgreen indices and bands has a superior performance. these indices were utilized in the preparation of irrigation plans. this method was employed to assess the potential of s2 msi spectral indices for the estimation of leaf sheath moisture in the sugarcane growth stage.conclusion: based on sensitivity analysis, the srwi parameter was found to be the most effective index in the modelling process. consequently, it can be concluded that a combination of indices and bands of ndvi, evi, srwi, clgreen, b2, b3, b5, b4, b11, and b12 provides a more accurate estimate of sugarcane sheath moisture than any single input. thus, processing and analysis of sentinel-2 satellite images can be used to enhance the methodologies employed for the monitoring of sugarcane sheath moisture content in expansive fields.