پایش ازت و رطوبت غلاف برگ نیشکر با استفاده از تصاویر ماهواره‌ای و هوش مصنوعی (مطالعه موردی : کشت و صنعت نیشکر امیرکبیر)

هدف از پژوهش حاضر ارزیابی میزان ازت و رطوبت غلاف برگ نیشکر با استفاده از سنجش از دور و مدل های هوش مصنوعی می باشد. بدین منظور از سه مدل رگرسیون بردار پشتیبان، جنگل تصادفی و شبکه عصبی مصنوعی استفاده و از شاخص هایگیاهی و تک باندهای ماهواره سنتینل 2 به عنوان ورودی هر یک از مدل ها استفاده گردید. نتایج نشان داد، در شبیه‎سازی ازت برگ، تک‎باندهای b2، b3 ،b4 ،b5 ،b6 ،b7 ،b11 ، b12 و شاخص گیاهی ndvi و در شبیه‎سازی رطوبت غلاف برگ باندهای b2، b3 ،b4 ،b5 ،b6 ،b7 ،b11 ، b12و شاخص‎های گیاهی ndvi،ndmi و lai اهمیت بیشتری دارند و به‎عنوان ورودی مدل‎ها در نظر گرفته شدند. همچنین از میان مدل‎ها، مدل جنگل تصادفی(rf) در شبیه‌سازی ازت با r2 برابر با 0.88، rmse برابر با 0.06 و rmbe برابر با 0.19 در مرحله آموزش و r2 معادل 0.93، rmse معادل 0.05 و rmbe برابر با 0.66- در مرحله صحت‌سنجی و رطوبت غلاف برگ با r2 برابر با 0.88، rmse برابر با 0.71 و rmbe برابر با 0.09 در مرحله آموزش و r2 معادل 0.92، rmse معادل 0.59 و rmbe برابر با 0.07- از عملکرد بهتری در شبیه‌سازی برخوردار بود.

monitoring nitrogen and leaf sheath moisture in sugarcane fields using satellite images and artificial intelligence (case study: amir kabir agro industrial)

the purpose of this research is to evaluate the amount of nitrogen and leaf sheath moisture using remote sensing and artificial intelligence models. for this purpose, three models of support vector machine , random forest (rf) and artificial neural network were used, it should be noted that the sensitivity analysis of all input parameters to simulate nitrogen and leaf sheath moisture values was done before running the model using pearson correlation and only those factors that were more important on nitrogen or leaf sheath moisture were considered. single bands b2, b3, b4, b5, b6, b7, b11, b12 and ndvi vegetation index and in the simulation of leaf sheath moisture in bands b2, b3, b4, b5, b6, b7, b11, b12 and vegetation indices ndvi, ndmi and lai are more important and were considered as inputs to the models. also, among the models, the random forest (rf) model in nitrogen simulation with r2 equal to 0.88 and rmse equal to 0.06 in the training phase and r2 equal to 0.93 and rmse equal to 0.05 in the validation phase had the best performance. in addition, leaf sheath moisture with r2 equal to 0.88 and rmse equal to 0.71 in the training phase and r2 equal to 0.92 and rmse equal to 0.59 had a better performance in simulation.