مقایسه روش‌های مختلف طبقه‌بندی در برآورد کسر پوشش گیاهی چغندرقند با استفاده از تصاویر پهپادی

کسر پوشش گیاهی (ccf) یکی از شاخص‏های مهم در تعیین وضعیت ظاهری گیاه و تشخیص وضعیت گیاه ازنظر وجود و یا عدم وجود تنش در گیاه محسوب می‏شود. امروزه با پیشرفت فن‏آوری و در دسترس‌بودن دوربین‏های دیجیتالی با کیفیت بالا، امکان تعیین و پایش کسر پوشش گیاهی در تمام طول فصل رشد و بدون تخریب گیاه وجود دارد. در این پژوهش برای تعیین کسر پوشش گیاهی چغندرقند، از تصاویر هوایی مزرعه پژوهشگاه علوم گیاهی در سوئیس استفاده شد. تعداد 481 تصویر در باند طیف مرئی و در ارتفاع متوسط 10 متری از سطح زمین با استفاده از پهپاد dji matrice 100 در چهار تاریخ مختلف برداشت شد. برای تعیین کسر پوشش گیاهی پنج روش طبقه‏بندی نظارت‌شده، شامل فاصله ماهالانوبیس (mahd)، حداکثر احتمال (maxlh)، حداقل فاصله (mind)، شبکه عصبی (nn) و ماشین بردار پشتیبان (svm) موردبررسی و ارزیابی قرار گرفتند. نتایج نشان داد دو روش svm و maxlh با مقدار دقت کلی (oa) 99 درصد بهترین نتیجه را در طبقه‏بندی تصویر و محاسبه کسر پوشش گیاهی داشتند. مقایسه نتایج به‌دست‌آمده برای تمام تاریخ‏های تصویربرداری نشان داد ازنظر زمان پردازش‏ها روش maxlh با سازوکار نسبتاً ساده به‌عنوان مناسب‏ترین روش در برآورد پوشش سایه‏انداز چغندرقند هست و نسبت به روش‏های مبتنی بر یادگیری ماشین مانند nn و svm سریع‏تر بوده و می‏تواند به‌عنوان روش جایگزین با دقت بالا و بسیار نزدیک به روش‎های یادگیری ماشین، مورداستفاده قرار گیرد.

comparison of different classification methods in estimating sugar beet canopy cover fraction using drone images

canopy cover fraction (ccf) is one of vital parameters to determine crop appearance and stress detection. recent advancement in technologies and availability of digital camera with high quality provide suitable condition for monitoring and determining canopy cover fraction during whole growing season without disturbing. in this study sugar beet aerial photos taken from research field of science institute in switzerland was used. a number of 481 images were taken in the visible spectrum band at an average height of 10 meters above the ground using a dji matrice 100 drone on four different dates. to determine the canopy cover fraction, five supervised classification methods, including mahalanobis distance (mahd), maximum likelihood (maxlh), minimum distance (mind), neural network (nn) and support vector machine (svm) were evaluated. the results showed that svm and maxlh methods with an overall accuracy (oa) of 99% had the best results in image classification and ccf calculation. the comparison of the obtained results for all imaging dates showed that in terms of processing time, the maxlh method with a relatively simple mechanism is the most appropriate method in estimating the sugar beet ccf and compared to the methods based on machine learning, like nn and svm, it is faster and can be used as an alternative method with high accuracy and very close to machine learning methods.