ارزیابی اثر جو بر عملکرد روش‌های شبکه عصبی و درخت رگرسیون در بازیابی پارامتر گیاهی کسری از پوشش گیاهی

بازتابندگی سطحی ثبت شده توسط سنجنده‌ها به دلیل عبور از اتمسفر در معرض ذرات موجود در آن ازجمله گازها و هواویزها قرار گرفته و مقدار آن تغییر می‌کند. این تغییرات در میزان بازتابندگی سطحی، استفاده‌های مختلف از این کمیت را نیز تحت تاثیر قرار دهد. تصحیح اتمسفری تصاویر با استفاده از روش‌های مختلف به دلیل تفاوت در الگوریتم‌های تصحیح و همچنین استفاده از مقادیر متفاوت پارامترهای اتمسفری از قبیل بخارآب، میدان دید و ضخامت نوری هواویزها، که اغلب از اندازه‌گیری زمینی در ایستگاه‌های واقع در محدوده تصویر، و یا از محصولات سایر سنجنده‌ها و یا بر اساس مطالعات مشابه و حدس کاربر استخراج می‌شوند، می‌تواند نتایج مختلفی را حاصل کند. هدف این تحقیق ارزیابی تاثیر متغیرهای تصحیح اتمسفری بر صحت بازیابی شاخص‌‌ گیاهی کسری از پوشش گیاهی (fcover) از بازتابندگی سطح می‌باشد. منطقه مورد مطالعه بخشی از زمین‌های کشاورزی لیلند واقع در استان مانیتوبا در کشور کانادا می‌باشد. نمونه‌های زمینی fcover از پروژه مانیتوبا به همراه تصویر لندست-8 برای بازیابی در تحقیق حاضر به کار رفته‌اند. پس از اعمال روش تصحیح تحلیل پرسرعت اتمسفری خط دید از مکعب‌های طیفی (flaash) بر روی تصویر لندست-8 با تغییر مقادیر بخارآب و میدان دید، مدلسازی شاخص گیاهی fcover با استفاده از الگوریتم‌های رگرسیونی شبکه عصبی و درخت رگرسیون انجام شد و تاثیر عدم اطمینان مربوط به هر پارامتر اتمسفری ورودی به این مدل‌ها مورد ارزیابی قرار گرفت. بررسی نتایج حاصل از مدلسازی و آزمون تی نمونه‌های جفت شده نشان داد مقادیر مختلف پارامترهای بخارآب و میدان دید بر بازیابی پارامتر fcover تاثیرگذار بوده و خطایی بیش از 5 درصد ایجاد می‌کند. همچنین نتایج بدست‌آمده از الگوریتم‌های شبکه عصبی و درخت رگرسیون عملکرد نسبتا مشابه و مناسبی برای بازیابی fcover با وجود عدم اطمینان در پارامترهای ورودی مدل flaash از خود نشان داده‌اند، اگرچه الگوریتم شبکه عصبی به‌طور کلی دارای خطای میانگین مربعات کمتر (به عنوان مثال 0.20 در مقایسه با 0.22) و ضریب تعیین بالاتر (به عنوان مثال 0.55 در مقایسه با 0.38) می‌باشد.

evaluation of atmospheric effects on the performance of neural network and regression tree in fcover modelling

the surface reflectance captured by satellites is exposed to the atmosphere gases and aerosols, and its value changes due to colliding with those particles. the change of surface reflectance can also effects on other uses of this quantity. atmospheric correction using different correction methods and algorithms could lead to different results. in addition, different values of atmospheric parameters such as water vapor, visibility, aerosol optical depth and co2 which are extracted from ground measurements, or from products of other sensors, or based on similar studies and the users’s guess can achieve different results. furthermore, even small changes in reflectance can lead to significant uncertainty in parameter retrieval or other remote sensing applications. the main purpose of this study is to evaluate the effect of atmospheric parameters on the accuracy of parameter retrieval from reflectance. for this regard, after implementing the flaash atmospheric correction on the landsat-8 image by changing the values of water vapor and visibility, fcover was modeled by neural network and regression tree algorithms. afterwards, effects of the uncertainty related to each atmospheric parameter is evaluated by paired sample t-test. results indicated changes of water vapor and visibility influences fcover retrieval, and causes more than 5 percent error. also, the neural network and regression tree have shown relatively similar and suitable performance for fcover modelling despite the uncertainty in the input parameters of flaash model.