بازیابی پارامتر های شاخص سطح برگ، مقدار کلروفیل و سطح پوشیده شده با پوشش گیاهی با استفاده از رویکرد آماری-تجربی از تصاویر ابرطیفی ماهوارۀ کریس-پروبا در منطقه باراکس اسپانیا

بازیابی پارامتر‌های بیوفیزیکی و بیوشیمیایی پوشش گیاهی که در طیف گسترده‌ای از برنامه‌ها مانند مطالعات اقلیمی، نرخ فتوسنتز، وضعیت تغذیه‌ای گیاهان و چرخه‌های ژئوشیمیایی مورد استفاده قرار می‌گیرند، از اهمیت بالایی برخوردار است. آگاهی از این پارامتر‌ها دید مناسبی دربارۀ سلامت گیاهان، وضعیت رشد آن‌ها و کیفیت پوشش گیاهی فراهم می‌آورد و امکان بررسی طولانی‌مدت پویایی پوشش گیاهی را میسر می‌سازد. به‌طورکلی، رویکرد‌های بازیابی پارامتر در دو گروه کلی رویکرد‌های آماری  تجربی و رویکرد‌های مبتنی بر مدل‌های فیزیکی قرار می‌گیرند. در این مطالعه بازیابی پارامتر‌های شاخص سطح برگ (lai)، مقدار کلروفیل و سطح پوشیده‌شده با پوشش گیاهی (fvc) با استفاده از رویکرد آماری  تجربی از تصاویر ماهواره‌ای کریس  پروبا در منطقۀ باراکس اسپانیا ارائه شده ‌است. در این رویکرد برای بازیابی پارامترهای پوشش گیاهی، نیازمند داده‌های میدانی جمع‌آوری‌شده و یک تصویر ماهواره‌ای از منطقه مورد مطالعه بوده تا با فراهم کردن این داده‌ها و برقراری ارتباط بین آن‌ها، مدل کالیبره‌شده و با استفاده از روش‌های رگرسیون خطی و غیرخطی نسبت‌به بازیابی پارامتر‌های پوشش گیاهی اقدام کرد. نتایج حاصل از این مطالعه نشان دادند که در بازیابی شاخص سطح برگ، مقدار کلروفیل و سطح پوشیده‌شده با پوشش گیاهی به‌ترتیب مدل‌های exponential gpr (rmse= 0.78, r^2=0.77, mae=0.49)،  rational quadratic gpr (rmse= 4.55, r^2=0.36, mae=3.61) و squared exponential gpr (rmse=0.11, r^2=0.71, mae=0.09) بهترین برآورد و برازش با داده‌های میدانی را ارائه دادند. تجزیه و تحلیل نقشه‌های بازیابی‌شدۀ شاخص‌های lai، مقدار کلروفیل و fvc نشان دادند که مدل‌های فرایند گاوسی که از روش‌های رگرسیون غیرخطی هستند، در مقایسه با روش‌های رگرسیون خطی و روش‌های ماشین‌بردار پشتیبان، در بازیابی پارامتر‌های مذکور عملکرد بهتری داشته‌اند. نقشه‌های بازیابی‌شده نشان می‌دهند که مدل‌های مختلف گاوسی نه‌تنها در بازیابی شکل اراضی کشاورزی موفق عمل کرده، بلکه تغییرات شاخص‌های lai، مقدار کلروفیل و fvc داخل اراضی کشاورزی را نیز با دقت مطلوبی بازیابی کرده‌اند.

retrieving parameters of leaf area index, chlorophyll content and fraction of vegetation cover using an empirical-statistical approach from chris-proba satellite hyperspectral images over the barrax area in spain

it’s important to retrieve parameters of leaf area index, chlorophyll content and fraction of vegetation cover area used in a wide range of applications such as climate studies, photosynthesis rates, plant nutritional status and geochemical cycles. the knowledge of such parameters provides good insight into the vegetation health, growth stage and quality of vegetation and allows the study the long-term dynamics of vegetation. generally, parameter retrieval approaches usually fall into two general groups: empirical-statistical approaches and approaches based on physical models. in this study, the retrieving parameters of leaf area index (lai), chlorophyll content and fraction of vegetation cover (fvc) are presented using an empirical-statistical approach from chris-proba satellite images over the barrax area in spain. in this approach, field data and a satellite image of the study area is required to retrieve vegetation parameters. by providing this data and establishing a relationship between them, the model is calibrated. eventually, by using linear and nonlinear regression methods, vegetation parameters were retrieved. the results of this study showed that in the retrieving of leaf area index, chlorophyll content and fraction of vegetation cover, exponential gpr (rmse= 0.78, r2=0.77, mae=0.49), rational quadratic gpr (rmse= 4.55, r2=0.36, mae=3.61) and squared exponential gpr (rmse= 0.11, r2=0.71, mae=0.09) models provided the best estimation and fit with the field data. respectively, analysis of retrieved maps of lai, chlorophyll content and fvc indices showed that gaussian process models, which are nonlinear regression methods, performed better than linear regression methods and supported vector machine methods in retrieving the vegetation parameters. the retrieved maps showed that different gaussian models have not only been successful in retrieving the shape of agricultural lands, but have also retrieved changes in lai, chlorophyll content and fvc within agricultural lands with good accuracy