ارزیابی شاخص‌های مختلف تمایز پوشش گیاهی و الگوریتم‌های پردازش تصویر برای تخمین بهره‌وری آب

درصد پوشش گیاهی از مهم‏ترین معیارهای ارزیابی، در بررسی اثرات توامان عوامل موثر در افزایش بهره‏وری آب محسوب می‏شود. با توجه ‏به پیشرفت و دسترسی همگانی به دوربین‏های دیجیتال، استفاده از شاخص‏های تمایز در محدوده طیف مرئی، پتانسیل قابل توجهی برای ‏محاسبه شاخص سطح برگ و میزان کلروفیل پوشش گیاهی فراهم می‏آورد. بنابراین در پژوهش حاضر، عملکرد ترکیب پنج شاخص گیاهی ‏تمایزدهنده با روش‌های مختلف آستانه‌گذاری خودکار در جداسازی پوشش گیاهی از پس‌زمینه تصویر برای گیاه چغندرقند بررسی گردید، که از ‏این تعداد، دو شاخص گیاهی تمایزدهنده برای نخستین بار معرفی شده است. نتایج نشان داد استفاده از شاخص جدید تفاضل ‏فزونی باند سبز ‏با فزونی باند آبی و الگوریتم آستانه‌گذاری ‏riddler-calvard‏ باعث شد صحت داده‏های محاسباتی به اندازه 29.54 درصد در مقایسه با ‏استفاده از شاخص قدیمی تفاضل فزونی باند سبز با فزونی باند ‏قرمز، افزایش پیداکند. در ادامه رابطه بین درصد پوشش گیاهی و عملکرد وزن ‏خشک گیاه بدست آمد، که تابع توانی بالاترین دقت داشت. روش آستانه‌گذاری ‏riddler-calvard‏ و شاخص جدید استخراج پوشش گیاهی ‏با 12.09 کیلوگرم خطا در برآورد عملکرد، بهترین روش و روش آستانه‌گذاری ‏otsu‏ و شاخص تفاضل فزونی باند سبز با فزونی باند ‏قرمز با ‏‏41.25 کیلوگرم خطا در برآورد عملکرد، بدترین روش بود.‏

evaluation of different vegetation discriminator indices and image processing algorithms to estimate water productivity

a canopy cover percentage is considered one of the most important evaluation criteria for evaluating the ‎simultaneous effects of impressive factors on water efficiency. since digital cameras are developed and ‎widely available, the use of discrimination indices in the visible spectrum is making it possible to calculate ‎the leaf area index and chlorophyll content of vegetation covers. therefore, in this study, the ‎performance of five plant vegetation discrimination indices (vids) and a variety of thresholding ‎algorithms was compared in order to distinguish the sugar beet’s vegetation cover from its background, ‎among which two new indices were introduced. in comparison with the old vid of excess green minus ‎excess red (exgr), using the new vid of excess green minus excess blue (exgb) and riddler-calvard’s ‎thresholding algorithm resulted in a 29.54 percent increase in vegetation cover segmentation accuracy. ‎following this step, we determined which function would best predictdry beet weight from vegetation ‎cover percentage, and the power function did the best. in order to estimate the yield, the segmentation ‎method based on riddler-calvard thresholding and the new canopy index of vegetation extraction ‎‎(civen) had an error of 12.09 kg. with an error of 41.25 kg, the segmentation method based on otsu ‎thresholding and exgr index performed worst.‎