برآورد زیست توده گندم زمستانه (Triticum Aestivum L.) با استفاده از مدل‌های رگرسیون خطی چندگانه، شبکه عصبی مصنوعی و داده‌های سنجش از دور

سابقه و هدف: زیست‌توده ارتباط حیاتی بین مصرف انرژی خورشیدی و عملکرد گیاه را فراهم می‌کند، بنابراین برآورد صحیح آن برای پایش دقیق رشد محصول و پیش‌بینی عملکرد بسیار مهم است و به مدیران کشاورزی برای بهبود مدیریت زمین‌های زراعی کمک می‌کند. در چند دهه اخیر، سنجش از دور به عنوان ابزاری برای تخمین پارامترهای بیوفیزیکی گیاه به صورت گسترده مورد استفاده قرار گرفته است. توانایی فناوری سنجش از دور برای تخمین زیست‌توده گیاهی امید بخش، سریع، دوره‌ای و غیرمخرب است. بدین منظور، این تحقیق با هدف کاربرد فناوری سنجش از دور و مقایسه دو مدل آماری رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برای برآورد زیست‌توده گندم زمستانه در شهرستان شهرکرد، استان چهارمحال و بختیاری در سال 1396 انجام شد.مواد و روش‌ها: در این پژوهش به منظور برآورد زیست‌توده گیاه گندم به وسیله تصاویر ماهواره لندست 8، هشت مزرعه زیر کشت گندم زمستانه با مساحت بین 10 تا 60 هکتار در سراسر شهرستان شهرکرد، در نظر گرفته شد. سپس موقعیت 120 واحد نمونهبرداری به صورت تصادفی در مزارع مورد مطالعه توسط gps تعیین گردید. واحدهای نمونه‌برداری به صورت مربع‌های 30×30 متری مطابق با پیکسل‌های لندست بود. هر یک از این واحدها، شامل 5 پلات 25/0 مترمربعی در چهار گوشه و مرکز مربع می‌باشد. درطی فصل رشد در تاریخ‌های 31 فروردین (20 آوریل)، 1 خرداد (22 می)، 2 تیر (23 ژوئن) و 3 مرداد (25 ژولای) سال 1396 همزمان با عبور ماهواره لندست 8 به مزارع مراجعه و نمونه‌برداری انجام گردید. جمع‌آوری داده‌های میدانی شامل زیست‌توده اندام هوایی و شمارش تعداد بوته‌ها در هر پلات بود. سپس نمونه‌ها به آزمایشگاه منتقل گردیده و آون خشک و وزن شدند. همزمان دادههای مربوط به سنجش از دور ماهواره لندست 8 در این تاریخ‌ها به دست آمد و شاخص‌های گیاهی به کمک باندهای ماهواره‌ای محاسبه شد. در این بررسی زیست‌توده گندم با استفاده از 25 شاخص گیاهی و دو روش رگرسیون خطی چند متغیره و شبکه عصبی مصنوعی (artificial neural network, ann) برآورد شد. مدل شبکه عصبی مصنوعی پرسپترون با چندلایه (پیش‌خور) طراحی شد و کارایی آن با نتایج مدل رگرسیون خطی چند متغیره مقایسه گردید. اعتبارسنجی و آزمون مدل ها و مقایسه نتایج این دو مدل با استفاده از آماره‌هایی نظیر ضریب تبیین (r2)، شاخص جذر میانگین مربعات خطا (rmse)، و میانگین خطا (me) انجام گرفت. یافته‌ها: نتایج نشان داد که مدل شبکه عصبی مصنوعی با 83/0=r2 و g/m2 91/53=rmse برای داده‌های آموزش و 85/0=r2 و g/m2 74/46=rmse برای داده‌های آزمون و مدل رگرسیون خطی چند متغیره با 78/0=r2 و g/m2 68/65=rmse زیست‌توده را برآورد کرده‌اند. در روش رگرسیون خطی چند متغیره، شاخص‌های evi، cigreen، psri، cri، vari و gndvi به ترتیب موثرترین شاخص در تخمین میزان زیست‌توده محصول بودند. شاخص‌های gi، savi، arvi، cri، evi، ndwi، msr و ndvi به ترتیب بیشترین حساسیت را در رابطه با زیست‌توده گندم در مدل شبکه عصبی مصنوعی داشتند.نتیجه‌گیری: یافته‌های پژوهش حاضر نشان داد که با بهره‌گیری از تصاویر ماهواره‌ای و توسعه مدل‌های آماری پارامتری و غیرپارامتری امکان برآورد زیست‌توده گندم زمستانه در منطقه مورد مطالعه وجود دارد. همچنین روش شبکه عصبی مصنوعی نسبت به روش رگرسیون خطی چندگانه صحت پیش‌بینی بهتری دارد و لذا استفاده از این روش به عنوان یک رهیافت مناسب در برآورد زیست‌توده گندم زمستانه پیشنهاد می‌شود.

Estimation of above-ground biomass of winter wheat (Triticum aestivum L.) using multiple linear regression, artificial neural network models remote sensing data

Background and objectives: Aboveground biomass (AGB) provides a vital link between solar energy consumption and crop yield, so accurate estimation of biomass is very important for accurate monitoring of crop growth and yield prediction and helps agricultural managers to improve crop management. In recent decades, remote sensing has been widely used as a tool to estimate crop biophysical parameters. The potentials of remote sensing techniques promise fast, periodical, and nondestructive estimation of aboveground biomass. For this purpose, this study was conducted with the aim of applying remote sensing technology and comparing two statistical models of multiple linear regression and artificial neural network to estimate winter wheat biomass in Shahrekord County, Chaharmahal and Bakhtiari province in 2017. Materials and methods: In this study, in order to estimate the wheat biomass by Landsat 8 satellite images, eight fields under winter wheat cultivation with an area between 10 to 60 hectares throughout Shahrekord County were considered. Then the location of 120 sampling units was randomly determined by GPS. Samples units were taken as 30 × 30 m squares according to Landsat pixels. Each of these units includes 5 plots of 0.25 m2 in four corners and the center of the square. During the growing season, on 20th April, 22nd May, 23rd June, and 25th July 2017, at the same time the satellite passes, sampling was carried out on farms. Field data collection included aboveground biomass and counting the number of plants per plot. Then the samples were transferred to the laboratory and dried and weighed. At the same time, data from Landsat 8 satellite remote sensing were obtained at these dates, and vegetation indices were calculated using satellite bands. In this study, wheat biomass was estimated using 25 vegetation indices and multivariate linear regression (MLR) and artificial neural network methods (ANN). Multilayer perceptron artificial neural network model (feedforward) was designed and its performance was compared with multivariate linear regression model. To construct and validate the model and compare the results of these two models, statistics such as coefficient of determination (R2), root mean square error index (RMSE) and mean error (ME) were used. Results: The results showed that the ANN model with R2=0.83 and RMSE=53.91 g/m2 for training data and R2=0.85 and RMSE=46.74 g/m2 for test data and multivariate linear regression model with R2=0.78 and RMSE=65.68 g/m2 estimated biomass. In multivariate linear regression, EVI, CIgreen, PSRI, CRI, VARI, and GNDVI indices are the most effective indices for estimating crop biomass, respectively. GI, SAVI, ARVI, CRI, EVI, NDWI, MSR, and NDVI indices were the most sensitive to wheat biomass in ANN model, respectively.Conclusion: The findings of the present study showed that the use of satellite images and developing parametric and nonparametric statistical models helps to estimate winter wheat biomass in the study area. Also, the artificial neural network method has better predictive accuracy than the multiple linear regression method. Therefore, the use of this method as a suitable approach in estimating winter wheat biomass is suggested.