برآورد کسر پوشش گیاهی چغندرقند با استفاده از تصویربرداری پهپادی و روش‏های جداسازی تصویر

کسر پوشش گیاهی یکی از مهم‌ترین معیارهای بررسی رشد و عملکرد گیاه بوده و یکی از داده‌های ورودی اکثر مدل‌های گیاهی به شمار می‌رود. کسر پوشش گیاهی سهولت بیش‌تری برای اندازه‌گیری نسبت به سایر روش‌ها که وابسته به بازدید میدانی یا پردازش تصاویر در خارج از محدوده طیفی مرئی ‏هستند، دارد.‏ در این مطالعه، از تصاویر پهپادی مزرعه چغندرقند در فصل زراعی 1395-1394 و در چهار تاریخ از اواخر اردیبهشت تا اوایل تیر در پژوهشگاه علوم گیاهی lindau سوئیس استفاده شد. ابتدا عملکرد ترکیب شش شاخص گیاهی در ترکیب با سه گونه الگوریتم آستانه‌گذاری مختلف برای جداسازی پیکسل‏های پوشش گیاهی چغندرقند از سایر پیکسل‏های پس‏زمینه تصویر، مورد ارزیابی قرار گرفت. سپس از میان 18 روش مورد بررسی، 6 روش برتر برای مقایسه با مقادیر واقعی زمینی در 30 ناحیه مختلف مزرعه و در چهار تاریخ از ابتدای چهار برگی شدن تا انتهای شش برگی شدن مورد ارزیابی قرار گرفتند. نتایج نشان داد سه شاخص exg، gli و rgbvi و دو الگوریتم آستانه‌گذاری otsu و ridler-calvard بهترین عملکرد را در جداسازی پوشش گیاهی داشتند. آماره‌های ارزیابی nrmse و r2 برای روش exg otsu به‌عنوان دقیق‏ترین روش، به‏ترتیب 5.13 درصد و 0.96 به‌دست آمد. هم‌چنین روش rgbvi rc با مقادیر nrmse و r2 به‌ترتیب، برابر با  8.18 درصد و 0.87 کم‌ترین دقت را برای برآورد پوشش گیاهی در ارزیابی اولیه نشان دادند. مقایسه شاخص‏های آماری نشان داد دو روش ‏exg otsu‏ و ‏exg rc‏ با عملکرد یکسان، بیش‌ترین همبستگی را با واقعیت زمینی داشتند. هم‌چنین ‏روش ‏gli otsu‏ کم‌ترین خطا را نسبت به داده‌های واقعیت زمینی داشت.

assessment of canopy cover fraction in sugar beet field using unmanned aerial vehicle imagery and different image segmentation methods

canopy cover fraction is one of the most important criteria for investigating the crop growth and yield and is one of the input data of most plant models. canopy cover fraction is an easier measurement than the other methods which id depended on field observations or image processing beyond the visible ‎spectrum. ‎ in this study, drone images of the sugar beet field in the cropping season of 2015-2016 and on the four dates from late may to late june at the lindau center of plant sciences research, switzerland were used. the research was conducted by six plant discrimination indices and three distinct thresholding algorithms to ‎segment sugar beet vegetation. ‎ then, among the 18 investigated methods, the best 6 methods were evaluated by comparing their values with the ground truth values in 30 different regions of the farm and on four dates from the beginning of the four-leaf stage to the end of the six-leaf stage. results showed that the exg, gli, and ‎rgbvi indices, in combination with the otsu and ridler-calvard thresholding algorithms, ‎demonstrate optimal performance in vegetation segmentation. ‎ the evaluation statistics of nrmse and r2 for the exg otsu method as the most accurate method ‎were obtained as 5.13 % and 0.96, respectively.‎ conversely, the rgbvi rc method exhibits the least accuracy in the initial evaluation, with ‎nrmse and r2 values of 8.18 % and 0.87, respectively. comparative analysis of statistical indicators showed that the exg otsu and exg rc methods with similar performance, displaying ‎the highest correlation with ground truths. additionally, the gli otsu method consistently demonstrates the lowest ‎error compared to ‎ground truths. ‎