آناليز مقايسه‏اي بازيابي شاخص سطح برگ با استفاده از روش‏هاي يادگيري ماشين مبتني‌بر داده‌هاي ابرطيفي

متغيرهاي بيوفيزيكي و بيوشيميايي پوشش گياهي، به‌منزله متغيرهاي ورودي، براي مدل‌هاي متفاوت چرخه كربن، آب، انرژي و مدل‌هاي اقليمي و كشاورزي دقيق نقش مهمي ايفا‌ مي‌كنند. يكي از مهم‌ترين متغيرهاي مربوط به تاج‌پوشش گياه، كه كاربردهاي فراواني در مدل‌سازي‏هاي گوناگون خاك و گياه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روش‏هاي گوناگوني براي بازيابي LAI از تصاوير ابرطيفي به‌كار رفته‌اند كه، از ميان آنها، روش‏هاي ناپارامتريك غيرخطي يادگيري ماشين بسيار مورد توجه قرار گرفته‌اند زيرا، در مواجهه با داده‌هاي داراي ابعاد زياد، انعطاف‌پذيرند. بااين‌حال، در مطالعات پيشين، به بررسي عملكرد روش‏هاي يادگيري ماشين در بازيابي مقادير LAI در مقادير حاشيه‏اي (مقادير خارج از دامنه نمونه‏گيري زميني) و قابليت اين روش‌ها در تهيه نقشه متغير توجه چنداني نشده است. در اين تحقيق، عملكرد چهار روش پركاربرد يادگيري ماشين شامل رگرسيون بردار پشتيبان، فرايند گاوسي، شبكه عصبي مصنوعي و جنگل تصادفي در بازيابي LAI از تصوير ابرطيفي ماهواره كريس‌ـ پروبا بررسي شده است. نتايج نشان داد كه، به‌رغم كارآيي هر چهار روش در بازيابي مقادير LAI براي دامنه مقادير اندازه‏گيري‌‌شده زميني با RMSE بهتر از 0.5 و خطاي نسبي كمتر از 10%، روش‏هاي فرايند گاوسي و رگرسيون بردار پشتيبان صحت بالاتري در مقايسه با ساير روش‏ها دارند. باوجوداين، عملكرد روش شبكه عصبي مصنوعي، در تخمين LAIهاي داراي مقادير حاشيه‏اي، بهتر از ديگر روش‏هاست و نقشه تهيه‌شده با اين روش و تابع يادگيري GDA  تطابق بيشتري با نقشه NDVI و تصوير ابرطيفي منطقه دارد.