بازيابي پارامتر هاي شاخص سطح برگ، مقدار كلروفيل و سطح پوشيده شده با پوشش گياهي با استفاده از رويكرد آماري-تجربي از تصاوير ابرطيفي ماهواره كريس-پروبا در منطقه باراكس اسپانيا

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

بازيابي پارامتر‌هاي بيوفيزيكي و بيوشيميايي پوشش گياهي كه در طيف گسترده‌اي از برنامه‌ها مانند مطالعات اقليمي، نرخ فتوسنتز، وضعيت تغذيه‌اي گياهان و چرخه‌هاي ژئوشيميايي مورد استفاده قرار مي‌گيرند، از اهميت بالايي برخوردار است. آگاهي از اين پارامتر‌ها ديد مناسبي دربارۀ سلامت گياهان، وضعيت رشد آن‌ها و كيفيت پوشش گياهي فراهم مي‌آورد و امكان بررسي طولاني‌مدت پويايي پوشش گياهي را ميسر مي‌سازد. به‌طوركلي، رويكرد‌هاي بازيابي پارامتر در دو گروه كلي رويكرد‌هاي آماري ـ تجربي و رويكرد‌هاي مبتني بر مدل‌هاي فيزيكي قرار مي‌گيرند. در اين مطالعه بازيابي پارامتر‌هاي شاخص سطح برگ (LAI)، مقدار كلروفيل و سطح پوشيده‌شده با پوشش گياهي (FVC) با استفاده از رويكرد آماري ـ تجربي از تصاوير ماهواره‌اي كريس ـ پروبا در منطقۀ باراكس اسپانيا ارائه شده ‌است. در اين رويكرد براي بازيابي پارامترهاي پوشش گياهي، نيازمند داده‌هاي ميداني جمع‌آوري‌شده و يك تصوير ماهواره‌اي از منطقه مورد مطالعه بوده تا با فراهم كردن اين داده‌ها و برقراري ارتباط بين آن‌ها، مدل كاليبره‌شده و با استفاده از روش‌هاي رگرسيون خطي و غيرخطي نسبت‌به بازيابي پارامتر‌هاي پوشش گياهي اقدام كرد. نتايج حاصل از اين مطالعه نشان دادند كه در بازيابي شاخص سطح برگ، مقدار كلروفيل و سطح پوشيده‌شده با پوشش گياهي به‌ترتيب مدل‌هاي Exponential GPR (RMSE= 0.78, R2=0.77, MAE=0.49)، Rational Quadratic GPR (RMSE= 4.55, R2=0.36, MAE=3.61) و Squared Exponential GPR (RMSE=0.11, R2=0.71, MAE=0.09) بهترين برآورد و برازش با داده‌هاي ميداني را ارائه دادند. تجزيه و تحليل نقشه‌هاي بازيابي‌شدۀ شاخص‌هاي LAI، مقدار كلروفيل و FVC نشان دادند كه مدل‌هاي فرايند گاوسي كه از روش‌هاي رگرسيون غيرخطي هستند، در مقايسه با روش‌هاي رگرسيون خطي و روش‌هاي ماشين‌بردار پشتيبان، در بازيابي پارامتر‌هاي مذكور عملكرد بهتري داشته‌اند. نقشه‌هاي بازيابي‌شده نشان مي‌دهند كه مدل‌هاي مختلف گاوسي نه‌تنها در بازيابي شكل اراضي كشاورزي موفق عمل كرده، بلكه تغييرات شاخص‌هاي LAI، مقدار كلروفيل و FVC داخل اراضي كشاورزي را نيز با دقت مطلوبي بازيابي كرده‌اند.

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