برآورد شاخص سطح برگ با استفاده از سنجش‌ازدور و رگرسیون چندگانه در مقایسه با روش های یادگیری ماشین در مناطق خشک (بررسی موردی: دشت حسین آباد، خراسان جنوبی

چکیده مقاله

شاخص سطح برگ یک شاخص بیوفیزیکی حیاتی برای ارزیابی و پایش ساختار و عملکرد اکوسیستم‌ها به‌ویژه در مناطق خشک و نیمه-خشک محسوب می¬شود. مقادیر بالای این شاخص علاوه بر اینکه به ذخیره‌سازی بیشتر کربن در خاک کمک شایانی می‌کند به کاهش غلظت کربن¬دی‌اکسید در جو ومقابله با تغییرات اقلیمی و افزایش پایداری اکوسیستم‌ها نیز منجر می¬شود. پژوهش حاضر با هدف ارائه مدلی برای برآورد این شاخص در مناطق خشک با استفاده از رگرسیون خطی گام‌به‌گام در مقایسه با روش¬های یادگیری ماشین، با استفاده از تصاویر ماهواره¬ سنتینل-2 و تصاویر ابرطیفی ماهواره پریزما انجام شد. بدین منظور ابتدا عکس¬های نیم¬کروی در 61 واحد نمونه¬برداری با ابعاد 30 × 30 متر با استفاده از دوربین مجهز به عدسی چشم ماهی تهیه و میانگین مقادیر شاخص سطح برگ در هر واحد نمونه¬برداری با استفاده از نرم¬افزار CAN-EYE محاسبه شد. همچنین 61 متغیر محیطی شامل شاخص¬های گیاهی، بیوفیزیکی و خاک از تصاویر ماهواره-ای استخراج شدند. سپس رابطه میان متغیرهای کمکی محیطی و شاخص سطح برگ با استفاده از روش¬های رگرسیون خطی و یادگیری ماشین (شبکه عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی) محاسبه گردید. در روش رگرسیون گام به گام، در میان کلیه متغیرهای مستخرج از تصاویر ماهواره¬ای و شاخص سطح برگ رابطه¬ای معنادار و همبستگی چندگانه¬ای به¬ میزان 723/0، 18/0=MSE ، 47/0=R2 وجود دارد و بیشترین تأثیر بر این شاخص را نیز مؤلفه¬های اصلی استخراج¬شده از تصویر ابرطیفی ماهواره پریزما داشته است. از میان روش¬های یادگیری ماشین نیز پس از اجرای 100 تکرار، مدل جنگل تصادفی با میانگین 5781/1=MSE ، 88/0=R و واریانس 8487/0 نسبت به شبکه¬های عصبی مصنوعی و ماشین بردار پشتیبان از عملکرد بهتری برخوردار بود. بر اساس نتایج حاصل شده، در برآورد شاخص سطح برگ در مناطق خشک، روش¬های یادگیری ماشین به¬ویژه جنگل تصادفی، نسبت به روش¬های آماری مانند رگرسیون گام¬به¬گام از دقت بیشتری برخوردار هستند