تخمين توزيع مكاني-زماني شاخص سطح برگ با استفاده از تصاوير ماهواره-ايSentinel-2 (مطالعه موردي: مزارع ذرت علوفه‌اي جنوب تهران)

شاخص سطح برگ (LAI)، در مطالعات هيدرولوژي، كشاورزي و مديريت آبياري اراضي، نقش مهمي را ايفا مي‌كند. به منظور دستيابي به الگوريتم مناسب، با دقت و استوار يا پايدار(robust) براي تخمين توزيع مكانيزماني LAI با استفاده از تصاوير Sentinel2، الگوريتم‌هاي رگرسيون بردار پشتيبان (SVR)، Kernel Ridge Regression (KRR)، (RVM) Relevance Vector Machines و رگرسيون فرآيند گوسي (GPR)، كاليبره و مورد ارزيابي قرار گرفتند. داده‌هاي اين تحقيق، از مزارع ذرت علوفه‌اي شهرستان قلعه‌نو در استان تهران، در كل دوره رشد آن در تابستان 1397، از طريق اندازه‌گيري تخريبي و نيز عكسبرداري نيم‌كروي، جمع‌آوري شد. نتايج تحقيق با الگوريتم‌هاي متداول در اين حوزه؛ جنگل تصادفي (RF) و شبكه عصبي مصنوعي (ANN)، مقايسه گرديدند. نتايج نشان مي‌دهد كه الگوريتم GPR، نه تنها از دقت (در گروه باندي بيست متري، 0.913=R2 و 0.641=RMSE)، سرعت و پايداري بالاتري در تخمين LAI برخوردار بوده، بلكه قابليت منحصر به فرد ايجاد نقشه پيكسل مبناي عدم اطمينان (عدم اطمينان و عدم اطمينان نسبي، به ترتيب، به مساحت 96% و 74% از كل منطقه كمتر از 0.7 و30%) را داراست. با در نظر گرفتن مقادير R2 و RMSE، SVR دومين الگوريتم با دقت براي برآورد LAI و بعد از آن، RVM، KRR، RF و ANN، به ترتيب مي‌باشند. مقايسه LAI تخمين زده شده و ميداني در دفعات نمونه‌برداري با RMSE = 0.276 و 0.099 = Bias، و ساير مزاياي مطرح شده، بر كارآيي الگوريتم GPR در تخمين توزيع مكانيزماني LAI دلالت دارد.