تخمين شاخص سطح برگ با استفاده از داده‌هاي ماهواره اي IRS در منطقه نيشابور

Estimation of Leaf Area Index Using IRS Satellite Images Case Study: Neyshabour

تخمين ويژگي‌هاي ساختاري پوشش گياهي نظير شاخص سطح برگ يك قدم مهم در تعيين مقدار آب مصرفي در گياهان مختلف است. هدف از اين مطالعه بررسي توانايي داده‌هاي تصاوير ماهواره اي IRS LISS-III به منظور بازيابي شاخص سطح برگ است. جهت بدست آوردن شاخص سطح برگ و هم چنين ارايه يك مدل بر اساس بازتابش و شاخص‌هاي پوشش گياهي اطلاعات مورد نياز از شهرستان نيشابور واقع در استان خراسان رضوي جمع آوري گرديد. در اين مطالعه تصحيحات اتمسفري جهت محاسبه شاخص NDVI انجام شد. 50 داده مربوط به شاخص سطح برگ از درختان سيب، آلو و گلابي و گيلاس با استفاده از دستگاه Sun Scan System – SS1 برداشت شد و مورد تجزيه و تحليل قرار گرفتند. با تعيين موقعيت نمونه ها بر روي تصوير ماهواره اي در جات روشنايي پيكسل هاي مربوط به شاخص NDVI استخراج گرديدند و رابطه ميان اين درجات روشنايي و شاخص سطح برگ مورد بررسي قرار گرفتند. نتايج نشان داد كه بهترين مدل ارايه شده با استفاده ازآناليز‌هاي آماري و رگرسيون خطي به صورت LAI = 19.305×NDVI+5.514 است. نتايج ضريب همبستگي برابر با 534/0 با مقدار خطاي باقي مانده 67/0 را ارايه داد. به طور كلي مي توان گفت استفاده از داده هاي NDVI كه بر اساس از تصاوير سنجش از دور بدست مي آيد به منظور تخمين شاخص سطح برگ تنها عامل موثر در تخمين اين شاخص نمي باشد؛ بلكه دانش قبلي و داشتن اطلاعاتي نظير ساختار گياهي و اثرات زمينه خاك نيز بسيار مهم هستند. بنابراين برخي از ويژگي هاي منطقه مورد مطالعه بايستي مورد توجه قرار گيرد، قبل از آن كه تصاوير ماهواره اي چند باندي به منظور بررسي متغير هاي گياهي مورد استفاده قرار گيرند.

Estimation of vegetation cover attributes, such as the Leaf Area Index (LAI), is an important step in identifying the amount of water use for some plants. The goal of this study is to investigate the feasibility of using IRS LISS-III data to retrieve LAI. To get a LAI retrieval model based on reflectance and vegetation index, detailed field data were collected in the study area of eastern Iran. In this study, atmospheric corrected IRS LISS-III imagery was used to calculate Normalized Difference Vegetation Index (NDVI). Data of 50 samples of LAI were measured by Sun Scan System – SS1 in the study area. In situ measurements of LAI were related to widely use spectral vegetation indices (NDVI). The best model through analyzing the results was LAI = 19.305×NDVI+5.514 using the method of linear-regression analysis. The results showed that the correlation coefficient R2 was 0.534 and RMSE was 0.67. Thereby, suggesting that, when using remote sensing NDVI for LAI estimation, not only is the choice of NDVI of importance but also prior knowledge of plant architecture and soil background. Hence, some kind of landscape stratification is required before using multi- spectral imagery for large-scale mapping of vegetation biophysical variables.