تخمين ميزان كلروفيل در درختان پسته با استفاده از داده هاي فراطيفي

Estimation of Chlorophyll in Pistachio Trees Using Hyperspectral Data

تخمین دقیق پارامترهای بیوفیزیكی و بیوشیمیایی گیاهان در زمینه های مختلفی مانند كشاورزی، اكولوژی و هواشناسی اهمیت بسزایی دارد. در میان محصولات كشاورزی ایران، اهمیت استراتژیكی-اقتصادی پسته ضرورت توجه بیشتر به برنامه ریزی جهت افزایش تولید این محصول را آشكار می سازد. هدف اصلی این مطالعه مقایسه روش های آماری تك متغیره شاخص های باریك باند گیاهی و روش های چند متغیره SMLR و PLSR در پیش بینی غلظت كلروفیل برگ درختان پسته با استفاده از داده های انعكاسی فراطیفی می باشد. داده های طیفی از برگ درختان پسته كه در مقاطع رشد و شرایط گوناگون جمع آوری گردیده بودند، در اتاق تاریك با دستگاه طیف سنج ASD Field Spectrometer III تهیه شدند. سپس میزان كلروفیل برگ ها با دستگاه كلروفیل متر SPAD قرائت شدند و همچنین آزمایشات شیمیایی جهت استخراج غلظت كلروفیل نمونه ها در آزمایشگاه شیمی انجام شد. در میان شاخص های گیاهی باریك باند جهت پیش بینی غلظت كلروفیل نمونه ها، شاخص RVI با طول موج های بهینه 670 و 734 نانومتر و استفاده از داده های طیفی تبدیل شده مشتق اول بیشترین دقت را داشت (72/0 =، 25/0 RRMSEcv=). نتایج بدست آمده از روش های چند متغیره در پیش بینی غلظت كلروفیل نیز نشان داد كه، مدل های PLSR و SMLR با استفاده از داده های طیفی تبدیل شده مشتق اول دقت بالاتری نسبت به روش های تك متغیره داشتند (79/0 =،21/0 RRMSEcv=). به طور كلی نتایج این تحقیق نشان داد، داده های انعكاسی فراطیفی پتانسیل بالایی در پایش سلامت و وضعیت رشد محصولات كشاورزی، مخصوصا برگ درختان پسته دارند و همچنین مدل های آماری چند متغیره نسبت به روش های تك متغیره دقت بالاتری در پیش بینی غلطت كلروفیل برگ درختان پسته داشتند و داده های انعكاسی تبدیل شده نسبت به داده های طیفی اولیه دارای توانایی بالاتری در پیش بینی میزان كلروفیل هستند.

Accurate quantitative estimation of vegetation biochemical and biophysical characteristics is necessary for a large variety of agricultural, ecological and meteorological applications. Among agricultural products in Iran, strategic and economical importance of Pistachio highlights the essential planning for improvement and increase of its production. The aim of this study is to compare the utility of statistical multivariate calibration techniques, including Stepwise Multiple Linear Regression (SMLR) and Partial Least Squares Regression (PLSR) with univariate techniques such as narrow band vegetation indices using hyperspectral data for estimating chlorophyll content of Pistachio trees. Pistachio leaves were collected in different growth stage. Spectral and chemical measurements were obtained from the collected samples at the laboratory, using ASD Field Spectrometer III, SPAD measurements and wet chemical analysis. Narrow band indices derived from all possible two-band combinations of reflectance and first derivative data were assessed and the best band combinations with the highest R^2 values were selected and used in linear regressions to predict the studied parameters. Among studied indices, the narrow band RVI index with wavelengths 670 nm and 734 nm using first derivative were recognized as the best index for predicting chlorophyll (R2cv = 0.72، RRMSEcv = 0.25). The results of multivariate analysis showed that PLSR and SMLR techniques using first derivative data are better than narrow band indices in chlorophyll prediction, respectively (R2cv = 0.79 and RRMSEcv = 0.21). In a nutshell this study showed that multivariate calibration techniques increase the accuracy of predicting chlorophyll content in Pistachio leaves comparing to univariate techniques. Also first derivative transformation would increase the accuracy of predicted parameters compared to reflectance values. The results highlight the benefits of using hyperspectral measurements in assessing the biochemical parameters of Pistachios trees and therefore are recommended for analysis of health and growth status of agricultural products.