تفكيك طيفي گونه هاي مهم باغي با استفاده از شاخص هاي ابرطيفي و رويكردهاي هو ش مصنوعي

Spectral discrimination of important orchard species using hyperspectral indices and artificial intelligence approaches

مطالعه انعكاس طيفي پديده‌ها از طريق شاخص­ هاي طيفي امكان استفاده بهينه از دامنه وسيع طول‌موج‌هاي طيفي را در داده‌هاي ابرطيفي فراهم مي‌كند. هدف از تحقيق، معرفي و ارزيابي عملكرد شاخص ­هاي طيفي در تفكيك گونه ­هاي غالب باغي در استان چهارمحال و بختياري است. در اين تحقيق 150 نمونه طيفي در محدوده 350 الي 2500 نانومتر، از گونه ­هاي انگور، گردو و بادام در انواعي از شرايط برداشت شد و پس از تصحيح اوليه، 30 عدد از مهم‌ترين شاخص­ هاي طيفي موجود در اين زمينه استخراج شدند. آزمون واريانس و مقايسه ميانگين ­ها جهت شناسايي شاخص­ هاي بهينه در تفكيك گونه ­ها، در سطح 99 درصد اطمينان اجرا شد. سپس از دو رويكرد شبكه عصبي مصنوعي و ماشين بردار پشتيبان جهت ارزيابي عملكرد شاخص­ ها در تفكيك گونه­ ها استفاده شد. نتايج آزمون واريانس نشان داد كه شاخص­ هاي تنش رطوبت، نسبت باند در 1200 نانومتر، شاخص نرمال شده فئوئوفيتين و شاخص جذب سلولز جهت تفكيك گونه­ هاي موردمطالعه بهينه هستند. نتايج ارزيابي عملكرد شاخص­ هاي معرفي‌شده نتيجه 100 درصد تفكيك گونه‌ها را در دو رويكرد شبكه عصبي مصنوعي و ماشين بردار پشتيبان، در هر دو مرحله آموزش و آزمون نشان داده است. اين نتايج لزوم انجام مطالعات طيف‌سنجي را براي تفكيك گونه ­هاي باغي پيش از تحليل داده‌هاي تصويري ابرطيفي به دليل حجم وسيع و هزينه بيشتر تهيه و تحليل آن‌ها نشان مي ­دهد.

Study spectral reflectance through spectral indices allows the optimal use of the wide range of spectral wavelengths in hyperspectral data. The purpose of this study was to introduce and evaluate the performance of spectral indices to discriminate dominant orchard species in Chaharmahal Bakhtiari province. In this study, 150 spectral curves were measured in the range of 350 to 2500 mm, from grapes, walnuts and almond trees. After the initial correction, 30 of the most important spectral indices were extracted. Analysis of variance and comparisons of meanings was applied to identify the optimal indices for species discrimination at a 99% confidence level. Then, an artificial neural network (ANN) and support vector machine (SVM) approaches were used to evaluate the performance of indices in species discrimination. ANOVA results indicated that the Moisture Stress Index (MSI), Band ratio at 1,200 nm, normalized phaepophytiniz index (NPQI) and cellulose absorption index (CAI) indices are optimal for discrimination of the studied species. The performance evaluation of the introduced indicators in some of the ANN and SVM enhancement structures has been associated with 100% accuracy in both education and testing, which shows the effectiveness of these studies in distinguishing orchard species. The performance evaluation of the introduced indicators has been validated at 100% in both training and testing stages. This result emphasizes the necessity of performing spectroscopic studies to separate the orchard species before analyzing the hyperspectral images due to their large data volume, high cost and huge data analysis.