كاربرد شبكه هاي عصبي مصنوعي(ANN) در تخمين محتواي آبي گياهان(VWC) با استفاده از داده هاي فرا‌طيفي

Application of Artificial Neural Network (ANN) to Vegetation Water Content (VWC) Estimation Using Hyper-spectral Measurements

با گسترش سنجش از دور فراطیفی امكان بهره گیری از گروه جدیدی از شاخص های طیفی و مدل‌های آماری، برای تخمین پارامترهای بیو فیزیكی و بیوشیمیایی گیاهان به وجود آمده است. یكی از پارامتر های بیوشیمیایی گیاه، محتوای آبی گیاه (VWC) است كه پارامتری مهم در بخش كشاورزی است و می‌تواند در جهت آبیاری صحیح و ارزیابی شرایط خشكسالی مورد استفاده قرار بگیرد. در این تحقیق با استفاده از شبكه های عصبی مصنوعی و داده های فرا طیفی كه با استفاده از دستگاه اسپكترومتر GER 3700‌بدست آمده اند به تخمین محتوای آبی گیاهان پرداخته شد. چهار گونه گیاهی متفاوت برای نمونه برداری طیفی و اندازه گیری محتوای آبی گیاه انتخاب شدند. در مجموع با ایجاد تغییر در تراكم تاج پوشش گیاهان 95 نمونه شامل بازتاب های طیفی و همچنین اندازه گیری های محتوای آبی گیاهان برای آموزش شبكه مهیا شد. سپس یك شبكه پس انتشار خطا (پرسپترون چند لایه) با سه گروه از ورودی ها كه شامل تمامی باند های باریك موجود، ده مولفه اصلی اول و همچنین چهار شاخص باریك باند گیاهی بودند برای تخمینVWC ‌مورد استفاده قرار گرفت. برای ارزیابی كارایی شبكه در تخمینVWC از روش Cross-validation استفاده شد. با استفاده از رگرسیون خطی ساده بین خروجی شبكه و داده‌های اندازه گیری شده VWCگیاه و بر حسب معیارهای Rcv2و RMSEcv بهترین مدل انتخاب شد. نتایج تحقیق نشان دادند كه شبكه های عصبی دارای قابلیت بالا در تخمین VWC با استفاده از داده ای فراطیفی می باشند (Rcv=0.88, RMSEcv=0.31).

Hyper-spectral measurements obtained using a GER 3700 spectra-radiometer including 584 narrow bands in spectral region of 400–2400 nm were applied to estimate vegetation water content (VWC). Developments in hyper spectral remote sensing have led to developing the new groups of spectral indices and statistical models for estimating biophysical and biochemical properties of vegetation. In this study a back - propagation neural network with three groups of input data set including all spectral bands, the first ten principal components and the best narrow band indices were applied separately as input to estimate the VWC. The suitability of the network efficiency was analyzed applying cross validation technique. The best ANN was obtained using simple linear regression between measured VWC and network outputs in terms of RMSECV and R2cv. The results of this study showed that ANN has a high potential for estimating VWC by hyper-spectral data (Rcv=0.88, RMSEcv=0.31).