تخمین توزیع مکانی-زمانی شاخص سطح برگ با استفاده از تصاویر ماهواره-ایSentinel-2 (مطالعه موردی: مزارع ذرت علوفه‌ای جنوب تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری سنجش از دور، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران

2 دانشیار گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران

3 دانشیار گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران.

4 استادیار گروه آگرواکولوژی، موسسه تحقیقاتی علوم محیطی، دانشگاه شهید بهشتی.

5 موسسه روش‌شناسی برای تحلیل‌های محیطی (CNR IMAA)، C.da S.Loja snc, 85050 Tito (Potenza)، ایتالیا.

چکیده

شاخص سطح برگ (LAI)، در مطالعات هیدرولوژی، کشاورزی و مدیریت آبیاری اراضی، نقش مهمی را ایفا می‌کند. به منظور دستیابی به الگوریتم مناسب، با دقت و استوار یا پایدار(robust) برای تخمین توزیع مکانی-زمانی LAI با استفاده از تصاویر Sentinel-2، الگوریتم‌های رگرسیون بردار پشتیبان (SVR)، Kernel Ridge Regression (KRR)، (RVM) Relevance Vector Machines و رگرسیون فرآیند گوسی (GPR)، کالیبره و مورد ارزیابی قرار گرفتند. داده‌های این تحقیق، از مزارع ذرت علوفه‌ای شهرستان قلعه‌نو در استان تهران، در کل دوره رشد آن در تابستان 1397، از طریق اندازه‌گیری تخریبی و نیز عکسبرداری نیم‌کروی، جمع‌آوری شد. نتایج تحقیق با الگوریتم‌های متداول در این حوزه؛ جنگل تصادفی (RF) و شبکه عصبی مصنوعی (ANN)، مقایسه گردیدند. نتایج نشان می‌دهد که الگوریتم GPR، نه تنها از دقت (در گروه باندی بیست متری، 913/0=R2 و 641/0=RMSE)، سرعت و پایداری بالاتری در تخمین LAI برخوردار بوده، بلکه قابلیت منحصر به فرد ایجاد نقشه پیکسل مبنای عدم اطمینان (عدم اطمینان و عدم اطمینان نسبی، به ترتیب، به مساحت 96% و 74% از کل منطقه کمتر از 7/0 و30%) را داراست. با در نظر گرفتن مقادیر R2 و RMSE، SVR دومین الگوریتم با دقت برای برآورد LAI و بعد از آن، RVM، KRR، RF و ANN، به ترتیب می‌باشند. مقایسه LAI تخمین زده شده و میدانی در دفعات نمونه‌برداری با RMSE = 0.276 و 099/0 = Bias، و سایر مزایای مطرح شده، بر کارآیی الگوریتم GPR در تخمین توزیع مکانی-زمانی LAI دلالت دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimating the spatial-temporal distribution of Leaf Area Index using Sentinel-2 satellite images (Case study: silage maize farms of South of Tehran)

نویسندگان [English]

  • Elahe Akbari 1
  • ali darvishi Boloorani 2
  • Najmeh Neysani Samany 3
  • Saeid Hamzeh 3
  • Saeid Soufizadeh 4
  • Stefano Pignatti 5
1 PhD student of Remote sensing, Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran
2 Associate professor in remote sensing, Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran
3 Associate professor, Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran
4 Assistant professor, Department of Agro-ecology, Environmental Sciences Research Institute, Shahid Beheshti University, G.C
5 Institute of Methodologies for Environmental Analysis (CNR IMAA), C.da S.Loja snc, 85050 Tito (Potenza), Italy
چکیده [English]

Leaf area index (LAI) plays an important role in hydrological, agricultural, and land irrigation management studies. In order to adopt an appropriate, accurate, and robust algorithm to estimate the spatial-temporal distribution of LAI using Sentinel-2 images, the Support Vector Regression (SVR), Kernel Ridge Regression (KRR), Relevance Vector Machines (RVM), and Gaussian Process Regression (GPR) were calibrated and investigated. The research data were collected from silage maize farms in Ghaleh-Now county in Tehran province during the whole growing season in summer 2018 through destructive measurement and hemispherical photography. Our results were compared with the conventional algorithms in this field, i.e. random forest (RF) and artificial neural network (ANN). The results revealed that the GPR algorithm not only has higher accuracy (in 20-m band group, R2=0.913 and RMSE=0.641), speed, and robustness to estimate the LAI, but also it has the unique ability to generate uncertainty pixel-based map (uncertainty and relative uncertainty were less than 0.7 and 30% by 96% and 74% of the total area, respectively). Based on R2 and RMSE, SVR is the second accurate technique for LAI estimation followed by RVM, KRR, RF and ANN, respectively. Comparison of the estimated and field LAI at sampling times with RMSE=0.276 and bias=0.099 and other superiorities indicated the efficiency of GPR algorithm to estimate the spatial-temporal distribution of LAI.

کلیدواژه‌ها [English]

  • Kernel-based algorithm
  • Leaf area index
  • Hemispherical photography
  • Regional study
  • Pixel-based map
آبکار، ع. ا.، صفدری­نژاد، ع. ر.، زمانی، م.، صوف باف، س.ر.، غلامی بیدخانی، ن. و غفاری، ا. 1394. تحلیل و مدا­سازی همبستگی بین LAI و شاخص­های گیاهی از مشاهدات طیف­سنجی. سنجش از دور و GIS ایران. 7 .2: 88-69.
بادیه نشین، ع.ر.، نوری، ح. و وظیفه دوست، م. 1393. واسنجی معادلات برآورد شاخص سطح برگ محصولات ذرت و چغندرقند با استفاده از داده‌های ماهواره­ای سنجنده مودیس (شبکه آبیاری قزوین). تحقیقات آب و خاک ایران. 45. 2: 165-155.‎
فرید حسینی، ع. ر.، آستارایی، ع. ر.، ثنایی نژاد، س. ح.، و میرحسینی موسوی، پ. 1391. تخمین شاخص سطح برگ با استفاده از داده­های ماهواره­ای IRS در منطقه نیشابور. نشریه پژوهشهای زراعی ایران. 10. 3: 582-577.
گوینده نجف­آبادی، م.، میرلطیفی، س. م. و  اکبری، م. 1397. برآورد شاخص سطح برگ ذرت با استفاده از دوربین دیجیتال اصلاح شده. نشریه آبیاری و زهکشی ایران، 6 .12: 1406-1396.
مختاری، ع.، نوری، ح.، وظیفه دوست، م. و نازی قمشلو، آ. 1396. برآورد شاخص سطح برگ محصولات گندم و جو با استفاده از شاخص­های گیاهی مستخرج از تصاویر ماهواره­ای. نشریه آبیاری و زهکشی ایران. 11. 2: 218-209.
Azadbakht, M., Ashourloo, D., Aghighi, H., Radiom, S., and Alimohammadi, A. 2019. Wheat leaf rust detection at canopy scale under different LAI levels using machine learning techniques. Computers and Electronics in Agriculture. 156: 119-128.
Baret, F., Weiss, M., Allard, D., Garrigues, S., Leroy, M., Jeanjean, H., Fernandes, R., Myneni, R., Privette, J., Morisette, J. and Bohbot, H., 2005. VALERI: a network of sites and a methodology for the validation of medium spatial resolution land satellite products. Remote Sensing of Environment. 76. 3: 36-39.
Battude, M., Al Bitar, A., Morin, D., Cros, J., Huc, M., Sicre, C.M., Le Dantec, V. and Demarez, V. 2016. Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment. 184. 668-681.
Breiman, L. E. O., 2001. Random Forests. Mach. Learn. 45: 5–32.
Caicedo, J. P. R., Verrelst, J., Muñoz-Marí, J., Moreno, J., and Camps-Valls, G. 2014. Toward a semiautomatic machine learning retrieval of biophysical parameters. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 7. 4: 1249-1259.
Campos-Taberner, M., García-Haro, F. J., Moreno, A., Gilabert, M. A., Sanchez-Ruiz, S., Martinez, B., and Camps-Valls, G. 2015. Mapping leaf area index with a smartphone and Gaussian processes. IEEE Geoscience and Remote Sensing Letters. 12. 12: 2501-2505.
Cavero, J., Farre, I., Debaeke, P., and Faci, J. M. 2000. Simulation of maize yield under water stress with the EPIC phase and CROPWAT models. Agronomy Journal. 679-690. doi:10.2134/agronj2000.924679x.
Claverie, M., Demarez, V., Duchemin, B., Hagolle, O., Ducrot, D., Marais-Sicre, C., Dejoux, J.F., Huc, M., Keravec, P., Béziat, P. and Fieuzal, R. 2012. Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data. Remote Sensing of Environment. 124: 844-857.
ESA, 2005. SPARC 2004, Contract No. 18307/04/NL/FF, SPARC Data Acquisition Report.
Gao, Y., Duan, A., Qiu, X., Sun, J., Zhang, J., Liu, H., and Wang, H. 2010. Distribution and use efficiency of photosynthetically active radiation in strip intercropping of maize and soybean. Agronomy Journal. 102. 4: 1149-1157.
GCOS, 2011. Systematic Observation Requirements for Satellite-Based Products for Climate, 2011 Update, Supplemental Details to the Satellite-Based Component of the Implementation Plan for the Global Observing System for Climate in Support of the UNFCCC (2010 update, GCOS-154): 138. <http:// www.wmo.int/pages/prog/gcos/Publications/gcos-154.pdf>.
Gray, J., and Song, C. 2012. Mapping leaf area index using spatial, spectral, and temporal information from multiple sensors. Remote Sensing of Environment. 119: 173-183.
Houborg, R., and Boegh, E. 2008. Mapping leaf chlorophyll and leaf area index using inverse and forward canopy reflectance modeling and SPOT reflectance data. Remote Sensing of Environment. 112. 1: 186-202.
Houborg, R., and McCabe, M. F. 2018. A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning. ISPRS Journal of Photogrammetry and Remote Sensing. 135: 173-188.
IRIMO [WWW Document], (2018). URL www.irimo.ir (accessed 9.30.18).
Jin, X., Yang, G., Xu, X., Yang, H., Feng, H., Li, Z., Shen, J., Zhao, C. and Lan Y., 2015. Combined multi-temporal optical and radar parameters for estimating LAI and biomass in winter wheat using HJ and RADARSAR-2 data. Remote Sensing. 7. 10: 13251-13272. doi:10.3390/rs71013251.
Kanellopoulos I, Wilkinson G. 1997. Strategies and best practice for neural network image classification. International Journal of Remote Sensing. 18. 4: 711-725.
Kross, A., McNairn, H., Lapen, D., Sunohara, M., and Champagne, C. 2015. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. International Journal of Applied Earth Observation and Geoinformation. 34: 235-248.
Mateo-Sanchis, A., Muñoz-Marí, J., Pérez-Suay, A., and Camps-Valls, G. 2018. Warped Gaussian Processes in remote sensing parameter estimation and causal inference. IEEE Geoscience and Remote Sensing Letters. 99: 1-5.
Mousivand, A., Menenti, M., Gorte, B., and Verhoef, W. 2015. Multi–temporal, multi–sensor retrieval of terrestrial vegetation properties from spectral–directional radiometric data. Remote Sensing of Environment. 158: 311-330
Munz, S., Feike, T., Chen, Q., Claupein, W., and Graeff-Hönninger, S. 2014. Understanding interactions between cropping pattern, maize cultivar and the local environment in strip-intercropping systems. Agricultural and Forest Meteorology. 195: 152-164.
Rasmussen, C.E., and Williams, C.K.I., 2006. Gaussian Processes for Machine Learning. The MIT Press, New York.
Shawe-Taylor, J., and Cristianini, N. 2004. Kernel Methods for Pattern Analysis. : Cambridge University Press.
Tipping, Michael E. 2001. Sparse Bayesian learning and Relevance Vector Machine. Journal of Machine Learning Research. 1: 211–244.
Verrelst, J., Schaepman, M. E., Malenovský, Z., and Clevers, J. G. P. W. 2010. Effects of woody elements on simulated canopy reflectance: Implications for forest chlorophyll content retrieval. Remote Sensing of Environment. 114. 3: 647–656.
Verrelst, J., Alonso, L., Camps-Valls, G., Delegido, J., and Moreno, J. 2012a. Retrieval of vegetation biophysical parameters using Gaussian process techniques. IEEE Transactions on Geoscience and Remote Sensing. 50. 5: 1832-1843.
Verrelst, J., Muñoz, J., Alonso, L., Delegido, J., Rivera, J. P., Camps-Valls, G., and Moreno, J. 2012b. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and-3. Remote Sensing of Environment. 118: 127-139.
Verrelst, J., Rivera, J., Moreno, J., Camps-Valls, G., 2013. Gaussian processes uncertainty estimates in experimental Sentinel-2 LAI and leaf chlorophyll content retrieval. ISPRS J. Photogramm. Remote Sens. 86: 157–167.
Verrelst, J., Camps-Valls, G., Muñoz-Marí, J., Rivera, J. P., Veroustraete, F., Clevers, J. G., and Moreno, J. 2015a. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties–A review. ISPRS Journal of Photogrammetry and Remote Sensing. 108: 273-290.
Verrelst, J., Rivera, J. P., Veroustraete, F., Muñoz-Marí, J., Clevers, J. G., Camps-Valls, G., and Moreno, J. 2015b. Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods–A comparison. ISPRS Journal of Photogrammetry and Remote Sensing. 108: 260-272.
Verrelst, J., Rivera, J. P., Gitelson, A., Delegido, J., Moreno, J., and Camps-Valls, G. 2016. Spectral band selection for vegetation properties retrieval using Gaussian processes regression. International Journal of Applied Earth Observation and Geoinformation. 52: 554-567.
Watson D.J. 1947. Comparative physiological studies in the growth of field crops. I. Variation in net assimilation rate and leaf area between species and varieties, and within and between years. Annals of Botany 11: 41-76.
Wu, M., Wu, C., Huang, W., Niu, Z., and Wang, C. 2015. High-resolution Leaf Area Index estimation from synthetic Landsat data generated by a spatial and temporal data fusion model. Computers and Electronics in Agriculture. 115: 1-11.
Xia, T., Miao, Y., Wu, D., Shao, H., Khosla, R., and Mi, G. 2016. Active optical sensing of spring maize for in-season diagnosis of nitrogen status based on nitrogen nutrition index. Remote Sensing. 8. 7: 605.