%0 Journal Article %T تخمین توزیع مکانی-زمانی شاخص سطح برگ با استفاده از تصاویر ماهواره-ایSentinel-2 (مطالعه موردی: مزارع ذرت علوفه‌ای جنوب تهران) %J نشریه آبیاری و زهکشی ایران %I انجمن آبیاری و زهکشی ایران %Z 2008-7942 %A اکبری, الهه %A درویشی بلورانی, علی %A نیسانی سامانی, نجمه %A حمزه, سعید %A صوفی زاده, سعید %A پیگناتی, استفانو %D 2020 %\ 08/22/2020 %V 14 %N 3 %P 967-980 %! تخمین توزیع مکانی-زمانی شاخص سطح برگ با استفاده از تصاویر ماهواره-ایSentinel-2 (مطالعه موردی: مزارع ذرت علوفه‌ای جنوب تهران) %K الگوریتم کرنل مبنا %K شاخص سطح برگ %K عکسبرداری نیم‌کروی %K مطالعه منطقه ای %K نقشه پیکسل مبنا %R %X 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. %U https://idj.iaid.ir/article_113172_15526481af237d2e702fade1053d6e1d.pdf