برآورد صفات گیاهی علفزارها از تصاویر فراطیفی اکتسابی با پهپاد: مقایسه رویکردهای آماری

خلاصه

اکوسیستم های علفزار حدود 40 درصد از کل سطح زمین را پوشش می دهند. بنابراین، تضمین مدیریت خوب مرتع در مقیاس مزرعه ای برای بهبود حفاظت و دستیابی به رشد مطلوب ضروری است. این مطالعه مناسب‌ترین استراتژی آماری، بین رگرسیون حداقل مربعات جزئی (PLSR) و شاخص‌های پوشش گیاهی باریک را برای تخمین صفات ساختاری و بیوشیمیایی مرتع از تصاویر فراطیفی اکتسابی پهپاد شناسایی کرد. علاوه بر این، تأثیر کودها بر صفات گیاهی برای مراتع مورد تجزیه و تحلیل قرار گرفت. داده های فراطیفی از یک میدان آزمایشی در مزرعه Haus Riswick، در نزدیکی Kleve در آلمان، برای دو کمپین پروازی مختلف در ماه مه و اکتبر جمع آوری شد. بلوک های تصویر جمع آوری شده به لحاظ هندسی و رادیومتری برای بازتاب سطح تصحیح شدند._{قرمز لبه} )، و تفاوت عادی شده لبه قرمز (NDRE). PLSR نتایج امیدوارکننده‌ای را برای تخمین صفات ساختاری مرتع نشان داد و نتایج رضایت‌بخش کمتری را برای صفات شیمیایی انتخاب شده (خاکستر خام، فیبر خام، پروتئین خام، سدیم، پتاسیم، انرژی متابولیک) ارائه داد. روابط ایجاد شده تحت تأثیر نوع و میزان لقاح نیست، در حالی که تحت تأثیر وضعیت سلامت علفزار قرار دارد. PLSR بهترین استراتژی، در میان رویکردهای تحلیل شده در این مقاله، برای کاوش ویژگی‌های ساختاری و بیوشیمیایی مراتع است. استفاده از سنجش فراطیفی مبتنی بر پهپاد امکان ارزیابی بسیار دقیق قطعات آزمایشی علفزار را فراهم می کند.

کلید واژه ها:

صفات علفزار ; طیف سنجی ; وسیله نقلیه هوایی بدون سرنشین (UAV) ؛ شاخص های پوشش گیاهی ; رگرسیون حداقل مربعات جزئی (PLSR)

1. معرفی

علفزار تقریباً 40٪ از کل مساحت زمین را در بر می گیرد و این گسترش تقریباً 52.5 میلیون کیلومتر مربع است ^[ 1 ] . علاوه بر این، اکوسیستم های مرتعی دارای ویژگی های بسیار متغیری هستند، زیرا آنها به شدت تحت تاثیر شرایط محیطی، مانند موقعیت توپوگرافی، و اثرات انسانی، مانند کاربرد کود (غیر آلی) هستند [2] .]. بنابراین، برنامه های مدیریت کارآمد مراتع مستلزم بینش وضعیت سلامت و تنوع فضایی به منظور بهبود حفاظت و دستیابی به رشد مطلوب است. برنامه‌ریزی مدیریت مرتع اگر در مقیاس مزرعه مورد بررسی قرار گیرد از اهمیت بیشتری برخوردار است، زیرا کشاورزان به راهنمایی برای شناسایی زمان بهینه برای کاربرد کود و پیش‌بینی زمان ایده‌آل برداشت نیاز دارند [3 ] . تا کنون، برنامه مدیریت علفزار عمدتاً بر اساس اطلاعات کیفی کسر شده از تجربیات کشاورزان سازماندهی می شد. ادغام داده های کمی و مکانی در برنامه های مدیریتی موجود می تواند به طور قابل توجهی وضعیت سلامت مراتع و کیفیت تغذیه برداشت نهایی را بهبود بخشد.

در حال حاضر، روش‌های سنتی مبتنی بر میدان معمولا ترجیح داده می‌شوند، حتی اگر کاربرد آن‌ها به شدت محدود باشد، زیرا زمان‌بر، مخرب هستند و نمی‌توانند به اندازه کافی برای تحقیقات با وضوح فضایی بالا در مناطق بزرگ تکرار شوند [3 ، 4 ] . در طول سال‌ها، تکنیک‌های جایگزین توسعه یافته‌اند، و امروزه سنجش از دور به دلیل توانایی آن در توصیف سطح زمین به روشی سریع و نسبتا ارزان، به عنوان یک تکنیک مناسب شناخته شده است. به این دلایل، به طور گسترده ای برای تخمین متغیرهای مختلف بیوفیزیکی و بیوشیمیایی پوشش گیاهی در علفزارها، مانند شاخص سطح برگ (LAI) یا کلروفیل استفاده شده است [ 5 ، 6 ، 7 ، 8 ،9 ، 10 ، 11 ]. معرفی بعدی حسگرهای فراطیفی به محققان این امکان را داد که بازیابی صفات علفزار را به طور قابل توجهی بهبود بخشند [ 3 ، 4 ، 5 ]. حسگرهای فراطیفی بر اساس باندهای باریک به‌هم پیوسته‌اش، به متغیرهای پوشش گیاهی حساس‌تر هستند، زیرا طیف بازتابی پیوسته‌ای از هدف پوشش گیاهی ارائه می‌کنند [ 4 ، 12 ، 13 ، 14 ، 15 ، 16.]. با این وجود، تصاویر فراطیفی شامل صدها باند طیفی است که بسیاری از آنها به شدت همبستگی دارند. در نتیجه، انتخاب زیر مجموعه ای از داده ها به منظور کاهش ابعاد مجموعه داده و کاهش اطلاعات اضافی ضروری بوده است. بنابراین، انتخاب زیر مجموعه ها را می توان با در نظر گرفتن حساسیت متغیرهای پوشش گیاهی به باندهای طیفی انجام داد [ 17 ].

بهبودهای بیشتر را می توان با تطبیق وضوح فضایی با اندازه شی مورد بررسی به دست آورد. به این ترتیب، تصویر جزئیات فضایی مورد نیاز برای حل الگوهای مهم در میدان را ثبت می کند. با توجه به مقیاس فضایی خوب صفات بیوفیزیکی علفزار، وسایل نقلیه هوایی بدون سرنشین (UAV) می توانند مقیاس های فضایی ظریف لازم را فراهم کنند زیرا می توانند در ارتفاع کم پرواز کنند. به منظور تجزیه و تحلیل صفات بیوفیزیکی گیاهان مرتعی، لازم است که کمترین وضوح ممکن را داشته باشیم. بنابراین، استفاده از وسایل نقلیه هوایی بدون سرنشین (UAV) می تواند پشتیبانی مفیدی را ارائه دهد، زیرا به ما اجازه می دهد تا ارتفاع را به شدت کاهش دهیم تا وضوح مکانی را افزایش دهیم و آن را بر اساس اندازه جسم مورد بررسی و هدف تحقیق تعیین کنیم [18] . ،19 ، 20 ]. علاوه بر این، پهپادها می‌توانند دسترسی بهتری به اهداف دورتر فراهم کنند و می‌توانند به صورت انعطاف‌پذیر مستقر شوند و مشکلات ناشی از ابرها را از بین ببرند. به این دلایل، کاربرد دوربین های ابرطیفی نصب شده بر روی پهپادها در چند مقاله بررسی شده است [ 21 ]. در واقع، اگرچه کاربرد تصویربرداری فراطیفی و پهپادها از نظر کمی برای سیستم زمین به طور قابل توجهی گسترده است، ترکیب آنها هنوز نسبتاً محدود است.

دو رویکرد آماری مختلف معمولاً برای تجزیه و تحلیل رابطه بین اندازه‌گیری‌های طیفی و ویژگی‌های پوشش گیاهی استفاده می‌شود: مدل‌های رگرسیون تک متغیره و چند متغیره. رویکرد اول عمدتاً مبتنی بر یک مدل رگرسیونی بین به اصطلاح شاخص پوشش گیاهی طیفی، مجموعه محدودی از باندهای طیفی ترکیبی و صفت پوشش گیاهی مورد علاقه است، در حالی که رویکرد چند متغیره مبتنی بر استفاده از مدل‌سازی رگرسیون بین تمام طیف‌های مشاهده‌شده است. متغیرها و یک ویژگی پوشش گیاهی [ 22 ].

بسته به وضوح طیفی سنسور اعمال شده، محاسبه شاخص های پوشش گیاهی می تواند بر اساس هر دو باند طیفی باریک یا گسترده باشد و مقادیر متفاوتی را برای یک شاخص به دست آورد. با این وجود، هنگام مقایسه نتایج دو رویکرد مختلف برای محاسبه یک شاخص، برخی مطالعات نشان داده‌اند که استفاده از شاخص‌های باند باریک منجر به بهبود روابط آماری بین صفات بیوشیمیایی و بیوفیزیکی و شاخص‌های پوشش گیاهی می‌شود [15 ، 23 ] . علاوه بر این، مطالعات قبلی نشان داده‌اند که اطلاعات باند باریک تصاویر فراطیفی برای ارائه اطلاعات برای برآورد متغیرهای بیوشیمیایی و بیوفیزیکی پوشش گیاهی با استفاده از شاخص‌های پوشش گیاهی مهم است [ 14 ، 15 ،23 ، 24 ، 25 ، 26 ، 27 ، 28 ]. با این حال، به این ترتیب، امکان بهره برداری کامل از پتانسیل داده های فراطیفی تعداد زیاد باندهای طیفی موجود وجود ندارد. به همین دلیل، بسیاری از محققان توجه خود را بر روی رگرسیون خطی چندگانه گام به گام (SMLR) متمرکز کرده اند، که تقریباً از تمام اطلاعات فراطیفی موجود بهره می برد [7 ، 29 ، 30 ، 31 ، 32 ، 33 ، 34 ] . با این حال، SMLR از مشکلات چند خطی و همپوشانی طیفی گسترده خواص بیوشیمیایی فردی رنج می برد [ 35]]. رگرسیون حداقل مربعات جزئی (PLSR) به عنوان یک تکنیک جایگزین برای SMLR شناخته شده است، و قبلاً در تجزیه و تحلیل داده های طیفی برای گندم [8] و علفزارهای ناهمگن [ 36 ، 37 ] استفاده شده است.

چندین مطالعه با اعتبار و دقت در تجزیه و تحلیل مراتع با استفاده از دو روش آماری شرح داده شده سروکار دارند. با این حال، هیچ مطالعه ای در مورد ارزیابی این تکنیک ها برای تخمین متغیرهای مرتع مربوط به ارزیابی کیفیت علوفه، مانند خاکستر خام یا انرژی متابولیک منتشر نشده است. علاوه بر این، صفات علفزار مانند سدیم نیز برای ارزیابی طعم برای تغذیه گاو مرتبط است. بنابراین، کاربرد دو روش آماری برای تخمین صفات بیوشیمیایی در مراتع از مجموعه داده‌های طیفی و تأثیر بالقوه نوع و میزان لقاح بر این مراتع نیاز به بررسی دارد.

هدف کلی مطالعه حاضر بررسی کاربرد تصاویر فراطیفی به‌دست‌آمده با استفاده از یک سکوی هوابرد بدون سرنشین برای پیش‌بینی ویژگی‌های گیاهی در علفزارها است. اهداف فرعی خاص را می توان به صورت زیر خلاصه کرد:

مقایسه دو روش رگرسیون مبتنی بر شاخص‌های پوشش گیاهی و رویکرد PLSR به منظور انتخاب بهترین استراتژی برای پیش‌بینی صفات بیوفیزیکی و بیوشیمیایی گیاهی مراتع.
بررسی تأثیر مقدار و نوع کوددهی بر صفات علفزار و منحنی طیفی حاصله.
ارزیابی تأثیر فنولوژی مراتع و زمان جمع آوری داده های طیفی بر روابط رگرسیون ایجاد شده.

2. وضعیت هنر برنامه های کاربردی پهپاد

در چند سال اخیر، کاربردهای پهپاد در زمینه عمران به طور فزاینده ای محبوب شده است. استفاده از آنها در بسیاری از رشته های علمی، مانند مشاهده زمین و کشاورزی دقیق [ 38 ، 39 ] که در آنها فرکانس زمانی بالا و تفکیک مکانی دقیق به منظور بهبود وضعیت سلامت خاک و محصولات ضروری است، در حال گسترش است [ 40 ، 41 ، 42 ].

این امر منجر به توسعه ابزار دقیق برای چنین اهدافی شده است. با پیشرفت های فنی الکترونیکی و نوری اخیر برای سکوهای هوایی و دستگاه های نصب شده بر روی آنها، این زمینه به سرعت توسعه یافته است. در واقع، به لطف تکامل مدارهای مجتمع و سیستم های رادیویی کنترل، امکان استفاده از پهپادها وجود دارد [ 43 ]. آنها می توانند در ارتفاعات پایین تری نسبت به سکوهای معمولی هوابرد پرواز کنند، که امکان افزایش وضوح فضایی، رسیدن به مناطق صعب العبور و گرفتن تصاویر در داده های انعطاف پذیر را فراهم می کند و مشکلات پوشش ابر را از بین می برد. علاوه بر این، نفوذ زیاد آنها در بازار و توسعه مستمر آنها منجر به کاهش شدید هزینه آنها شده است [ 19 ].

علاوه بر این، اندازه و وزن دستگاه‌های الکترونیکی، که برای گرفتن تصاویر استفاده می‌شوند، اصلاح شده و در کل به شدت کاهش یافته است، به طوری که می‌توان آنها را بر روی پهپادها نصب کرد [ 44 ]. همچنین، معرفی حسگرهای دیجیتالی چندطیفی کوچک بیشتر به ما این امکان را می‌دهد که مناطق مورد بررسی را گسترش دهیم و نتایج به‌دست‌آمده را بهبود دهیم [ 45 ]، همانطور که در چندین مطالعه قبلی برای پایش علفزار نشان داده شده است.

پس از مقایسه و ارزیابی پتانسیل چندین حسگر چندطیفی و دوربین‌های دیجیتال RGB کوچک، نویسندگان [ 46 ] محدودیت‌های دوربین‌های RGB و برتری سنسورهای چند طیفی را در تخمین صفات علفزار نشان داده‌اند. به همین ترتیب، نویسندگان [ 47 ] نشان داده‌اند که یک رابطه قوی بین شاخص‌های پوشش گیاهی، محاسبه‌شده از تصاویر چندطیفی، و پارامترهای زیست فیزیکی مرتع وجود دارد، که برای تغییرات زمانی و در نتیجه، نظارت بر رشد محصول در آینده مفید است. متعاقباً، معرفی و کوچک‌سازی حسگرهای فراطیفی به ما این امکان را می‌دهد که پیشرفت‌های بیشتری در تجزیه و تحلیل مرتع بدست آوریم [ 21 ].

به این دلایل، مطالعات مختلف از ترکیب پهپادها و حسگرهای فراطیفی در نقشه برداری و پایش مراتع استفاده کرده اند و پتانسیل بزرگ آن را برای تشخیص تنش آبی [48] و برای تخمین صفات بیوفیزیکی مرتع ثبت کرده اند [ 14 ، 15 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 36 ، 37 ].

3. مواد و روشها

3.1. گردآوری داده های حوزه و میدان مطالعه

منطقه مورد مطالعه شامل یک آزمایش لقاح علفزار واقع در مزرعه آزمایشی Haus Riswick در نزدیکی Kleve در آلمان (51°47’12.5″ شمالی، 6°10’08.7″ شرقی) بود. این آزمایش شامل 60 قطعه علفزار با سطوح مختلف کود آلی و معدنی است ( شکل 1 ). هر قطعه دارای مساحت 12 متر ^مربع به طول 8 متر و عرض 1.5 متر بود. کرت ها به چهار گروه تقسیم شدند و برای هر یک از آنها انواع و سطوح مختلف کوددهی اعمال شد ( شکل 2).). به طور خاص، مقایسه ای بین یک کود معدنی (نیترات کلسیم آمونیوم) با شش سطح مختلف (0، 85، 115، 170، 230، و 340 کیلوگرم در هکتار) و یک کود آلی با سه سطح مختلف (170، 230، و 340 کیلوگرم نیوتن در هکتار). انتخاب سطوح کود بر اساس آداب و رسوم کشاورزان آلمانی برنامه ریزی شده بود. در آلمان، کشاورزان معمولاً مجازند 170 کیلوگرم در هکتار ^در قالب کود آلی و حداکثر 230 کیلوگرم در هکتار ^در شرایط خاص (بدون چرا) استفاده کنند. بنابراین، این دو سطح در آزمایش علفزار، با سطح باد اضافی 340 کیلوگرم · N · در هکتار آزمایش ^شدند . این سطح بالای 340 کیلوگرم·N·ha ^-1حداکثر مقدار نیتروژن معدنی است که به طور معمول می تواند توسط علفزارها در طول یک سال در این روستا جذب شود. برای کنترل کارایی کود آلی، سطوح نیتروژن معدنی معادل نیتروژن از 0 تا 340 کیلوگرم در هکتار در هکتار افزایش می یابد ⁽ طبق مراحل: 0، 85، 170، 230، 340 کیلوگرم· N·ha- ¹ ) مورد آزمایش قرار گرفتند. علاوه بر این، به منظور بررسی اثر دوغاب بر روی یک آزمایش علفزار، مقادیر متفاوتی از دوغاب برای یک سال (2012)، دو (2012 و 2013) و سه (2012، 2013 و 2014) استفاده شد.

شکل 1. ارتو موزاییک RGB از قطعات علفزار آزمایشی در 15 مه 2014، که با استفاده از دوربین Panasonic GX1 سیستم نقشه برداری فراطیفی Wageningen UR (HYMSY) به دست آمد.

دو کمپین پروازی با یک سیستم مبتنی بر پهپاد در 15 می 2014 و 14 اکتبر 2014 انجام شد. پس از پروازها، ارتفاع چمنزار (H) در میدان با استفاده از ارتفاع سنج چمن (Eijkelkamp، هلند) تعیین شد. هر قطعه به طور کامل با استفاده از کرت کمباین Haldrup C-65 (Haldrup، دانمارک) برداشت شد و صفات گیاهی بر اساس مواد مرتع برداشت شده مورد تجزیه و تحلیل قرار گرفت. انتخاب صفات مرتع بر اساس ارتباط آنها برای تجزیه و تحلیل کیفیت علوفه مرتع (شامل تغذیه و طعم) و اینکه تا چه حد می توان در محل تعیین کرد انجام شد.در زمینه ابتدا زیست توده تازه پوشش گیاهی (FB) تعیین شد، پس از آن نمونه ها به مدت 24 ساعت در دمای 105 درجه سانتی گراد خشک شدند و وزن خشک و ماده خشک (DM) تعیین شد. پس از آن، ترکیب بیوشیمیایی مرتع تعیین شد. تجزیه و تحلیل مواد جمع آوری شده توسط Landwirtschaftliche Untersuchungs- und Forschungsanstalt Nordrhein-Westfalen (LUFA NRW) با استفاده از روش های زیر Verband der Landwirtschaftlichen Untersuchungs- und Forschungsanstalten (VDLUFA) [ 49 ] انجام شد . صفات علفزار زیر تعیین شد:

خاکستر خام (CA): کتاب روش VDLUFA III روش شماره 8.1.1
پروتئین خام (CP): کتاب روش VDLUFA III، شماره 4.1.1
الیاف خام (CF): کتاب روش VDLUFA III شماره 6.1.1
سدیم (Na): کتاب روش VDLUFA III/6 شماره 10.8.3
پتاسیم (K): کتاب روش VDLUFA III/6 شماره 10.8.3
انرژی متابولیک (ME): ME از CA، CP و CF به صورت زیر محاسبه شد [ 50 ]:
- برای تاریخ های برداشت قبل از 1 ژوئیه:
  
  $نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت$
  
  (1)
- برای تاریخ های برداشت پس از 30 ژوئن:
  
  $نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت$
  
  (2)

شکل 2. نقشه انواع و سطوح مختلف کوددهی اعمال شده در زمین های مرتع آزمایشی. 60 پلات به چهار گروه 15 تایی تقسیم شدند و برای هر گروه تیمارها مطابق جدول اعمال شد. خط سیاه یک ریل اندازه گیری است که در شکل 1 نیز نشان داده شده است .

به منظور در نظر گرفتن تأثیر نوع و مقدار کود، مجموعه داده‌های به‌دست‌آمده در طول دو کمپین کار مزرعه‌ای ادغام شدند و سه مجموعه داده تهیه شد:

(1): همه کرت ها با سطوح مختلف کود معدنی برای کمپین های ماه مه و اکتبر تهیه شده اند.
(2): تمام داده‌های تمام کرت‌های مرتب شده با کود معدنی و آلی برای کمپین‌های ماه می و اکتبر.
(3): این مجموعه داده تمام داده های مبارزات انتخاباتی ماه مه مربوط به تمام قطعه های مرتب شده با سطوح مختلف کود معدنی و آلی را در نظر می گیرد.

تجزیه و تحلیل رگرسیون بعدی بر روی هر سه مجموعه داده انجام شد و سپس مقایسه شد. مقایسه مجموعه داده ها به ما امکان می دهد تا تأثیر نوع کود (مقایسه 1 و 2) و تفاوت های ناشی از فصل رشد (مقایسه 2 و 3) را بررسی کنیم.

3.2. پهپاد و تجهیزات آن

منطقه مورد مطالعه با استفاده از یک پهپاد هشت کوپتری (Aerialtronics Altura AT8 v1A) مجهز به ایستگاه زمینی برای برنامه ریزی و کنترل مسیرهای پرواز و کلیه ابزارهای سخت افزاری و نرم افزاری لازم برای برنامه ریزی پرواز آن بررسی شد (شکل 3 ) .

شکل 3. پهپاد octocopter Aerialtronics Altura AT8 v1A مجهز به کلیه ابزارهای سخت افزاری و نرم افزاری لازم برای کنترل و برنامه ریزی آن است.

به منظور به دست آوردن تصاویر فراطیفی، سیستم نقشه برداری فراطیفی Wageningen UR (HYMSY) در زیر اکتوکوپتر [ 51 ] نصب شد. HYMSY یک سیستم جارو فشار ابرطیفی سبک وزن (2.0 کیلوگرم) است که به طور خاص برای پهپادهای کوچک طراحی شده و در دانشگاه و مرکز تحقیقات Wageningen توسعه یافته است. این سنسور از یک دوربین فتوگرامتری (Panasonic GX1)، یک سیستم موقعیت جهانی و یک دوربین فراطیفی تشکیل شده است که دوربین صنعتی PhotonFocus SM2-D1312 و طیف‌نگار Specim ImSpector V10 2/3 را ترکیب می‌کند. HYMSY در محدوده طول موج 400-950 نانومتر با وضوح طیفی 9 نانومتر عمل می کند. پس از پردازش تصاویر، HYMSY می‌تواند یک RGB ارتو موزاییک، مدل سطح دیجیتال (DSM) و یک مجموعه داده فراطیفی ارائه دهد.

3.3. جمع آوری داده های فراطیفی و پیش پردازش طیف

دو پرواز با وسیله نقلیه هوایی بدون سرنشین (پهپاد) بر فراز چمنزارهای آزمایشی در 15 می 2014 و 14 اکتبر 2014 انجام شد. برای هر دو روز، پروازها در شرایط آسمان صاف و با الگوی پرواز، ارتفاع و سرعت یکسان انجام شد. پروازها با تعریف مجموعه ای از نقاط راه که آزمایش علفزار را با سه خط پرواز بر روی سه ردیف قطعه آزمایشی پوشش می دادند، آماده شدند ( شکل 1 ).

برای پروازهای نقشه برداری، ارتفاع و سرعت پهپاد برای به دست آوردن فاصله نمونه برداری از زمین (GSD) 200 میلی متر برای داده های فراطیفی (مقطع مسیر) و 20 میلی متر برای عکس های هوایی برنامه ریزی شد. پروازها در ارتفاع 70 متری با سرعت پرواز 5 متر بر ثانیه انجام شد.

مجموعه داده خام به دست آمده متعاقباً از نظر رادیومتری کالیبره شد، به بازتاب سطحی تبدیل شد و از نظر هندسی تصحیح شد. پردازش فراطیفی به مراحل زیر تقسیم شد: تبدیل اعداد دیجیتال به طیف تابشی با استفاده از کالیبراسیون آزمایشگاهی. تبدیل تشعشعات به طیف ضریب بازتاب با استفاده از داده های پانل Spectralon. و ارجاع جغرافیایی خطوط اسکن با استفاده از نرم افزار ReSe PARGE، تولید شده توسط ReSe Applications Schläpfer و آزمایشگاه سنجش از دور (RSL) دانشگاه زوریخ [ 52]. درخشندگی در چندین مرحله به بازتاب تبدیل شد. ابتدا، خطوط اسکن با اندازه‌گیری HYMSY زمینی از پانل مرجع Spectralon 25% که قبل و بعد از پرواز به دست آمده بود، برای شرایط روشنایی کالیبره شدند. این طیف تابشی پانل مرجع دو مجموعه داده مختلف را تشکیل می دهند که به طور جداگانه مورد تجزیه و تحلیل قرار می گیرند. هر دو مجموعه مرجع برای تبدیل تمام مقادیر درخشندگی خطوط اسکن به مقادیر بازتاب با استفاده از درون یابی خطی استفاده شدند. این روش به ما این امکان را می دهد که مقادیر تابش را در طول زمان به صورت خطی درون یابی کنیم تا تغییرات تابش را بسته به شرایط جوی در طول گرفتن تصویر پهپاد اصلاح کنیم. در این مرحله، دو مجموعه داده از مقادیر بازتاب در یک فایل در قالب 16 بیتی ENVI BSQ ادغام می‌شوند.53 ، 54 ، 55 ]. به منظور بهبود georeferencing و استخراج نقطه کراوات، در طول مرحله تراز، ضروری بود که مختصات نقاط کنترل زمینی (GCPs)، اندازه‌گیری شده با RTK-GPS را وارد کنید. جزئیات بیشتر در مورد کالیبراسیون و روش های پردازش را می توان در [ 52 ] یافت.

از تصاویر فراطیفی پردازش شده از دو مجموعه داده، طیف ضریب بازتاب کامل برای هر قطعه آزمایش مرتع با انتخاب پیکسل‌ها در یک منطقه مورد علاقه (ROI) استخراج شد. برای هر نمودار ROI با توجه به ابعاد نمودار تعریف شد اما با در نظر گرفتن یک بافر از دو پیکسل از لبه به منظور حذف اثرات مرزی. طیف های انتخاب شده برای هر قطعه علفزار در دو تاریخ اندازه گیری میانگین، ادغام و در مراحل زیر هنگام محاسبه شاخص های پوشش گیاهی و تکنیک رگرسیون حداقل مربعات جزئی تجزیه و تحلیل شدند. عملکرد متوسط به ما اجازه می دهد تا نویز در طیف بازتاب را به حداقل برسانیم.

3.4. شاخص های پوشش گیاهی نوار باریک

استفاده از شاخص های پوشش گیاهی رایج ترین روش برای پیش بینی متغیرهای پوشش گیاهی است که ابعاد مجموعه داده های فراطیفی را به شدت کاهش می دهد. برای این مطالعه، برای در نظر گرفتن حساسیت شاخص‌های پوشش گیاهی به باندهای طیفی باریک، ترجیح داده شد که شاخص‌های پوشش گیاهی با باند باریک و نه شاخص‌های پوشش گیاهی گسترده محاسبه شود [15 ، 23 ] .

شاخص‌های پوشش گیاهی باند باریک از میانگین طیف بازتاب هر کرت محاسبه شد. اگرچه شاخص‌های پوشش گیاهی اضافی موجود در مطالعات قبلی [ 5 ، 12 ، 13 ، 14 ، 15 ، 24 ، 25 ، 26 ، 27 ، 28 ، 37 ] مورد تجزیه و تحلیل قرار گرفت، در این مقاله، تنها شاخص‌هایی که بهترین نتایج را ارائه می‌دهند نشان داده شده‌اند. به طور خاص، شاخص کلروفیل زمینی MERIS (MTCI) [ 56 ]، نسبت جذب کلروفیل اصلاح شده در بازتاب و شاخص گیاهی سازگار با خاک (MCARI/OSAVI) اصلاح شده توسط Wu [ 57] .]، شاخص کلروفیل لبه قرمز (CI _red-edge ) [ 58 ، 59 ] و لبه قرمز تفاوت نرمال شده (NDRE) [ 60 ] برای تخمین صفات ساختاری و بیوشیمیایی انتخاب شدند. معادلات و طول موج های چهار شاخص پوشش گیاهی انتخاب شده در جدول 1 نشان داده شده است .

جدول 1. معادلات و طول موج شاخص های پوشش گیاهی انتخاب شده.

رگرسیون خطی به منظور تجزیه و تحلیل رابطه بین صفات مرتع و شاخص های پوشش گیاهی انجام شد. انتخاب الگو به شدت تحت تأثیر توزیع داده ها و در نتیجه نوع رابطه بین شاخص پوشش گیاهی و صفت است. در نتیجه، ارزیابی کیفیت رابطه با محاسبه ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) به دست ^آمد . با توجه به طبقه بندی پیشنهاد شده توسط [ 27 ]، ما سه کلاس را متمایز می کنیم: (1) همبستگی قوی: R2 ^> 0.7. (2) همبستگی متوسط: 0.5 <R2 ^< 0.7; و (3) همبستگی ضعیف: R2 ^< 0.5

3.5. رگرسیون حداقل مربعات جزئی (PLSR)

رگرسیون حداقل مربعات جزئی (PLSR) یک تکنیک رگرسیون چند متغیره آماری مفید برای توضیح رابطه بین متغیرهای داده ابرطیفی، متغیرهای مستقل (X) و صفات علفزار، متغیرهای وابسته (Y) است. در واقع، هدف آن پیش‌بینی متغیرهای وابسته (Y)، انتخاب تعداد محدودی از عوامل متعامد جدید (T) و مجموعه‌ای از بارگذاری‌های خاص (P) است که می‌توانند به طور همزمان هم X و هم Y را انجام دهند، تا ابعاد بالا را کاهش دهد. مجموعه داده ورودی [ 8 ، 22 ، 33 ، 36 ، 61 ، 62 ، 63 ، 64 ]. بنابراین X با استفاده از معادله زیر محاسبه می شود:

ایکس = تی * پ تی

(3)

T “ماتریس امتیاز” نامیده می شود و توسط متغیرهای پنهان (LVs) تشکیل شده است، در حالی که P “ماتریس بارگذاری” نامیده می شود. مهم است که تأکید کنیم که P متعامد نیست در حالی که T باید کوواریانس بین X و Y را با ویژگی زیر به حداکثر برساند (معادله (4)):

تی * تی تی = من

(4)

جایی که من ماتریس شناسایی است.

در نهایت Y با استفاده از معادله زیر برآورد می شود:

Y - = تی * ب * سی تی

(5)

که در آن B یک ماتریس مورب است که دارای وزن های رگرسیونی به عنوان عناصر قطری است و C “ماتریس وزن” متغیرهای وابسته است.

خوب بودن برازش مدل PLSR به تعداد LV های انتخابی بستگی دارد. به طور معمول، افزایش می یابد تا زمانی که به تعداد مشخصی از LV برسد قبل از اینکه دوباره کاهش یابد. به همین دلیل، انتخاب تعداد بهینه LV برای هر مدل، که به ما امکان می دهد بهترین کیفیت را به دست آوریم، اساسی است [ 64 ، 65 ، 66 ]. در این مطالعه، تعداد بهینه LVs برای هر مدل PLSR در هر صفت مرتع بر اساس ریشه میانگین مربعات خطا (RMSE) برای اعتبار سنجی متقاطع ترک یک خارج (LOOCV) برآورد شد. معیار اضافه کردن یک LV اضافی به مدل این بود که باید RMSE اعتبار متقابل LOO را با > 2% کاهش می داد. RMSE LOO (RMSE _LOO ) با استفاده از معادله زیر محاسبه شد:

R M اس E L O O = \sum ( y ¯ من - y من ) 2 n - - - - - - - - - - - \sqrt

(6)

جایی که $\bar{y_{i}}$ و y _i به ترتیب بیانگر پیش‌بینی‌های کنار گذاشته و مقادیر مشاهده‌شده صفات مورد بررسی است. در واقع، مدل بدون در نظر گرفتن مشاهدات i تنظیم شده است . در ادامه، مقادیر این مشاهدات با اعمال این مدل پیش‌بینی شد.

اگرچه مطالعات اخیر نشان داده است که استفاده بهینه از PLSR را می توان با تقسیم مجموعه داده اصلی به یک مجموعه داده آموزشی و یک مجموعه آزمون مستقل [ 67 ] به دست آورد، در این کار، استفاده از LOOCV، اعمال شده بر روی یک مجموعه داده کالیبراسیون منفرد، ضروری بود. زیرا ما مجموعه داده تجربی کافی برای تقسیم نمونه ها به زیر مجموعه های آموزشی و اعتبار سنجی جداگانه نداشتیم. ارزیابی کیفیت مدل با استفاده از R2 ^بین مقادیر اندازه‌گیری شده و پیش‌بینی‌شده از اعتبارسنجی متقاطع LOO و RMSE _{LOO برآورد شد.}در حالی که سودمندی و برازش مدل‌های کالیبراسیون توسط انحراف پیش‌بینی باقی‌مانده (RPD) انجام شد، که به عنوان نسبت بین انحراف استاندارد مجموعه داده مرجع و RMSE محاسبه شد. برعکس، قانون آماری خاصی برای تعیین آستانه‌های RPD وجود ندارد و به همین دلایل، در این مقاله، طبقه‌بندی رایج در ادبیات مورد استفاده قرار گرفت [ 51 ، 52 ]. این شامل سه سطح طبقه بندی است: RPD <3 مفید نیست زیرا به معنای قدرت پیش بینی پایین است. RPD > 3 برای غربالگری مناسب است. RPD > 5 برای تشخیص آنالیز دقیق (تحلیل آزمایشگاهی) مناسب است.

تمام تجزیه و تحلیل رگرسیون با استفاده از R (R_Core_Team 2013)، با اعمال بسته pls [ 68 ] به سه زیر مجموعه داده‌ای که قبلا تعریف شده بود، انجام شد.

4. نتایج

4.1. ویژگی های علفزار

به عنوان اولین گام، همبستگی بین صفات علفزار مورد مطالعه برای صفات تحلیل شده کمپین ماه مه بررسی شد ( جدول 2).). فقط مقادیر ماه می گزارش شده است زیرا ضرایب پیرسون این دو تحلیل تقریباً مشابه هستند. نتایج نشان می دهد که متغیرهای ساختاری (ارتفاع، زیست توده تازه و خشک) به طور معنی داری با یکدیگر همبستگی دارند زیرا مقادیر همبستگی پیرسون بالاتر از 0.89 است. در مقابل، ویژگی‌های بیوشیمیایی همبستگی کمتری را نشان می‌دهند که وابسته به صفت است. به عنوان مثال، سدیم همبستگی کم با انرژی متابولیک و فیبر خام، همبستگی متوسط با پتاسیم و خاکستر خام، و همبستگی بالا با پروتئین خام نشان می دهد. همبستگی بین صفات ساختاری و صفات بیوشیمیایی متوسط است، به جز سدیم و پروتئین خام که همبستگی کمی نشان می‌دهند. علاوه بر این، همه صفات همبستگی مثبت دارند به جز انرژی متابولیک که با سایر صفات همبستگی معکوس نشان می دهد.

جدول 2. ضریب پیرسون صفات ساختاری و بیوشیمیایی منتخب علفزار در بررسی اردیبهشت.

آمار برداشت صفات ساختاری و بیوشیمیایی مربوط به برداشت اردیبهشت در جدول 3 نشان داده شده است . این نشان می دهد که ویژگی های بیوشیمیایی مرتع دارای تنوع کمی هستند، به استثنای Na. انرژی متابولیک کمترین ضریب تغییرات (CV) را نشان می‌دهد در حالی که پتاسیم، فیبر خام و خاکستر خام نیز با تنوع کمی مشخص می‌شوند.

جدول 3. آمار خلاصه پارامترهای علفزار انتخاب شده برای برداشت ماه می. (SD: انحراف معیار؛ CV: ضریب تغییرات).

جدول 4 آمار برداشت همه صفات از برداشت اکتبر را نشان می دهد. این نشان می دهد که به خصوص تنوع ویژگی های مرتع بیوشیمیایی به استثنای Na نسبتاً کوچک است. با تجزیه و تحلیل عمیق تر، می توان دریافت که انرژی متابولیک کمترین تغییر را در کنار پتاسیم، فیبر خام و خاکستر خام نشان می دهد. برای صفات ساختاری، ارتفاع مرتع کمترین تغییرات را دارد.

با مقایسه جدول 3 و جدول 4 ، مشخص می شود که دامنه صفات علفزار بین دو لحظه برداشت، الگوهای متفاوتی را برای صفات ساختاری و بیوشیمیایی نشان می دهد. برای هر سه صفت ساختاری، دامنه مقادیر برای ماه اکتبر در مقایسه با اردیبهشت به طور قابل توجهی کمتر است. در مقابل، صفات بیوشیمیایی قابل مقایسه هستند، به استثنای Na. این موضوع در شکل 4 نیز تایید شده استارائه اثر تیمارهای کودی مصرفی بر سطح و تنوع صفات علفزار. تأثیر نوع و مقدار کوددهی به وضوح بیان شده است و بسته به ویژگی‌های ساختاری و بیوشیمیایی تحت تحقیق و وضعیت رشد علفزار متفاوت است. داده های ماه می نشان دهنده افزایش ارزش صفات ساختاری با افزایش سطح کود معدنی تا 230 کیلوگرم نیوتن در هکتار است. پس از آن آستانه، دوباره کاهش اندکی دارند ( شکل 4). تنها ویژگی بیوشیمیایی با الگوی تغییرات مشابه با صفات ساختاری، الیاف خام است. برعکس، متغیرهای بیوشیمیایی همگی با افزایش مقادیر کود معدنی ارزش خود را افزایش می دهند. الگوی تغییرات انرژی متابولیک شایسته ذکر جداگانه است. در واقع، ارزش آن با افزایش کود معدنی تا 230 کیلوگرم نیوتن در هکتار کاهش یافت و پس از آن ارزش آن افزایش یافت. با توجه به تأثیر تیمارهای لقاح آلی، تمام ویژگی‌های ساختاری و بیوشیمیایی دارای الگوی یکسانی هستند، به استثنای انرژی متابولیک که افت 230 کیلوگرم نیوتن در هکتار را نشان می‌دهد.

الگوی تنوع صفات ساختاری و بیوشیمیایی مرتع از مشاهده اکتبر تحت تیمارهای مختلف به طور قابل ملاحظه ای متفاوت است. همچنین، همه صفات ساختاری الگوی تغییرات یکسانی را نشان می‌دهند: تحت تأثیر کودهای معدنی، صفات ساختاری به استثنای شیب 230 کیلوگرم نیوتن در هکتار افزایش یافت. تحت کوددهی کود آلی، آنها یک الگوی افزایشی نشان می دهند. برعکس، نمی توان یک الگوی مشترک از تغییرات را برای همه ویژگی های بیوشیمیایی شناسایی کرد. کود معدنی همان تأثیر را روی خاکستر خام و پروتئین خام نشان می دهد، الگوی تغییراتی که کاهش تا 115 کیلوگرم نیوتن در هکتار و به دنبال آن افزایش را نشان می دهد. با این حال، هنگام در نظر گرفتن تأثیر کود آلی بر خاکستر خام و پروتئین خام، می توان مشاهده کرد که الگوی تغییرات به وضوح متفاوت است، جایی که پروتئین خام به 230 کیلوگرم نیوتن در هکتار می رسد در حالی که خاکستر خام کاهش می یابد. انرژی متابولیک، مانند پتاسیم، در تمام تیمارها کم و بیش ثابت است، در حالی که سدیم مستقل از مقدار تیمار کودی تغییر می کند.

جدول 4. آمار خلاصه برای ویژگی های علفزار منتخب در برداشت اکتبر. (SD: انحراف معیار؛ CV: ضریب تغییرات).

شکل 4. تأثیر نوع و میزان تیمار کودی بر صفات مرتعی و انحراف معیار آنها.

سطوح معنی داری از اعمال آزمون t Student بین کرت های بارور آلی و معدنی در ماه مه، در ماه اکتبر و داده های بین ماه می و اکتبر در جدول 5 نشان داده شده است . این نتایج نشان می دهد که هر دو صفات ساختاری و بیوشیمیایی مرتع به شدت تحت تاثیر فصل رشد گیاه هستند اما نه از نوع کود. علاوه بر این، فصل رشد گیاه نیز بر نتیجه آزمون t Student بر اساس کود آلی و معدنی در اردیبهشت و مهر تأثیر می‌گذارد.

جدول 5. سطح معنی داری به دست آمده با استفاده از آزمون t بین تیمارهای آلی و معدنی در ماه های مه، اکتبر و بین داده های اردیبهشت و مهر.

4.2. داده های فراطیفی

برای داده‌های ماه می و اکتبر، تغییرات طیفی در تصاویر به‌دست‌آمده به‌ویژه در بخش قابل مشاهده طیف نسبتاً کوچک است، در حالی که در بخش NIR بیشتر قابل‌توجه است. مقدار حداکثر و حداقل هر دو طیف بازتاب متوسط کم و بیش یکسان است و تنها در قسمت NIR تفاوت کوچکی قابل مشاهده است. در واقع، حتی اگر شیب های لبه قرمز تفاوت را نشان ندهند، حداکثر مقدار طیف بازتاب متوسط ماه می کمی بالاتر از حداکثر مقدار پروفیل اکتبر است و این روند در تمام قسمت NIR مورد انتظار برای 950 نانومتر تایید شده است. ، جایی که روند معکوس است. علاوه بر این، در بخش NIR، تفاوت دیگری نیز قابل مشاهده است: بازتاب NIR با افزایش طول موج در ماه اکتبر افزایش می‌یابد، اما در ماه می از نظر طیفی صاف است. همچنین، حداقل طیف بازتاب متوسط قابل مقایسه است. با این حال، در منطقه NIR، مشخصات ماه اکتبر کمی بالاتر از مشخصات ماه می است. با مشاهده مشخصات طیفی میانگین سه سطح آلی مختلف برای بررسی های ماه می و اکتبر، روندهای یکسانی را می توان تشخیص داد (شکل 5 ). علاوه بر این، افزایش غلظت کود آلی بر سطح کلی بازتاب با حداکثر افزایش بین 170 و 230 کیلوگرم نیوتن در هکتار برای مجموعه داده ماه می تأثیر می‌گذارد، در حالی که در ماه اکتبر، این میزان بین 230 تا 340 کیلوگرم نیوتن در هکتار است.

شکل 5. میانگین و انحراف معیار طیف برای سه سطح مختلف کودهای آلی (170، 230 و 340 کیلوگرم نیوتن در هکتار) برداشت ماه می و اکتبر.

شکل 6همبستگی بین میانگین طیف بازتابی تصاویر فراطیفی و صفات علفزار انتخاب شده قبلی برای ماه می را نشان می دهد. روند دو صفت ساختاری، ارتفاع و زیست توده تازه، بسیار قابل مقایسه است و منطقه NIR مرتبط ترین منطقه برای این صفات است. در واقع، منطقه NIR (700-950 نانومتر) به LAI، ساختار علفزار، و ضخامت تاج پوشش گیاهی حساس است و بنابراین، همبستگی با ارتفاع و زیست توده تازه نسبتاً زیاد است. به همین دلیل، NIR نیز مهمترین منطقه برای تخمین انرژی متابولیک است، زیرا با مقدار پوشش گیاهی سبز نسبت معکوس دارد و بنابراین، همبستگی بالا اما منفی است. در عوض، پروتئین خام نیاز به ذکر جداگانه دارد زیرا جالب ترین منطقه طیف، ناحیه VIS (400-700 نانومتر) است. که حساسیت بیشتری نسبت به جذب کلروفیل در سطح برگ دارد. به نظر می رسد که همبستگی بین صفات مرتع و طول موج به طور قابل توجهی تحت تاثیر وضعیت رشد مرتع است. این نیز توسط همبستگی برای برداشت اکتبر، که همبستگی کمتر (<0.6) برای همه صفات مرتع تایید شده است.

شکل 6. Correlogram بین متغیرهای طیفی مجموعه داده فراطیفی و ارتفاع (H)، زیست توده تازه (FB)، پروتئین خام (CP) و انرژی متابولیک (ME) برای برداشت ماه می.

4.3. شاخص های پوشش گیاهی نوار باریک

بر اساس طیف بازتاب متوسط استخراج شده برای تمام کرت های آزمایش ( شکل 1 )، شاخص های پوشش گیاهی باند باریک انتخابی محاسبه شد ( جدول 1 ). به منظور بررسی تأثیر رژیم کود، تغییرات شاخص‌های گیاهی به عنوان تابعی از نوع و مقدار کوددهی برای هر دو لحظه برداشت بررسی شد ( شکل 7).). تنوع شاخص‌های پوشش گیاهی مربوط به سطوح مختلف لقاح معدنی کم و بیش یکسان است در حالی که بین کمپین‌های ماه می و اکتبر متفاوت است. در مقابل، تنوع شاخص‌های پوشش گیاهی تحت تأثیر کود آلی برای همه شاخص‌ها و برای هر دو کمپین یکسان است. در واقع، برای برداشت اردیبهشت، ارزش شاخص ها با افزایش مقدار کود تا 170 کیلوگرم در هکتار افزایش یافته و سپس کاهش می یابد. در مقابل، تمام شاخص های پوشش گیاهی، محاسبه شده از داده های اکتبر به عنوان تابعی از کود معدنی، یک روند کاهشی تا 115 کیلوگرم نیوتن در هکتار و یک مقدار افزایش پس از آن نقطه نشان می دهد. در عوض، تمایل شاخص‌های پوشش گیاهی به عنوان تابعی از لقاح آلی کاملاً متفاوت است: به مقدار 230 کیلوگرم نیوتن در هکتار کاهش یافته و مجدداً افزایش می یابد. تنها استثنا توسط MCARI/OSAVI نشان داده شده است که اوج 230 کیلوگرم نیوتن در هکتار را برای کمپین ماه مه نشان می دهد، اما برای بررسی اکتبر نه.

جدول 6 نتایج رابطه خطی بین شاخص‌های پوشش گیاهی باند باریک و صفات علفزار را برای دو زیر مجموعه خلاصه می‌کند: (1) مجموعه داده یکپارچه ماه مه و اکتبر و (2) مجموعه داده فرعی فقط در ماه می. برای هر دو مجموعه داده، تمام قطعات لقاح آلی و معدنی گنجانده شده است. با تجزیه و تحلیل مقادیر R2 و RMSE حاصل از مدل‌های رگرسیون خطی، ^{تغییرات} زیادی بین صفات علفزار مشاهده می‌شود. به طور کلی، تغییرات در صفات ساختاری (ارتفاع، زیست توده تازه و خشک) را می توان بهتر از صفات بیوشیمیایی با شاخص های پوشش گیاهی توضیح داد. برای مثال، R2 ^بین ارتفاع و MCARI/OSAVI 0.599 بود، در حالی که بین فیبر خام و NDRE فقط 0.49 بود. با این حال، به طور کلی، R ²مقادیر برای صفات بیوشیمیایی مرتع بطور قابل توجهی کمتر است ( جدول 6 ). برای صفات ساختاری، بیشترین همبستگی برای NDRE و MCARI/OSAVI برای مجموعه داده می مشاهده شد. هنگامی که مجموعه داده های ماه می و اکتبر ترکیب شدند، MCARI/OSAVI و CI _red-edge بالاترین همبستگی را ایجاد کردند. در مجموع می توان بیان کرد که این روابط تحت تأثیر نوع رژیم لقاح اعمال شده نیست. در مقابل، وضعیت رشد مرتع به شدت بر ارزش R2 ^است .

شکل 7. نمودار پراکندگی مربوط به تأثیر نوع و مقدار کود بر روی شاخص های انتخابی پوشش گیاهی نوار باریک.

شکل 8. نمودار پراکندگی بهترین روابط بین صفات منتخب علفزار و شاخص های پوشش گیاهی. بهترین نتایج مدل رگرسیون خطی برای ارتفاع، عملکرد ماده تازه و پروتئین خام در مجموعه داده‌های یکپارچه ماه مه و اکتبر، از جمله کودهای آلی و معدنی یافت شد. بهترین نتیجه برای انرژی متابولیک در عوض در مجموعه داده ماه می یافت شد، که هر دو قطعه بارور شده آلی و معدنی را با هم ترکیب کرد.

جدول 6. نتایج مدل‌های رگرسیون خطی بین شاخص‌های پوشش گیاهی باند باریک انتخابی و صفات علفزار برای زیر مجموعه‌های یکپارچه اردیبهشت و اکتبر و زیر مجموعه داده اردیبهشت، در هر دو مورد شامل تمام سطوح معدنی و آلی لقاح است.

با این وجود، با توجه به طبقه‌بندی پیشنهاد شده توسط [ 28 ]، بدیهی است که یک رابطه متوسط بین صفات مرتع و شاخص‌های پوشش گیاهی در هر دو زیر مجموعه وجود دارد، حتی اگر نتایج به‌دست‌آمده برای ویژگی‌های ساختاری مرتع به اندازه کافی امیدوارکننده باشد.

در واقعیت، نمی توان بهترین پیش بینی کننده را تعیین کرد، اما توانایی پیش بینی شاخص های پوشش گیاهی به ویژگی مورد بررسی و زیر مجموعه داده در نظر گرفته شده بستگی دارد. شکل 8 بهترین نتایج را برای برخی از صفات علفزار که به عنوان نمونه انتخاب شده اند را نشان می دهد.

سایه‌های مختلف رنگ نشان‌دهنده تغییرات هستند: نمودارهای سبز مربوط به مناطقی با کمترین مقادیر هستند، در حالی که نقاط قرمز مربوط به مناطقی هستند که با مقادیر بالاتر مشخص می‌شوند.

شکل 9. تغییرات ارتفاع در نمودارها با اعمال شاخص NDRE روی مجموعه داده فراطیفی اکتسابی در ماه می. کرت هایی با کمترین سطح کود معدنی (0 کیلوگرم نیوتن در هکتار) با فلش رو به پایین و کرت هایی با بالاترین سطح کود معدنی (340 کیلوگرم نیوتن در هکتار) با فلش رو به بالا نشان داده می شوند.

شکل 10. تغییرات انرژی متابولیک در نمودارها با اعمال شاخص _{لبه قرمز} CI روی مجموعه داده فراطیفی اکتسابی در ماه می.

دو نمونه از نقشه های صفات علفزار در شکل 9 و شکل 10 ارائه شده است که تنوع پوشش گیاهی را در کرت ها بر اساس رابطه رگرسیون خطی برای بهترین شاخص پوشش گیاهی باریک در مجموعه داده ماه می برای ارتفاع و انرژی متابولیکی نشان می دهد. ارتفاع در تمام کرت‌ها (بیش از 34 سانتی‌متر) یکنواخت است، با این حال، با مقادیر واضح کمتر (<30 سانتی‌متر) برای کرت‌های بارور نشده (به فلش‌های پایین در شکل 9 مراجعه کنید)، در حالی که سایر کرت‌های بارور شده پایین‌تر نیز مقادیر کاهش ارتفاع را نشان می‌دهند . با این حال، کرت‌های بسیار بارور شده نیز می‌توانند مقادیر ارتفاع کم داشته باشند (به فلش‌های بالا در شکل 9 مراجعه کنید.) که می تواند با سقوط ساقه های علفزار وقتی که زیست توده بیش از حد سنگین می شود که ساقه ها قادر به حمایت از آن نیستند توضیح داده شود. برای انرژی متابولیک، تنوع فضایی بزرگتری را می توان بین کرت ها مشاهده کرد ( شکل 10 ).

4.4. رگرسیون حداقل مربعات جزئی (PLSR)

رگرسیون حداقل مربعات جزئی (PLSR) برای مدل‌سازی روابط بین صفات مرتع و میانگین طیف بازتاب دو مجموعه داده یکپارچه کرت‌ها ( جدول 7 ) به منظور تشخیص ظرفیت پیش‌بینی آن و تأثیر نوع و مقدار کود مورد استفاده قرار گرفت. .

جدول 7. مروری بر نتایج روش رگرسیون حداقل مربعات جزئی بررسی مجموعه داده زیر مجموعه داده های یکپارچه ماه مه و اکتبر و زیر مجموعه داده اردیبهشت، در هر دو مورد شامل تمام سطوح معدنی و آلی لقاح. (RPD: Residual Predictive Deviation؛ RMSE: Root Mean Square Error؛ RMSE _LOO : Root Mean Square Error of Leave-One-Out؛ LF: Latent Factors).

بر اساس طبقه بندی های پیشنهاد شده توسط [ 28 ]، می توان اشاره کرد که در کدام موارد و با کدام ویژگی های مرتع، همبستگی قوی، متوسط یا ضعیف قابل تأیید است. بهترین نتایج (R2 ^> 0.7) در مجموعه داده‌های یکپارچه ماه مه و اکتبر، هر دو با در نظر گرفتن سطوح لقاح معدنی و تمام تیمارهای کودهای آلی و معدنی به دست آمد. ارتفاع، زیست توده تازه، ماده خشک، پروتئین خام، فیبر خام و انرژی متابولیک همبستگی قوی نشان می دهد، در حالی که بقیه (خاکستر خام، پتاسیم، سدیم) همبستگی ضعیفی را نشان می دهند (R2) ^.< 0.5). وقتی موضوع مورد بررسی زیر مجموعه داده مربوط به تمام سطوح کودهای آلی و معدنی اردیبهشت ماه باشد، وضعیت متفاوت است. در این مورد، تنها ارتفاع و بازده ماده تازه همبستگی بالایی را نشان می‌دهند. فیبر خام، سدیم و انرژی متابولیک همبستگی کمی دارند، در حالی که ماده خشک، خاکستر خام، پروتئین خام و پتاسیم با همبستگی متوسط مشخص می شوند.

شکل 11. نمودار پراکندگی مقادیر اندازه‌گیری شده در مقابل مقادیر پیش‌بینی‌شده برای بهترین مدل‌های PLSR ارائه‌شده برای مجموعه داده‌های یکپارچه ماه‌های می و اکتبر و تشکیل‌شده توسط هر دو نمودار لقاح آلی و معدنی (LOO = اعتبار سنجی ترک یک‌اوت).

شکل 12. ضرایب PLSR برای ارتفاع، بازده ماده تازه، پروتئین خام و انرژی متابولیک برای مدل PLSR مجموعه داده یکپارچه ماه مه و اکتبر، شامل هر دو قطعه لقاح آلی و معدنی.

این نتایج توسط RPD نیز تایید شده است. در واقع بهترین نتایج در همان زیر مجموعه داده به دست آمد که همبستگی بالایی را نشان داد. به طور خاص، در مجموعه داده یکپارچه ماه مه و اکتبر، شامل تمام تیمارهای کودهای آلی و معدنی، ارتفاع، ماده خشک و عملکرد ماده تازه، RPD مناسب برای غربالگری نشان می‌دهد. در عوض، تمام ویژگی‌های دیگر با مقدار پیش‌بینی پایین مشخص می‌شوند. زیر مجموعه داده مربوط به تمام سطوح لقاح آلی و معدنی مجموعه داده ماه می یک مقدار RPD مناسب برای تجزیه و تحلیل آزمایشگاهی در مورد پیش‌بینی K ارائه می‌کند. با این حال، تأکید بر این نکته مهم است که مقادیر RPD پایین واقعاً کوچک نیستند زیرا در همه زیر مجموعه‌های داده حدود 2.0 هستند. شکل 11نمودار پراکندگی اندازه گیری و مقادیر پیش بینی شده برای همان چهار متغیر انتخاب شده در شکل 8 را نشان می دهد .

مدل PLSR به ما این امکان را می دهد که مهم ترین طول موج ها را برای متغیرهای مورد بررسی شناسایی و انتخاب کنیم. به طور خاص، شکل 12 طول موج هایی را نشان می دهد که بیشتر بر پیش بینی ارتفاع، ماده تازه، پروتئین خام و انرژی متابولیک تأثیر می گذارد. برای هر صفت مورد تجزیه و تحلیل، جالب ترین طول موج ها در قسمت اول (450-545 نانومتر) قسمت مرئی طیف قرار دارند، به جز انرژی متابولیک، که در آن 545 نانومتر طول موج مرکزی ناحیه مورد نظر است. برای پروتئین خام، می توان ناحیه مورد علاقه دیگری را در حدود 645 نانومتر (545 نانومتر-765 نانومتر) شناسایی کرد.

5. بحث

در این مقاله بهترین استراتژی برای تخمین صفات ساختاری و بیوشیمیایی علفزارها از تصاویر فراطیفی به دست آمده با پهپاد و مطالعه نوع و میزان تأثیر لقاح بر ظرفیت پیش‌بینی آنها مورد بررسی قرار گرفت. استفاده از نیتروژن (N) در علفزار یکی از ابزارهای مدیریتی اصلی است که کشاورزان باید بر عملکرد و کیفیت تأثیر بگذارند. در حال حاضر، شکاف‌های دانشی در مورد اینکه چگونه کاربرد کود آلی بر تعادل نیتروژن در مراتع تأثیر می‌گذارد وجود دارد. به‌ویژه شرایط آب و هوایی می‌تواند بر کانی‌سازی نیتروژن نیتروژن آلی دوغاب تأثیر بگذارد و در نتیجه راندمان طولانی‌مدت کاربرد دوغاب را تحت تأثیر قرار دهد [ 69]]. بنابراین، برای مطالعه این اثر بلندمدت دوغاب، آزمایشی در علفزار با اعمال مقادیر مختلف دوغاب برای سال‌های 2012، 2013 و 2014 برنامه‌ریزی شد. سطح کود مصرفی بر اساس آداب و رسوم کشاورزان آلمانی انتخاب شد. علاوه بر این، این ترکیب داده‌ها به‌ویژه برای مطالعه بهترین استراتژی آماری برای تخمین ویژگی‌های ساختاری و بیوشیمیایی از تصاویر فراطیفی به‌دست‌آمده با پهپاد واجد شرایط به نظر می‌رسید، زیرا سطوح مختلف لقاح نیتروژن، محدوده وسیع و کاملاً تعریف‌شده‌ای از عملکرد زیست توده و غلظت نیتروژن ارائه می‌کرد. در هر تاریخ پرواز

تصاویر فراطیفی از یک مزرعه علفزار آزمایشی در مزرعه Haus Riswick، در نزدیکی Kleve در آلمان ( شکل 1 )، با استفاده از یک پهپاد هشت کوپتر، مجهز به سیستم نقشه برداری ابرطیفی Wageningen UR (HYMSY) ( شکل 3 ) گرفته شد [ 51 ]. دو کمپین پروازی مختلف، یکی در 15 می 2014 و دیگری در 14 اکتبر 2014 انجام شد. پس از کمپین های پروازی، تجزیه و تحلیل ویژگی های علفزار ساختاری و بیوشیمیایی نیز انجام شد.

نتایج تجزیه و تحلیل صفات علفزار در هر دو کمپین مقادیر متفاوتی را برای هر یک از پارامترهای مورد بررسی، اما روابط آماری مشابهی را نشان داد ( جدول 2 ، جدول 3 و جدول 4 ). همبستگی پیرسون در بین صفات ساختاری (ارتفاع، عملکرد ماده تر و خشک) به طور قابل توجهی بالا است (>0.89)، در حالی که در بین صفات بیوشیمیایی، این همبستگی بسته به ویژگی در نظر گرفته شده به طور قابل توجهی متفاوت است (جدول 2) .به عنوان مثال، انرژی متابولیک و فیبر خام همبستگی منفی دارند (98/0-)، در حالی که انرژی متابولیک و پروتئین خام همبستگی بسیار پایینی دارند (04/0). در واقع، انرژی متابولیک به طور مستقیم اندازه گیری نشده است، اما با استفاده از معادلات 1 و 2 محاسبه شده است، و مطمئناً این بر همبستگی تأثیر می گذارد. در مقابل، همبستگی بین پروتئین خام و فیبر خام بسیار کم است (0.10). به طور معمول، هنگامی که تجزیه و تحلیل بر روی یک گیاه در حال رشد در تاریخ های بعدی انجام می شود، آنها همبستگی منفی دارند [ 70]]. با این حال، در این مورد، علفزار تنها در یک تاریخ برداشت مورد تجزیه و تحلیل قرار گرفت و بنابراین، نمی توان همبستگی خوبی بین آنها پیدا کرد. این نیز با تجزیه و تحلیل تاثیر لقاح N تایید شده است. در واقع، لقاح نیتروژن غلظت پروتئین خام را افزایش می دهد در حالی که معمولاً تأثیر کمی بر غلظت فیبر خام دارد زیرا فیبر خام عمدتاً به دما، طول روز و شدت نور بستگی دارد (شکل 4 ).

استفاده از پهپاد، برای تنظیم وضوح فضایی به اندازه زمین علفزار مورد بررسی، به دست آوردن GSD 200 میلی متری برای تصویر فراطیفی، به دلیل کاهش ارتفاع (70 متر) و سرعت (5 متر بر ثانیه) در مقایسه. با سهمیه های سنتی و سرعت هواپیما [ 18 , 19 , 20 , 21 .]. علاوه بر این، به ما این امکان را می‌دهد که در تاریخ‌های انعطاف‌پذیر، با بهره‌برداری از شرایط نور آفتابی یکسان و از بین بردن مشکلات ناشی از ابرها، تصاویری به دست آوریم، به گونه‌ای که بتوان تصاویر دو دوره مختلف را با هم مقایسه کرد. علاوه بر این، امکان نصب یک دوربین فراطیفی بر روی آن به ما این امکان را می‌دهد تا از تمام پتانسیل‌های سنجش از راه دور، پردازش صدها باند طیفی پیوسته باریک که پوشش گیاهی به آن حساس است، به طور کامل استفاده کنیم [ 4 ، 12 ، 13 ، 14 ، 15 ، 16]. در واقع، به طور کلی، پوشش گیاهی مرتع کاملاً همگن دارای تغییرات نسبتاً کمی در خواص بازتابی تاج پوشش است که فقط از یک طیف بازتاب پیوسته قابل مشاهده و تجزیه و تحلیل است. به این دلایل، میدان مورد بررسی با استفاده از داده های فراطیفی مورد تجزیه و تحلیل قرار گرفت. از این داده‌های طیفی دقیق، تغییر در صفات گیاهی مرتع، ناشی از نوع و مقدار کوددهی ( شکل 5 )، با یک تغییر نسبی کوچک در مقادیر بازتاب مطابقت دارد ( شکل 6 ). بنابراین، به منظور شناسایی این تنوع، شاخص‌های پوشش گیاهی با باند باریک به جای شاخص‌های پوشش گیاهی گسترده محاسبه شد، همانطور که در مطالعات قبلی نشان داده شده است [ 14 ، 15 ، 24 ،25 ، 26 ، 27 ، 28 ]. شاخص‌های پوشش گیاهی باند باریک نتایج را در پردازش تصاویر فراطیفی بهبود می‌بخشند، زیرا به ما اجازه می‌دهند از تمام اطلاعات موجود در طیف استفاده کنیم [ 14 ، 15 ، 24 ، 25 ، 26 ، 27 ، 28 ].

شاخص های پوشش گیاهی باند باریک انتخاب شده ( جدول 1 ) به طور جداگانه بر روی سه مجموعه داده فرعی که مجموعه داده اصلی در آنها تقسیم شده بود، محاسبه شد تا تأثیر نوع و مقدار کود و وزن وضعیت رشد علفزار را درک کند. نتایج نشان داد که اگرچه شاخص‌های پوشش گیاهی باریک اثرات نوع و میزان کوددهی را تشخیص می‌دهند، اما توانایی پیش‌بینی آن‌ها در حد متوسط است. در واقع، نتایج دو زیر مجموعه داده یکپارچه، شامل داده‌های ماه مه و اکتبر، اما یکی تنها با لقاح معدنی و دیگری با هر دو لقاح آلی و معدنی مشخص می‌شود، قابل مقایسه هستند. برعکس، وضعیت سلامت علفزار بر توانایی تخمین این تکنیک تأثیر می گذارد ( جدول 6). این کاملاً با نتایج جدول 5 مطابقت دارد . در واقع، بهترین نتایج (مقادیر همبستگی بالاتر) با استفاده از مدل رگرسیون خطی بر روی داده‌های مربوط به بخش پربارتر فصل در ماه می به دست آمد. این با توزیع دو مجموعه داده توجیه می شود. در واقع، توزیع داده های به دست آمده در طول دو کمپین از یک رابطه خطی خاص پیروی نمی کند، اما دو خوشه مجزا را تشکیل می دهد. به همین دلیل، نمی توان بهترین شاخص پوشش گیاهی باریک را تعیین کرد، زیرا به وضعیت سلامت مرتع و صفت مورد تجزیه بستگی دارد. به طور خاص، بهترین تخمین‌گر برای صفات ساختاری مرتع MCARI/OSAVI [ 57 ] است که مقدار > 0.5 را نشان می‌دهد، در حالی که برای بیشتر ویژگی‌های بیوشیمیایی، _{لبه قرمز} CI است [ 57].57 ، 58 ] ( شکل 8 ). علاوه بر این، این رویکرد نتایج امیدوارکننده‌ای را برای تخمین ویژگی‌های ساختاری مرتع نشان می‌دهد، اما نه ویژگی‌های بیوشیمیایی، به استثنای انرژی متابولیک. راه‌اندازی مبتنی بر پهپاد امکان تحویل نقشه‌های فضایی را می‌دهد که توزیع فضایی صفات علفزار را به دنبال کاربرد این رویکرد آماری نشان می‌دهد ( شکل 9 و شکل 10 ).

همانند شاخص‌های باریک پوشش گیاهی، روش PLSR بر روی همان سه زیر مجموعه داده به منظور تحلیل پیامدهای نوع و میزان لقاح و تأثیر فصل رشد مرتع اجرا شد. همچنین در این مورد، نتایج نشان داد که توانایی تخمین این روش عمدتاً تحت تأثیر فصل رشد مرتع است نه نوع و میزان کوددهی متفاوت. در واقع، نتایج مربوط به دو جمعیت مختلف شامل هر دو ماه می و اکتبر، یکی با لقاح معدنی و دیگری با هر دو لقاح آلی و معدنی، قابل مقایسه است. در عوض، مقایسه یکی از آنها با زیر مجموعه داده‌های مربوط به داده‌های ترکیبی داده‌های لقاح معدنی و آلی در بررسی ماه می،² مقدار (> 0.7) برای همه ویژگی ها خوب است، به جز برای خاکستر خام (0.4)، Na (0.2)، و K (0.3) ( جدول 7 ). همچنین، مقدار RPD خوب است ( جدول 7 ) در حالی که، در زیر مجموعه داده های اردیبهشت شامل لقاح معدنی و آلی، مقادیر R ² برای همه صفات بسیار بالا است و در مورد RPD، فقط K دارای مقدار است. بالاتر از 3 ( جدول 7). احتمالاً ضریب تعیین بالاتر گروه اردیبهشت-اکتبر مربوط به تعداد LVهای بیشتر است که می تواند نشانه ای برای اضافه برازش باشد. علاوه بر این، رویکرد اعتبار سنجی متقاطع ترک یک خارج همانطور که در این مطالعه اتخاذ شده است را نمی توان به عنوان یک ارزیابی کاملا مستقل از کیفیت پیش بینی در نظر گرفت. به منظور ایجاد اعتبارسنجی قوی‌تر و تخمین‌های خطای نماینده، یک مجموعه داده بزرگ‌تر ضروری است تا بتوان از مجموعه داده‌های آزمایشی آموزشی و مستقل برای آزمایش رویکرد PLSR استفاده کرد، همانطور که در مطالعات اخیر پیشنهاد شده است [67 ]]. بنابراین، برای کاربرد آینده رویکرد توصیف شده، یک ارزیابی اضافی با استفاده از یک مجموعه تست مستقل برای ارزیابی استفاده از PLSR در عمل مورد نیاز است. علاوه بر این، سایر برنامه های کاربردی آینده می توانند استفاده از PLSR را برای ادغام شاخص های مختلف پوشش گیاهی در کل طیف به منظور ارزیابی عملکرد آنها و مقایسه آنها با عملکرد شاخص های پوشش گیاهی محاسبه شده بر روی مقادیر بازتاب طیفی خالص در نظر بگیرند.

از نتایج فوق، بهترین استراتژی برای تشخیص ویژگی‌های ساختاری و بیوشیمیایی، سنجش از دور فراطیفی در ترکیب با PLSR است. نتیجه این مطالعه با نتایج مطالعات تحقیقاتی قبلی مطابقت دارد [ 3 ، 13 ، 37 ، 38 ]. به عنوان مثال، [ 3 ] یک رویکرد شاخص پوشش گیاهی را با PLSR برای تخمین زیست توده تازه علفزار مقایسه کرد. در مطالعه خود، PLSR بازیابی بهتری از زیست توده تازه با RMSECV 2.10 ارائه داد که در مقایسه با یافته های این مطالعه کمی بهتر بود ( جدول 7) .). با این حال، برای صفات بیوشیمیایی مرتع، این یافته فرصت‌های جدیدی برای نقشه‌برداری از کیفیت مرتع قبل از برداشت می‌دهد، که یکی از الزامات اتخاذ آتی شیوه‌های کشاورزی دقیق در مدیریت مرتع [3 ] است.

به منظور تایید نتایج این مقاله و دستیابی به یک برنامه مدیریت دقیق مرتع، رویکرد ارائه شده در این مطالعه باید بر روی سایر مزارع با اندازه و موقعیت جغرافیایی مختلف آزمایش شود. علاوه بر این، نکات اضافی بیشتری باید بررسی شود. به عنوان مثال، توسعه احتمالی آینده می تواند مشاهدات بیشتری را در طول فصل رشد در نظر بگیرد، زیرا این مطالعه فقط ابتدا و انتهای رشد را در نظر گرفته است.

6. نتیجه گیری

نتایج این مطالعه نشان داده است که داده‌های فراطیفی به‌دست‌آمده از یک پلت‌فرم پهپاد می‌تواند برای توصیف ویژگی‌های ساختاری و بیوشیمیایی مراتع استفاده شود. بنابراین با استفاده از اطلاعات مکانی حاصل می توان اقدامات مدیریتی موثری را برای حفظ وضعیت سلامت اکوسیستم های مرتعی انجام داد. علاوه بر این، طیف بازتاب پیوسته تصاویر فراطیفی پتانسیل بالایی برای توصیف تغییرات کوچک در خواص بازتابی در تاج پوشش گیاهی مرتع کاملاً همگن نشان داده است. به این دلایل، تصاویر فراطیفی برای تشخیص تغییرات اندک در مقادیر بازتاب ناشی از انواع مختلف و مقادیر لقاح بسیار مفید بوده است.

این مطالعه همچنین نشان داده است که هر دو روش آماری تجزیه و تحلیل شده نتایج امیدوارکننده‌ای را برای تخمین صفات ساختاری ارائه می‌دهند، اما برای ارزیابی ویژگی‌های بیوشیمیایی نه. در واقع، تنها مدل PLSR در هر دو مورد عملکرد خوبی از خود نشان داده است. علاوه بر این، هر دو رویکرد آماری تحت تأثیر میزان و نوع لقاح قرار نگرفتند.

بنابراین، در نتیجه، مدل PLSR مبتنی بر تصاویر فراطیفی هوابرد بهترین استراتژی برای تخمین صفات علفزار است، حتی اگر مطالعات بیشتری برای تأیید نتایج به‌دست‌آمده در این مقاله ضروری باشد.

منابع

وایت، آر. موری، اس. Rohweder، M. تجزیه و تحلیل آزمایشی اکوسیستم های جهانی – اکوسیستم های علفزار . موسسه منابع جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2000. [ Google Scholar ]
هاپکینز، ای. Holz، B. علفزار برای کشاورزی و حفاظت از طبیعت: تولید، کیفیت و چند کارکردی. آگرون. Res. 2006 ، 4 ، 3-20. [ Google Scholar ]
باهوش، JGPW; van der Heijden، GWAM; ورزاکوف، اس. Schaepman، ME برآورد زیست توده مرتع با استفاده از تراشیدن باند SVM داده های ابرطیفی. فتوگرام مهندس Remote Sens. 2007 ، 73 ، 1141-1148. [ Google Scholar ] [ CrossRef ]
آجورلولو، سی. موتانگا، او. Choc، MA پیش بینی تنوع مواد مغذی چمن C3 و C4 با استفاده از بازتاب تاج درجا و رگرسیون حداقل مربعات جزئی. بین المللی J. Remote Sens. 2015 ، 36 ، 1743-1761. [ Google Scholar ] [ CrossRef ]
باهوش، JG; Kooistra, L. استفاده از داده های سنجش از دور فراطیفی برای بازیابی کلروفیل و محتوای نیتروژن تاج پوشش. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. 2012 ، 5 ، 574-583. [ Google Scholar ] [ CrossRef ]
کوهن، WB; Maiersperger، TK; Gower، ST; ترنر، DP یک استراتژی بهبود یافته برای رگرسیون متغیرهای بیوفیزیکی و داده های Landsat ETM +. سنسور از راه دور محیط. 2003 ، 84 ، 561-571. [ Google Scholar ] [ CrossRef ]
کوران، پی جی. دانگان، جی ال. پترسون، DL برآورد غلظت بیوشیمیایی برگی برگ ها با طیف سنجی بازتاب: آزمایش روش های کوکالی و کلارک. سنسور از راه دور محیط. 2001 ، 76 ، 349-359. [ Google Scholar ] [ CrossRef ]
هانسن، PM; Schjoerring، JK Reflectance اندازه‌گیری بیوماس تاج پوشش و وضعیت نیتروژن در محصولات گندم با استفاده از شاخص‌های تفاوت نرمال شده گیاهی و رگرسیون حداقل مربعات جزئی. سنسور از راه دور محیط. 2003 ، 86 ، 542-553. [ Google Scholar ] [ CrossRef ]
Hinzman، LD; بائر، ME; Daughtry، CST اثرات کوددهی نیتروژن بر ویژگی های رشد و بازتاب گندم زمستانه. سنسور از راه دور محیط. 1986 ، 19 ، 47-61. [ Google Scholar ] [ CrossRef ]
مک مورتری، جی. چاپل، EW; کیم، ام اس؛ Meisinger، JJ; Corp، LA تشخیص سطوح لقاح نیتروژن در ذرت مزرعه ( Zea mays L.) با اندازه‌گیری‌های فلورسانس و انعکاس غیرفعال به طور فعال القا شده است. سنسور از راه دور محیط. 1994 ، 47 ، 36-44. [ Google Scholar ] [ CrossRef ]
ویس، م. Baret، F. ارزیابی عملکردهای بازیابی متغیر بیوفیزیکی تاج از تجمع داده های ماهواره ای بزرگ. سنسور از راه دور محیط. 1999 ، 70 ، 293-306. [ Google Scholar ] [ CrossRef ]
وانگ، جی. وانگ، تی. اسکیدمور، AK; شی، تی. وو، جی. ارزیابی روش‌های مختلف برای تخمین مواد مغذی چمن از انعکاس ابرطیفی تاج. Remote Sens. 2015 ، 7 ، 5901–5917. [ Google Scholar ] [ CrossRef ]
درویش زاده، ر. آتزبرگر، سی. اسکیدمور، آ. Schlerf، M. نقشه برداری شاخص سطح برگ مرتع با تصاویر فراطیفی هوابرد: مطالعه مقایسه ای رویکردهای آماری و وارونگی مدل های انتقال تابشی. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 894–906. [ Google Scholar ] [ CrossRef ]
تره فرنگی؛ کوهن، WB; کندی، RE; Maiersperger، TK; Gower، ST Hyperspectral در مقابل داده های چند طیفی برای تخمین شاخص سطح برگ در چهار بیوم مختلف. سنسور از راه دور محیط. 2004 ، 91 ، 508-520. [ Google Scholar ] [ CrossRef ]
شلرف، ام. آتزبرگر، سی. هیل، جی. سنجش از دور متغیرهای بیوفیزیکی جنگل با استفاده از داده‌های طیف‌سنج تصویربرداری HyMap. سنسور از راه دور محیط. 2005 ، 95 ، 177-194. [ Google Scholar ] [ CrossRef ]
Schaepman، ME; Ustin, SL; پلازا، ای جی; نقاش، TH; ورلست، جی. لیانگ، طیف‌سنجی تصویربرداری مرتبط با علم سیستم زمین – ارزیابی. سنسور از راه دور محیط. 2009 ، 113 ، S123–S137. [ Google Scholar ] [ CrossRef ]
دالپونته، ام. بروزون، ال. وسکوو، ال. Gianelle، D. نقش وضوح طیفی و پیچیدگی طبقه‌بندی کننده در تجزیه و تحلیل تصاویر فراطیفی مناطق جنگلی. سنسور از راه دور محیط. 2009 ، 113 ، 2345-2355. [ Google Scholar ] [ CrossRef ]
کاپولوپو، آ. پیندوزی، اس. اوکلو، سی. فیورنتینو، ن. بوچیا، L. فتوگرامتری برای پایش محیطی: استفاده از هواپیماهای بدون سرنشین و مدل های هیدرولوژیکی برای تشخیص خاک آلوده به مس. علمی کل محیط. 2015 ، 514 ، 298-306. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کاپولوپو، آ. پیندوزی، اس. اوکلو، سی. Boccia، L. فن‌آوری میدانی غیرمستقیم برای شناسایی مناطقی که دارای نشت غیرقانونی مضر برای سلامت انسان هستند: کاربرد هواپیماهای بدون سرنشین، فتوگرامتری و مدل‌های هیدرولوژیکی. ژئوسپات. سلامتی. 2014 ، 8 ، 699-707. [ Google Scholar ] [ CrossRef ] [ PubMed ]
نکس، اف. Remondino، F. UAV برای برنامه های نقشه برداری سه بعدی: یک بررسی. Appl. Geomat. 2013 ، 6 ، 1-15. [ Google Scholar ] [ CrossRef ]
ژانگ، سی. Kovacs, J. کاربرد سیستم های هوایی بدون سرنشین کوچک برای کشاورزی دقیق: بررسی. دقیق کشاورزی 2012 ، 13 ، 693-712. [ Google Scholar ] [ CrossRef ]
Roelofsen، HD; Bodegom، PM; کویسترا، ال. Witte، JPM پیش بینی صفات برگ گونه های علفی از ویژگی های طیفی آنها. Ecol. تکامل. 2014 ، 4 ، 706-719. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سپسکبیل، ص. اسمیت، RB; de Pauw, E. ارزیابی شاخص‌های پوشش گیاهی باند باریک و پهن‌باند برای تعیین باندهای فراطیفی بهینه برای توصیف محصولات کشاورزی. فتوگرام مهندس Remote Sens. 2002 , 68 , 607-621. [ Google Scholar ]
بلک برن، GA کمی کردن کلروفیل ها و کاروتنوئیدها در مقیاس های برگ و تاج پوشش: ارزیابی برخی رویکردهای فراطیفی. سنسور از راه دور محیط. 1998 ، 66 ، 273-285. [ Google Scholar ] [ CrossRef ]
بروژ، NH; Leblanc، E. مقایسه قدرت پیش‌بینی و پایداری شاخص‌های پوشش گیاهی پهن‌باند و فراطیفی برای تخمین شاخص سطح برگ سبز و تراکم کلروفیل تاج پوشش. سنسور از راه دور محیط. 2001 ، 76 ، 156-172. [ Google Scholar ] [ CrossRef ]
الویج، سی دی; چن، زی. مقایسه شاخص‌های پوشش گیاهی قرمز باند پهن و باند باریک و نزدیک به مادون قرمز. سنسور از راه دور محیط. 1995 ، 54 ، 38-48. [ Google Scholar ] [ CrossRef ]
موتانگا، او. اسکیدمور، AK; کومار، ال. Ferwerda, J. برآورد کیفیت مراتع گرمسیری در سطح تاج با استفاده از تجزیه و تحلیل عمق نوار با حذف پیوسته در حوزه مرئی. بین المللی J. Remote Sens. 2005 ، 26 ، 1093-1108. [ Google Scholar ] [ CrossRef ]
ژائو، دی. هوانگ، ال. لی، جی. Qi، J. تجزیه و تحلیل مقایسه ای از پهنای باند و باند باریک مشتق شده شاخص های گیاهی در پیش بینی LAI و CCD از یک تاج پنبه. ISPRS J. Photogramm. Remote Sens. 2007 ، 62 ، 25-33. [ Google Scholar ] [ CrossRef ]
آتزبرگر، سی. جارمر، تی. شلرف، ام. کوتز، بی. ورنر، دبلیو. تعیین طیف رادیومتری متغیرهای بیوفیزیکی گندم: مقایسه رویکردهای مختلف تجربی-آماری. در مجموعه مقالات بیست و سومین سمپوزیوم EARSeL سنجش از دور در انتقال، گنت، بلژیک، 2 تا 5 ژوئن 2003.
Curran, PJ سنجش از دور شیمی برگی. سنسور از راه دور محیط. 1989 ، 30 ، 271-278. [ Google Scholar ] [ CrossRef ]
دی یونگ، اس ام. Pebesma، EJ; Lacaze، B. ارزیابی زیست توده بالای زمین جنگل‌های مدیترانه با استفاده از طیف‌سنجی تصویربرداری هوابرد: آزمایش DAIS Peyne. بین المللی J. Remote Sens. 2003 ، 24 ، 1505-1520. [ Google Scholar ] [ CrossRef ]
گروسمن، YL; Ustin, SL; ژاکمود، اس. ساندرسون، EW; اشماک، جی. Verdebout، J. نقد رگرسیون خطی چندگانه گام به گام برای استخراج اطلاعات بیوشیمی برگ از داده های بازتاب برگ. سنسور از راه دور محیط. 1996 ، 56 ، 182-193. [ Google Scholar ] [ CrossRef ]
هوانگ، ز. ترنر، بی جی; دوری، اس جی. والیس، آی آر. Foley, WJ برآورد غلظت نیتروژن شاخ و برگ از داده های HYMAP با استفاده از تجزیه و تحلیل حذف پیوسته. سنسور از راه دور محیط. 2004 ، 93 ، 18-29. [ Google Scholar ] [ CrossRef ]
کوکالی، RF؛ Clark، RN تعیین طیف‌سنجی بیوشیمی برگ با استفاده از تحلیل عمق باند ویژگی‌های جذب و رگرسیون خطی چندگانه گام به گام. سنسور از راه دور محیط. 1999 ، 67 ، 267-287. [ Google Scholar ] [ CrossRef ]
کاوامورا، ک. واتانابه، ن. ساکانوی، س. لی، اچ جی; لیم، جی. Yoshitoshi، R. رگرسیون حداقل مربعات جزئی مبتنی بر الگوریتم ژنتیک برای تخمین محتوای حبوبات در مخلوط علف و حبوبات با استفاده از اندازه‌گیری‌های فراطیفی میدانی. گراسل. علمی 2013 ، 59 ، 166-172. [ Google Scholar ] [ CrossRef ]
چو، MA; اسکیدمور، آ. کورسی، اف. ون ویرن، SE; سبحان، اول. برآورد زیست توده علف سبز/علف از تصاویر فراطیفی هوابرد با استفاده از شاخص های طیفی و رگرسیون حداقل مربعات جزئی. بین المللی J. Appl. رصد زمین. Geoinf. 2007 ، 9 ، 414-424. [ Google Scholar ] [ CrossRef ]
درویش زاده، ر. اسکیدمور، آ. شلرف، ام. آتزبرگر، سی. کورسی، اف. Cho، M. LAI و برآورد کلروفیل برای یک علفزار ناهمگن با استفاده از اندازه‌گیری‌های فراطیفی. ISPRS J. Photogramm. Remote Sens. 2008 , 63 , 409-426. [ Google Scholar ] [ CrossRef ]
ژو، جی. آمبروزیا، وی. گاسیوسکی، ای جی. بلاند، جی. پیشگفتار برای شماره ویژه در مورد سیستم های سنجش وسایل نقلیه هوایی بدون سرنشین (UAV) برای مشاهدات زمین. IEEE Trans. Geosci. Remote Sens. 2009 , 3 , 687-689. [ Google Scholar ] [ CrossRef ]
Pajares, G. بررسی اجمالی و وضعیت فعلی برنامه های سنجش از راه دور مبتنی بر وسایل نقلیه هوایی بدون سرنشین (UAV). J. Photogramm. مهندس Remote Sens. 2015 ، 81 ، 281-330. [ Google Scholar ] [ CrossRef ]
Lelong، CC; برگر، پی. جوبلین، جی. روکس، بی. لابه، اس. Baret, F. ارزیابی تصاویر وسایل نقلیه هوایی بدون سرنشین برای نظارت کمی بر محصول گندم در قطعات کوچک. Sensors 2008 , 8 , 3557-3585. [ Google Scholar ] [ CrossRef ]
نبیکر، اس. آنن، ا. Scherrer، MD Oesch. یک حسگر چند طیفی سبک وزن برای میکرو پهپاد – فرصت‌هایی برای سنجش از راه دور هوا با وضوح بسیار بالا. در مجموعه مقالات کنگره XXI ISPRS، پکن، چین، 3 تا 11 ژوئیه 2008.
لینک، جی. سنر، دی. Claupein, W. توسعه و ارزیابی یک پلت فرم حسگر هوایی (ASP) برای جمع آوری داده های چند طیفی برای استخراج تصمیمات مدیریتی در کشاورزی دقیق. محاسبه کنید. الکترون. کشاورزی 2013 ، 94 ، 20-28. [ Google Scholar ] [ CrossRef ]
کلومینا، آی. Molina, P. سیستم های هوایی بدون سرنشین برای فتوگرامتری و سنجش از دور: یک بررسی. ISPRS J. Photogramm. Remote Sens. 2014 ، 92 ، 79-97. [ Google Scholar ] [ CrossRef ]
سلامی، ای. بارادو، سی. پاستور، E. آزمایش های پرواز پهپاد برای سنجش از دور مناطق پوشش گیاهی اعمال شد. Remote Sens. 2014 , 6 , 11051–11081. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Vanamburg، LK; ترلیکا، ام جی; هافر، آر.ام. Weltz، MA تصاویر دیجیتال مبتنی بر زمین برای تخمین زیست توده علفزار. بین المللی J. Remote Sens. 2006 ، 27 ، 939-950. [ Google Scholar ] [ CrossRef ]
فون بورن، SK; بورکارت، ا. هوئنی، ا. راشر، یو. توهی، نماینده مجلس؛ Yule, IJ استقرار چهار حسگر مبتنی بر پهپاد نوری بر روی علفزار: چالش ها و محدودیت ها. Biogeosciences 2015 ، 12 ، 163-175. [ Google Scholar ] [ CrossRef ]
ساکاموتو، تی. Gitelson، AA; Nguy-Robertson، AL; Arkebauer، TJ; واردلو، بی.دی. Suyker، AE; ورما، اس بی؛ Shibayama, M. روشی جایگزین با استفاده از دوربین های دیجیتال برای نظارت مداوم بر وضعیت محصول. کشاورزی برای. هواشناسی 2012 ، 154 ، 113-126. [ Google Scholar ] [ CrossRef ]
کاوامورا، ک. ساکونو، ی. تاناکا، ی. لی، اچ جی; لیم، جی. کوروکاوا، ی. Watanabe، N. نقشه برداری زیست توده گیاهی و وضعیت نیتروژن در مزرعه چچم ایتالیایی ( Lolium multiflorum L.) با استفاده از دوربین فیلمبرداری دیجیتال با سیستم بالون. J. Appl. Remote Sens. 2011 ، 5 . [ Google Scholar ] [ CrossRef ]
Bassler, R. Die Chemische Untersuchung von Futtermitteln در VDLUFA Methodenbuch Band III/3, 1976 mit 3. Ergänzungslieferung 1993 und 6 ; VDLUFA-Verlag: دارمشتات، آلمان، 2006. [ Google Scholar ]
GFE (Ausschuss für Bedarfsnormen der Gesellschaft für Ernährungsphysiologie). Formeln zur Schätzung des Gehaltes an umsetzbarer Energie در Futtermitteln aus Aufwüchsen des Dauergrünlandes und Mais-Ganzpflanzen. Proc. Soc. Nutr. فیزیول. 1998 ، 7 ، 141-150. [ Google Scholar ]
Suomalainen، J.; اندرس، ن. اقبال، س. رورینک، جی. فرانکه، جی. رفتن، پ. هونیگر، دی. بارتولومئوس، اچ. بکر، آر. Kooistra, L. یک سیستم نقشه برداری ابرطیفی سبک وزن و زنجیره پردازش فتوگرامتری برای وسایل نقلیه هوایی بدون سرنشین. Remote Sens. 2014 , 6 , 11013–11030. [ Google Scholar ] [ CrossRef ]
شلاپفر، دی. Odermatt, D. MODO—Modtran4 for Remote Sensing Applications ; ReSe Applications Schläpfer: Wil, Switzerland, 2006; پ. 78. [ Google Scholar ]
کلومینا، آی. بلاسکز، ام. مولینا، پ. Parès, ME; Wis, M. به سمت یک الگوی جدید برای فتوگرامتری کم هزینه با وضوح بالا و سنجش از دور. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2008 ، 37 ، 1201-1206. [ Google Scholar ]
تریگز، دبلیو. مک لاچلان، پی. هارتلی، آر. Fitzgibbon، A. تنظیم بسته نرم افزاری – یک سنتز مدرن. در الگوریتم های چشم انداز: تئوری و عمل . Triggs, W., Ziesserman, A., Sterliski, R., Eds. Springer Verlag: برلین، آلمان، 2000; صص 298-375. [ Google Scholar ]
گرون، ا. کالیبراسیون سیستم Beyer، HA از طریق کالیبراسیون خود. در کالیبراسیون و جهت گیری دوربین ها در بینایی کامپیوتری ; Gruen, A., Huang, TS, Eds. Springer: New York, NY, USA, 2001; صص 163-194. [ Google Scholar ]
داش، ج. Curran, PJ شاخص کلروفیل زمینی MERIS. بین المللی J. Remote Sens. 2004 ، 25 ، 5403-5413. [ Google Scholar ] [ CrossRef ]
وو، سی. نیو، ز. تانگ، کیو. Huang, W. برآورد محتوای کلروفیل از شاخص‌های پوشش گیاهی فراطیفی: مدل‌سازی و اعتبارسنجی. کشاورزی برای. هواشناسی 2008 ، 148 ، 1230-1241. [ Google Scholar ] [ CrossRef ]
Gitelson، AA; گریتز، ی. Merzlyak، MN روابط بین محتوای کلروفیل برگ و بازتاب طیفی و الگوریتم‌های ارزیابی کلروفیل غیر مخرب در برگ‌های گیاه بالاتر. J. گیاه فیزیول. 2003 ، 160 ، 271-282. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Gitelson، AA; کیدان، GP; مدل سه باندی مرزلیاک، MN برای تخمین غیرتهاجمی محتوای کلروفیل، کاروتنوئیدها و آنتوسیانین در برگ‌های گیاه بالاتر. ژئوفیز. Res. Lett. 2006 ، 33 ، L11402. [ Google Scholar ] [ CrossRef ]
بارنز، EM; کلارک، تی آر. ریچاردز، SE; Colaizzi، PD; هابرلند، جی. کاسترزوسکی، م. والر، پی. چوی، سی. رایلی، ای. تامپسون، تی. و همکاران تشخیص همزمان تنش آبی محصول، وضعیت نیتروژن و چگالی تاج با استفاده از داده‌های چندطیفی زمینی. در مجموعه مقالات پنجمین کنفرانس بین المللی کشاورزی دقیق، بلومینگتون، MN، ایالات متحده، 16-19 ژوئیه 2000.
گلادی، پ. کوالسکی، BR رگرسیون حداقل مربعات جزئی: یک آموزش. مقعدی چیم. Acta 1986 ، 185 ، 1-17. [ Google Scholar ] [ CrossRef ]
فریفته، ج. ون در میر، اف. آتزبرگر، سی. Carranza، EJM تجزیه و تحلیل کمی طیف بازتاب خاک متاثر از نمک: مقایسه دو روش تطبیقی (PLSR و ANN). سنسور از راه دور محیط. 2007 ، 110 ، 59-78. [ Google Scholar ] [ CrossRef ]
کویسترا، ال. سالاس، EAL; کلورز، جی. ورنس، آر. لوون، آر. Nienhuis، PH; Buydens، LMC بررسی بازتاب پوشش گیاهی مزرعه به عنوان شاخصی از آلودگی خاک در دشت های سیلابی رودخانه. محیط زیست آلودگی 2004 ، 127 ، 281-290. [ Google Scholar ] [ CrossRef ]
عبدی، ح. رگرسیون حداقل مربعات جزئی و طرح ریزی بر رگرسیون ساختار نهفته (رگرسیون PLS). وایلی اینتردیسیپ. ریور کامپیوتر. آمار 2010 ، 2 ، 97-106. [ Google Scholar ] [ CrossRef ]
ردرسن، بی. فریک، تی. Wachendorf, M. اثرات آماده‌سازی نمونه و استانداردسازی اندازه‌گیری بر کیفیت کالیبراسیون NIRS از نیتروژن، خاکستر و محتوای NDFom در زیست توده مرتعی وسیع تجربی. انیمیشن. Feed Sci. فنی 2013 ، 183 ، 77-85. [ Google Scholar ] [ CrossRef ]
ویلیامز، پی. نوریس، K. فناوری فروسرخ نزدیک در صنایع کشاورزی و غذایی ، ویرایش دوم. انجمن آمریکایی شیمیدانان غلات: سنت پل، MN، ایالات متحده آمریکا، 2001. [ Google Scholar ]
Serbin، SP; سینگ، آ. مک نیل، BE; Kingdon، CC; Townsend، PA تعیین طیف‌سنجی صفات مورفولوژیکی و بیوشیمیایی برگ برای گونه‌های درختان معتدل شمالی و شمالی. Ecol. Appl. 2014 ، 24 ، 1651-1669. [ Google Scholar ] [ CrossRef ]
Mevik، BH; Wehrens, R. بسته pls: مؤلفه اصلی و رگرسیون حداقل مربعات جزئی در R. J. Stat. نرم افزار 2007 ، 18 ، 1-23. [ Google Scholar ] [ CrossRef ]
Knoblauch، C. واتسون، سی. بکر، آر. برندونک، سی. ویچرن، F. تأثیر کوددهی نیتروژن بر کانی سازی کربن و نیتروژن، زیست توده میکروبی و تنفس خاک در خاک های مرتعی. در مجموعه مقالات هجدهمین کارگاه نیتروژن، لیسبون، پرتغال، 30 ژوئن تا 3 ژوئیه 2014.
Donath، TW; هلزل، ن. بیسلز، اس. Otte, A. چشم انداز ترکیب زیست توده از علفزارهای سیلاب معتدل غیر فشرده در سیستم های کشاورزی. کشاورزی اکوسیستم. محیط زیست 2004 ، 104 ، 439-451. [ Google Scholar ] [ CrossRef ]

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب