برآورد شاخص سطح برگ (lai) با استفاده از نمودار پراکندگی باندهای قرمز و مادون قرمز نزدیک

شاخص سطح برگ (lai)، حاصل تقسیم مجموع مساحت برگ¬های سبز یک بوته یا درخت به مساحت سطح زمین زیرین آن می¬باشد. برآورد صحیح از این شاخص در سطحی وسیع، می¬تواند در پایش محصولات مورد استفاده¬ی زیادی قرار گیرد.با توجه به اهمیت زیاد برآورد این شاخص، یکی از اهداف سنجش ¬از دور نیز تعیین دقیق این شاخص می¬باشد. تمامی مدل¬های مربوط به برآورد lai که توسط روش¬های سنجش از دوری بدست می¬آیند را می¬توان به سه گروه کلی تقسیم¬بندی کرد: مدل¬های آماری، مدل¬های فیزیکی و مدل¬های ترکیبی. مدل¬های آماری که بر اساس رابطه¬ی آماری بین شاخص سطح برگ و دیگر شاخص های گیاهی تعریف می¬شوند، زمانی¬که شاخص سطح برگ به مقادیر بالا می¬رسد، اشباع می¬شوند و هیچ رابطه¬ی واحدی بین یک شاخص گیاهی خاص و شاخص سطح برگ را نمی¬توان تعریف کرد. در مدل¬های فیزیکی که بر اساس حل معکوس معادلات انتقال انرژی، تعریف می¬شوند، اطلاعات مربوط به مدل بازتابندگی تاج پوشش گیاهی موردنیاز است. محدودیت اصلی این مدل¬ها، محاسبات پیچیده و زیاد آن ها است و در مطالعات جهانی و منطقه¬ای کاربرد عملیاتی زیادی ندارند. الگوریتم¬های ترکیبی هم که از ترکیب مدل¬های آماری و فیزیکی بدست می¬آیند، با وجود دقت بالا، دارای محاسبات پیچده¬ای می¬باشند و نیازمند اطلاعات مربوط به مدل بازتابندگی خیمه¬ی گیاهی هستند. با توجه به توضیحات بالا، تحقیق در مورد کاهش معایب این مدل¬ها و یا ارائه¬ی روش¬های جدیدتر و دقیق تر برای رسیدن به دقت بهتر به¬منظور برآورد lai با استفاده از تصاویر ماهواره¬ای، ضروری به نظر می¬رسد. در این پایان¬نامه، برای برآورد شاخص سطح برگ، از اطلاعات پوشش گیاهی موجود در نمودار پراکنش باندهای قرمز و مادون¬قرمزنزدیک تصاویر +7etm، استفاده شده است. ابتدا 9 پارامتر مختلف شامل 4 زاویه و 5 فاصله از این نمودار استخراج شد و از ترکیب¬های مختلف این 9 پارامتر، 511 مدل مختلف برای برآورد lai تولید گردید. بهترین مدل (مدل 5p-lai1) با استفاده از 3 پارامتر زاویه و 2 پارامتر فاصله بدست آمد. در مرحله¬ی دوم، مثلث ایجادشده در نمودار پراکنش red-nir با توجه به شاخص گیاهی pvi به 3 ناحیه تقسیم شد و 3 مدل متفاوت برای هر یک از نواحی ارائه گردید. در حالت کلی استفاده از این روش ناحیه¬بندی، باعث بهبود اندکی در نتایج شد، به طور¬یکه نسبت به مدل کلی 5p-lai1، rmse از 75/0 به 68/0 کاهش، rrmse از 30% به 26% کاهش و r از 94/0 به 95/0 افزایش یافت. در این پژوهش از داده¬های میدانی پروژه¬ی bigfoot استفاده شده است و از طریق مقایسه با نتایج سایر مدل¬های پروژه¬ی bigfoot این نتیجه بدست آمد که مدل کلی 5p-lai1، علی¬رغم سادگی و استفاده از اطلاعات فقط دو باند قرمز و مادون¬قرمزنزدیک، دارای دقت قابل قبولی نسبت به دیگر مدل¬های bigfoot که مدل¬های پیچیده¬ای هستند، می¬باشد. همچنین مدل ارئه¬شده از طریق ناحیه¬بندی مثلث ایجادشده در نمودار پراکنش red-nir، دارای بالاترین دقت در بین تمامی این مدل¬ها بود. به ¬نظر این پژوهشگر مدل¬های ارائه¬ شده در این پژوهش را می¬توان با استفاده از پارامترهای دیگری مانند نوع پوشش گیاهی، درصد گیاه، درصد خاک، زمان رشد گیاه، رطوبت خاک و موارد دیگر بهبود بخشید.