برآورد ضریب گیاهی گندم پاییزه با استفاده از داده های سنجش از دور با رویکرد کاهش داده

استفاده بهینه از آب آبیاری نیاز به برنامه ریزی دقیق آبیاری دارد و برآورد دقیق ضریب گیاهی به خصوص در مقیاس های وسیع پیش نیاز آن است. هدف از این تحقیق مقایسه برخی از رویکردهای پیش پردازش داده های ورودی به شبکه عصبی مصنوعی: رگرسیونی و کاهش داده (تحلیل مولفه های اصلی و چرخشی) در برآورد ضریب گیاهی با شاخص های NDVI، RI، TVI، MSAVI، SAVI، mTVI، EVI، MNDVI، TVX، NVSWI در جهت مدل سازی ضریب گیاهی گندم در استان آذربایجان شرقی بود. مقایسه عملکرد رویکرد کاهش داده و رگرسیون بیانگر کاهش معیارهای خطا در رویکرد کاهش داده بود، به عنوان نمونه درصد افزایش آماره RMSE از حالت چرخشی به رگرسیون 8/11 و از حالت تحلیل مولفه های اصلی به رگرسیون 7/22 بود. رویکردهای مورد استفاده در برآورد ضریب گیاهی از تخمین بیش برآوردی برخوردار بودند به طوری که میزان افزایش متوسط ضریب گیاهی دوره صحت سنجی از ضریب گیاهی فائو به رویکرد پیش پردازش با رگرسیون، تحلیل مولفه های اصلی و چرخشی به ترتیب 7/13، 7/6 و 6/4 درصد بوده است. بنابراین استفاده از چرخش در تحلیل کاهش داده میزان دقت تخمین را بالا می برد. کاهش 13/39 درصد ضریب همبستگی از شاخص MSAVI نسبت بهNDVI ، حاکی از این است که شاخص های توسعه یافته براساس شرایط منطقه در افزایش کارایی برآورد ضریب گیاهی با تصاویر ماهواره ای از اهمیت ویژه ای برخوردار هستند.