ரிமோட் சென்சிங் & ஜிஐஎஸ் ஜர்னல்

சுருக்கம்

மேம்பட்ட புள்ளியியல் அணுகுமுறைகளைப் பயன்படுத்தி ரிமோட் சென்ஸ்டு டேட்டாவிலிருந்து இலைப் பகுதி குறியீட்டை மீட்டெடுத்தல்

கவுடா PH, உம்மன் டி, மிஸ்ரா டி, ஸ்வார்ட்ஸ் ஆர்சி, ஹோவெல் டிஏ, வாக்லே பி

மாதிரி மேற்பரப்பு ஆற்றல் சமநிலை, ஆவியாதல் மற்றும் தாவர உற்பத்தித்திறன் ஆகியவற்றிற்கு இலை பரப்பு குறியீட்டை (LAI) மேப்பிங் மற்றும் கண்காணிப்பு மிகவும் முக்கியமானது. LAI மற்றும் ஸ்பெக்ட்ரல் தாவர குறியீடுகளுக்கு (SVI) இடையே அனுபவப் பின்னடைவைப் பயன்படுத்தி, ஒரு நேரத்திலும் செலவு குறைந்த முறையிலும், பெரிய பகுதிகளில் தனிப்பட்ட துறைகளில் LAIஐ விரைவாக சேகரிக்க ரிமோட் சென்சிங் உதவுகிறது. இருப்பினும், சூரிய-மேற்பரப்பு உணரி வடிவவியல், பின்னணி பிரதிபலிப்பு மற்றும் விதானத்தில் உள்ள மாறுபாடுகளை விட வளிமண்டலத்தில் தூண்டப்பட்ட மாறுபாடுகள் விதானத்தின் பிரதிபலிப்பு ஆகியவற்றில் பெரியதாக இருக்கும்போது இந்த உறவுகள் பயனற்றதாக இருக்கலாம். இதற்கு சிறந்த மற்றும் பிராந்திய-குறிப்பிட்ட LAI-SVI மாதிரிகளின் உருவாக்கம் தேவைப்படுகிறது. சமீபத்திய ஆண்டுகளில், சப்போர்ட் வெக்டர் மெஷின்கள் (SVM) மற்றும் தொடர்புடைய திசையன் இயந்திரங்கள் (RVM) போன்ற புள்ளியியல் கற்றல் முறைகள் சிக்கலான செயல்முறைகளுக்கான சாதாரண குறைந்த சதுர (OLS) பின்னடைவு மாதிரிகளைக் காட்டிலும் வெற்றி பெற்றுள்ளன. இந்த ஆய்வின் நோக்கம், டெக்சாஸ் உயர் சமவெளியில் உள்ள முக்கிய கோடை பயிர்களுக்கு LAI ஐ மதிப்பிடுவதற்கு OLS, SVM மற்றும் RVM அடிப்படையிலான பிரதிபலிப்பு மாதிரிகளை உருவாக்கி ஒப்பிடுவதாகும். மூர் மற்றும் ஓசில்ட்ரீ மாவட்டங்களில் தோராயமாக தேர்ந்தெடுக்கப்பட்ட 47 வணிகத் துறைகளில் LAI அளவிடப்பட்டது. ஆய்வுப் பகுதியில் லேண்ட்சாட் 5 செயற்கைக்கோள் மேம்பாலங்களுடன் ஒத்துப்போகும் வகையில் தரவு சேகரிப்பு செய்யப்பட்டது. OLS, SVM மற்றும் RVM மாதிரிகளைப் பயன்படுத்தி LAI ஐ மதிப்பிடுவதற்காக SVI களின் பல வழித்தோன்றல்கள் ஆராயப்பட்டன. முடிவுகளின் பகுப்பாய்வு, TM பட்டைகள் 4 மற்றும் 3 ஆகியவற்றின் விகிதத்தின் அடிப்படையில் SVI-LAI மாதிரிகள் மற்றும் இயல்பாக்கப்பட்ட வேறுபாடு தாவரக் குறியீடு (NDVI) ஆகியவை LAI க்கு மிகவும் உணர்திறன் கொண்டவை என்பதைக் குறிக்கிறது. தேர்ந்தெடுக்கப்பட்ட மாடல்களுக்கான R2 மதிப்புகள் 0.79 முதல் 0.96 வரை வேறுபடுகின்றன, SVM மாடல் சிறந்த முடிவுகளைத் தருகிறது. இருப்பினும், அறிக்கையிடப்பட்ட LAI மாடல்களின் துல்லியத்தன்மைக்கு கூடுதல் மதிப்பீடு தேவைப்படுகிறது, இது பரந்த பொருந்தக்கூடிய தன்மைக்காக LAI இல் உள்ள-புல இடஞ்சார்ந்த மாறுபாட்டைக் கணக்கிடுகிறது.