ویژگی اشباع شاخص های پوشش گیاهی یک محدودیت شناخته شده ایجاد می کند و این مطالعه با انگیزه درک ویژگی اشباع سه شاخص پوشش گیاهی پرکاربرد در اکوسیستم مخلوط زراعی-جنگل که در آن دانش محدودی وجود داشت، انجام شد. شاخص تفاوت عادی شده گیاهی (NDVI)، شاخص نسبت ساده (SRI) و شاخص گیاهی تبدیل شده (TVI) از باندهای نگهبان-2 محاسبه شد و. تغییرات بین باندها و در بین شاخص های پوشش گیاهی مورد بررسی قرار گرفت. این مطالعه از محصول شاخص سطح برگ سبز (gLAI) نسخه 1، مشتق شده از داده های روزانه PROBA-V برای تمایز خاصیت اشباع شاخص ها استفاده کرد. اگرچه این مطالعه از روش‌های مختلف پیش‌پردازش و پردازش تصویر استفاده کرد، بهترین برازش منحنی و تحلیل همبستگی کلیدی‌ترین آنها بود. سه شاخص پوشش گیاهی: NDVI، SRI، و TVI محاسبه شده از باندهای نگهبان-2: چهار (قرمز) و پنج (لبه قرمز) همراه با باندهای 8 و 8a سطوحی از اشباع را نشان دادند. با این وجود، TVI محاسبه شده از باندهای 8a و 4 بهترین ترکیب با عملکرد بهتر است، یعنی کمترین اشباع را دارد و خروجی جالبی است به این معنا که یک شاخص واحد با مقادیر قابل توجهی کمتر از نویز معادل شاخص سطح برگ سبز و همچنین دارای قوی بودنارتباط با gLAI به دست آمده است که می تواند برای کمی سازی gLAI در اکوسیستم های مشابه بسیار مفید باشد. برای بقیه باندها و شاخص‌های پوشش گیاهی، ترکیب شاخص‌ها از طریق تعیین آستانه می‌تواند یک راه‌حل ممکن باشد.
روی یک دست نوشته کار می کنید؟
مقدمه
سنجش از دور پوشش گیاهی از ماهیت ویژگی‌های طیفی پوشش گیاهی ایجاد می‌شود، یعنی پوشش گیاهی، به طور کلی، جذب قوی در محدوده نوار قرمز نشان می‌دهد در حالی که بازتاب بالاتری در پهنای باند نزدیک به فروسرخ دارد. شاخص های پوشش گیاهی به عنوان نماینده ای برای درک تغییرات زمانی و مکانی ساختار و تراکم پوشش گیاهی استفاده می شود.
اگرچه این پروکسی ها به طور گسترده ای مورد استفاده قرار می گیرند ، اما با مشکلات و محدودیت های مختلف همراه هستند. ماهیت اشباع شاخص های پوشش گیاهی یکی از موانع برجسته ای است که باعث می شود آنها از آنها استفاده کمی داشته باشند ، از جمله منجر به دست کم گرفتن بهره وری اکوسیستم در یک منطقه بسیار گیاهی یا متراکم. به عنوان مثال ، NDVI که پرکاربردترین شاخص پوشش گیاهی است ، تخمین های ضعیفی از بهره وری از پوشش گیاهی در مناطقی که پوشش گیاهی 100 ٪ وجود دارد ، ارائه می دهد و در طول اوج فصل ، برای نشان دادن خواص مهم پوشش گیاهی ناکافی است [1،2،3،4 ،5]منطقی ترین توضیحات این است که باند قرمز (680 نانومتر) انرژی الکترومغناطیسی را به شدت جذب می کند ، که توسط یک عملکرد نمایی نشان داده می شود [1] و وقتی پوشش سایبان به 100 ٪ می رسد ، مقدار چراغ قرمز که می تواند توسط برگها جذب شود به اوج می رسد [1 ، 5] در حالی که ، بازتاب مادون قرمز نزدیک (NIR) افزایش می یابد زیرا افزودن برگها منجر به پراکندگی متعدد می شود [6]. به عبارت دیگر ، به عنوان مثال در مزارع زراعی ، در حالی که بازتاب در منطقه قرمز پس از تجاوز شاخص منطقه برگ (LAI) از 2 ، پاسخ تقریباً مسطح را نشان می دهد ، بازتاب مادون قرمز نزدیک به پاسخ قابل توجهی به تغییرات در پوشش گیاهی متوسط تا بلند ادامه می دهد. چگالی (LAI از 2 تا 6). عدم تعادل بین کاهش جزئی در بازتاب NIR قرمز و زیاد منجر به تغییر جزئی در نسبت NDVI می شود ، از این رو ، رابطه ضعیفی با زیست توده ایجاد می کند. برای دو برابر شدن نسبت ، بازتاب NIR تقریباً باید دو برابر شود تا تغییر جزئی در بازتاب قرمز را جبران کند ، با این حال ، که همیشه اینگونه نیست [6].
به عنوان یک پاسخ ، تلاش های مختلفی در پرداختن به این مشکل اشباع انجام شده است که می تواند در سه گروه قرار گیرد: بهبود ریاضی یا اصلاح شاخص ها ، مقایسه ، انتخاب و استفاده ترکیبی از شاخص های کمتر حساس و استفاده از باند های ابرشخصی یا قرمز رنگوادشاخص پوشش گیاهی دامنه دینامیکی گسترده (wdrvi = (a * ρni r-ρred)/(a * ρnir + ρred)) ، که نتیجه اصلاح ساده NDVI است ، پیشنهادی ، ضریب A (با مقادیر بین 0. 1 و 0. 2) واین ارتباط با کسری از پوشش گیاهی با خطی کردن رابطه در سه سایبان زراعی: گندم ، سویا و ذرت افزایش می یابد. این رویکرد منجر به حساسیت بیشتر به LAI متوسط تا بالا (بین 2 تا 6) شد که حداقل سه برابر بیشتر از NDVI است ، که باعث می شود خصوصیات قوی تر از ویژگی های فیزیولوژیکی و فیزیولوژیکی محصول باشد [7].
شاخص های پوشش گیاهی با در نظر گرفتن تفاوت در عملکرد شاخص های مختلف پوشش گیاهی با تراکم پوشش گیاهی و نوارهای موجود در سنسورها ترکیب شدند. برای سنسورهای دارای نوارهای طیفی که دارای نوارهای قرمز و مادون قرمز نزدیک هستند ، NDVI همراه با نسبت ساده (RVI) منجر به بهترین ترکیب برای ذرت می شود ، هرچند چنین ترکیبی از گونه ها خاص است. NDVI قرمز و لبه قرمز کلروفیل (لبه Cired) برای سنسورهایی که دارای نوارهای دارای مناطق قرمز و مادون قرمز نزدیک هستند توصیه می شود [8]. با استفاده از تصاویر rapideye سه شاخص بهبود یافته یعنی NDVIقرمز و دوباره(NDVI قرمز و قرمز) ، MSRقرمز و دوباره(شاخص MSR قرمز و قرمز) ، و CIقرمز و دوباره(CI قرمز و لبه قرمز) ساخته شد که باندهای قرمز و قرمز ترکیبی. و این شاخص ها در مقایسه با شاخص های موجود جایگزین قدرتمند برای برآورد LAI محصولات زراعی با دامنه کلروفیل گسترده است [9]. استفاده ترکیبی از NDVI با RVI نیز پس از رابطه بین NDVI و شاخص پوشش گیاهی نسبت (RVI) در بالا توسعه داده شدمقادیر NDVI ارزیابی شد. و این یک معادله تجربی برای برآورد NDVI تنظیم شده اشباع بر اساس RVI در مزارع ذرت ایجاد کرد که پیش بینی بهتری از شرایط گیاهی واقعی را امکان پذیر می کند [10].
بر خلاف تعداد معدودی از باند ها در سنسورهای چند طیفی که اغلب باند گسترده ای هستند ، سنسورهای Hyperspectral امکان تبعیض شاخص های پوشش گیاهی را بر اساس نوارهای باریک در کل طیف الکترومغناطیسی (350-2500 نانومتر) ارائه می دهند. بسیاری از مطالعات اهمیت شاخص های پوشش گیاهی باند باریک را برای برآورد سایبان جنگلی LAI تأیید کردند [11،12،13،14،15]. باندهای باریک قرار داده شده در منطقه لبه قرمز (680-750 نانومتر) از خصوصیات گیاهی مانند زیست توده سایبان و محتوای کلروفیل برگ تأثیر می گذارد. نقطه حداکثر شیب بر روی منحنی مادون قرمز قرمز که به عنوان یک موقعیت لبه قرمز گفته می شود ، در مقایسه با پوشش گیاهی قدیمی و از این رو کمتر مستعد ابتلا به مشکل اشباع است [3 ، 16] حساس به تغییرات زیست توده برای پوشش گیاهی سبز حساس است. سه روش: NN ، PLS و VI برای یافتن باندهای طیفی آموزنده که برای برآورد LAI با استفاده از بازتاب ابرشخصی حفظ شده اند ، اجرا شدند. این مطالعه 8 سال از مشاهدات طول کشید و نتایج نشان داد که باندهای لبه قرمز و NIR آموزنده ترین هستند [17].
In a study that employs the narrow bands of Hyperion imagery, three major regions have been identified showing the strongest relationship with LAI and namely far-red and red edge (680–740 nm), NIR (885–1134 nm) and SWIR (1639–1790 nm) [18]. Applying a linear model the best narrowband combinations in the boreal forest area revealed an R 2 > 0.65 and much higher R 2 >0. 85 مقدار برای یک جنگل مخروطی. با توجه به قرار دادن باند های طیف باریک باند نزدیک به مناطق جذب آب برای تخمین LAI به طور منحصر به فرد مفید است. سودمندی موقعیت لبه قرمز (Rep) برای برآورد LAI با حساسیت Rep به محتوای برگ و کلروفیل همراه است. این افزایش میزان کلروفیل یا LAI به طول موج طولانی تر Rep به دلیل گسترش منطقه جذب کلروفیل در حدود 680 نانومتر است [19 ، 20]. از طرف دیگر ، متضاد با نوارهای طیفی SWIR ، لبه دور قرمز و قرمز به ترکیب گونه ها حساس است و روابط ضعیف را نسبت به پوشش گیاهی مختلط نشان می دهد. به طور کلی ، اگرچه مطالعات مکرر حاکی از اهمیت منطقه Edge Red Edge و SWIR است ، اما گروههای طیفی خاص که قوی ترین رابطه با LAI را ارائه می دهند در طول مطالعات متفاوت است [18]. نوارهای چند قطبی باریک (وضوح 400-800 نانومتر و 10 سانتی متر) از وسیله نقلیه منطقه بدون سرنشین (پهپاد) با موفقیت LAI را با استفاده از یک شاخص پوشش گیاهی مثلثی اصلاح شده تخمین زده اند (MTVI2) با R2 کالیبره شده و معتبر به ترتیب از 0. 79 و 0. 8 در محصول گندم [21].
بسیاری از مطالعات موجود در مورد ماهیت اشباع شاخص‌های پوشش گیاهی بر محصولات کشاورزی متمرکز شده‌اند و درک در سایر انواع پوشش گیاهی مانند جنگل و مرتع به دلیل ویژگی‌های منحصر به فرد از نظر بهره‌وری احتمالاً مورد توجه قرار نگرفته است [8]. در همین حال، سنسور سنجش از راه دور Sentinel-2 که اخیراً در دسترس است، که با امیدواری در مطالعات پوشش گیاهی طراحی و توسعه یافته است، با سه نوار لبه قرمز، یک نوار قرمز، دو باند مادون قرمز نزدیک و دو باند مادون قرمز موج کوتاه ارائه شد.. در این راستا، خروجی‌های حاصل از مطالعات بسیار اخیر به برآورد پارامترهای بیوفیزیکی با استفاده از داده‌های شبیه‌سازی‌شده و واقعی Sentinel-2 پرداختند. به عنوان مثال، داده‌های شبیه‌سازی شده Sentinel-2 برای تخمین محتوای کلروفیل تاج پوشش (CCC)، کسری از تشعشعات فعال فتوسنتزی جذب شده توسط تاج پوشش گیاهی (FAPAR)، و کسری از تشعشعات فعال فتوسنتزی که فقط توسط اجزای فتوسنتز کننده آن (GFAPAR) جذب می‌شوند، دریک اکوسیستم علفزار زیر آلپ پویا [22]. ترکیبی از Sentinel-2A با Sentinel-1A برای تخمین‌های LAI decametric مکانی-زمانی بالا استفاده شد. برای مزارع برنج، برآورد LAI با معکوس کردن مدل انتقال تشعشعی PROSAIL با رگرسیون گاوسی به دست آمد [23]. یک مطالعه بسیار جدید توسط [24] یک شاخص جدید به نام SeLI برای تخمین gLAI با استفاده از باندهای نگهبان-2 تولید کرد. و با استفاده از یک مجموعه داده چند محصول پیاده سازی شد. شاخص سطح برگ، با استفاده از تفاوت وزنی شاخص پوشش گیاهی را می توان در سطح R2 0. 809 با استفاده از باند 4 با قدرت تفکیک مکانی 10 متر از Sentinel-2 تخمین زد که به معنای اجتناب از استفاده از نوارهای لبه قرمز با وضوح فضایی 20 متر است. 25] اما این مطالعه نوارهای لبه قرمز را ارزیابی نکرد.
با این وجود ، جدا از معدود مطالعات ، به طور کلی ، درک خصوصیات اشباع باندهای Sentinel-2 زیرا در دسترس بودن داده ها نسبتاً اخیر است ، هنوز یک منطقه باز با پیشرفت بسیار پر از پیش رو برای قدردانی کامل از توانایی واقعی و اجرای روش های عملی برای تخمین است. پارامترهای بیوفیزیکی با استفاده از باند واقعی Sentinel-2. بنابراین ، این مطالعه در درجه اول برای درک حساسیت باندهای باریک Sentinel-2 با توجه به اشباع در اکوسیستم زراعی مخلوط. و همچنین در انجام تنوع بین باند باند های چند قطبی Sentinel-2 با توجه به توضیح صریح خواص اشباع اصلی است. انتخاب یک اکوسیستم مختلط هدفمند است زیرا حداکثر شاخص ناحیه برگ سبز اغلب در منطقه بسیار جنگلی بدست می آید در حالی که مناطق زراعی نشان دهنده مقادیر کم است و از این رو قرار دادن مطالعه در یک اکوسیستم با کشت زراعی مختلط امکان درک ویژگی های کامل اشباع باند را فراهم می کندوادبر این اساس ، این مقاله ماهیت اشباع سه شاخص پوشش گیاهی گسترده را که از باند Sentinel-2 محاسبه شده است ، ارزیابی می کند.
مواد و روش ها
منطقه مورد مطالعه
محل مطالعه در دو اکوسیستم زراعی و جنگلی مجاور در جنوب شرقی اتیوپی واقع شده است. این جنگل دارای پوشش منطقه ای از 2671 کیلومتر 2 و میانگین ارتفاع 2101MASL واقع در جنگل هارنا در پارک ملی کوههای بیل است. این محصول که در Weredas از ولسوالی های Arsi-Bale قرار دارد ، به طور گسترده ای به عنوان بخشی از کمربند گندم بسیار مولد اتیوپی شناخته می شود. این محصول مساحت 590 کیلومتر 2 را با ارتفاع متوسط 2448 MASL پوشش می دهد (شکل 1).
