रिमोट सेंसिंग और जीआईएस जर्नल

अमूर्त

उन्नत सांख्यिकीय दृष्टिकोण का उपयोग करके सुदूर संवेदी डेटा से पत्ती क्षेत्र सूचकांक प्राप्त करना

गौड़ा पीएच, ओमन टी, मिश्रा डी, श्वार्ट्ज आरसी, हॉवेल टीए, वागले पी

सतही ऊर्जा संतुलन, वाष्पोत्सर्जन और वनस्पति उत्पादकता के मॉडल के लिए पत्ती क्षेत्र सूचकांक (LAI) का मानचित्रण और निगरानी महत्वपूर्ण है। रिमोट सेंसिंग, LAI और वर्णक्रमीय वनस्पति सूचकांक (SVI) के बीच अनुभवजन्य प्रतिगमन का उपयोग करके समय और लागत-प्रभावी तरीके से बड़े क्षेत्रों में अलग-अलग क्षेत्रों पर LAI के तेजी से संग्रह में मदद करता है। हालाँकि, ये संबंध अप्रभावी हो सकते हैं जब सूर्य-सतह सेंसर ज्यामिति, पृष्ठभूमि परावर्तन और कैनोपी परावर्तन पर वायुमंडल-प्रेरित भिन्नताएँ कैनोपी में भिन्नताओं से बड़ी हों। इसके लिए बेहतर और क्षेत्र-विशिष्ट LAI-SVI मॉडल के विकास की आवश्यकता है। हाल के वर्षों में, जटिल प्रक्रियाओं के लिए साधारण न्यूनतम वर्ग (OLS) प्रतिगमन मॉडल पर समर्थन वेक्टर मशीन (SVM) और प्रासंगिक वेक्टर मशीन (RVM) जैसी सांख्यिकीय सीखने की विधियाँ सफल रही हैं। इस अध्ययन का उद्देश्य टेक्सास हाई प्लेन्स में प्रमुख ग्रीष्मकालीन फसलों के लिए LAI का अनुमान लगाने के लिए OLS, SVM और RVM आधारित परावर्तन मॉडल विकसित करना और उनकी तुलना करना है। मूर और ओचिलट्री काउंटियों में 47 यादृच्छिक रूप से चयनित वाणिज्यिक क्षेत्रों में LAI को मापा गया। अध्ययन क्षेत्र पर लैंडसैट 5 उपग्रह ओवरपास के साथ डेटा संग्रह किया गया था। OLS, SVM और RVM मॉडल का उपयोग करके LAI का अनुमान लगाने के लिए SVI के कई व्युत्पन्नों की जाँच की गई। परिणामों के विश्लेषण से संकेत मिलता है कि TM बैंड 4 और 3 के अनुपात और सामान्यीकृत अंतर वनस्पति सूचकांक (NDVI) पर आधारित SVI-LAI मॉडल LAI के प्रति सबसे अधिक संवेदनशील हैं। चयनित मॉडलों के लिए R2 मान 0.79 से 0.96 तक भिन्न थे, जिसमें SVM मॉडल ने सबसे अच्छे परिणाम दिए। हालाँकि, रिपोर्ट किए गए LAI मॉडल की सटीकता के लिए आगे के मूल्यांकन की आवश्यकता है जो व्यापक प्रयोज्यता के लिए LAI में इन-फील्ड स्थानिक परिवर्तनशीलता को ध्यान में रखता है।