مهارت‌سنجی ساختار بیزی مدل مارکف پنهان در برآورد بی درنگ مراحل فنولوژی گیاه ذرت

نویسندگان

1 دانشجوی دکتری هواشناسی کشاورزی، دانشکده مهندسی فناوری، دانشگاه تهران، کرج، ایران

2 دانشیار، گروه مهندسی آبیاری و آبادانی، دانشگاه تهران، کرج، ایران

3 دانشیار گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران

4 استاد، گروه علوم ریاضی و آمار، دانشگاه تهران

چکیده

مدل‌سازی درصد پیشرفت مراحل فنولوژی گیاهان با روش‌های کلاسیک عمدتاً با محدودیت‌هایی به ویژه، عدم کفایت یا دقت داده‌های مشاهداتی مورد نیاز مواجه است که جستجوی روش‌های جایگزین را ضروری می‌سازد. روش‌های آماری نظیر رهیافت‌های بیزی (Bayesian) و مدل مارکف پنهان دارای توانمندی‌های ساختاری مناسبی در حل مسائلی با طیف گسترده از داده­های گسسته، پیوسته، شناخته شده و یا ناشناخته می‌باشند که قابل تلفیق با داده های سنجش از دور نیز هستند. هدف از تحقیق حاضر بررسی توانمندی مدل مارکف پنهان در برآورد بی‌درنگ5 درصد پیشرفت مراحل فنولوژی گیاه ذرت در مزرعه پردیس کشاورزی و منابع طبیعی دانشگاه تهران واقع در کرج می‌باشد. حالت‌های مختلف متشکل از مراحل فنولوژی شامل 7 مرحله اصلی (سبز شدن تا شیری شدن) به عنوان لایه پنهان و بردار مشخصه‌های درجه-روز رشد تجمعی (AGDD) و نمایه اختلاف استانداردشده پوشش گیاهی (NDVI) مستخرج از تصاویر ماهواره LANDSAT7 ETM+ به عنوان لایه قابل رویت در نظر گرفته شدند. واسنجی و صحت‌سنجی مدل براساس داده‌های دیدبانی شده در مزرعه تحقیقاتی پردیس کشاورزی و منابع طبیعی دانشگاه تهران طی دوره آماری 2010-2002 انجام شد. بر اساس نتایج، میانگین دقت مدل مارکف پنهان براساس RMSE حدود 14% است که نشانگر امکان کاربست آن به عنوان یک ابزار کمکی در کنار مشاهدات مزرعه‌ای است. مطالعات تکمیلی جهت تدقیق مدل‌های فنولوژیک مبتنی بر روش‌های آماری- دورسنجی در سایر مناطق اقلیمی و گیاهان راهبردی پیشنهاد می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of Bayesian structure of hidden Markov model for real time prediction of maize phenology

نویسندگان [English]

  • M. Ghamghami 1
  • N. Ghahreman 2
  • P. Irannejad 3
  • H. Pezeshk 4
چکیده [English]

The Crop Progress Percentage (CPP) in a given phenology stage reflects growth status in life cycle. Generally, routine field measurements of this parameter are lacking, hence various alternative approaches have been proposed for its estimation. The statistical methods such as Bayesian approaches and hidden Markov models (HMMs) have appropriate structural skills for solving problems with variety of continuous or discrete data and can be combined with remotely sensed data also. The aim of this study is evaluation of hidden Markov models’ skill in real time prediction of maize progress percentage in research field of university of Tehran located in Karaj. The HMMs follow the Bayesian structure in which, there are usually two layers; hidden and observable. Different phenological stages including Emergence to Milky were considered as the hidden layer and both Normalized Difference Vegetation Index (NDVI) and Accumulated Growth Degree-Day (AGDD) features, extracted from air temperature and LANDSAT7 ETM+ images, as a vector variable of observable layer. Calibration and evaluation of the model was performed using a 9 years (2002-2010) data set of the field phenology observations and meteorological data. According to the results, in general, for all phenological stages, the HMM was able to estimate the CPPs with average RMSE of 14%, which confirms the applicability of this approach as a suitable tool.  Further studies in other climatic regions of the country are recommended for more scrutiny of phenological prediction models using remotes sensing and statistical approaches.

کلیدواژه‌ها [English]

  • Progress percentage
  • Phenology
  • AGDD
  • NDVI