طبقه بندی گیاه بر اساس محتوای کلروفیل با استفاده از بازتابندگی طیفی گیاه و شبکه ی عصبی

تاکنون شاخص¬های زیادی مبتنی بر بازتابندگی برگ برای برآورد کلروفیل گیاه به کار گرفته شده است ولی تقریباً تمامی آن ها نسبت به گونه¬ی گیاه حساس می¬باشند. به منظور طبقه¬بندی برگ¬های گیاهان بر اساس محتوای کلروفیل، ابتدا باید مقادیر کلروفیل از طریق یک یا چند شاخص مناسب با دقت خوب برآورد شوند. هدف این مطالعه ایجاد یک مدل جهت تخمین کلروفیل است بگونه¬ای که نسبت به گونه¬ی گیاه غیر حساس باشد. برای این کار از مجموعه داده¬های lopex93 و داده¬های برگ گندم استفاده شد. در این تحقیق، ابتدا یک مدل خطی 6 پارامتری با استفاده از بازتابندگی نقاط اکستریمم در ناحیه¬ی مرئی و طول موج های متناظر از طریق روش کمترین مربعات ایجاد شد. سپس، در هر مرحله با اضافه کردن یکسری از پارامترهای دیگر، دقت بطور قابل توجهی افزایش پیدا کرد. مشکلی که در مدل وجود داشت این بود که در برگ¬های تازه¬ای که حاوی آب فراوان بودند، مقدار کلروفیل کم برآورد می¬شد. برای حل این مشکل، از مقدار بازتابندگی در طول موج 1534 نانومتر که با محتوای آب ارتباط نزدیکی داشته و بالاترین همبستگی را با مقادیر کلروفیل تولید کرد، استفاده شد. قبل از واردکردن پارامتر آب، rmse خروجی مدل نسبت به مقادیر اندازه¬گیری شده کلروفیل 0164/0 (mg/cm2) و مقدار نسبی آن 44 بوده و ضریب تعیین (r^2) 51/0 محاسبه¬ گردید اما با اضافه شدن ویژگی جذبی آب در مدل نهایی، rmse از 0164/0 به 0134/0 (mg/cm2) و rmse نسبی از 44 به 36 درصد کاهش یافته و ضریب تعیین از 51/0 به 73/0 افزایش پیدا¬ کرد. مدل ارائه شده نسبت به ساختار داخلی برگ¬ها و بازتابندگی سطوح مومی شکل مختلف روی برگ¬ها و محتوای آب، غیر حساس بوده و مقدار کلروفیل را با دقتی مناسب و ضریب تعیین بالا برآورد¬ می¬کند. پس از برآورد کلروفیل، طبقه¬بندی برگ¬ها بر اساس محتوای کلروفیل و با استفاده از شبکه¬ی عصبی انجام شد. نتایج طبقه¬بندی عملکرد خوب شاخص تولید شده را تایید کردند.