జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్ & GIS

నైరూప్య

అధునాతన గణాంక విధానాలను ఉపయోగించి రిమోట్‌లీ సెన్స్డ్ డేటా నుండి లీఫ్ ఏరియా ఇండెక్స్‌ని తిరిగి పొందడం

గౌడ PH, ఊమెన్ T, మిశ్రా D, స్క్వార్ట్జ్ RC, హోవెల్ TA, వాగ్లే P

మాపింగ్ మరియు మానిటరింగ్ లీఫ్ ఏరియా ఇండెక్స్ (LAI) మోడల్ ఉపరితల శక్తి సమతుల్యత, బాష్పీభవన ప్రేరణ మరియు వృక్ష ఉత్పాదకతకు కీలకం. రిమోట్ సెన్సింగ్ అనేది LAI మరియు స్పెక్ట్రల్ వెజిటేషన్ ఇండెక్స్‌ల (SVI) మధ్య అనుభావిక రిగ్రెషన్‌ను ఉపయోగించి ఒక సమయంలో మరియు తక్కువ ఖర్చుతో కూడిన పద్ధతిలో పెద్ద ప్రాంతాలలో వ్యక్తిగత ఫీల్డ్‌లపై LAIని వేగంగా సేకరించడంలో సహాయపడుతుంది. అయితే, సూర్య-ఉపరితల సెన్సార్ జ్యామితి, నేపథ్య ప్రతిబింబం మరియు పందిరి ప్రతిబింబంపై వాతావరణం ప్రేరిత వైవిధ్యాలు పందిరిలోని వైవిధ్యాల కంటే పెద్దగా ఉన్నప్పుడు ఈ సంబంధాలు అసమర్థంగా ఉండవచ్చు. దీనికి ఉన్నతమైన మరియు ప్రాంత-నిర్దిష్ట LAI-SVI మోడల్‌ల అభివృద్ధి అవసరం. ఇటీవలి సంవత్సరాలలో, సపోర్ట్ వెక్టర్ మెషీన్‌లు (SVM) మరియు సంబంధిత వెక్టార్ మెషీన్‌లు (RVM) వంటి గణాంక అభ్యాస పద్ధతులు సంక్లిష్ట ప్రక్రియల కోసం సాధారణ మినిస్ట్ స్క్వేర్ (OLS) రిగ్రెషన్ మోడల్‌ల కంటే విజయవంతమయ్యాయి. టెక్సాస్ హై ప్లెయిన్స్‌లోని ప్రధాన వేసవి పంటల కోసం LAIని అంచనా వేయడానికి OLS, SVM మరియు RVM ఆధారిత ప్రతిబింబ నమూనాలను అభివృద్ధి చేయడం మరియు పోల్చడం ఈ అధ్యయనం యొక్క లక్ష్యం. మూర్ మరియు ఓచిల్ట్రీ కౌంటీలలో యాదృచ్ఛికంగా ఎంపిక చేయబడిన 47 వాణిజ్య క్షేత్రాలలో LAIని కొలుస్తారు. అధ్యయన ప్రాంతంపై ల్యాండ్‌శాట్ 5 ఉపగ్రహ ఓవర్‌పాస్‌లతో సమానంగా డేటా సేకరణ జరిగింది. OLS, SVM మరియు RVM మోడల్‌లను ఉపయోగించి LAIని అంచనా వేయడానికి SVIల యొక్క అనేక ఉత్పన్నాలు పరిశీలించబడ్డాయి. ఫలితాల విశ్లేషణ TM బ్యాండ్‌లు 4 మరియు 3 నిష్పత్తిపై ఆధారపడిన SVI-LAI మోడల్‌లు మరియు సాధారణీకరించిన వ్యత్యాస వృక్ష సూచిక (NDVI) LAIకి అత్యంత సున్నితంగా ఉంటాయని సూచించింది. SVM మోడల్ ఉత్తమ ఫలితాలను అందించడంతో ఎంచుకున్న మోడల్‌లకు R2 విలువలు 0.79 నుండి 0.96 వరకు మారాయి. అయినప్పటికీ, నివేదించబడిన LAI మోడల్‌ల యొక్క ఖచ్చితత్వానికి మరింత మూల్యాంకనం అవసరం, ఇది విస్తృత అన్వయం కోసం LAIలో ఇన్-ఫీల్డ్ స్పేషియల్ వేరియబిలిటీకి కారణమవుతుంది.