Journal of Geomatics Science and Technology

fa بهبود برآورد پارامترهای بیوفیزیکی برنج با نقشه‌برداری فتوگرامتری چندطیفی پهپادی Enhancing the Estimation of Rice Field Biophysical Parameters Using UAV-Based Multispectral Photogrammetry سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">پهپادها به‌دلیل قدرت تفکیک مکانی بالا، هزینه‌ی نسبتاً کم و قابلیت تصویربرداری در بازه‌های زمانی مختلف، به یکی از ابزارهای کلیدی در سنجش از دور و کشاورزی دقیق تبدیل شده‌اند. در این پژوهش، امکان‌سنجی استفاده از تصاویر چندطیفی حاصل از پهپاد مجهز به سنجنده Sequoia برای تخمین پارامترهای بیوفیزیکی و بیوشیمیایی گیاه برنج بررسی شد. داده‌ها در سه مرحله‌ی فنولوژیکی از اراضی شالیزاری مرکز تحقیقات کشاورزی CAPIC در استان مازندران برداشت گردید.در مرحله‌ی نخست، تصاویر پهپادی پس از ارزیابی کیفیت و حذف نویز، تحت تصحیحات تابشی و هندسی قرار گرفتند. سپس شاخص‌های طیفی منتخب شامل NDVI، GNDVI، LCI، NDRE، NDWI و SIPI2 استخراج شدند تا اطلاعاتی درخصوص وضعیت سبزینگی، میزان کلروفیل، آب برگ و سلامت فیزیولوژیکی گیاه فراهم شود. در ادامه، بازتاب طیفی پوشش گیاهی با استفاده از مدل فیزیکی PROSAIL شبیه‌سازی و فرآیند معکوس‌سازی آن به روش جداول مرجع (LUT) برای برآورد پارامترهای بیوفیزیکی از جمله شاخص سطح برگ (LAI)، مقدار کلروفیل برگ (Cab)، محتوای آب برگ (Cw) و ضریب ساختاری (N) اجرا شد. داده‌های میدانی برداشت‌شده جهت اعتبارسنجی نتایج به کار رفتند و عملکرد مدل با شاخص‌های آماری R² و RMSE ارزیابی گردید. نتایج نشان داد که تصاویر چندطیفی پهپادی دقت بالایی در تخمین پارامترهای گیاهی فراهم می‌کنند و مدل PROSAIL توانسته است روندهای فنولوژیکی گیاه برنج را با موفقیت بازتاب دهد. به‌طور خاص، دقت برآورد پارامترهای کلروفیل و ضخامت برگ بسیار بالا بود (R²≈0.996)، در حالی‌که خطای اندکی (RMSE<0.2) در برخی مراحل رشد مشاهده شد.در مجموع، یافته‌ها حاکی از آن است که ادغام داده‌های چندطیفی پهپاد با مدل‌های فیزیکی نظیر PROSAIL می‌تواند ابزاری کارآمد برای پایش رشد گیاه و بهینه‌سازی مدیریت نهاده‌ها در چارچوب کشاورزی دقیق فراهم آورد. با این حال، محدودیت‌هایی همچون تمرکز مکانی محدود و هزینه‌ی بالای سامانه‌های تصویربرداری وجود دارد که در پژوهش‌های آینده می‌توان با گسترش محدوده‌ی مکانی و به‌کارگیری الگوریتم‌های یادگیری ماشین و یادگیری عمیق، بر آن‌ها غلبه کرد.</div> Unmanned aerial vehicles (UAVs) have emerged as key platforms in remote sensing and precision agriculture owing to their high spatial resolution, relatively low cost, and ability to acquire imagery at flexible time intervals. This study evaluates the feasibility of using multispectral imagery collected by a UAV-mounted Sequoia sensor to estimate biophysical and biochemical parameters of rice. Data were acquired at three phenological stages over paddy fields at the CAPIC Agricultural Research Centre, Mazandaran Province, Iran. In the first stage, UAV images underwent quality assessment and denoising, followed by radiometric and geometric corrections. Selected spectral indices—NDVI, GNDVI, LCI, NDRE, NDWI, and SIPI2—were then derived to provide information on canopy greenness, chlorophyll content, leaf water status, and overall physiological condition. Subsequently, vegetation canopy reflectance was simulated using the physically based PROSAIL model, and an inversion via look-up tables (LUTs) was applied to retrieve key biophysical parameters, including leaf area index (LAI), leaf chlorophyll content (Cab), leaf equivalent water thickness (Cw), and the leaf structure parameter (N). Field measurements were used for validation, and model performance was assessed using the coefficient of determination (R²) and the root mean square error (RMSE). Results indicate that UAV multispectral imagery enables accurate retrieval of plant parameters and that PROSAIL effectively captured the phenological dynamics of rice. In particular, estimates of chlorophyll-related metrics and leaf equivalent water thickness exhibited very high accuracy (R² ≈ 0.996), with only minor errors observed at certain growth stages (RMSE < 0.2). Overall, integrating UAV multispectral data with physically based models such as PROSAIL offers an effective tool for crop growth monitoring and the optimisation of input management within precision agriculture. Nonetheless, limitations such as restricted spatial coverage and the relatively high cost of imaging systems remain; future work could mitigate these by expanding spatial extent and leveraging machine-learning and deep-learning algorithms. پهپاد, چندطیفی, کشاورزی دقیق, فنولوژی گیاه, PROSAIL UAV, multispectral, precision agriculture, crop phenology, PROSAIL. 0 0 http://jgst.issgeac.ir/browse.php?a_code=A-10-302-9&slc_lang=fa&sid=1 Hadi Alizadeh هادی علیزاده hadializadeh.ssiec@gmail.com 100319475328460011202 100319475328460011202 No Islamic Azad University دانشگاه آزاد اسلامی Zahra Azizi زهرا عزیزی zsazizi@yahoo.com 100319475328460011203 100319475328460011203 Yes Shahid Beheshti University دانشگاه شهید بهشتی Ali Asghar علی اصغر آل شیخ alesheikh@kntu.ac.ir 100319475328460011204 100319475328460011204 No K. N. Toosi University of Technology دانشگاه خواجه نصیرالدین طوسی Hossein Aghamohammadi حسین آقامحمدی hossein.aghamohammadi@gmail.com 100319475328460011205 100319475328460011205 No Islamic Azad University دانشگاه آزاد اسلامی Hamid Reza Pourghasemi حمیدرضا پورقاسمی hamidreza.pourghasemi@yahoo.com 100319475328460011206 100319475328460011206 No Shiraz University دانشگاه شیراز