نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری محیط زیست و مدرس دانشگاه علوم پزشکی شهرکرد
2 استاد، گروه پژوهشی علوم محیطی انگور، پژوهشکده انگور، دانشگاه ملایر و عضو هیات علمی دانشگاه بوعلی سینا
3 محیط زیست، دانشکده منابع طبیعی، دانشگاه ملایر
4 استادیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه شهرکرد
5 عضو هیات علمی گروه فضای سبز دانشگاه ملایر
چکیده
پایش مقادیر کلروفیل و نیتروژن در مزارع و باغات به عنوان نمادی از سلامت پوشش گیاهی، کمیت و کیفیت محصولات است. معمولا اندازهگیری این پارامترها بوسیله آنالیز آزمایشگاهی صورت میپذیرد، که نیاز به هزینه، صرف وقت و مواد شیمیایی دارد. در مطالعه حاضر به ارزیابی توانایی طیفسنجی زمینی به عنوان روشی سریع، غیرمخرب و دوستدار محیط زیست در برآورد این پارامترها در برگ انگور پرداخته شد. لذا از 180 نمونه برگ انگور برداشت شده از 30 موستان در تابستان 1396، منحنی طیفی در دامنه 350-2500 نانومتر تهیه شد و طول موجها و شاخصهای طیفی بهینه در تخمین این پارامترها بوسیله رگرسیون حداقل مربعات بخشی (PLS) تعیین شدند. سپس عملکرد متغیرهای بهینه انتخاب شده، بوسیله مدلهای رگرسیون چندگانه خطی و ماشین بردار پشتیبان (SVM) ارزیابی شد. نتایج PLS نشان داد، طول موج های واقع در نزدیکی 2402، 946، 725 و 446 نانومتر و طول موجهای واقع در نزدیکی690، 1370، 729، 438 و 366 نانومتر به ترتیب به عنوان متغیرهای بهینه در پیشبینی مقادیرکلروفیل و نیتروژن در برگ انگور بودهاند. همچنین محدودههای مرئی و لبه قرمز بیشترین حساسیت را نسبت به تغییرات این پارامترها داشتند. نتایج مدلسازی نشان داد، در بهترین ساختارهای مدل SVM، کلروفیل و نیتروژن برگ انگور به ترتیب با ضرایب تعیین برابر با 91/0 و 72/0 در مرحله آزمون برآورد شدند. لذا با توجه به نتایج قابل قبول بدست آمده، توصیه میگردد از طیفسنجی زمینی، تشکیل کتابخانه طیفی و معرفی طول موجهای بهینه جهت پایش سایر پارامترهای بیوشیمیایی در گونههای گیاهی به عنوان روشی نوین و کارا استفاده گردد.
کلیدواژهها
عنوان مقاله [English]
Nondestructive estimation of leaf nitrogen and chlorophyll contents in grapes using field hyper spectral data and support vector machines approach
نویسندگان [English]
1 Ph.D Student, Grape Environmental Science Department, Research Institute for Grapes and Raisin, Malayer University, Iran
2 Professor, Grape Environmental Science Department, Research Institute for Grapes and Raisin, Malayer University and faculty member at Bu-Ali Sina University, Iran
3 Assistant Professor, Faculty of Natural Resources and Environment, Malayer University
4 Assistant Prof, Faculty of Natural Resource and Earth Science, University of Shahre-kord, Iran
5 Assistant Prof, Green Space Design group, Faculty of Agriculture, Malayer University, Iran
چکیده [English]
Monitoring the content of chlorophyll and nitrogen in farms and gardens is a measure of vegetation healthy and the quantity and quality of the products. Usually, these parameters are measured by laboratory analysis, which requires cost, time and chemicals. In this study, the ability of field spectroscopy was evaluated as a fast, non-destructive and eco-friendly method for estimating these parameters in grape leaf. Therefore, the spectral curve was prepared in the range of 350-2500 nm from 180 grape leaf samples, which collected from 30 vineyards in the summer of 2017. Then the optimal spectral wavelengths and indices, in estimating these parameters, were determined by Partial Least Squares (PLS) regression. Finally, performance of the selected optimal variables was evaluated by multiple linear regression and support vector machines (SVM). The results of PLS showed that the wavelengths in vicinity of 2402, 946, 725 and 446 nm and the 690, 1370, 729, 438, and 366 nm, were considered as optimal variables in predicting the chlorophyll and nitrogen contents in grape leaves, respectively. Also, visible and red edge regions had the highest sensitivity to the explanation changes in these parameters. The results of modelling showed that in the best structures of SVM, chlorophyll and nitrogen were estimated at test stage with R2 about 0.91 and 0.72, respectively. Therefore, according to the acceptable obtained results, it is recommended to use field-based spectroscopy, spectral library formation and the introduction of optimal wavelengths to monitor other biochemical parameters in plant species as a new and efficient method.
کلیدواژهها [English]
برآورد غیرمخرب کلروفیل و نیتروژن در برگ انگور با استفاده از دادههای ابرطیفی زمینی و کاربرد روش ماشین بردار پشتیبان
محسن میرزائی1، صفر معروفی2و3*، عیسی سلگی4، مژگان عباسی5 و روح اله کریمی6
1 ایران، ملایر، دانشگاه ملایر، پژوهشکده انگور و کشمش، گروه پژوهشی علوم محیطی انگور
2 ایران، ملایر، دانشگاه ملایر، پژوهشکده انگور، گروه پژوهشی علوم محیطی انگور
3 ایران، همدان، دانشگاه بوعلی سینا
4 ایران، ملایر، دانشگاه ملایر، دانشکده منابعطبیعی و محیطزیست و عضوگروه پژوهشی علوم محیطی انگور، گروه محیط زیست
5 ایران، شهرکرد، دانشگاه شهرکرد، دانشکده منابع طبیعی، گروه جنگلداری
6 ایران، ملایر، دانشگاهملایر، پژوهشکده انگور، دانشکده کشاورزی و عضوگروه پژوهشی بهزراعی و بهنژادی انگور، گروه فضای سبز
تاریخ دریافت: 20/8/97 تاریخ پذیرش: 30/3/98
چکیده
پایش مقادیر کلروفیل و نیتروژن در گیاهان معرف وضعیت سلامت پوشش گیاهی، کمیت و کیفیت محصولات است. معمولا اندازهگیری این پارامترها بوسیله آنالیز آزمایشگاهی صورت میپذیرد، که نیاز به هزینه، صرف وقت و مواد شیمیایی دارد. در مطالعه حاضر به ارزیابی توانایی طیفسنجی زمینی به عنوان روشی سریع، غیرمخرب و دوستدار محیط زیست، برآورد این پارامترها در برگ انگور پرداخته شد. لذا از 180 نمونه برگ انگور برداشت شده از 30 موستان در تابستان 1396، منحنی طیفی در دامنه 350-2500 نانومتر تهیه شد و طول موجها و شاخصهای طیفی بهینه در تخمین این پارامترها بوسیله رگرسیون حداقل مربعات بخشی (PLS) تعیین شدند. سپس عملکرد متغیرهای بهینه انتخاب شده، بوسیله مدلهای رگرسیون چندگانه خطی و ماشین بردار پشتیبان (SVM) ارزیابی شد. نتایج PLS نشان داد، طول موج های واقع در نزدیکی 2402، 946، 446 و 725 نانومتر و طول موجهای واقع در نزدیکی690، 1370، 729، 438 و 366 نانومتر به ترتیب به عنوان متغیرهای بهینه در پیشبینی مقادیرکلروفیل و نیتروژن در برگ انگور بودهاند. همچنین محدودههای مرئی و لبه قرمز بیشترین حساسیت را نسبت به تغییرات این پارامترها داشتند. نتایج مدلسازی نشان داد، در بهترین ساختارهای مدل SVM، کلروفیل و نیتروژن در برگ انگور به ترتیب با ضرایب تعیین برابر با 91/0 و 72/0 در مرحله آزمون برآورد شدند. لذا باتوجه به نتایج قابل قبول بدست آمده، توصیه میگردد از طیفسنجی زمینی، تشکیل کتابخانه طیفی و معرفی طول موجهای بهینه جهت پایش سایر پارامترهای بیوشیمیایی در گونههای گیاهی به عنوان روشی نوین و کارا استفاده گردد.
واژههای کلیدی: طیفسنجی زمینی، کلروفیل، نیتروژن، انگور، ماشین بردار پشتیبان
* نویسنده مسئول، تلفن: 09183143686 ، پست الکترونیکی: Smarofi@yahoo.com
مقدمه
محصولات باغی نقش بسزایی در بهرهوری از زمین، اشتغالزایی، افزایش صادرات، سلامت و تهیه غذا دارند، که در اختیار داشتن اطلاعات صحیح و به روز از باغات، نقش اساسی در مدیریت و افزایش بهرهوری از این عرصهها دارد. لذا، اندازهگیری و پایش پارامترهایی که نمایانگر وضعیت سلامت/تنش پوشش گیاهی هستند بسیار حائز اهمیت است، که مقادیر کلروفیل و نیتروژن از مهمترین پارامترهای شناخته شده در این زمینه هستند (17 و 20). بهطوریکه مقدار کلروفیل و نیتروژن میتواند شاخصی از پتانسیل فتوسنتزی (30)، سطح برگ و تاج پوشش (19)، پیشبینی میزان و کیفیت محصولات (37)، تعیین سطوح آلودگیها و استرسها (33)، و همچنین تشخیص آفات و بیماریهای گیاهی (28) باشد. نیتروژن نیز یکی از مهمترین مواد مغذی ماکرو در گیاهان است و نقش اساسی در رشد رویشی، گلدهی و نمو میوه ایفا مینماید (20). این عنصر برای تولید کلروفیل، اسیدهای آمینه و پروتئین ضروری است و کمبود آن منجر به کاهش کلروفیل، کاهش پتانسیل فتوسنتزی و در نتیجه اختلال در رشد و نمو گیاهان میگردد (17).
روشهای آزمایشگاهی بسیاری برای تعیین مقادیر کلروفیل و نیتروژن در پوشش گیاهی وجود دارد، که مهمترین مزیت این روشها دقت زیاد آنها است. اما این روشها دارای معایبی از جمله نیاز به مواد شیمیایی مخرب محیط زیست، صرف هزینه و زمان بسیار هستند. همچنین در این روشها میبایست اندامهای گیاهی قطع شود و نیاز به کارشناس، تجهیزات آزمایشگاهی و شرایط ویژه انجام آزمایش دارند (7). علاوه بر این، دادههای حاصل از این روشها نقطهای و محدود به نمونه مورد بررسی است و قابلیت تعمیم ندارند. اما امروزه نسل جدیدی از سنجندهها تحت عنوان سنجندههای ابرطیفی طراحی شدهاند، که امکانات ویژهای برای پایش پارامترهای بیوشیمیایی در گیاهان بوجود آوردهاند و به صورت زمینی، هوایی و ماهوارهای توسعه دادهشدند (8و 9). طیفسنجی زمینی قادر است از هر پدیده، منحنی طیفی منحصر به فرد (در حد اثر انگشت) تهیه نماید و بر همین اساس پژوهشگران زیادی این تکنیک را مناسب مطالعات گیاهی ارزیابی نمودهاند (16، 22، 25 و 38). بنابراین میتوان از طیفسنجی زمینی به عنوان روشی غیرمخرب و دوستدار محیط زیست یاد کرد که نیاز به هیچگونه ماده شیمیایی ندارد و غیرمخرب (nondestructive) است (36). همچنین نتایج بدست آمده از طیفسنجی زمینی دارای صحت قابل قبول هستند (30و 40) و میتوان از نتایج آن در راستای هدفمند نمودن سنجش از دور هوایی و ماهوارهای در پهنههای بسیار گسترده استفاده نمود (20).
مشخصههای طیفی گیاهان در طول موجهای مختلف تحت تأثیر عوامل محیطی، ساختارهای درون سلولی و برون سلولی برگ، غلظت مواد بیوشیمیایی از جمله کلروفیل، کاروتنویید، نیتروژن، مواد آلاینده و میزان آب است (14). هریک از عوامل یاد شده دارای تأثیر ویژهای بر بازتاب در طول موجهای خاص میباشند. با این وجود، کمیسازی این گونه اختلافات و تفسیر آنها به راحتی امکانپذیر نیست. یکی از چالشهای طیفسنجی، تعداد باریک باندها و همچنین خطاهای رادیومتریک و اتمسفری و نیز تأثیرپذیری الگوی طیفی یک پدیده از محیط اطراف و پدیدههای مجاور به آن است (15و 28). بنابراین در راستای استفاده از دادههای طیفی، محاسبه شاخصهای طیفی و نیز عملیاتهای آماری امری پر واضح و رایج است (31). شاخصهای طیفی به صورت یک عملیات ریاضی ساده مانند جمع، تفریق و نسبتگیری بین دو یا چند طول موج/باند طیفی هستند و به عنوان یکی از متداولترین رویکردها در مطالعه عوامل تأثیرگذار بر روی بازتاب طیفی گیاهان به شمار میروند (31و 39). این شاخصها، علاوه بر کاهش یا حذف اثر عوامل مزاحم محیطی مانند رطوبت محیط، زاویه تابش خورشید، باد، نورپخشی و غیره، تغییرات پارامتر مورد نظر را بارزتر میسازند (31). عملیاتهای آماری نیز نقش بسیار مهمی در کاهش حجم و تفسیر دادههای حاصل از طیفسنجی دارند (8 و 9). از روشهای رایج آماری در زمینه کاهش دادههای ورودی و کلاسبندی و مدلسازی دادههای حاصل از طیفسنجی میتوان به روشهای رگرسیون حداقل مربعات بخشی (PLS; Partial Least Squares Regression) (16، 22و 38)، رگرسیون چندگانه خطی (MLR; Multiple Linear Regression) (33 و 34) و ماشین بردار پشتیبان (SVM; Support Vector Machine) (31)، اشاره نمود.
در مطالعه حاضر، باتوجه به اهمیت انگور (L. Vitis vinifera) در میان تولیدات باغی کشور و جایگاه ایران در بین کشورهای برتر تولیدکننده این محصول، پیشبینی مقادیر کلروفیل و نیتروژن در برگ این گیاه با استفاده از روش غیرمخرب طیفسنجی زمینی و بکارگیری طول موجهای طیفی (در دامنه 350-2500 نانومتر)، شاخصهای گیاهی و عملیاتهای آماری پرداخته شده است. لازم به ذکر است مقادیر کلروفیل و نیتروژن در برگ انگور می تواند معرفی از وضعیت کمی و کیفی میوه انگور باشد (26، 29 و 36). همچنین از روش PLS به منظور کاهش حجم دادههای ورودی و انتخاب طول موجها/شاخصهای طیفی بهینه استفاده شد و عملکرد دو رویکرد مدلساز MLR و SVM مورد مقایسه قرارگرفت.
مواد و روشها
منطقه مورد مطالعه: در استان چهارمحال و بختیاری، تاکستانها وسعتی برابر با 5115 هکتار دارا هستند و رتبه نخست تولیدات باغی (سالانه 62000 تن) را در این استان به خود اختصاص دادهاند (6). در این میان شهرستان کیار که موقعیت مکانی آن در شکل 1، نمایش داده شد، با سطح زیرکشت 1571 هکتار و تولید سالیانه 22640 تن به عنوان قطب تولید انگور استان محسوب میگردد (11). لازم به ذکر است که 90 درصد ارقام انگور موجود در این شهرستان از نوع عسکری می باشد (6). باتوجه به نقش انگور در اقتصاد مردم و چالشهای مدیریتی موجود در این زمینه و همچنین یکپارچگی تاکستانها در این شهرستان، لزوم انجام مطالعات و استفاده از تکنیکها و شیوههای مطالعاتی نوین در صنعت انگور این منطقه و ارائه راه حلهای مدیریتی نوین، پررنگتر است و به عنوان منطقه مورد مطالعه در این تحقیق انتخاب شده است.
شکل 1- موقعیت منطقه مطالعاتی (شهرستان کیار) در کشور و استان چهارمحال و بختیاری و تصاویر برداشت شده از تاکستانهای شهر گهرو
روش انجام پژوهش: از آنجا که ارقام انگور دارای الگوی طیفی متفاوت هستند (16)، در مطالعه حاضر به منظور حذف اینگونه تداخلات، نمونهبرداری تنها از رقم عسکری (V. vinifera cv. Askari)، که رقم غالب در منطقه مطالعاتی است، صورت پذیرفت. لذا در این راستا 30 موستان به طور تصادفی انتخاب شدند و از هرکدام شش نمونه در انواعی از شرایط فیزیکی و موقعیت قرارگیری در تاج، برداشت شد. نمونههای برگ ابتدا مورد طیفسنجی قرارگرفتند و پس از آن مقادیر کلروفیل و نیتروژن بوسیله آنالیز آزمایشگاهی اندازهگیری شد. لازم به ذکر است که در تمامی 180 نمونه برداشته شده مقادیر کلروفیل و در 70 نمونه از آنها مقادیر نیتروژن آنالیز گردید. در گام بعد تجزیه و تحلیلهای آماری و مدلسازی بین دادههای آزمایشگاهی کلروفیل و نیتروژن و طول موجها و شاخصهای طیفی در سطح برگ انجام شد. در این گام طول موجها و شاخصهای بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور بوسیله روش PLS مشخص شدند و ارزیابی صحت یافتهها به وسیله دو رویکرد MLR و SVM مورد بررسی قرارگرفت.
عملیات طیفسنجی زمینی: نمونههای پس از جمعآوری سریعاً مورد طیفسنجی قرارگرفتند تا کمترین تغییرات را نسبت به شرایط طبیعی داشته باشند. به منظور طیفسنجی از دستگاه اسپکترورادیومتر زمینی (مدل ASD FieldSpec3)، استفاده شد. این دستگاه در زمره دستگاههای با دامنه طیفی کامل بوده و قادر است در هر برداشت محدوده طول موجهای 2500-350 نانومتر را ثبت نماید. لازم به ذکر است این دستگاه دارای سه سنسور است، که سنسورهای اول، دوم و سوم آن به ترتیب دارای قدرت تفکیکهای 3، 6 و 10 نانومتر هستند. دادههای برداشت شده بوسیله نرم افزار RS3 درونیابی شده و به قدرت تفکیک 1 نانومتر تبدیل میشوند. بدین معنی که در دامنه 350 تا 2500 نانومتر 2151 طول موج ثبت میگردد. منحنیهای بهدستآمده مورد بررسی اولیه قرارگرفتند و در مواردی که الگویی ناهمخوان با منحنی نرمال گیاهی داشتند، حذف شده و طیفسنجی مجدد صورت گرفت (9).
استخراج شاخصهای طیفی: دادههای طیفسنجی زمینی میتواند تحت تأثیر عوامل مزاحم محیطی از جمله نور پخش پدیدههای مجاور، بخار آب، رطوبت برگ، دما، پارامترهای بیوشیمیایی و سایر متغیرها باشد. لذا یکی از راه حلهای موجود، استفاده از شاخصهای طیفی جهت رفع خطاها و بارزسازی و تشدید اختلاف بازتاب پدیدهها است (1). در این مطالعه در مجموع 30 شاخص طیفی استخراج شد، که جزئیات آنها در جدول 1، آمده است. مطالعات متعددی از این شاخصها به منظور اندازهگیری پارامترهای گیاهی و نیز تفکیک گونهها و ارقام گیاهی استفاده شده است (31و 39).
آنالیز آزمایشگاهی کلروفیل و نیتروژن: جهت اندازهگیری مقادیر کلروفیل، ابتدا نمونههای مزرعه در کیسههای پلاستیکی دربدار ریخته شده و به آزمایشگاه منتقل شدند. سپس مقدار یک گرم از نمونه برگ تر در هاون چینی ریخته شد و با استفاده از نیتروژن مایع آن را خرد کرده و به خوبی فشرده و له شدند. پس از آن ۲۰ میلیلیتر استون 80 درصد به نمونه اضافه شد و در دستگاه سانتریفیوژ با سرعت 6000 دور در دقیقه، به مدت 10 دقیقه قرارگرفت و عصاره جدا شده پس از سانتریفیوژ به بالن شیشهای منتقل شد. در مرحله بعد، مقداری از نمونه عصاره در نمونهگیر اسپکتروفتومتر (مدلSHIMADZU, PC 1601-UV) ریخته شد و میزان جذب نور در طول موجهای 663 و 645 قرائت گردید. در نهایت نیز اعداد بدست آمده در معادلات زیر قرار داده شد و مقادیر کل کلروفیل برای هر نمونه محاسبه گردید (4و 13).
(1) Chlorophyll a = (19.3×A663 - 0.86×A645) V/100W
(2) Chlorophyll b = (19.3×A645 - 3.6×A663) V/100W
(3) Chlorophyll a and b = Chlorophyll a+ Chlorophyll b
در این معادلات V، حجم محلول صاف شده (محلول فوقانی حاصل از سانتریفیوژ)، A، جذب نور در طول موجهای 663، 645 و W، وزن تر نمونه بر حسب گرم میباشد.
به منظور برآورد مقادیر نیتروژن، نمونهها به مدت 24 ساعت در آون (دمای 70 درجه سانتیگراد) خشک شدند، پس از آسیاب کردن و گذراندن آنها از الک 2 میلیمتری، یک گرم از هر نمونه وزن شد، نمونهها به روش هضم در لولههای مخصوص با سولفوریک اسید، سالسیلیک اسید، آب اکسیژنه و سلنیم هضم گردید و به روش تیتراسیون بعد از تقطیر با استفاده از دستگاه 1030 Auto Kejeltec Techator Analyser غلظت نیتروژن کل در نمونههای برگ اندازهگیری شد (2).
آنالیزهای آماری، مدلسازی و ارزیابی صحت نتایج: از آنجا که حجم دادههای اولیه جهت ورود به فرایند مدلسازی بسیار زیاد بوده است (30 شاخص طیفی و 2151 طول موج). میبایست حجم دادههای ورودی به مدل را تا حد امکان کاهش داد و مهمترین متغیرها جهت تشریح مقادیر کلروفیل و نیتروژن در برگ انگور را شناسایی نمود. برای این منظور از قابلیتهای روش PLS، در کاهش تعداد متغیرها و معرفی متغیرهای بهینه استفاده شد. در این گام طولموجها و شاخصها به عنوان متغیر مستقل در نظر گرفته شدند و مقادیر کلروفیل و نیتروژن اندازهگیری شده در آزمایشگاه، به عنوان متغیر وابسته وارد معادله PLS شدند. تعداد بهینه مؤلفه در PLS با استفاده از رویکرد V-fold Cross Validation تعیین شد و مهمترین طول موجها/شاخصهای طیفی که بیشترین بار عاملی یا به عبارتی بیشترین همبستگی را در هر مؤلفه داشته، به عنوان نماینده آن مؤلفه انتخاب شدند. بنابراین با اجرای PLS از میان 2151 طول موج (از 350 تا 2500 نانومتر) و 30 شاخص طیفی، تعداد انگشت شماری از آنها باقی میماند که قادرند تا حد بسیاری واریانس کل جامعه را تشریح نمایند، کمترین میزان همبستگی داخلی بین آنها موجود باشد و در عین حال بیشترین ارتباط را با متغیر وابسته (مقادیر کلروفیل و نیتروژن) داشته باشند. در نهایت از دو رویکرد MLR و SVM جهت ارزیابی عملکرد طول موجها و شاخصهای بهینه معرفی شده بوسیله روش PLS بهرهگرفته شد. دراین مطالعه از روش SVM جهت استخراج الگو (رگرسیون) استفاده شد. مزیتی که SVM را نسبت به سایر الگوریتمها همانند الگوریتم ژنتیک متمایز میسازد این است که الگوریتمی مبنی بر احتمالات نیست و همواره جواب یکهای به همراه دارد و زمان کمتری را برای دستیابی به جواب بهینه به خود اختصاص میدهد و آموزش آن نسبتاً آسانتر است. قابل ذکر است SVM و تابع مرکزی آن دارای پارامترهای مختلفی است که نحوه تنظیم آنها در حصول جواب هرچه بهتر مسئله بسیار مؤثر است. پس یافتن بهینهترین پارامترها خود به نوعی مسئلهی بهینهسازی است که با روش سعی و خطا و آزمودن مقادیر مختلف این پارامترها میتواند زمانبر باشد. لذا این مسئله نیز بهوسیله الگوریتمهای بهینهسازی حل میشود. همچنین SVM قادر است مسئله را به 2 فضای با ابعاد بیشتری ببرد که این کار توسط ترفند توابع مرکزی (Kernel function) صورت میگیرد. در مسائل SVM انتخاب تابع مرکزی بسیار مهم است و انتخاب آن به نوع و ماهیت مسئله بستگی دارد. الگوریتم SVM را میتوان در سناریوها و معماریهای مختلف جهت دستیابی به بهترین حالت مدل اجرا نمود. در رویکرد SVM توابع مرکزی ویژهای بردارهای ورودی را با توابع خطی و غیر خطی به بردارهای خروجی مرتبط میسازند. بنابراین یکی از مهمترین موارد در هنگام استفاده از SVM انتخاب نوع تابع مرکزی و پارامترهای مربوط به آن است (9). لذا از توابع مرکزی خطی (Linear)، چند جملهای (Polynomial)، شعاعی (Radial Basis Function: RBF) و سیگموئیدی (Sigmoid) بهره برده شد. تعیین حالت بهینه در پارامترهای تابع مرکزی (0≤coefficient≤3, 0≤gamma≤1, 1≤degree≤3) نیز بر مبنای الگوریتم بهینهساز انجام شد. با تفکیک تصادفی دادهها به مقادیر 70 و 30 درصد، به ترتیب مراحل آموزش و صحتسنجی مدلها اجرا شد. جهت مقایسه عملکرد و کارایی مدلهای مورد استفاده، از نمایههای آماری مجذور میانگین مربعات خطا (RMSE, Root Mean Square Error) و ضریب تعیین (R2) استفاده گردید (10). نحوه محاسبه RMSE و R2 به ترتیب در روابط 1 و 2 ارائه شده است.
رابطه 1
رابطه 2
که در آن qo مقادیر پارامتر گیاهی (در این مطالعه کلروفیل و نیتروژن) مشاهده شده، qp مقادیر پارامتر گیاهی برآورد شده و n تعداد مشاهدات است.
جدول 1- جزئیات مربوط به 30 شاخص طیفی مورد استفاده در مطالعه حاضر (31).
نام شاخص |
نحوه محاسبه |
توضیحات/دسته بندی |
|
شاخص اختلاف نرمال شده پوشش گیاهی |
Normalized Difference Vegetation Index (NDVI) |
NDVI= (R*831−R667) / (R831+R667) |
شاخصی است که با باریک باندهای مختلف اجرا شده است و در زمینههای مختلفی کاربرد دارد/شاخص کلروفیل و رنگدانهها. |
شاخص حساس به فتوسنتز |
Photochemical Reflectance Index (PRI) |
PRI= (R531−R570) / (R531 + R570) PRI2 = 1.5 (R830- R660) / (R830- R660 +0.5) PRI3 = (R539 - R570) / (R539 + R570) |
این شاخص نسبت به نوع پوشش گیاهی، ظرفیت فتوسنتز و کارایی استفاده از تابش نور خورشید حساس است. |
شاخص کلروفیل گیتلسون و مرزلاک 1 و 2 |
Gitelson and Merzlyak chlorophyll (GM1, GM2) |
GM1 = (R750) /(R550) |
شاخصی است جهت برآورد مقادیر کلروفیل در برگ گیاهان/ شاخص کلروفیل. |
|
GM2 = (R750) / (R700) |
||
شاخص های لیچتنتالر 1 تا 3 |
Lichtenthaler Indices 1 to 3 |
Lic1 = (R800− R680) / (R800 + R680) |
به منظور تشخیص استرس در برگ گیاه سبز با استفاده از نوارهای فلورسانس ناشی از اشعه ماوراء بنفش/شاخص کلروفیل. |
|
Lic2 = (R440) / (R690) |
||
|
Lic3 = (R440) / (R740) |
||
شاخص رنگدانه نسبت ساده |
Simple Ratio Pigment Index (SRPI) |
(R430) / (R680) |
شاخصی مرتبط با مقادیر کاروتنوئید و کلروفیل a. |
شاخص نرمال شده فئوئوفیتین |
Normalized Phaepophytiniz Index (NPQI) |
(R415 – R435) / (R415+ R435) |
|
شاخص نسبت نرمال شده رنگدانه کلروفیل |
Normalized Pigment Chlorophyll Ratio Index (NPCI) |
(R680 – R430) / (R680 + R430) |
شاخصی که نسبت به تغییرات کل رنگدانه ها نسبت به کلروفیل حساس است. |
شاخص سبزینگی |
Greenness Index |
(R554) /(R677) |
شاخص تنش گیاهی طولانی مدت به علت تغییر در ساختار تاج پوشش، اما نه به دلیل اجزای بیوشیمیایی. |
شاخص ساختار رنگدانه متمرکز |
Structure Intensive Pigment Index (SIPI) |
(R445−R800) / (R680 – R800) |
برآورد نیمه تجربی از نسبت کاروتنوئیدها به کلروفیل a. |
شاخص نسبت ساده |
Simple Ratio (SR) |
(R774) / (R677) |
شاخص تنش گیاهی طولانی مدت به علت تغییر در ساختار تاج پوشش مرتبط با رنگدانه. |
انعکاس در طول موج 550 نانومتر |
Reflectance at 550 nm, R550 |
(R550) |
مرتبط با مقادیر کلروفیل. |
انعکاس در طول موج 680 نانومتر |
Reflectance at 680 nm, R680 |
(R680) |
مرتبط با مقادیر کلروفیل. |
شاخص رطوبت |
Water Index (WI) |
(R900) /(R970) |
حساس به میزان رطوبت برگ. |
شاخص جذب سلولز |
Cellulose Absorption Index (CAI) |
5/0 (R 2000+ R 2200) – R2100 |
نشاندهنده مقادیرجذب سلولزی. |
شاخص تنش رطوبت |
Moisture Stress Index (MSI) |
(R1600) /(R820) |
نمایش دهنده وضعیت آب. |
شاخص اختلاف نرمال شده رطوبت |
Normalized Difference Water Index (NDWI) |
(R860 – R1240) / (R860 +R1240) |
نمایش دهنده وضعیت آب. |
شاخص رطوبت در تنش بیماری |
Disease Water Stress Index (DWSI) |
(R802 +R547) / (R1657 +R 682) |
نمایش دهنده بیماری گیاهی و وضعیت آب. |
نسبت باند در 975 نانومتر 1 |
Band ratio at 975 nm (RATIO975) |
2×R960- R 990/(R920– R 940 +R1090- R 1110 ) |
نمایش دهنده وضعیت آب. |
نسبت باند در 975 نانومتر 2 |
Band ratio at 975 nm (RATIO975 -2) |
2×R1180- R 1220 /(R1090 - R 1110+R1256– R1285 ) |
نمایش دهنده وضعیت آب. |
شاخص کلروفیل برگ |
Leaf Chlorophyll Index (LCI) |
(R850−R710) / (R850 +R680) |
شاخصی جهت کلروفیل است که تحت تأثیر طیف پخشی قرار نمیگیرد عملکرد جذب نور توسط رنگدانهها را نمایش میدهد. |
شاخص دت آ |
Datt A |
(R780−R710) / (R780 –R680) |
این شاخص با مقادیر کلروفیل مرتبط است. |
شاخص کلروفیل سیمز و گامون |
Chlorophyll Index (SGA) |
(R750+R705) /(R750+R705−2×R445) |
این شاخص با مقادیر کلروفیل مرتبط است. |
شاخص کلروفیل سیمز و گامون بی |
Chlorophyll Index (SGB) |
(R750−R445) / (R705− R445) |
این شاخص با مقادیر کلروفیل مرتبط است. |
شاخص رطوبت در طول موج 1180 نانومتر |
Water Index at 1180 nm (WI1180) |
(R900) /(R1180) |
نمایش دهنده وضعیت آب. |
شاخص کارتر |
Carter index (CI) |
(R760 / R695) |
این شاخص با مقادیر کلروفیل مرتبط است. |
شاخص وگلمن |
Vogelman index (VOG) |
(R740 / R720) |
این شاخص با مقادیر کلروفیل مرتبط است. |
شاخص انعکاس کاروتنویید |
Carotenoid reflectance index (CRI) |
R 800 (1/ R520 - 1/ R550) |
شاخص استرس گیاهی که با کاروتنوئیدها (آلفا و بتاکانتوفیل) مرتبط است. |
R *: بازتاب در یک طول موج خاص
نتایج
طول موجها و شاخصهای بهینه در برآورد کلروفیل و نیتروژن: مطابق با شکل 2، چهار مؤلفه جهت برآورد مقادیر کلروفیل در برگ انگورهای مورد مطالعه بهینه تشخیص داده شد، که در مؤلفههای اول تا چهارم طول موجها واقع در نزدیکی 2402، 946، 446 و 725 بیشترین بار عاملی را داشتند و به عنوان متغیرهای بهینه جهت پیشبینی مقادیر این پارامتر معرفی شدند. در ارتباط با نیتروژن نیز پنج مؤلفه به عنوان بهینه معرفی شدند و در مؤلفههای اول تا پنجم بیشترین بار عاملی را به ترتیب طول موجهای واقع در نزدیکی 690، 1370، 729، 438 و 366 نانومتر داشتند (شکل 2).
شکل 2- بار عاملی طول موجهای طیفی (350-2500 نانومتر) در مؤلفههای بهینه توسعه داده شده بوسیله روش PLS در برآورد مقادیر کلروفیل (بالا) و نیتروژن (پایین) در برگ انگور. محورهای افقی و عمودی به ترتیب مربوط به طول موجها (نانومتر) و بارعاملی هستند.
شکل 3، بار عاملی شاخصهای طیفی مورد مطالعه را در مؤلفههای توسعه داده شده بوسیله روش PLS را نمایش میدهد. مطابق با این شکل، پنج مؤلفه جهت برآورد مقادیر نیتروژن و چهار مؤلفه جهت برآورد کلروفیل، بهینه بودهاند. در تشریح تغییرات کلروفیل به ترتیب در مؤلفههای اول تا چهارم شاخصهای Lichtenthaler2، Greenness، NDWI و NDVI بیشترین بارعاملی را داشتهاند، لذا میتوان این شاخصها را به عنوان نماینده چهار مؤلفه معرفی نمود (شکل 3). به طریق مشابه، شاخصهای بهینه در برآورد مقادیر پارامتر نیتروژن در برگ انگور شناسایی شدند و نتایج آن در شکل 3، نمایش داده شد. مطابق با این شکل در مؤلفههای اول تا پنجم به ترتیب شاخصهای LCI، SGA، NDWI، RATIO975 و CRI بیشترین بار عاملی را داشتهاند (شکل 3). لذا میتوان این شاخصها را به عنوان متغیرهای مستقل ورودی به مرحله بعد (مدلسازی مقادیر پارامتر نیتروژن) مد نظر قرار داد.
شکل 3- بار عاملی شاخصهای طیفی در مؤلفههای بهینه توسعه داده شده بوسیله روش PLS در برآورد مقادیر کلروفیل (بالا) و نیتروژن (پایین) در برگ انگور. محورهای افقی و عمودی به ترتیب مربوط به شاخصها و بارعاملی هستند.
مدلسازی و ارزیابی صحت مدلها: به منظور مدلسازی/پیش بینی مقادیر کلروفیل و نیتروژن در برگ انگور و ارزیابی قابلیت طول موجها و شاخصهای طیفی معرفی شده، در این مطالعه از دو الگوی MLR و SVM استفاده شد.
جدول 2- نتایج مدلسازی و صحتسنجی بهترین مدلهای ساخته شده بر مبنای طول موجها و شاخصهای بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور با استفاده از MLR، در مراحل آموزش و آزمون
داده |
پارامتر |
تعداد |
دوربین واتسن |
ساختار/معماری مدل |
آموزش |
آزمون |
||
R2 |
RMSE |
R2 |
RMSE |
|||||
طول موج |
کلروفیل |
180 |
78/1 |
CChlorophyll=-0.27-(3.1×R**725)+ (2.37×R946)-(2.14×R2402) +(5.13×R446) |
84/0 |
99/15 |
77/0 |
93/14 |
نیتروژن |
70 |
58/1 |
C Nitrogen=0.07-(3.6×R725) +(3.09×R924)-(2.73×R2492) +(4.4×R437) |
68/0 |
16/25 |
61/0 |
10/22 |
|
شاخص طیفی |
کلروفیل |
180 |
99/1 |
CChlorophyll=-0.024+(0.85× Lichtenthaler2) |
66/0 |
68/16 |
55/0 |
04/16 |
نیتروژن |
70 |
07/2 |
C Nitrogen=-6592.1+(2.73×LCI) +(6824.4× RATIO975) |
78/0 |
55/24 |
55/0 |
43/24 |
C*: غلظت پارامتر مورد نظر؛ R **: بازتاب در یک طول موج خاص
الگوی MLR بر مبنای طول موجها و شاخصهای طیفی مقادیر کلروفیل در برگ انگورهای مورد مطالعه را به ترتیب با مقادیر تعیین برابر 84 و 66 درصد در مرحله آموزش و همچنین 77 و 55 درصد در مرحله آزمون پیشبینی نموده است (جدول 2). از طرفی الگوی SVM در سناریوهای ذکر شده، دارای ضرایب تعیین برابر با 93 و 84 درصد در مرحله آموزش و همچنین مقادیر مذکور معادل 91 و 63 درصد در مرحله آزمون بوده است (جدول 3).
از طرفی، الگوهای SVM و MLR در مرحله آموزش قادر بودند به ترتیب با ضریب تعیین برابر 78 و 68 درصد مقادیر نیتروژن در برگ انگور را بر مبنای طول موجهای طیفی پیشبینی نمایند. این صحت در هنگام استفاده از شاخصهای طیفی به ترتیب برابر با 69 و 78 درصد بوده است (جدول 2 و 3). طول موجها در رویکردهای SVM و MLR به ترتیب با صحتی برابر با 72 و 61 درصد نمونههای تست را پیش بینی نمودهاند و شاخصها به ترتیب صحتی برابر با 63 و 62 درصد داشتهاند (جدول 2 و 3).
جدول 3- نتایج مدلسازی و صحتسنجی بهترین مدلهای ساخته شده بر مبنای طول موجها و شاخصهای بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور با استفاده از SVM، در مراحل آموزش و آزمون
داده |
پارامتر |
تعداد |
ساختار/معماری مدل |
آموزش |
آزمون |
||||||
تابع مرکزی |
تعداد بردارا |
ضریب |
درجه |
گاما |
R2 |
RMSE |
R2 |
RMSE |
|||
طول موج |
کلروفیل |
180 |
RBF |
99 |
- |
- |
9/0 |
93/0 |
72/13 |
91/0 |
83/13 |
نیتروژن |
70 |
Linear |
48 |
- |
- |
- |
78/0 |
10/22 |
72/0 |
14/21 |
|
شاخص طیفی |
کلروفیل |
180 |
RBF |
79 |
- |
- |
17/0 |
84/0 |
54/14 |
84/0 |
38/14 |
نیتروژن |
70 |
Polynomial |
39 |
1 |
1 |
6/0 |
69/0 |
83/22 |
63/0 |
01/24 |
بحث و نتیجه گیری
بنابر اهمیت پایش سلامت پوشش گیاهی با تکیه بر پارامترهایی که بازتابدهنده این وضعیت هستند، در مطالعات متعددی از تحلیل آماری دادههای ابرطیفی در راستای پارامترهایی از قبیل کلروفیل و نیتروژن استفاده شدهاست (20، 26، 29، 34 و 39). در مطالعه حاضر نیز به منظور شناسایی طول موجها و شاخصهای بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور از تحلیل نتایج PLS استفاده شد. مطابق با نتایج بدست آمده، بیشترین فراوانی طولموجهای بهینه در برآورد مقادیر کلروفیل و نیتروژن واقع در محدوده لبه قرمز (680-750 نانومتر) بودهاند. این محدوده به عنوان بارزترین محدوده در تمایز مشخصههای طیفی پوشش گیاهی و همچنین حساسترین منطقه به میزان غلظت کلروفیل، نیتروژن و دیگر پارامترهای بیوشیمیایی است، که در مطالعات مشابه نیز به عنوان یک محدوده اثر گذار و کاربردی در این راستا توصیه شده است (18، 27و 40).
در مطالعه حاضر شاخصهای Lichtenthaler2، Greenness، NDWI و NDVI به عنوان شاخصهای طیفی بهینه در برآورد مقادیر کلروفیل بودهاند (شکل 3)، که جزئیات مربوط به آنها در جدول 1 آمده است. در این میان شاخص Lichtenthaler2 به منظور تشخیص استرس در برگ گیاه سبز با استفاده از نوارهای فلورسانس ناشی از اشعه ماوراء بنفش به کار میرود و شاخصی حساس به تغییرات کلروفیل است (23). همچنین شاخص NDVI یکی از پرکاربردترین و معروفترین شاخصهای گیاهی در ارتباط با پایش مقادیر رنگدانههای گیاهی (بویژه کلروفیل) است. بنابراین انتخاب این دو شاخص (Lichtenthaler2 و NDVI) به عنوان بخشی از متغیرهای توصیف کننده تغییرات کلروفیل در برگ انگور قابل توجیه است. از سویی دیگر شاخصهای Greenness و NDWI نشاندهنده استرس در پوشش گیاهی هستند و به ترتیب حساس به تغییرات ساختاری و آب موجود در پیکرههای گیاهی میباشند. باید توجه شود که وقوع استرس آبی در گیاه منجر به تغییر در مقادیر سایر اجزای بیوشیمیایی از جمله کلروفیل، کاروتنوئید، نیتروژن و پروتئین خواهد شد، که در مطالعات متعددی وجود این ارتباط به اثبات رسیده است (3، 5، 12و 32)، لذا با توجه به انتخاب شاخصهایی که مستقیماً مربوط به رنگدانه (کلروفیل) نیستند، اما در این مطالعه به عنوان متغیر بهینه در تشریح تغییرات و مدلسازی کلروفیل انتخاب شدند را درک نمود. در مطالعه مگجیو و همکاران (2010) نیز طیفسنجی و مدلسازی ارتباط آنها با رنگدانههای انگور صورت پذیرفت (26). آنها شاخصهای TCARI، OSAVI، TCARI/OSAVI، Gitelson-Chl1 و Gitelson-Chl2 را به عنوان شاخصهای بهینه در پایش مقادیر کلروفیل در برگ انگور معرفی نمودند، که مغایر با شاخصهای معرفی شده در مطالعه حاضر هستند. اختلاف بین ارقام مورد بررسی و نیز جامعه آماری متغیرهای مستقل (شاخصهای طیفی) را میتوان از مهمترین دلایل توجیه کننده این تفاوتها دانست.
نتایج تحلیل دادههای PLS در ارتباط با معرفی شاخصهای طیفی بهینه در برآورد مقادیر پارامتر نیتروژن، شاخصهای LCI، SGA، NDWI، RATIO975 و CRI را به عنوان متغیرهای بهینه معرفی نمود (شکل 3). شاخصهای LCI، SGA و CRI بهطور مستقیم متأثر از کلروفیل و عملکرد جذب نور توسط رنگدانههای گیاهی هستند و شاخصهای NDWI و RATIO975 نشاندهنده وضعیت آب و استرس ناشی ار آن در پیکرههای گیاهی میباشند. شایان ذکر است که نیتروژن در پیکرههای گیاهی برای تولید اسیدهای آمینه و پروتئین لازم است و مهمترین عامل رشد محسوب میشود، همچنین نیتروژن جزء مهمی از مولکول کلروفیل را تشکیل میدهد. افزایش نیتروژن باعث تولید گیاه پر آب و ضخیم و در نتیجه تغییر رنگ شاخ و برگ به رنگ سبز تیره میشود و از سویی دیگر کمبود این عنصر، منجر به کم آبی برگ، رنگ پریدگی برگها و تغییر رنگ به سبز مایل به زرد و زرد روشن به علت عدم تشکیل کلروفیل میگردد (24 و 35). لذا با توجه به موارد فوقالذکر میتوان علت انتخاب شاخصهای کلروفیل و نیز شاخصهای مربوط به استرس آب، در بیان تغییرات نیتروژن در برگ انگورهای مورد مطالعه را درک نمود.
مدلسازی و ارزیابی صحت مدلها: در مطالعه حاضر پس از شناسایی متغیرهای بهینه (طول موجها و شاخصهای طیفی) در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور، نیاز به بستری مناسب جهت ارزیابی عملکرد متغیرهای بهینه، بوده است. لذا از دو رویکرد رایج که شامل MLR و SVM هستند، در این راستا استفاده شد. صحتهای بدست آمده برای پارامتر کلروفیل در مرحله آزمون الگوی MLR بین 55 تا 77 درصد و در الگوی SVM بین 84 تا 91 درصد بوده است. از سویی دیگر، این عملکرد برای نیتروژن به ترتیب بین 55 تا 61 درصد و 63 تا 72 درصد، در مرحله آزمون بوده است. در مطالعه پارتان (2016) نیز صحت پیشبینی مقادیر کلروفیل در برگ انگور برابر با 93 درصد بود، که بسیار نزدیک به یافتههای حاضر است (29). در مطالعه کالاچسکا و همکاران (2015) نیز صحت طیفسنجی زمینی در پیشبینی مقادیر کلروفیل در مرحله آزمون برابر با 89 درصد گزارش شد، که مشابه با یافتههای حاضر است (20). باید به این نکته اشاره نمود که در مطالعه حاضر مقادیر کلروفیل با صحت بیشتری نسبت به نیتروژن پیشبینی شدند (به ترتیب 91 و 72 درصد). این یافته در مطالعه کالاچسکا و همکاران (2015) نیز مشهود بوده است (به ترتیب 89 و 81 درصد) (20). از مهمترین دلایل این یافته میتوان به حساسیت زیاد طول موجها به کلروفیل موجود در برگ اشاره نمود. همچنین وقوع فاصله زمانی هر چند کوتاه بین آنالیز آزمایشگاهی نیتروژن و آنالیز طیفسنجی نمونهها و نیز تعداد کمتر نمونههای نیتروژن نسبت به کلروفیل در این مطالعه، میتواند از دیگر دلیلهای این یافته باشد.
همچنین مطابق نتایج بدست آمده باید به این نکته اشاره نمود که استفاده از طول موجها به عنوان متغیر مستقل عملکرد بیشتری نسبت به شاخصهای طیفی داشته است. از سویی دیگر الگوی SVM نیز عملکرد بیشتری نسبت به MLR در پیش بینی مقادیر پارامترهای مورد مطالعه داشته است. بنابراین می توان اذعان نمود، استفاده از طول موجهای طیفی و مدلساز SVM رویکردی بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگورهای مورد مطالعه بودهاست. هر چند MLR به علت سادگی ساختار و وضوح در ساختار مدل توسعه داده شده از مدلهای پرطرفدار و رایج در بسیاری از مطالعات بوده است (21، 33و 34)، اما نتایج تحقیق حاضر الگوریتم SVM را به عنوان رویکرد برتر معرفی مینماید. مهمترین دلیل برتری SVM نسبت به MLR را میتوان ناشی از ماهیت روابط بین متغیرهای مستقل و وابسته در این مطالعه دانست، به طوریکه مدلسازی ارتباطات تنها با تکیه بر ساختار خطی جوابگوی تمامی فعل و انفعالات بین متغیرها نبوده است. لذا SVM با بهرهگیری از توابع خطی و غیرخطی در تابع مرکزی و همچنین الگوریتم آموزش پیشرفته و انعطافپذیری زیاد (18)، قادر بوده است عملکرد بیشتری در پیشبینی مقادیر متغیرهای این مطالعه (کلروفیل و نیتروژن در برگ انگور) داشته باشد. باتوجه به فعل و انفعالات شدید نیتروژن در ساختار برگها، ممکن است مقادیر اندازهگیری شده در لحظه انجام آنالیز آزمایشگاهی با لحظه برداشت طیف دچار تغییر و نوسانات شده باشد، که این امر میتواند از طریق انتقال نیتروژن از برگ به سایر اندامها و یا خروج آن از طریق گازها از برگ صورت پذیرد. لذا مدلها با صحتی که کلروفیل را برآورد نمودند قادر به برآورد مقادیر نیتروژن نبودهاند.
از مهمترین پارامترهای بیوشیمیایی در مدیریت عرصههای کشاورزی/باغی کلروفیل و نیتروژن هستند، که قادرند بازتابدهنده وضعیت سلامت پوشش گیاهی و نیز راهنمایی جهت اعمال اقدامات مدیریتی مانند کوددهی و سمپاشی باشند (40). نتایج حاصل از پیشبینی مقادیر کلروفیل و نیتروژن در برگ انگورهای مورد مطالعه نیز حاکی از توانایی زیاد طیفسنجی زمینی و تکنیکهای آماری جهت برآورد این پارامترها بوده است. در بهترین مدلهای ارائه شده در مطالعه حاضر، طول موجهای واقع در نزدیکی 2402، 946، 446 و 725 نانومتر به عنوان متغیرهای بهینه در پیش بینی مقادیر کلروفیل و طول موجهای واقع در نزدیکی 690، 1370، 729، 438 و 366 نانومتر به عنوان متغیرهای بهینه در پیشبینی مقادیر نیتروژن در برگ انگور بودهاند، به طوریکه در بهترین ساختارهای مدل، این پارامترها به ترتیب با ضرایب تعیین 91 و 72 درصد برآورد شدند. الگوی SVM عملکرد قابل قبولتری در برآورد هر دو پارامتر مورد مطالعه نسبت به روش MLR داشته است. لذا بنابر نتایج بدست آمده پیشنهاد میگردد که در مطالعات مشابه از دادههای طیفی در غالب طول موجها و با استفاده از روش SVM جهت پیشبینی پارامترهای بیوشیمیایی گیاهان استفاده گردد. همچنین توصیه میگردد از طیفسنجی زمینی، تشکیل کتابخانه طیفی و معرفی طول موجهای بهینه جهت پایش سایر پارامترهای بیوشیمیایی در دیگر گونههای گیاهی به عنوان روشی غیر مخرب، سریع و دوستدار محیط زیست استفاده گردد.