با توجه به تغییرات اقلیم، افزایش دمای کره ی زمین و بروز خشکسالی، کاهش مصرف و افزایش بهره وری آب در بخش کشاورزی، به ویژه در مناطق دارای اقلیم خشک اهمیت ویژه ای دارد. در این مناطق تنش خشکی یکی از مهم ترین عواملی است که رشد و تولید گیاهان زراعی را محدود می سازد. تشخیص زودهنگام این تنش برای جلوگیری از آسیب دائمی گیاه و به حداقل رساندن کاهش عملکرد ضروری است. در این رساله، از تصویربرداری ابرطیفی در سطح برگ و تصویربرداری حرارتی از کانوپی برای بررسی تنش خشکی در گیاه گلرنگ استفاده شد. سه ژنوتیپ گلرنگ شامل Palenus، A82 و IL-111 در سه تیمار آبیاری کشت شدند. تیمارهای آبیاری با تخلیه 45 تا 50%، 65 تا 70% و 85 تا 90% از محتوای آب خاک اعمال شدندکه به ترتیب نشان دهنده شرایط بدون تنش (US)، تنش ملایم (MS) و تنش شدید (SS) بود. تصاویر ابرطیفی از نمونه های برگ قبل از ظهور علائم قابل مشاهده از کمبود آب گرفته شد. طبقه بندی با استفاده از کل داده های طیفی میانگین با روش های مدل سازی نرم و مستقل شباهت های بین کلاسی (SIMCA)، تفکیک حداقل مربعات جزئی (PLS-DA)، ماشین های بردار پشتیبان (SVM) و شبکه های عصبی مصنوعی (ANN) انجام شد. از روش های مختلف انتخاب ویژگی (مبتنی بر SIMCA، PLS-VIP و CARS) برای تشخیص طول موج های مؤثر و از مدلسازی ANN برای طبقه بندی سطوح مختلف تنش بر اساس طول موج های انتخابی استفاده شد. تحلیل فضایی شامل طبقه بندی پیکسلی با استفاده از هر دو روش بدون نظارت (خوشه بندی k-means) و بانظارت (بهترین مدل طبقه بند) انجام شد. در ادامه، از طیف میانگین برگ ها برای ساخت مدل های رگرسیون برای تخمین محتوای آب نسبی برگ (RWC) استفاده شد. بدین منظور مدل های رگرسیون PLSR، رگرسیون های فرآیند گوسی (GPR)، ANN، جنگل تصادفی (RF) و درخت تقویت شده (BT) بکار گرفته شدند. در نهایت، از تصاویر حرارتی بدست آمده در شرایط مزرعه ای، هیستوگرام دمایی برگ استخراج و از آن ویژگی های دمایی تصویر شامل بیشینه و کمینه، دامنه، میانگین، میانه، مد، چولگی و کشیدگی دمای کانوپی استخراج شدند. شاخص تنش آبی محصول (CWSI) و هدایت روزنه ای (Ig) نیز از سطح خاکستری تصاویر حرارتی استخراج و سپس روابط بین RWC و هدایت روزنه ای اندازه گیری شده (gs) با CWSI و Ig بررسی شدند. نتایج نشان داد روش ANNبا استفاده از کل داده های طیفی از دیگر مدل های طبقه بند در تشخیص کلاس های US، MS و SS عملکرد بهتری داشت، به نحوی که می توانست سطوح مختلف تنش در ژنوتیپ های Palenus، A82 و IL-111 را با F1-Score وزنی به ترتیب 22/92%، 01/96% و 47/96% تشخیص دهد. در میان روش های انتخاب ویژگی، روش مبتنی بر SIMCA در پایش شرایط تنش در ژنوتیپ های Palenus و A82 بهتر عمل کرد. در تحلیل فضایی بانظارت، مدل های ANN به وضوح، پیشرفت تنش در برگ های ژنوتیپ های مختلف را نشان دادند. نتایج مدل های تخمین RWC نشان دادند که مدل RF به همراه پیش پردازش مشتق دوم برای Palenus، به همراه پیش پردازش MSC برای A82 و به همراه پیش پردازش مشتق دوم برای IL-111، توانستند بهترین پیشگویی ها را ارائه دهند. مقادیر RPD برابر 035/2، 268/2 و 263/2 به ترتیب در ژنوتیپ های Palenus، A82 و IL-111، نشان از عملکرد خوب مدل های پیشگوی RWC بود. در بررسی تصاویر حرارتی، روابط منفی بین RWC و CWSI و gs و CWSI با ضرایب تبیین به ترتیب 358/0 و 328/0 و روابط مثبت بین RWC و Ig و gs و Ig با ضرایب تبیین به ترتیب 361/0 و 332/0 گزارش شد. این مطالعه پتانسیل تصویربرداری ابرطیفی برای تفکیک سطوح مختلف تنش خشکی و تخمین RWC در ژنوتیپ های مختلف گلرنگ، به عنوان یک گیاه دانه روغنی مهم را نشان می دهد.
کلمات کلیدی: مدل سازی نرم و مستقل شباهت های بین کلاسی (SIMCA)، تفکیک حداقل مربعات جزئی (PLS-DA)، ماشین های بردار پشتیبان (SVM)، شبکه های عصبی مصنوعی (ANN)، انتخاب ویژگی، رگرسیون فرآیند گوسی (GPR)، جنگل تصادفی (RF)، درخت تقویت شده (BT).