مدل‌سازي خطي رطوبت خاك با استفاده از تجزيه و انتخاب ويژگي‌هاي تمام قطبيده راداري

Soil Moisture Linear Modeling by Using Decomposition and Selection of Fully Polarized SAR Features

رطوبت خاك يك متغيير كليدي در فرآيند هييدرولوژي است، كه تحت تأثير تبادل آب و انرژي در سطح زمين مي-باشد. برآورد دقيق از تغييرات مكاني و زماني رطوبت خاك براي مطالعات زيست محيطي بسيار حياتي مي‌باشد. براي چنين هدفي تصاوير تمام قطبيده راداري (PolSAR) يك ابزار مناسب و قدرتمند مي‌باشد. همچنين اين تصاوير هم پوشش وسيع و هم‌توان تفكيك مكاني مناسب را تضمين مي‌نمايند. در اين مطالعه، يك مدل تحليلي خطي براي تخمين رطوبت خاك با استفاده از داده‌هاي اخذشده توسط سنجنده ايرسار در سال 2003 در باندهاي C,L,P پيشنهادشده است. در اين راستا با استفاده از الگوريتم ژنتيك، انتخاب روبه جلو و روبه‌عقب ويژگي به بررسي و انتخاب ويژگي‌هاي مناسب قطبيده به‌منظور مدل‌سازي اقدام شده است. همچنين برآورد انجام‌شده رطوبت خاك با اندازه‌گيري‌هاي زميني مقايسه شده است. نتايج به‌دست‌آمده نشان‌ مي‌دهد مدل تحليلي خطي پيشنهاد شده با ويژگي‌هاي كه الگوريتم ژنتيك انتخاب كرده است، با دقت بيشتري نسبت به الگوريتم‌هاي روبه جلو و روبه عقب ويژگي رطوبت خاك را مدل‌سازي مي‌كند. پارامترهاي آماري به‌دست‌آمده با استفاده از اين روش R2 بالاي %80 و مجذور ميانگين مربع خطا كمتر از 280/0 براي باندهاي P,L,C مي‌باشد كه در مقايسه با ساير الگوريتم‌ها با دقت بيشتري رطوبت خاك را تخمين زده است. همچنين مدل تحليلي خطي پيشنهاد شده با استفاده از ويژگي‌هاي باند C رطوبت خاك با دقت بالاتري نسبت به مدل تحليلي خطي ويژگي‌هاي باند هاي L و P تخمين زده شده است

Soil moisture is a key variable in the hydrologic process, which is affected by the exchange of water and energy on the Earth's surface. Precise estimation of spatial and temporal variations of soil moisture is crucial for environmental studies. The Polarimetric SAR (PolSAR) images are a convenient tool for this purpose. These images also guarantee both broad coverage and suitable spatial resolution. In this study, a linear analytical model has been suggested for estimating soil moisture. This model uses data gathered by the AIRSAR sensor in 2003 in C, L, and P bands. For this purpose, with incorporation of a genetic algorithm (GA), sequential forward selection (SFS), and sequential backward selection (SBS), we examine and select appropriate features best fitted for soil moisture modeling. Also in this estimation, soil moisture measurements were compared to in-situ data. The results showed that the proposed method (linear analysis model) had a good efficiency by using GA feature selection compare to both SFS and SBS feature selection. Regarding statistical parameters for proposed method, R2 model is higher than %80 and RMSE is less than 0.027 for P, L, and C bands, which in comparison with other algorithms, the R2 model estimates soil moisture more accurately. Also, the best bands to estimate soil moisture model using proposed model and incorporated PolSAR features is the C band.