برآورد رطوبت سطح خاك با استفاده از روش هاي SVR و ANN در تصاوير ماهواره‌هاي سنتينل 1 و 2

رطوبت سطحي خاك متغير مهمي است كه نقش حياتي در مديريت منابع آب و خاك دارد. برآورد اين پارامتر يكي از كاربرد­هاي مهم سنجش از دور به حساب ­مي­آيد. يكي از تكنيك­هاي سنجش از دور براي برآورد دقيق اين پارامتر، مدل­هاي داده­محور است. در اين پژوهش رطوبت حجمي سطح خاك با استفاده از مدل­هاي داده­محور، روش رگرسيون بردار پشتيبان (SVR) و روش شبكه عصبي مصنوعي چندلايه پرسپترون (ANN-MLP)، برآورد شده است. پارامتر­هاي دو مدل با استفاده از الگوريتم بهينه­سازي ژنتيك بهينه شده است. برآورد رطوبت حجمي سطح خاك با دو مدل بالا با استفاده از دو نوع تصوير سنتينل1 و سنتينل2 انجام شده است؛ كه باند­هاي بهينه تصوير سنتينل2 با استفاده از الگوريتم بهينه­سازي ژنتيك مشخص شده­اند. پس از برآورد نقشه رطوبت حجمي سطح خاك از دو روش با استفاده از تصاوير سنتينل1 و سنتينل2، چهار خروجي­ با يكديگر مقايسه شده‌اند. برآورد رطوبت حجمي سطح خاك با روش رگرسيون بردار پشتيبان با استفاده از تصوير سنتينل1 بهترين دقت و برآورد اين پارامتر با روش شبكه عصبي مصنوعي چندلايه پرسپترون با استفاده از تصوير سنتيل2 بدترين دقت را داشته است. دقت در اين پژوهش با استفاده از مربع ضريب همبستگي رطوبت حجمي سطح خاك برآورد شده و رطوبت حجمي سطح خاك اندازه­گيري ­­شده محاسبه شده است كه بهترين و بدترين ضريب همبستگي به ترتيب، 659/0 براي تصوير سنتينل1 با روش رگرسيون بردار پشتيبان و 409/0 براي تصوير سنتينل2 با روش شبكه عصبي مصنوعي چند لايه پرسپترون بدست آمده است. ريشه ميانگين مربع خطا براي ارزيابي روش­ها استفاده شده است كه كمترين و بيشترين خطا به ترتيب 291/0 براي روش رگرسيون بردار پشتيبان با تصوير سنتينل1 و 4612/0 براي روش شبكه عصبي مصنوعي چندلايه پرسپترون با تصوير سنتينل2 محاسبه گرديده است.

Surface soil moisture is an important variable that plays a crucial role in the management of water and soil resources. Estimating this parameter is one of the important applications of remote sensing. One of the remote sensing techniques for precise estimation of this parameter is data-driven models. In this study, volumetric soil moisture content was estimated using data-driven models, support vector regression (SVR) and multi-layer perceptron artificial neural network (ANNMLP) method. The parameters of the two models are optimized by the Genetic optimization algorithm. Estimation of volumetric soil moisture content with the two top models was performed using two types of radar image (Sentinel 1) and optics image (Sentinel 2), in which optimized optics image bands were identified by the Genetic optimization algorithm. After estimating the volumetric soil moisture map, four outputs of the two methods are compared. The best estimate of the volumetric soil moisture content has been achieved by the support vector regression (SVR) method with the Sentinel 1 image. The worst estimate of the volumetric soil moisture content has been achieved by the multi-layer perceptron artificial neural network (ANN-MLP) method with the Sentinel 2 image. The accuracy of this study was calculated by the square of correlation coefficient of the measured volumetric soil moisture content and the estimated volumetric soil moisture content, which the best and worst correlation coefficients, respectively, 0.659 for Sentinel1 image using support vector regression method and 0.409 for Sentinel2 image using multilayer perceptron neural network method have been calculated. The root mean square error (RMSE) is also used to calculate the error of the methods. The lowest and highest errors were calculated by 0.291 for Sentinel1 image with support vector regression and 0.4612 for Sentinel2 image with Multilayer Perceptron Artificial Neural Network.