%0 Journal Article %A Ranjbar, Sadegh %A Akhoondzadeh, Mahdi %T Volumetric soil moisture estimation using Sentinel 1 and 2 satellite images %J Journal of Geospatial Information Technology %V 7 %N 4 %U http://jgit.kntu.ac.ir/article-1-771-fa.html %R 10.29252/jgit.7.4.215 %D 2020 %K Soil Moisture, Sentinel 1 & 2, Artificial Neural Network, Support Vector Regression, Genetic Optimization Algorithm., %X رطوبت سطحی خاک متغیر مهمی است که نقش حیاتی در مدیریت منابع آب و خاک دارد. برآورد این پارامتر یکی از کاربرد­های مهم سنجش از دور به حساب ­می­آید. یکی از تکنیک­های سنجش از دور برای برآورد دقیق این پارامتر، مدل­های داده­محور است. در این پژوهش رطوبت حجمی سطح خاک با استفاده از مدل­های داده­محور، روش رگرسیون بردار پشتیبان (SVR) و روش شبکه عصبی مصنوعی چندلایه پرسپترون (ANN-MLP)، برآورد شده است. پارامتر­های دو مدل با استفاده از الگوریتم بهینه­سازی ژنتیک بهینه شده است. برآورد رطوبت حجمی سطح خاک با دو مدل بالا با استفاده از دو نوع تصویر سنتینل1 و سنتینل2 انجام شده است؛ که باند­های بهینه تصویر سنتینل2 با استفاده از الگوریتم بهینه­سازی ژنتیک مشخص شده­اند. پس از برآورد نقشه رطوبت حجمی سطح خاک از دو روش با استفاده از تصاویر سنتینل1 و سنتینل2، چهار خروجی­ با یکدیگر مقایسه شده‌اند. برآورد رطوبت حجمی سطح خاک با روش رگرسیون بردار پشتیبان با استفاده از تصویر سنتینل1 بهترین دقت و برآورد این پارامتر با روش شبکه عصبی مصنوعی چندلایه پرسپترون با استفاده از تصویر سنتیل2 بدترین دقت را داشته است. دقت در این پژوهش با استفاده از مربع ضریب همبستگی رطوبت حجمی سطح خاک برآورد شده و رطوبت حجمی سطح خاک اندازه­گیری ­­شده محاسبه شده است که بهترین و بدترین ضریب همبستگی به ترتیب، 659/0 برای تصویر سنتینل1 با روش رگرسیون بردار پشتیبان و 409/0 برای تصویر سنتینل2 با روش شبکه عصبی مصنوعی چند لایه پرسپترون بدست آمده است. ریشه میانگین مربع خطا برای ارزیابی روش­ها استفاده شده است که کمترین و بیشترین خطا به ترتیب 291/0 برای روش رگرسیون بردار پشتیبان با تصویر سنتینل1 و 4612/0 برای روش شبکه عصبی مصنوعی چندلایه پرسپترون با تصویر سنتینل2 محاسبه گردیده است. %> http://jgit.kntu.ac.ir/article-1-771-fa.pdf %P 215-232 %& 215 %! %9 Research %L A-11-371-10 %+ University of Tehran %G eng %@ 2008-9635 %[ 2020