fa برآورد رطوبت سطح خاک با استفاده از روش های SVR و ANN در تصاویر ماهواره‌های سنتینل 1 و 2 سنجش از دور RS پژوهشي Research <span style="font-family:b nazanin;">رطوبت سطحی خاک متغیر مهمی است که نقش حیاتی در مدیریت منابع آب و خاک دارد</span><em><span dir="LTR"><span style="font-size:8.0pt;">.</span></span></em><span style="font-family:b nazanin;"> برآورد این پارامتر یکی از کاربرد&shy;های مهم سنجش از دور به حساب &shy;می&shy;آید. یکی از تکنیک&shy;های سنجش از دور برای برآورد دقیق این پارامتر، مدل&shy;های داده&shy;محور است. در این پژوهش رطوبت حجمی سطح خاک با استفاده از مدل&shy;های داده&shy;محور، روش رگرسیون بردار پشتیبان </span><em><span dir="LTR"><span style="font-size:8.0pt;">(SVR)</span></span></em><span style="font-family:b nazanin;"> و روش شبکه عصبی مصنوعی چندلایه پرسپترون </span><em><span dir="LTR"><span style="font-size:8.0pt;">(ANN-MLP)</span></span></em><span style="font-family:b nazanin;">، برآورد شده است. پارامتر&shy;های دو مدل با استفاده از الگوریتم بهینه&shy;سازی 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 باند&shy;های بهینه تصویر سنتینل2 با استفاده از الگوریتم بهینه&shy;سازی ژنتیک مشخص شده&shy;اند. پس از برآورد نقشه رطوبت حجمی سطح خاک از دو روش با استفاده از تصاویر سنتینل1 و سنتینل2، چهار خروجی&shy; 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 اندازه&shy;گیری &shy;&shy;شده </span><span style="position:relative;top:2.5pt;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;"> </span></span></span><span style="font-family:b nazanin;">&nbsp;محاسبه شده </span>است که بهترین و بدترین ضریب همبستگی به ترتیب، 659_/0 برای تصویر سنتینل1 با روش رگرسیون بردار پشتیبان و&nbsp; 409_/0&nbsp; برای تصویر سنتینل2 با روش شبکه عصبی مصنوعی چند لایه پرسپترون بدست آمده است.&nbsp; ریشه میانگین مربع خطا&nbsp; برای ارزیابی روش&shy;ها استفاده شده است که کمترین و بیشترین خطا به ترتیب <span style="position:relative;top:4.5pt;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;"> </span></span></span>&nbsp;<span style="font-family:b nazanin;">291_/0 برای روش رگرسیون بردار پشتیبان با تصویر سنتینل1 و </span><span style="position:relative;top:4.5pt;"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;"> </span></span></span><span style="font-family:b nazanin;">&nbsp;4612</span><em>_{<span dir="LTR"><span style="font-size:8.0pt;">/</span></span>}</em><span style="font-family:b nazanin;">0 برای روش شبکه عصبی مصنوعی چندلایه پرسپترون با تصویر سنتینل2 محاسبه گردیده است.</span> 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 (ANN-MLP) 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 &nbsp;for Sentinel1 image with support vector regression and 0.4612 &nbsp;for Sentinel2 image with Multilayer Perceptron Artificial Neural Network.<span dir="RTL"></span> رطوبت خاک, سنتینل 1 و 2, شبکه عصبی مصنوعی, رگرسیون بردار پشتیبان, الگوریتم ژنتیک. Soil Moisture, Sentinel 1 & 2, Artificial Neural Network, Support Vector Regression, Genetic Optimization Algorithm. 215 232 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-371-10&slc_lang=fa&sid=1 Sadegh Ranjbar صادق رنجبر 10031947532846007566 10031947532846007566 No University of Tehran دانشگاه تهران Mahdi Akhoondzadeh مهدی آخوندزاده هنزائی makhonz@ut.ac.ir 10031947532846007567 10031947532846007567 Yes University of Tehran دانشگاه تهران