@article{ author = {Hosseini, Samira and Ebadi, Hamid and Maghsoudi, Yaser}, title = {Improvement of Biomass Estimation in Forest Areas based on Polarimetric Parameters Optimization of SETHI airborne Data using Particle Swarm Optimization Method}, abstract ={Estimation of forest biomass has received much attention in recent decades. Airborne and spaceborne (SAR) have a great potential to quantify biomass and structural diversity because of its penetration capability. Polarizations are important elements in SAR systems due to sensitivity of them to backscattering mechanisms and can be useful to estimate biomass. Full Polarimetric Synthetic Aperture Radar (SAR) data used in this research was acquired by SETHI over Remningstorp, a boreal forest in south of Sweden. A new method based on Polarimetric indicators from covariance and coherency matrixes by changing the polarization basis using transformation matrix in the boreal forests at L and P-band is presented. The presented method showed its capability to improve forest biomass estimation. The correlation between biomass and extracted Polarimetric indicators is investigated before and after changing polarization basis. Particle swarm optimization in binary version is used to select optimum Polarimetric indicators and afterward biomass is estimated based on these optimum parameters. Results indicated that maximum correlation between biomass and Polarimetric indicators was in HV and HH-VV polarizations before changing polarization basis. After changing the polarization bases, the results show significantly higher correlation of biomass with the extracted polarization variables. The results have been improved approximately about 6% and 2% in L and P band respectively, after extraction of optimum parameters by particle swarm optimization and using linear regression model for estimation of forest biomass.}, Keywords = {Biomass Estimation, Backscatter, Particle Swarm Optimization, Polarimetry, Transformation Matrix.}, volume = {7}, Number = {4}, pages = {1-20}, publisher = {kntu}, title_fa = {بهبود تخمین زیست توده مناطق جنگلی به کمک بهینه‌سازی پارامترهای پلاریمتری داده‌های سنجنده هوایی SETHI به روش هوش جمعی ذرات}, abstract_fa ={در سال‌های اخیر تخمین زیست توده مورد توجه زیادی قرار گرفته است. سیستم‌های هوابرد و فضابرد راداری به دلیل قابلیت بالای نفوذ، توانایی زیادی در تعیین زیست توده دارند. پارامتر قطبش به دلیل حساسیت به مکانیزم‌های بازپراکنش، پارامتر مهمی در سیستم راداری بوده که می‌تواند در تخمین زیست توده مفید واقع شود. در این تحقیق از داده­های تمام پلاریمتری سنجنده هوایی SETHI استفاده شده است. منطقه مورد بررسی از نوع جنگل­های شمالی واقع در منطقه رمینگ استرپ در جنوب کشور سوئد می­باشد. در این مقاله بهبود تخمین زیست توده در مناطق جنگل­های شمالی با در نظر گرفتن تمامی حالات قطبش ممکن جهت استخراج پارامترهای پلاریمتری توسط ماتریس انتقال، در باندهای L و P مورد ارزیابی قرار گرفته است. همچنین وابستگی زیست توده به پارامتر­های استخراجی قبل و بعد از تغییر پایه قطبش در ماتریس­های کووریانس و همدوسی مورد بررسی قرار گرفته و یک مجموعه از پارامترهای بهینه توسط هوش جمعی ذرات در حالت باینری انتخاب و جهت تخمین زیست توده مورد استفاده قرار گرفته است. نتایج بیانگر آن است که بازپراکنش‌هایی که شامل قطبش HV یا HH-VV هستند؛ بیشترین وابستگی را با زیست توده دارند و با تغییر پایه قطبش، امکان بررسی حالت­های قطبش مختلف پارامترهای استخراجی از بازپراکنش­ها فراهم می­شود و میزان همبستگی پارامترها با زیست توده افزایش می­یابد. بعد از انتخاب بهینه پارامترها توسط روش هوش جمعی ذرات در حالت باینری و استفاده از رگرسیون خطی به منظور تخمین زیست توده، نتایج به میزان 6 درصد در باند L و 2 درصد در باند P بهبود داشته است.  }, keywords_fa = {تخمین زیست توده, هوش جمعی ذرات, بازپراکنش, پلاریمتری, ماتریس انتقال.}, doi = {10.29252/jgit.7.4.1}, url = {http://jgit.kntu.ac.ir/article-1-760-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-760-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Kaveh, Mehrdad and Mesgari, Mohammad Saadi and Khosravi, Ali}, title = {Solving the local positioning problem using a four-layer artificial neural network}, abstract ={Today, the global positioning systems (GPS) do not work well in buildings and in dense urban areas when there is no lines of sight between the user and their satellites. Hence, the local positioning system (LPS) has been considerably used in recent years. The main purpose of this research is to provide a four-layer artificial neural network based on nonlinear system solver (NLANN) for local positioning problem. To evaluate the performance of artificial neural network, three methods of gauss-newton (GN), genetic algorithm (GA) and hybrid particle swarm optimization (HPSO) have been used. The results indicate that the proposed model has high accuracy. The accuracy of the artificial neural network on the simulated data is 0.05 m, while the best accuracy in other algorithms is about 0.45 meters. In the data of Italy's GPS network, the artificial neural network has been reached to accuracy below 10 cm in one minute. Also, artificial neural network has better accuracy in different dimensions of study area and different signal to noise ratio (SNR), and by increasing the number of stations, it has achieved good results in less time. Whereas other algorithms have not get well accuracy. However, the HPSO has better results related to GA and GN algorithms.}, Keywords = {Local positioning system (LPS), artificial neural network based on nonlinear system solver (NLANN), gauss-newton (GN), genetic algorithm (GA), hybrid particle swarm optimization (HPSO).}, volume = {7}, Number = {4}, pages = {21-40}, publisher = {kntu}, title_fa = {حل مسأله تعیین موقعیت محلی با استفاده از شبکه عصبی مصنوعی چهار لایه}, abstract_fa ={امروزه سیستم‌ تعیین موقعیت جهانی (GPS) در درون ساختمان‌ها و در ناحیه‌های شهری متراکم که دید مستقیم بین کاربر و ماهواره‌ها وجود ندارد، کارایی چندانی ندارد. از این رو در سال‌های اخیر سیستم تعیین موقعیت محلی (LPS) به‌طور قابل توجهی مورد استفاده قرار گرفته است. هدف اصلی از این تحقیق، ارائه یک شبکه عصبی مصنوعی چهار لایه مبتنی بر حل معادلات غیر خطی (NLANN) برای حل مسأله تعیین موقعیت محلی می‌باشد. برای ارزیابی عملکرد شبکه عصبی مصنوعی، از سه روش بهینه‌سازی گوس-نیوتون (GN)، الگوریتم ژنتیک (GA) و بهینه‌سازی ازدحام ذرات ترکیبی (HPSO) استفاده شده است. نتایج نشان می‌دهد که مدل پیشنهادی از دقت بالایی برخوردار است. دقت شبکه عصبی مصنوعی بر روی داده‌های شبیه‌سازی‌شده، 05/0 متر حاصل شده است. در حالی‌که بهترین دقت در الگوریتم‌های دیگر حدود 45/0 متر می‌باشد. در داده‌های شبکه ایستگاه‌های GPS ایتالیا، شبکه عصبی مصنوعی در مدت زمان یک دقیقه به دقت زیر 10 سانتی‌متر دست یافته است. همچنین شبکه عصبی مصنوعی، در ابعاد متفاوت از منطقه مطالعاتی و نسبت سیگنال به نویزهای مختلف (SNR)، دارای دقت بهتری می‌باشد و با افزایش تعداد ایستگاه‌ها، نتایج خوبی را در زمان‌های کمتری به‌دست آورده است. در حالی که الگوریتم های دیگر از دقت خوبی برخوردار نیستند. با این حال الگوریتم HPSO از الگوریتم‌های GA و GN نتایج بهتری را به دست آورده است.}, keywords_fa = {تعیین موقعیت محلی, شبکه عصبی مصنوعی مبتنی بر حل معادلات غیر خطی (NLANN),گوس-نیوتون, الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات ترکیبی (HPSO).}, doi = {10.29252/jgit.7.4.21}, url = {http://jgit.kntu.ac.ir/article-1-761-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-761-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Rashtbari, Maryam and Taleai, Mohamm}, title = {Prediction of Land Use Change and its Hydrological Effects Using Markov Chain Model and SWAT Model}, abstract ={Access to current and future water resources is one of the concerned problems for managers and policymakers around the world. Because of the communication between water resources and land use, these two topics had come together in different researches. Scenarios designed in regional land planning provide the basis for analyzing the existing opportunities and making the right decisions for managing these natural resources. In this research, a combination of the Markov Chain model and multilayer perceptron network (MLP) were used for predicting the land-use changes in Sarab watershed  and the SWAT model was used for hydrological modeling of the watershed area. Using the land use map in 2015, soil map, digital elevation model and meteorological data during the period (1987-2015), the hydrological model of the area is formed and also calibrated. According to the land-use changes in the past (1987-2015), three scenarios defined and three land use maps have been predicted for 2030 by modeling the land-use changes and calculating the conversion probability matrix using the Markov chain model. The watershed hydrological response to the first scenario with the title of conversion of grassland to the irrigated agriculture was observed an increase of 0.7% of the annual average run-off and a 4% decrease in the river flow. In the second and the third scenarios, the surface run-off has been increased by 1% and 2.5% respectively by conversion of the grassland to the rain-fed agriculture and bare lands. Flow changes in these two scenarios show an increase of 1.8%. According to the results of this research, grazing and conversion grassland to bare lands will have the greatest impact on underground water resources in the Sarab basin. Furthermore, the expansion of irrigated agriculture lands, by increasing the harvesting of surface water and underground water resources will result in a significant reduction of these resources.}, Keywords = {Markov chain, SWAT Model, land use predict, MLP Neural Network, Surface Runoff.}, volume = {7}, Number = {4}, pages = {41-59}, publisher = {kntu}, title_fa = {پیش‌بینی تغییرات کاربری اراضی و اثرات هیدرولوژیکی آن با استفاده از زنجیره مارکوف و مدل SWAT در حوضه آبریز سراب زاینده‌رود}, abstract_fa ={دسترسی به منابع آبی در حال حاضر و آینده، یکی از مسائل مورد توجه مدیران و سیاست‌گذاران در نقاط مختلف دنیاست. وجود ارتباط دو سویه بین منابع آبی و کاربری اراضی، این دو موضوع را در تحقیقات مختلف کنار هم قرار داده است. طراحی سناریو برای تغییرات کاربری اراضی یک منطقه، بر مبنای پارامترهای موثر بر این تغییرات در گذشته، می‌تواند اساس ارزیابی وضعیت منابع آبی در آینده و مدیریت صحیح این منابع باشد. در این تحقیق، به منظور پیش‌بینی تغییرات کاربری اراضی در حوضه آبریز سراب زاینده‌رود، از ترکیب مدل زنجیره مارکوف و شبکه عصبی چند لایه پرسپترون (MLP) و به منظور مدل‌سازی هیدرولوژیکی حوضه، از مدل ارزیابی آب و خاک (SWAT ) استفاده شده است. با استفاده از نقشه کاربری اراضی سال 2015، نقشه خاک، مدل ارتفاعی رقومی و داده‌های هواشناسی در دوره (2015-1987)، مدل هیدرولوژیکی منطقه تشکیل و واسنجی و اعتبارسنجی شده است. سه سناریو بر اساس تغییرات کاربری اراضی در سال‌های گذشته (2015-1987) تعریف و با مدل‌سازی تغییرات کاربری اراضی و محاسبه ماتریس احتمال تبدیلات با استفاده از زنجیره مارکوف، سه نقشه کاربری اراضی در سال 2030 پیش‌بینی شده است. واکنش هیدرولوژیکی حوضه آبریز به سناریوی اول که در آن مراتع به اراضی زراعی آبی تبدیل شدند، به صورت افزایش 7/0  درصد متوسط سالانه رواناب سطحی و کاهش 4 درصد دبی جریان رودخانه بود. در سناریوی دوم و سوم با تبدیل مراتع به اراضی زراعی دیم و اراضی بایر، رواناب سطحی به ترتیب 1 و 5/2 درصد افزایش یافته است. تغییرات دبی جریان رودخانه در این دو سناریو، 8/1 درصد افزایش را نشان می‌دهد. بر اساس نتایج تحقیق حاضر، در حوضه آبریز سراب زاینده‌رود، مرتع‌زدایی و تبدیل آنها به اراضی بایر بیشترین تاثیر را بر منابع آبی زیرزمینی در آینده خواهد داشت. همچنین گسترش اراضی زراعی آبی با افزایش برداشت از منابع آب سطحی و زیرزمینی، منجر به کاهش قابل توجه این منابع خواهد شد.}, keywords_fa = {زنجیره مارکوف, مدل SWAT, پیش‌بینی‌کاربری اراضی, شبکه عصبی MLP, رواناب سطحی.}, doi = {10.29252/jgit.7.4.41}, url = {http://jgit.kntu.ac.ir/article-1-762-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-762-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Nourizadeh, Hossein and Khodaverdian, Alireza and Raoofian-Naeeni, Mehdi and Mousavi, Zahr}, title = {Determination of long-term slip rates of faults in the eastern part of Iran plateau using finite element kinematic model}, abstract ={Since Iran plateau is located in the Alpine-Himalayan Orogenic belt, it is recognized as a region with a high seismic risk. Thus, investigation of geodynamic activities of the faults, their slip rates and corresponding deformation fields is very important for quantification of possible seismic risk in this region. The aim of this study is to analyze the tectonic features of eastern part of Iran plateau and determine the long-term slip rates of active faults in this part. To do so, the velocity vectors of geodynamic stations, the directions of principal stresses from global models and fault slip rates derived from different geological sources are assimilated using kinematical finite element model (Neokinema) to derive the optimum slip rates on the fault surface. Neokinema uses three controlling parameters to run the model. These parameters are determined by sensitivity analysis. The final slip rates using this model are determined with the error of 1 mm/yr. To validate the results of Neokinema model, the slip rates of KouhBanan, Dasht-e Bayaz and Nayband faults computed from the model are compared with those of geological observations which illustrate a good consistency between model prediction and geologic observations.}, Keywords = {Slip rates, direction of principal stresses, Neokinema model, Iran Plateau.}, volume = {7}, Number = {4}, pages = {61-75}, publisher = {kntu}, title_fa = {تعیین نرخ لغزش بلندمدت گسل‌های پهنه شرقی فلات ایران با استفاده از مدل‌سازی اجزای محدود کینماتیک}, abstract_fa ={قرارگیری فلات ایران در کمربند لرزه‌خیز آلپ-هیمالیا باع شده تا خطرپذیری لرزه­ای برای اکثر مراکز جمعیتی ایران بسیار بالا برآورد ­شود؛ بنابراین تعیین نرخ لغزش گسل­ها، تعیین میدان­های سرعت و کرنش فلات ایران به منظور تعیین خطر لرزه­ای فلات ایران از اهمیت بالایی برخوردار است. به همین جهت، هدف اصلی در این مقاله، برآورد نرخ لغزش بلند مدت گسل­های پهنه­ی شرقی فلات ایران با استفاده از تلفیق مشاهدات میدان سرعت ایستگاه­های شبکه ژئودینامیک کشور، توزیع جهت تنش­های اصلی حاصل از مدل­های جهانی و نرخ لغزش­های بدست آمده از مشاهدات زمین­شناسی قرار گرفته است. به منظور تلفیق داده­های ذکر شده و تعیین مقدار نرخ لغزش، از مدل­سازی اجزا محدود کینماتیکی (Neokinema) استفاده شده است. برای بدست آوردن بهترین مدل، سه پارامتر تنظیم‌کننده در نظر گرفته شد و در نهایت با انجام آنالیز حساسیت برای سه معیار خطای  که متناسب با سه دسته ورودی (نرخ لغزش، مشاهدات ژئودتیکی و جهت تنش­های اصلی) می­باشند؛ مدل بهینه انتخاب شد. برای این مدل انتخابی، معیار­های خطا به حدود انحراف معیار­ داده­های ورودی محدود شد و نرخ لغزش گسل­های پهنه شرقی با عدم قطعیت 1 میلی­متر در سال محاسبه شد. همچنین به منظور صحت‌سنجی نتایج به دست آمده از مدل، مقادیر نرخ لغزش­ برای گسل­های­ کوه‌بنان، دشت بیاض، نه­غربی و نایبند، با نتایج به دست‌آمده از مطالعات زمین­شناسی دارای سازگاری مطلوبی است به‌طوری‌که اختلاف نتایج بدست آمده کمتر از 1 میلی­متر در سال است.}, keywords_fa = {نرخ لغزش, جهت تنش‌های اصلی, مدل‌سازی اجزا محدود کینماتیکی.}, doi = {10.29252/jgit.7.4.61}, url = {http://jgit.kntu.ac.ir/article-1-763-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-763-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {KhoshboreshMasouleh, Mahdi and ShahHosseini, Rez}, title = {A Hybrid Algorithm based on Deep Learning and Restricted Boltzmann Machine for Car Semantic Segmentation from Unmanned Aerial Vehicles (UAVs)-based Thermal Infrared Images}, abstract ={Nowadays, ground vehicle monitoring (GVM) is one of the areas of application in the intelligent traffic control system using image processing methods. In this context, the use of unmanned aerial vehicles based on thermal infrared (UAV-TIR) images is one of the optimal options for GVM due to the suitable spatial resolution, cost-effective and low volume of images. The methods that have been proposed for vehicle extraction from thermal infrared imaging often experience problems such as low accuracy in detection, segmentation (e.g. HOG+SVM) and also the need for big data training (e.g. deep learning methods). In the present study, a new model, called SegRBM-Net, based on deep learning (DL) and the restricted Boltzmann machine (RBM) is being presented. One of the features of the SegRBM-Net model is the improving accuracy of vehicle detection and segmentation from thermal infrared images by using both convolutional layers and the features of the Gaussian-Bernoulli restricted Boltzmann machine. This structure has led the algorithm to find the target faster and more accurately than other DL methods. To examine the performance of the proposed method, we performed a controlled benchmark (e.g. high density of vehicles scene, and difference in viewing angle) of SegRBM-Net and other DL models on four UAV-TIR image datasets.The results showed that the SegRBM-Net model with a mean accuracy of 99% and improved processing speed compared with similar methods have a good performance.}, Keywords = {Convolutional Neural Networks, Gaussian-Bernoulli Restricted Boltzmann Machine, Semantic Segmentation, Ground Vehicle, Thermal Infrared UAV Imagery}, volume = {7}, Number = {4}, pages = {77-99}, publisher = {kntu}, title_fa = {ارائه یک الگوریتم ترکیبی مبتنی بر یادگیری عمیق و ماشین بولتزمان محدود با هدف قطعه‌بندی معنایی خودرو از تصاویر مادون‌قرمز حرارتی پهپاد}, abstract_fa ={امروزه پایش وسایل نقلیه زمینی با استفاده از روش‌های پردازش تصویر، یکی از حیطه‌های کاربردی در کنترل ترافیک هوشمند به شمار می‌آید. در این زمینه، به‌کارگیری تصاویر مادون‌قرمز حرارتی پهپاد به دلیل قدرت تفکیک مکانی مناسب، مقرون ‌به ‌صرفه بودن و حجم کمتر تصاویر، یکی از گزینه‌های مطلوب برای هدف پایش وسایل نقلیه است. روش‌هایی که تا به حال برای استخراج وسایل نقلیه از تصاویر حرارتی ارائه شده‌اند، اغلب دارای مشکلاتی نظیر دقت پایین در شناسایی و قطعه‌بندی (مانند روش HOG+SVM) و نیاز به کلان داده‌های آموزشی (مانند روش‌های یادگیری عمیق) است. در تحقیق حاضر، یک مدل جدید با نام SegRBM-Net بر اساس یادگیری عمیق و ماشین بولتزمان محدود ارائه شده است. از جمله ویژگی‌های مدل SegRBM-Net، افزایش دقت شناسایی و قطعه‌بندی وسایل نقلیه از تصاویر حرارتی با استفاده توأم از لایه‌های کانوولوشنی و ویژگی‌های ماشین بولتزمان محدود گوسین - برنولی می‌باشد. این ساختار موجب شده است تا الگوریتم، هدف را با سرعت و دقت بیشتری نسبت به سایر روش‌های یادگیری عمیق پیدا کند. به‌منظور ارزیابی کارایی و دقت روش پیشنهادی، از چهار مجموعه داده مادون‌قرمز حرارتی پهپاد با ویژگی‌هایی نظیر تراکم بالای وسایل نقلیه در صحنه و زاویه دید متنوع استفاده شده است. بر اساس نتایج این تحقیق، مدل SegRBM-Net با دقت میانگین 99 درصد و بهبود سرعت پردازش، نسبت به روش‌های مشابه دارای کارایی مناسبی می‌باشد.}, keywords_fa = {شبکه عصبی کانوولوشنی عمیق, ماشین بولتزمان محدود گوسین - برنولی, قطعه‌بندی معنایی, وسایل نقلیه زمینی, تصاویر مادون‌قرمز حرارتی پهپاد.}, doi = {10.29252/jgit.7.4.77}, url = {http://jgit.kntu.ac.ir/article-1-764-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-764-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {HosseinpoorMilaghardan, Amin and Abbaspour, Rahim Ali and Chehreghan, Alirez}, title = {A Framework for Exploring the Frequent Patterns based on Activities Sequence}, abstract ={In recent years, the development of the use of location-based tools has made it possible to produce geometric trajectories from the user's movement paths. In this way, users' goal of traveling and related activities can be considered in addition to the geometry and route shape. the user activity trajectory represents the sequence of the visited activities and its related analysis as presented in many studies. In the meantime, the most important analysis is the identification of frequent patterns to predict future activities. In previous studies, only one user’s data was used, as well as previous activities of the user were not taken into account in presented frequent patterns. For this purpose, this paper presents a framework such as After encoding the activities and forming a sequence matrix, the frequent patterns using all users' trajectories are identified considering previous activities. The proposed method also offers the ability to identify frequent patterns for the origin, destination, or interesting activity. The results of comparing the proposed method with two methods based on tree structure represent a mean of 60% reduction in computing time to form the database.}, Keywords = {activity trajectory, frequent pattern, sequence matrix.}, volume = {7}, Number = {4}, pages = {101-114}, publisher = {kntu}, title_fa = {ارائه روشی برای استخراج الگوهای پر بازدید در خطوط سیر بر اساس توالی فعالیت های کاربران}, abstract_fa ={در سال‌های اخیر فراگیر شدن استفاده از ابزارهای ثبت موقعیت مکانی، امکان تولید خطوط ‌سیر هندسی با استفاده از مسیرهای حرکت کاربران را فراهم ساخته است. بدین ترتیب می­توان علاوه بر هندسه و شکل مسیر، هدف کاربران از انجام سفر و فعالیت­های مرتبط با آن را مورد توجه قرار داد. در این راستا خط ‌سیر فعالیت کاربر که بیانگر توالی فعالیت‌های بازدید شده می­باشد، در سال­های اخیر مورد توجه بسیاری از محققین بوده است. از جمله مهمترین موضوعات مرتبط را می­توان شناسایی الگوهای پرتکرار کاربر به منظور پیش‌بینی فعالیت بعـدی ذکر کرد. عمـده مطالعات پیشین تنها با تمرکز بر داده‌هـای یک کاربر است که این دسته از مطالعات، الگوهای پرتکرار ارائه شده فعالیت­های قبلی را در نظر نمی­گیرند. برای این منظور در این مقاله روشی پیشنهاد شده است تا پس از کدگذاری فعالیت­ها و تشکیل ماتریس توالی آن­ها، الگوهای پرتکرار را با استفاده از خطوط ‌سیر تمام کاربران و در نظر گرفتن فعالیت­های قبلی شناسایی نماید. همچنین روش پیشنهادی، قابلیت شناسایی الگوهای پرتکرار را برای مبدأ، مقصد و یا یک فعالیت پربازدید ارائه می‌نماید. پس از پیاده­سازی بر روی داده­های اخذ شده از تعداد 106 کاربر در دانشگاه ام آی تی، نتایج روش پیشنهادی با دو روش بر مبنای ساختار درختی مورد مقایسه قرار گرفت. نتایج بیانگر میانگین 60 درصدی کاهش زمان محاسبات برای تشکیل پایگاه داده مرتبط و افزایش 50/17 درصدی در پیش­بینی صحیح می‌باشد.}, keywords_fa = {خط سیر فعالیت, الگوی پر بازدید, ماتریس توالی.}, doi = {10.29252/jgit.7.4.101}, url = {http://jgit.kntu.ac.ir/article-1-765-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-765-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Azad, Masoud and FarnoodAhmadi, Farshi}, title = {Integration of Visible Image and LIDAR Altimetric Data for Semi-Automatic Detection and Measuring the Boundari of Features}, abstract ={This paper presents a new method for detecting the features using LiDAR data and visible images. The proposed features detection algorithm has the lowest dependency on region and the type of sensor used for imaging, and about any input LiDAR and image data, including visible bands (red, green and blue) with high spatial resolution, identify features with acceptable accuracy. In the proposed approach, detecting the features by using the object-based analysis theory as the main approach has been performed. Also two different approaches and innovations in order to increase “Level of Automation” (LoA) and level of accuracy and precision in detecting process have been proposed and performed. The first approach uses visible and LiDAR data independently in order to resolve the problem of high-dependencies between data in the existing algorithms. The second proposed method has been suggested in order to the detection of vegetation regions. Among the characteristics of this method it can be mentioned that there is no need to use the infrared band in the image data and also there is no need to intensify information of the laser returns. By assessing the results of available data classification, the determined overall accuracy of the proposed method on average, about vegetation regions is 98 % which shows the highest value compared with other features. The proposed method about other features also achieves acceptable accuracy.}, Keywords = {Measuring the boundary of features, LiDAR, Visible images.}, volume = {7}, Number = {4}, pages = {115-137}, publisher = {kntu}, title_fa = {تلفیق تصاویر مرئی و داده‌های ارتفاعی لیدار به‌منظور شناسایی نیمه‌خودکار عوارض شهری}, abstract_fa ={این مقاله روشی جدید برای شناسایی عوارض از داده لیدار و تصاویر مرئی ارائه می‌دهد. الگوریتم شناسایی عوارض پیشنهادی، کمترین وابستگی را به نوع سنجنده مورد استفاده برای تصویربرداری و منطقه مورد مطالعه دارد و در مورد هر داده لیدار و داده تصویری ورودی، شامل باند‌های مرئی قرمز، سبز و آبی با قدرت تفکیک مکانی بالا، عوارض را با دقت قابل قبولی شناسایی می‌کند. در روش پیشنهادی، شناسایی عوارض با استفاده از تئوری تحلیل شی‌مبنایی، بعنوان رویکرد اصلی به انجام رسیده است. همچنین دو راهکار و نو‌آوری متفاوت به‌منظور افزایش سطح دقت و خودکارسازی فرایند شناسایی، پیشنهاد و به اجرا رسیده است. اولین راهکار، استفاده مستقل از داده‌های تصویری و لیدار به‌منظور رفع مشکل وابستگی زیاد بین داده‌ها در الگوریتم‌های موجود می‌باشد. راهکار دوم در این تحقیق، ارائه روشی نوین به‌منظور شناسایی مناطق پوشش گیاهی پیشنهاد شده می‌باشد. از ویژگی‌های این روش، عدم نیاز به باند مادون قرمز در داده‌های تصویری و همچنین عدم نیاز به اطلاعات شدت لیزر بازگشتی لیدار می‌باشد. با ارزیابی نتایج رده‌بندی روی داده‌های در دسترس، مشخص شد دقت کلی روش پیشنهادی در مورد رده پوشش گیاهی به طور متوسط 98% است که بالاترین مقدار را نسبت به سایر عوارض نشان می‌دهد. در مورد سایر عوارض نیز این روش به دقت‌های قابل قبولی دست یافت.}, keywords_fa = {شناسایی و اندازه‌گیری محدوده عوارض, لیدار, تصاویر مرئی.}, doi = {10.29252/jgit.7.4.115}, url = {http://jgit.kntu.ac.ir/article-1-766-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-766-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Aghighi, Farzaneh and Aghighi, Hossein and Ebadati, Omid Mahdi}, title = {Conditional Random Fields for Airborne Lidar Point Cloud Classification in Urban Area}, abstract ={Over the past decades, urban growth has been known as a worldwide phenomenon that includes widening process and expanding pattern. While the cities are changing rapidly, their quantitative analysis as well as decision making in urban planning can benefit from two-dimensional (2D) and three-dimensional (3D) digital models. The recent developments in imaging and non-imaging sensor technologies, such as airborne Light Detection and Ranging (LiDAR) system, lead to a huge amount of remotely sensed data which can be employed to produce 2D/3D models. Although much of the previous researches have investigated on the performance improvement of the traditional data analyzing techniques, recently, more recent attention has focused on using probabilistic graphical models. However, less attention has paid to Conditional Random Field (CRF) method for the classification of the LiDAR point cloud dataset. Moreover, most researchers investigating CRF have utilized cameras or LiDAR point cloud; therefore, this paper adopted CRF model to employ both data sources. The methods were evaluated using ISPRS benchmark datasets for Vaihingen dataset on urban classification and 3D building reconstruction. The evaluation of this research shows that the performance of CRF model with an overall accuracy of 89.06% and kappa value of 0.84 is higher than other techniques to classify the employed LiDAR point cloud dataset.}, Keywords = {LiDAR point cloud, Classification, CRF, Machine learning, Urban features.}, volume = {7}, Number = {4}, pages = {139-156}, publisher = {kntu}, title_fa = {ارائه رویکرد نوین SVM-CRF برای طبقه‌بندی ابر نقاط لیدار هوایی در محیط شهری}, abstract_fa ={طی دهه ­های گذشته، رشد شهری به عنوان یک پدیده­ جهانی شناخته شده است که شامل روند گسترده شدن و الگوی گسترش است. همان‌طور که شهرها به سرعت در حال تغییر هستند، می­توان به­منظور تجزیه و تحلیل کمّی آن­ها و همچنین تصمیم­گیری در برنامه­ریزی شهری از مزایای مدل­های دیجیتالی دوبعدی و سه­بعدی استفاده کرد. پیشرفت­های اخیر در تصویربرداری و تکنولوژی­های حسگر غیر تصویربردار مانند سیستم تشخیص و ردیابی نور (لیدار) هوایی، منجر به ایجاد مقدار زیادی داده­­های سنجش از دوری شده است که می­تواند برای تولید مدل­های دو­بعدی و سه­بعدی به­کار گرفته شود. هدف از این مقاله ارائه­ رویکرد نوین SVM-CRF برای طبقه­بندی مجموعه داده ابر نقاط لیدار و تصویر و مقایسه کارآیی این رویکرد نسبت به دیگر رویکردهای موجود از جمله رویکردهای گرافیکی احتمالاتی است. لازم به ذکر است که در این مقاله از SA به عنوان بهینه ساز SVM-CRF استفاده شد. برای ارزیابی قابلیت رویکرد مورد استفاده در این مقاله از مجموعه داده­ مرجع ISPRS که برای شهر وایهینگن و به منظور طبقه­بندی شهری و بازسازی ساختمان سه­بعدی تولید شده است؛ استفاده شد. همچنین نتایج تحقیق قبلی نویسنده مقاله پیش­رو که رویکرد  SVM-MRFرا معرفی کرده بود در کنار دیگر تحقیقاتی که از روش CRF و مجموعه داده مشابه استفاده کرده­اند، برای مقایسه بهتر نتایج آورده شده است. نتایج این تحقیق نشان می­دهد که عملکرد روش SVM-CRF با دقت کلی 06/89 درصد و ضریب کاپا 84/0 درصد از سایر رویکردهای طبقه­بندی به کار رفته روی مجموعه داده­ مشابه بهتر است.}, keywords_fa = {ابر نقاط لیدار, طبقه‌بندی, میدان شرطی تصادفی, یادگیری ماشین, ویژگی‌های شهر.}, doi = {10.29252/jgit.7.4.139}, url = {http://jgit.kntu.ac.ir/article-1-767-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-767-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Mehrabi, Hamid and Zaferanieh, Saie}, title = {Estimation of Earthquake Damage Through Radar Interferometry (Case study: Bam 2003 Earthquake)}, abstract ={The estimate of the damage caused by the earthquake and other natural disasters in the first days after the occurrence of these events can provide a quick damages assessment and help to manage the crisis. Several methods are available to investigate the extent of earthquake’s damage. Optical remote sensing, photogrammetric methods (UAVs and LIDARs), radar interferometry (InSAR) and field observations are examples of the operational methods. Today, InSAR technology has become a powerful yet inexpensive tool for monitoring deformation and changes in the Earth's crust. The Coherence Product is derived from SAR imagery. The lack of coherence in radar images can be due to several factors such as vegetation, changes in the dielectric coefficient in the master and slave images, high gradient slop areas, soil erosion, damage degradation and etc. In this paper, we have tried to estimate the extent of the damaged area by focusing on InSAR technique and eliminating cells that have lost their coherence due to vegetation, dielectric coefficients, and high mountain range areas. In this regard, Envisat Advanced SAR images of Bam, Iran, that were acquired before and after the 2003 earthquake were used. The coherence of cells with a mean value of 0.2 in the area of Arg-e-​Bam with its high degradation level indicates the ability to use this criterion in the rate of destruction. The results of the Bam earthquake investigation indicate that about 23.5% of 14290 hectares of the study area collapsed and about 31% of it had high degradation.}, Keywords = {Coherence Image, Damage Assessment, D-InSAR and InSAR.}, volume = {7}, Number = {4}, pages = {157-173}, publisher = {kntu}, title_fa = {تخمین وسعت تخریب ناشی از زلزله با استفاده از تداخل سنجی راداری وتصاویر نوری (مطالعه موردی: زلزله1382 بم)}, abstract_fa ={تخمین میزان تخریب ناشی از زلزله و دیگر بلایای طبیعی در روزهای اول پس از وقوع این حوادث می­تواند امکان برآورد سریع میزان خسارات وارده را فراهم کرده و کمک شایانی به مدیریت بحران نماید. برای بررسی میزان تخریب ناشی از زلزله چندین روش از جمله استفاده از تصاویر اپتیک سنجش از دور، روش‌های مختلف فتوگرامتری (پهپاد و لیدار)، تداخل‌سنجی راداری (InSAR) و بازدیدهای میدانی وجود دارد. داده­های راداری در تمام ساعات شبانه­روز و در تمام شرایط آب و هوایی، غالباً به­صورت رایگان و ارزان در اختیار کاربران قرار می­گیرد. امروزه فناوری تداخل‌سنجی راداری با قابلیت­ها و محصولات متعدد در حیطه فاز و دامنه به ابزاری قدرتمند در پایش تغییر شکل و تغییرات پوسته زمین تبدیل شده است. یکی از محصولات تداخل‌سنجی راداری تصویر همدوسی (Coherence image) می­باشد. عدم همدوسی در تصاویر راداری می‌تواند ناشی از عوامل متعدد از قبیل وجود پوشش گیاهی، تغییرات ضریب دی­الکتریک در تصاویر اصلی (Master image) و فرعی (Slave image)، شیب زیاد مناطق، فرسایش خاک ، تخریب عوارض و تغییر وضعیت زمین (مثلاً ساخت و ساز ) ­باشد. در این مقاله سعی شده است محدوده عدم همدوسی ناشی از تخریب با تمرکز بر تکنیک تداخل‌سنجی راداری تفاضلی (D-InSAR) و حذف سلول­هایی که به دلیل پوشش گیاهی، تغییرات ضریب دی­الکتریک و مناطق پر شیب کوهستانی همدوسی خود را از دست داده­اند، برآورد شود. در این راستا، زوج تصاویر ماهواره انویست  (Envisat)قبل و بعد از زلزله 1382 بم به عنوان تصاویر منطقه مطالعاتی مورد بررسی قرار گرفت. همدوسی سلول­های با مقدار متوسط 2/0 در محدوده ارگ بم با میزان تخریب بالای آن موید قابلیت استفاده از این معیار در میزان تخریب می­باشد. نتایج بررسی زلزله بم نشان می­دهد که 5/23% از مساحت 14290 هکتاری منطقه مطالعاتی دچار تخریب کامل (فرو ریزش) و 31% دچار تخریب بالا شده است.}, keywords_fa = {تداخل سنجی راداری (InSAR), همدوسی, میزان تخریب, D-InSAR}, doi = {10.29252/jgit.7.4.157}, url = {http://jgit.kntu.ac.ir/article-1-768-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-768-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {MokhtariDehkordi, Ramin and Akhoondzadeh, Mahdi}, title = {Combining Neural Network and Wavelet Transform to Predict Drought in Iran Using MODIS and TRMM Satellite Data}, abstract ={The drought can be described as a natural disaster in each region. In this study, one of the important factors in drought, vegetation, has been considered. For this purpose, monthly vegetation cover images and snow cover data of MODIS and TRMM satellite precipitation product from 2009 to 2018 were used for the study area of Iran. After initial preprocessing, we have used artificial neural network method and hybrid neural network and wavelet transform method to predict the normalized difference vegetation index (NDVI). After training the two algorithms using the time series of (NDVI) index as well as the time series of snow cover and precipitation from 2009 to 2017, the (NDVI) index is predicted for twelve months from 2018, which is finally estimated with real values. The results and prediction accuracy for these two algorithms are different and in general the combined neural network and wavelet transform method has higher accuracy compare to the neural network method so that the twelve average of 2018 is equal to the root mean square error of 0.055 and coefficient of determination was 0.804. The results also show that in both methods the accuracy of the index in the early months of 2018 is better than the end months. Therefore, this method can be used to predict this index, as one of the drought parameters.}, Keywords = {Drought, Wavelet Artifical Neural Networks, Time Series, NDVI.}, volume = {7}, Number = {4}, pages = {175-191}, publisher = {kntu}, title_fa = {ترکیب شبکه‌ عصبی و تبدیل موجک به منظور پیش‌بینی خشک‌سالی کشور ایران با استفاده از داده‌های ماهواره‌ای مادیس و TRMM}, abstract_fa ={خشک­سالی را می­توان به عنوان یکی از بحران­های طبیعی در هر منطقه­ای نام برد. در این پژوهش یکی از عوامل مهم در خشک­سالی یعنی پوشش گیاهی مد نظر قرار گرفته شده­است. بدین منظور از تصاویر محصول ماهانه پوشش گیاهی و پوشش برف سنجنده مادیس و محصول بارش ماهواره TRMM از سال 2009 تا سال 2018 برای منطقه مورد مطالعاتی کشور ایران استفاده شده­است. بعد از پیش‌پردازش­های اولیه با استفاده از روش شبکه عصبی مصنوعی و نیز روش ترکیبی شبکه عصبی و تبدیل موجک، به پیش­بینی شاخص نرمالایز شده تفاوت پوشش گیاهی پرداخته­ شده­است. بعد از آموزش دو الگوریتم با استفاده از سری زمانی این شاخص و نیز سری زمانی میزان پوشش برف و بارش از سال 2009 تا سال 2017، شاخص نرمالایز ­شده­ تفاوت پوشش گیاهی برای دوازده ماه از سال 2018 پیش‌بینی شده است­ که در نهایت با مقادیر واقعی آن مورد ارزیابی قرار گرفته ­است. نتایج و دقت پیش­بینی برای این دو الگوریتم متفاوت بوده و در کل روش ترکیبی شبکه عصبی و تبدیل موجک دارای دقت بالاتری نسبت به روش شبکه عصبی بوده ­است؛ به طوری که میانگین دوازده ماه سال 2018 برابر با خطای جذر میانگین مربعات 055/0 و ضریب تشخیص 804/0 بوده­است. همچنین نتایج نشان داده­است که در هر دو روش دقت شاخص مذکور در ماه­های ابتدایی سال 2018 نسبت به ماه­های انتهایی بهتر است؛ از این رو می­توان از این روش برای پیش­بینی این شاخص که یکی از پارامترهای خشک­سالی محسوب می­شود؛ استفاده نمود.}, keywords_fa = {خشک‌سالی, شبکه عصبی, تبدیل موجک, سری زمانی, پوشش گیاهی.}, doi = {10.29252/jgit.7.4.175}, url = {http://jgit.kntu.ac.ir/article-1-769-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-769-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Shakeri, Iman and Safdarinezhad, Alireza and Jafari, Marzieh}, title = {Herbal plants zoning using target detection algorithms on time-series of Sentinel-2 multispectral images (Amygdalus Scoparia)}, abstract ={Today, medicinal plants have a special place in the economy and health of a society. Due to the natural growth of many of these products, the necessity of zoning them for optimum and optimal utilization seems necessary. Traditional zoning solutions are not efficient due to their low accuracy and speed, therefore a new approach is needed. Remote sensing data have many applications in various fields including target detection because of their spectral, spatial and temporal information of land surface phenomena. In this paper, target detection methods including Constrained Energy Minimization (CEM), Matched Filtering (MF), Adjusted Spectral Matched Filter (ASMF) and Adaptive Coherence Estimator (ACE) are used to detect Amygdalus Scoparia in Sentinel-2 satellite time series images. In this process, firstly, the filtering of undesirable effects (unlikely areas of plant growth) is eliminated from the time series of images. Then, with the help of hyper heuristic optimization, the optimal features from time-series were identified to reduce the dimension from one hand and increase the detection accuracy from the other hand. The final detection map is generated by weighting the results obtained from each training sample with a different share of the target. The generalizability of the proposed solution was evaluated using the selected optimal features elsewhere, using the ground truth map. The ROC and its sub-area (AUC) are used to evaluate the results. In the optimization phase for feature selection, the AUC index for all detection methods used was greater than 0.99. The best results in this process were obtained by the CEM detection method, which achieved the accuracy of 0.993 and 0.846 in the optimization and independent evaluation, respectively. The results of this study indicate the ability of Sentinel-2 multiplexed time series images to detect targets such as medicinal plants.}, Keywords = {Target detection, Time-series, Sentinel-2, Zoning, Herbal plants, Amygdalus Scoparia.}, volume = {7}, Number = {4}, pages = {193-214}, publisher = {kntu}, title_fa = {به‌کارگیری الگوریتم‌های آشکارسازی هدف در سری زمانی مستخرج از تصاویر چندطیفی Sentinel-2 به‌ منظور پهنه‌بندی گیاهان دارویی (مطالعه موردی: گیاه بادام کوهی)}, abstract_fa ={امروزه گیاهان دارویی از جایگاه ویژه‌ای در اقتصاد و سلامت جامعه برخوردارند و به دلیل آنکه بخش زیادی از این گیاهان به صورت خودرو می‌باشند، بنابراین پهنه‌بندی این گیاهان با هدف بهره‌برداری بهینه از آنها، ضروری می­باشد. راهکارهای سنتی پهنه­بندی به دلیل دقت و سرعت کم، از کارایی لازم برخوردار نبوده و لزوم ایجاد یک روش جدید احساس می‌شود. داده‌های سنجش از دوری به دلیل در برداشتن اطلاعات طیفی، مکانی و زمانی از پدید‌ه‌های سطح زمین، کاربردهای فراوانی در زمینه‌های مختلف از جمله آشکارسازی اهداف برخوردارند. در این مقاله از روش‌های آشکارسازی هدف شامل کمینه‌سازی مقید انرژی (CEM)، فیلتر انطباقی (MF)، فیلتر انطباقی تنظیم‌شده‌ طیفی (ASMF) و تخمین‌زننده‌ انطباق همدوسی (ACE) به‌ منظور آشکارسازی گیاه بادام کوهی در سری زمانی تصاویر ماهواره سنتینل-2 استفاده شده است. در این روند ابتدا به کمک یک فیلترگذاری اولیه، عوارض نامطلوب (مناطق غیرمحتمل رویش گیاه) از سری زمانی تصاویر حذف می­شود. سپس به کمک بهینه‌سازی فراابتکاری، ویژگی‌های بهینه از سری زمانی به منظور کاهش بعد و افزایش دقت آشکارسازی، شناسایی می­شود. نقشه­ آشکارسازی نهایی از طریق تلفیق وزندار نتایج کسب شده از هر نمونه­ آموزشی با سهم تعلق متفاوت از هدف تولید می­گردد. ارزیابی تعمیم‌پذیری راهکار پیشنهادی به کمک ویژگی‌های بهینه­ انتخاب شده، در منطقه‌ای دیگر و به کمک نقشه واقعیت زمینی صورت پذیرفت. در این بررسی از منحنی مشخصه عملکرد سیستم  (ROC) و مساحت زیر منحنی (AUC) جهت ارزیابی نتایج استفاده شد. در مرحله بهینه‌سازی به منظور انتخاب ویژگی، شاخص AUC برای تمام روش‌های آشکارسازی مورد استفاده بیشتر از 99/0  بدست آمد. بهترین نتایج کسب شده در این فرایند به روش آشکارسازی CEM اختصاص داشت که توانست دقت‌های 993/0  و 846/0 را به ترتیب در روند بهینه‌سازی و ارزیابی مستقل کسب کند. نتایج این تحقیق از قابلیت سری زمانی تصاویر چندطیفی سنتینل-2 به منظور آشکارسازی اهدافی همچون گیاهان دارویی حکایت دارد.}, keywords_fa = {آَشکارسازی هدف, سنجنده فضایی سنتینل-2, سری زمانی, پهنه بندی, بادام کوهی.}, doi = {10.29252/jgit.7.4.193}, url = {http://jgit.kntu.ac.ir/article-1-770-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-770-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} } @article{ author = {Ranjbar, Sadegh and Akhoondzadeh, Mahdi}, title = {Volumetric soil moisture estimation using Sentinel 1 and 2 satellite images}, abstract ={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  for Sentinel1 image with support vector regression and 0.4612  for Sentinel2 image with Multilayer Perceptron Artificial Neural Network.}, Keywords = {Soil Moisture, Sentinel 1 & 2, Artificial Neural Network, Support Vector Regression, Genetic Optimization Algorithm.}, volume = {7}, Number = {4}, pages = {215-232}, publisher = {kntu}, title_fa = {برآورد رطوبت سطح خاک با استفاده از روش های SVR و ANN در تصاویر ماهواره‌های سنتینل 1 و 2}, abstract_fa ={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.}, keywords_fa = {رطوبت خاک, سنتینل 1 و 2, شبکه عصبی مصنوعی, رگرسیون بردار پشتیبان, الگوریتم ژنتیک.}, doi = {10.29252/jgit.7.4.215}, url = {http://jgit.kntu.ac.ir/article-1-771-en.html}, eprint = {http://jgit.kntu.ac.ir/article-1-771-en.pdf}, journal = {Engineering Journal of Geospatial Information Technology}, issn = {2008-9635}, eissn = {}, year = {2020} }