برآورد رطوبت سطح خاک با استفاده از روش های svr و ann در تصاویر ماهواره‌های سنتینل 1 و 2

رطوبت سطحی خاک متغیر مهمی است که نقش حیاتی در مدیریت منابع آب و خاک دارد. برآورد این پارامتر یکی از کاربرد های مهم سنجش از دور به حساب می آید. یکی از تکنیک های سنجش از دور برای برآورد دقیق این پارامتر، مدل های داده محور است. در این پژوهش رطوبت حجمی سطح خاک با استفاده از مدل های داده محور، روش رگرسیون بردار پشتیبان (svr) و روش شبکه عصبی مصنوعی چندلایه پرسپترون (annmlp)، برآورد شده است. پارامتر های دو مدل با استفاده از الگوریتم بهینه 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 های بهینه تصویر سنتینل2 با استفاده از الگوریتم بهینه سازی ژنتیک مشخص شده اند. 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 اندازه گیری شده محاسبه شده است که بهترین و بدترین ضریب همبستگی به ترتیب، 0.659 برای تصویر سنتینل1 با روش رگرسیون بردار پشتیبان و 0.409 برای تصویر سنتینل2 با روش شبکه عصبی مصنوعی چند لایه پرسپترون بدست آمده است. ریشه میانگین مربع خطا برای ارزیابی روش ها استفاده شده است که کمترین و بیشترین خطا به ترتیب 0.291 برای روش رگرسیون بردار پشتیبان با تصویر سنتینل1 و 0.4612 برای روش شبکه عصبی مصنوعی چندلایه پرسپترون با تصویر سنتینل2 محاسبه گردیده است.

Volumetric soil moisture estimation using Sentinel 1 and 2 satellite images

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 datadriven models. In this study, volumetric soil moisture content was estimated using datadriven models, support vector regression (SVR) and multilayer 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 multilayer perceptron artificial neural network (ANNMLP) 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.