عملکرد داده‌های سنجش از دوری در ارزیابی تخریب خاک

در این تحقیق سعی شده است با بهره‌گیری از دو مدل میدانی، توانایی داده‌های سنجش از دوری در مدل‌سازی تخریب خاک مورد آزمون قرار گیرد. بر اساس یافته‌های این پژوهش، در بررسی سنجش از دوری کیفیت خاک، نوع پیش‌پردازش انجام شده بر روی داده‌ها، اثر قابل‌ملاحظه‌ای در مدل‌سازی‌ها نشان نخواهد داد. بر عکس نوع مدل میدانی مورد استفاده و شاخص‌ها و معیارهای آن، تاثیر زیادی بر روی دقت مدل‌سازی دارد. همچنین در مورد برخی شاخص‌های میدانی بررسی وضعیت خاک، استفاده از شاخص‌های سنجش از دوری مانند شاخص اکسید آهن و شاخص موادمعدنی، به افزایش دقت مدل‌سازی کمک قابل‌توجه‌ای می‌نماید. بر اساس نتایج بدست آمده، استفاده از سری‌زمانی داده‌های سنجش از دوری نسبت به داده‌های تک‌زمانه به‌طور چشمگیری توان مدل‌سازی پارامترها مرتبط با خاک را افزایش می‌دهد. همچنین استفاده از مدل‌سازی‌های شبکه‌های عصبی مصنوعی بجای استفاده از رگرسیون خطی با غیر خطی نمودن روابط، باعث افزایش توان مدل‌سازی‌های سنجش از دوری در حالت تک‌زمانه خواهد شد، اما دقت مدل‌سازی‌ شبکه‌های عصبی سری‌های زمانی داده‌های سنجش از دوری با دقت مدل‌سازی‌های رگرسیونی تفاوت چندانی ندارد. در نهایت مشخص شد بر خلاف آنچه تصور می‌گردد، افزایش بعد یا تعداد ورودی‌ها به مدل‌سازی شبکه عصبی در عمل باعث کاهش دقت واقعی مدل‌سازی خواهد شد نه افزایش آن.

Remote Sensed Data Capacities to Assess Soil Degradation

This research has tried to take advantage of the twofield models in order to assess the remote sensing data capacities for modeling soil degradation. Based on the findings, preprocessing analysis types have not shown significant effect on accuracy of the model. Conversely type of field model used and its indicators and indices have a large impact on the accuracy of modeling. Also using some remote sensed indices such as Iron Oxide index and Ferrous Minerals index can help to improve the modeling accuracy of some field indices of soil condition assessment. According to the results, using timeseries remote sensed data compared to the use of single date data can improve the model capacities significantly. Alse, if artificial neural networks used on single date remote sensed data instead of multivariate linear regression, accuracy of the model can be increased dramatically because it helps the model to take the form of nonlinear. However, if time series of remote sensed data used, the accuracy of the artificial neural network modeling is not much different than the accuracy of regression model. It turned out to be contrary to what is thought but according to the results, increasing the number of inputs to artificial neural network modeling in practice reduces the actual accuracy of the model.