مهندسی عمران امیرکبیر، جلد ۵۶، شماره ۵، صفحات ۴-۴
عنوان فارسی کاهش ابعاد داده‌های سنجش از دوری به منظور برآورد کربن آلی خاک
چکیده فارسی مقاله در این مقاله به بررسی ارتباط بازتاب طیفی خاک با استفاده از داده‌های ماهواره لندست 8 و همچنین داده‌های ارتفاعی SRTM و کربن آلی خاک پرداخته شده است. در روش پیشنهادی، انعکاس طیفی داده‌ها در باندهای اصلی ماهواره لندست 8 و علاوه برآن شاخص‌های گیاهی و روشنایی و ویژگی‌های توپوگرافی مورد بررسی و پردازش قرار گرفته است. برای انتخاب شاخص‌های موثر در افزایش دقت مدل‌سازی کربن آلی خاک در گام اول، برای مدل سازی ارتباط بین داده‌های سنجش از دوری و کربن آلی خاک از روش رگرسیون خطی و رگرسیون خطی بردار پشتیبان و شبکه عصبی انجام گرفت. جهت پیاده‌سازی روش پیشنهادی از 100 نمونه خاک در استان آذربایجان شرقی استفاده شده است. با توجه به شاخص‌های آماریRMSE ، R2 و RRMSE که مبنای ارزیابی مدل‌ها می‌باشند، مدل شبکه عصبی به عنوان مدل نهایی انتخاب گردید. مقادیر RMSE=0.0798،=0.8741 R2 و RRMSE=9.5683 بدست آمده برای روش شبکه عصبی در مقایسه با دو روش دیگر نشان می‌دهد که این روش دارای دقت بیشتری می‌باشد. در گام دوم، جهت کاهش ابعاد وتعیین داده های بهینه که از اهمیت بالایی برخوردار است در این مطالعه به منظور افزایش دقت و کاهش پیچیدگی محاسبات، الگوریتم ژنتیک بر روی مدل شبکه عصبی اعمال شد. در این مرحله با توجه به بهبود مقادیر شاخص‌های آماری مبنا به RMSE=0.043،=0.9398 R2 و RRMSE=5.1559 توانستیم به دقت بهتری دست یابیم. به منظور بررسی کارایی الگوریتم ژنتیک روش PCA نیز بر روی داده‌ها پیاده سازی شد. نتایج مقایسه نشان دهنده موفقیت الگوریم ژنتیک در کاهش ابعاد همراه با افزایش دقت است.
کلیدواژه‌های فارسی مقاله سنجش ازدور، کربن آلی خاک، شبکه عصبی، کاهش ابعاد، الگوریتم ژنتیک،
عنوان انگلیسی Dimension Reduction of remote sensing data to estimate soil organic carbon
چکیده انگلیسی مقاله In this research, the relation between soil spectral reflectance using Landsat 8 satellite data as well as SRTM Elevation data and soil organic carbon has been investigated. In the proposed method, spectral reflection of data in the main bands of Landsat 8 satellite is investigated and processed. In addition to the main bands, vegetation and lighting indices and topographic features have been studied. In this study, we try to select the effective indicators in increasing the accuracy of soil organic carbon modeling. For this purpose, in the first step, the carbon model was performed using linear regression, support vector machine regression and neural network methods. In order to implement the proposed method, 100 soil samples in East Azerbaijan province have been used. According to RMSE and R2 statistical indices, which are the basis for evaluating the models, the neural network model was selected as the final model and with the values of RMSE = 0.0798, R2= 0.8741 and RRMSE=9.5683 is more accurate than the regression method. Due to the importance of dimensionality in order to increase accuracy and reduce the complexity of calculations, a genetic algorithm was proposed in this study. This efficient algorithm increases the accuracy of soil organic carbon modeling and eliminates additional indicators. After applying the genetic algorithm on the neural network model, we were able to achieve better accuracy and the values of the baseline statistical indices were changed to RMSE = 0.043, R2 = 0.9398 and RRMSE=5.1559.
کلیدواژه‌های انگلیسی مقاله سنجش ازدور, کربن آلی خاک, شبکه عصبی, کاهش ابعاد, الگوریتم ژنتیک
نویسندگان مقاله نیوشا مظفری نهر |
گروه ژئودزی مهندسی نقشه برداری، دانشگاه تفرش، تفرش، ایران

حدیثه سادات حسنی |
گروه ژئودزی مهندسی نقشه برداری، دانشگاه تفرش، تفرش، ایران

مرضیه جعفری |
گروه ژئودزی مهندسی نقشه برداری، دانشگاه تفرش، تفرش، ایران

نشانی اینترنتی https://ceej.aut.ac.ir/article_5434_eb9ecd2eb4487a17c77f63785cb5a4dd.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات