RT - Journal Article T1 - Study the Relationship between Digital Number Values from ETM+ Satellite Images and Soil Organic Matter Using Artificial Neural Network and Regression Models JF - E.E.R.Journal YR - 2014 JO - E.E.R.Journal VO - 4 IS - 1 UR - http://magazine.hormozgan.ac.ir/article-1-135-fa.html SP - 29 EP - 38 K1 - Soil Organic Carbon K1 - Remote Sensing K1 - Digital Number Reflectance K1 - Artificial Neural Networks K1 - Regression Models AB - مقدار ماده آلی نقشی کلیدی در تعیین رفتار فیزیکی، شیمیایی و بیولوژیکی خاک دارد و آگاهی از وضعیت و توزیع آن برای استفاده بهینه و پایدار از خاک ضروری است. اندازه‌گیری ماده آلی در آزمایشگاه، بسیار وقت‌گیر و پرهزینه بوده و امکان تعمیم نتایج حاصل به مناطق مشابه را دارا نمی‌باشد. اخیرا استفاده از داده‌های سنجش از دور در ارزیابی مقدار ماده آلی خاک به عنوان روشی ساده، سریع، ارزان و حتی دقیق توجه محققان را به خود جلب کرده است. هدف این پژوهش بررسی کارایی و دقت تصاویر ماهواره‌ای ETM+ برای برآورد ماده آلی خاک با استفاده از شبکه‌های عصبی مصنوعی و مدل‌های رگرسیونی است. در این راستا از ارزش‌های رقومی بازتاب در باندهای مختلف تصاویر ماهواره‌ای ETM+، استفاده شده است. برای برازش مدل‌های بین کربن آلی اندازه‌گیری شده در آزمایشگاه و اطلاعات ماهواره‌ای از دو روش رگرسیون‌گیری و شبکه عصبی استفاده گردید. در نهایت دقت مدل‌های بدست آمده با شاخص‌‌های آماری R2 و RMSE مورد ارزیابی قرار گرفت. آنالیزهای آماری نشان می‌دهند که بالاترین ضرایب تبیین مربوط به مدل‌های برازش داده شده با استفاده از ارزش‌های رقومی بازتاب در باندهای مرئی و مادون قرمز میانی تصاویر ماهواره‌ای است. علاوه‌براین مدل‌های توسعه‌یافته با شبکه عصبی نسبت به مدل‌های رگرسیونی از دقت بالاتر و خطای کمتری برخوردارند. LA eng UL http://magazine.hormozgan.ac.ir/article-1-135-fa.html M3 ER -