TI - Utilizing satellite images and artificial neural networks in estimation of vegetation fraction in arid regions PT - JOURNAL ARTICLE TA - E.E.R.Journal JN - E.E.R.Journal VO - 1 VI - 1 IP - 1 4099 - http://magazine.hormozgan.ac.ir/article-1-59-fa.html 4100 - http://magazine.hormozgan.ac.ir/article-1-59-fa.pdf SO - E.E.R.Journal 1 AB  - پوشش گیاهی یکی از مهم‌ترین اجزای اکوسیستم‌هاست و دانستن درصد پوشش گیاهی سطحی برای بررسی میزان فرسایش خاک، شدت خشکسالی، مطالعات زیست محیطی، منابع طبیعی و غیره بسیار ضروری است. هدف از این تحقیق محاسبه‌ی درصد پوشش گیاهی با استفاده از تصاویر ماهواره‌ای و شبکه‌های عصبی مصنوعی (پرسپترون چندلایه) می‌باشد. بدین منظور از تصویر ماهواره‌ای ALOS مربوط به تاریخ 27 تیر ماه 1388 و شبکه‌های عصبی مصنوعی پرسپترون چندلایه برای تخمین درصد پوشش گیاهی استفاده شده است. برای انتخاب شبکه‌ی بهینه، از دو نوع تابع انتقال، 12 تابع آموزشی مختلف، تعداد نرون مخفی متغیر بین یک تا شش و شش ترکیب مختلف ورودی متشکل از باندهای مختلف تصویر ماهواره‌ای استفاده شد. برای معرفی خروجی مطلوب به شبکه، درصد پوشش گیاهی در 52 پلات 50 در 50 متر با مطالعه‌ی میدانی اندازه‌گیری شد. در ابتدا، تعداد 30 داده به عنوان داده آموزشی به شبکه معرفی و تعداد 22 داده به عنوان تست در نظر گرفته شد و با استفاده از مدل رگرسیون خطی میزان همبستگی بین داده‌های میدانی اندازه‌گیری شده و مقادیر تخمینی با استفاده از شبکه‌های تشکیل شده، محاسبه شد. سپس برای بررسی تاثیر انتخاب تصادفی بودن داده‌های آموزشی و تست، تعداد 35 داده به عنوان داده‌ی آموزشی و 17 داده به عنوان داده‌ی تست انتخاب گردید. برای حذف خطای احتمالی ناشی از تقسیم تصادفی داده‌های آموزشی و تست، از روش CrossValidation نیز استفاده گردید.  نتایج نشان داد که به‌طور کلی شبکه‌های عصبی توانایی تخمین درصد پوشش گیاهی را با دقت مناسبی دارند (74/0 > R2  و 02/0< RMSE). CP - IRAN IN - LG - eng PB - E.E.R.Journal PG - 7 PT - Research YR - 2011