fa بررسی رابطه بین ارزشهای رقومی بازتاب حاصل از تصاویر ماهوارهای ETM+ و ماده آلی خاک با استفاده از شبکههای عصبی مصنوعی و مدلهای رگرسیونی پژوهشي Research <p><span dir="RTL">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 </span>ETM<span dir="RTL">+ برای برآورد ماده آلی خاک با استفاده از شبکه</span>‌<span dir="RTL">های عصبی مصنوعی و مدل‌های رگرسیونی است. در این راستا از ارزش‌های رقومی بازتاب در باندهای مختلف تصاویر ماهواره‌ای </span>ETM<span dir="RTL">+، 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 </span>R2<span dir="RTL"> و </span>RMSE<span dir="RTL"> 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.</span></p> <p dir="ltr" style="text-align: justify">Soil organic carbon (SOC) content plays a key role in soil biological, chemical and physical behavior and knowledge about its state and distribution is essential for the effective and sustainable use of soil. Laboratory measurements of SOC are costly and time consuming and have not the possibility to extend the results to similar areas. Recently, the use of remote sensing data for evaluation of SOC as a simple, rapid, inexpensive and even accurate have attracted the attention of researchers. The aim of this study was to evaluate the efficiency and accuracy of ETM+ satellite images for estimating SOC using artificial neural network and regression models. In this way, the digital number values in different bands of ETM+ satellite images have been used. Both regression and neural networks were used to develop the models between organic carbon measured in the laboratory and satellite data. Finally the accuracy of these models was evaluated with R2 and RMSE indices. The statistical analysis shows that these models was fitted using digital number values in the visible and mid- infrared bands of satellite images have the highest coefficients of determination. Moreover, the neural network models have the higher accuracy and .less error than regression models.</p> کربن آلی, سنجش از دور, ارزش رقومی بازتاب, شبکه عصبی, مدل رگرسیونی Soil Organic Carbon, Remote Sensing, Digital Number Reflectance, Artificial Neural Networks, Regression Models 29 38 http://magazine.hormozgan.ac.ir/browse.php?a_code=A-10-123-1&slc_lang=fa&sid=1 elham noshadi الهام نوشادی noshadi@modares.ac.ir 10031947532846002728 10031947532846002728 No Tarbiat Modares University دانشگاه تربیت مدرس Hossein Ali Bahrami حسینعلی بهرامی bahramih@modares.ac.ir 10031947532846002729 10031947532846002729 Yes Tarbiat Modares University دانشگاه تربیت مدرس Seyyed Kazem Alavipanah سیدکاظم علوی پناه salavip@ut.ac.ir 10031947532846002730 10031947532846002730 No Tehran University دانشگاه تهران