TY - JOUR T1 - Application of the GMDH Neural Network in Monitoring Soil Salinity of Saveh Plain using Spectral and Topographic Indicators TT - کاربرد شبکه عصبی GMDH در پایش شوری خاک دشت ساوه با استفاده از شاخص‌های طیفی و توپوگرافی JF - JSTNAR JO - JSTNAR VL - 26 IS - 4 UR - http://jstnar.iut.ac.ir/article-1-4252-fa.html Y1 - 2023 SP - 249 EP - 259 KW - Hypercube technique KW - Vegetation index KW - Topographic wetness index KW - Landsat 8 KW - Digital elevation model N2 - در سال‌های اخیر از روش‌های غیرمستقیم نظیر سنجش از دور و داده‌کاوی برای برآورد شوری خاک زمین‌های کشاورزی استفاده می‌شود. در این تحقیق، هدایت الکتریکی 94 نمونه خاک از 0 تا 100 سانتی‌متر با استفاده از تکنیک ابرمکعب در دشت ساوه، اندازه‌گیری شد. تعداد 23 نوع داده ورودی در قالب دو دسته توپوگرافی و طیفی استفاده شدند. پارامترهای سطح زمین مانند شاخص رطوبت توپوگرافیک (TWI)، شاخص طبقه‌بندی زمین برای مناطق پست (TCI)، شاخص قدرت جریان (STP)، مدل رقومی ارتفاع (DEM) و طول شیب (LS) با استفاده از نرم‌افزارهای Arc-GIS و SAGA به‌عنوان ورودی‌های توپوگرافی لحاظ شدند. همچنین شاخص‌های مکانی شوری و پوشش گیاهی از تصاویر لندست 8 استخراج شدند و به‌عنوان ورودی‌های طیفی درنظر گرفته شدند. به‌منظور مدل‌سازی شوری از شبکه عصبی GMDH با نسبت 70 درصد برای آموزش و 30 درصد برای صحت‌سنجی استفاده شد. نتایج اندازه‌گیری نشان داد مقادیر شوری خاک بین 0/1 تا 18 با میانگین 5 و انحراف معیار 4/7 دسی‌زیمنس بر متر بودند. نتایج مدل‌سازی نیز نشان داد پارامترهای آماری R2، MBE وNRMSE در مرحله آموزش به‌ترتیب 0/80، 0/06 و 42/1 درصد بودند. همین مقادیر در مرحله صحت‌سنجی به‌ترتیب 0/79، 0/13 و 48/7 درصد بودند. بنابراین استفاده از شاخص‌های طیفی، توپوگرافی و شبکه عصبی GMDH، در مدل‌سازی شوری خاک، کارایی مناسبی دارد. M3 10.47176/jwss.26.4.27454 ER -