@ARTICLE{Zahiri, author = {Mollaee, Z. and Zahiri, J. and Jalili, S. and Ansari, M. R. and Taghizadeh, A. and }, title = {Estimating Suspended Sediment Concentration Using Remote Sensing and Artificial Neural Network (Case Study: Karun River)}, volume = {22}, number = {2}, abstract ={بازتاب طیفی سنجش از راه دور اندازه‌گیری شده توسط سنسور‌های ماهواره‌ای، یک جایگزین سریع و رویکرد اقتصادی برای ارزیابی غلظت رسوب معلق در اقیانوس‌ها، دریا‌ها، رودخانه‌ها و آب‌های ساحلی است. بر همین اساس در این تحقیق از ترکیب اطلاعات به‌دست آمده از تصاویر ماهواره‌ای و یک مدل شبکه عصبی پایه شعاعی، جهت برآورد غلظت بار معلق رودخانه‌ای استفاده شد. داده‌های میدانی غلظت رسوب معلق، دبی جریان و بازتاب باند یک و نسبت بازتاب باند دو به یک سنجنده مادیس، به‌عنوان ورودی به شبکه عصبی معرفی شدند، همچنین یک مدل رگرسیون خطی چندمتغیره برای ایجاد ارتباط میان غلظت رسوب معلق و بازتاب رسیده به سنجنده استفاده شد. در نهایت نتایج حاصل از شبکه عصبی با نتایج حاصل از رگرسیون و منحنی سنجه رسوب مقایسه شد. براساس نتایج به‌دست ‌آمده، مدل شبکه عصبی مصنوعی با ورودی باند یک و دبی جریان با RMSE برابر 19/0، عملکرد بهتری را نسبت به دو روش رگرسیون و منحنی سنجه رسوب با RMSE به‌ترتیب برابر 21/0 و 29/0 دارا است. }, URL = {http://jstnar.iut.ac.ir/article-1-3421-fa.html}, eprint = {http://jstnar.iut.ac.ir/article-1-3421-fa.pdf}, journal = {Journal of Water and Soil Science}, doi = {10.29252/jstnar.22.2.249}, year = {2018} }