fa برآورد رطوبت لحظه‌ای سطح خاک در فصل سرد با استفاده از داده‌های سنجش ‌از دور نوری و حرارتی در شرایط بدون ابرناکی عمومی Ggeneral پژوهشي Research <div style="text-align: justify;"><span style="font-family:nasimyw;"><strong><span style="font-size:11.0pt;">تعداد محدودی از ایستگاه‌های</span></strong> <strong><span style="font-size:11.0pt;">هواشناسی کشاورزی در کشور به ‌اندازه‌گیری رطوبت سطح خاک می‌پردازند همچنین ممکن است در مناطق فاقد ایستگاه نیاز اساسی به اطلاعات رطوبت سطح خاک باشد. هدف پژوهش حاضر، استفاده از داده‌های ماهواره لندست 8 جهت برآورد رطوبت سطح خاک در منطقه فاقد ایستگاه هواشناسی کشاورزی است. رطوبت وزنی 14 نمونه خاک در فصل سرد از عمق صفر تا 10 ‌سانتی‌متری همزمان با عبور لندست 8 از مراتع طبیعی فقیر شمال شهر سبزوار محاسبه گردید.</span></strong> <strong><span style="font-size:11.0pt;">‌براساس</span></strong> <strong><span style="font-size:11.0pt;">تحلیل</span></strong> <strong><span style="font-size:11.0pt;">مؤلفه اصلی، چهار مؤلفه اول از هفت شاخص پوشش گیاهی و بیو- فیزیکی مؤثر بر رطوبت سطح خاک از داده‌های لندست 8 استخراج شد. سپس رطوبت سطح خاک در لحظه عبور ماهواره با</span></strong> <strong><span style="font-size:11.0pt;">استفاده از چهار مؤلفه اول با</span></strong> <strong><span style="font-size:11.0pt;">روش‌های رگرسیون خطی چند متغیره و شبکه عصبی برآورد شد. نتایج برآورد رطوبت لحظه‌ای سطح خاک ‌نشان داد که متوسط درصد خطای مطلق با روش شبکه عصبی 30 درصد خطا و در روش رگرسیون کلاسیک با 40 درصد خطا همراه بود. نتایج تحقیق در دوره مورد مطالعه نشان می‌دهد که مدل کردن رطوبت لحظه‌ای خاک با استفاده از اندازه‌گیری‌های</span></strong> <strong><span style="font-size:11.0pt;">زمینی و داده‌های ماهواره لندست 8 در مناطق فاقد ایستگاه هواشناسی کشاورزی قابل انجام</span></strong> <strong><span style="font-size:11.0pt;">است</span></strong><strong><span dir="LTR"><span style="font-size:9.0pt;">.</span></span></strong></span><br> &nbsp;</div> <p style="text-align: justify;">A limited number of agricultural weather stations measure moisture in the soil surface. Furthermore, soil moisture information may be required in areas where there is no weather station. The aim of the present study was to use Landsat 8 satellite images to estimate soil surface moisture in an area without agricultural meteorological stations. Gravimetric soil moisture for a total of 14 samples was calculated in the cold season in depths of 0-10 cm when Landsat 8 satellite was overpassing poor rangeland of North of Sabzevar. Furthermore, the first four principal components were extracted from seven Landsat-derived vegetation indices and bio-physical factors affecting soil moisture. Afterwards, the first four components were used to estimate soil surface moisture at the moment of the satellite passing the region using a multivariate linear regression and neural networks. The obtained results of instantaneous soil surface moisture showed that the neural networks had mean absolute percentage error of while classical regression analysis had mean absolute percentage error of 40%. The results also showed the benefits of using both in-situ soil moisture data and Landsat 8 satellite images to model instantaneous soil surface moisture content for areas lacking meteorological networks.<br> &nbsp;</p> رطوبت لحظه‌ای سطح خاک, سنجش‌ازدور نوری و حرارتی, شبکه عصبی Instantaneous Soil Surface Moisture, Optical and thermal remote sensing, Neural network 175 191 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3331-1&slc_lang=fa&sid=1 H. Adab حامد ادب adabgeo@gmail.com Yes Hakim Sabzevari University 1. گروه آب و هواشناسی و ژئومورفولوژی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری