fa کاربرد سنجش از دور و شبکه عصبی مصنوعی در تخمین غلظت رسوب معلق رودخانه (مطالعه موردی: رودخانه کارون) عمومی Ggeneral پژوهشي Research <p style="text-align: justify;"><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">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 </span></span></strong><strong><span dir="LTR"><span style="font-size:9.0pt;">RMSE</span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;"> برابر 19/0، عملکرد بهتری را نسبت به دو روش رگرسیون و منحنی سنجه رسوب با </span></span></strong><strong><span dir="LTR"><span style="font-size:9.0pt;">RMSE</span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;"> به‌ترتیب برابر 21/0 و 29/0 دارا است</span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:11.0pt;">.</span></span></strong><strong><span style="font-family:b lotus;"></span></strong><br> &nbsp;</p> <div style="text-align: justify;">Spectral Reflectance of suspended sediment concentration (SSC) remotely sensed by satellite images is an alternative and economically efficient method to measure SSC in inland waters such as rivers and lakes, coastal waters, and oceans. This paper retrieved SSC from satellite remote sensing imagery using radial basis function networks (RBF). In-situ measurement of SSC, water flow data, as well as MODIS band 1 and band ratio of band 2 to 1 were the inputs of the RBF. A multi-regression method was also used to make a relationship between the in-situ data and the water reflectance data retrieved from MODIS bands. The results showed that RBF had the best SSC prediction error (RMSE=0.19), as compared to the multi-regression and sediment rating curve methods, with the RMSE of 0.29 and 0.21, respectively.</div> غلظت رسوب معلق, سنجنده مادیس, شبکه عصبی پایه شعاعی, رگرسیون خطی Suspended sediment concentration, MODIS, RBF, Regression method 249 259 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3611-1&slc_lang=fa&sid=1 Z. Mollaee زینب ملائی Mollaei.z139@gmail.com No 1. Department of Water Engineering, Faculty of Agriculture and Rural Engineering, Khuzestan Agricultural Sciences and Natural Resources University, Ahvaz, Iran. 1. گروه مهندسی آب، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان J. Zahiri جواد ظهیری zahiri1983@gmail.com Yes 1. Department of Water Engineering, Faculty of Agriculture and Rural Engineering, Khuzestan Agricultural Sciences and Natural Resources University, Ahvaz, Iran. 1. گروه مهندسی آب، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان S. Jalili سعید جلیلی saiedjalily@gmail.com No 1. Department of Water Engineering, Faculty of Agriculture and Rural Engineering, Khuzestan Agricultural Sciences and Natural Resources University, Ahvaz, Iran. 1. گروه مهندسی آب، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان M. R. Ansari محمدرضا انصاری ansari386@yahoo.com No 2. Department of Soil Science, Faculty of Agriculture, Khuzestan Agricultural Sciences and Natural Resources University, Ahvaz, Iran. 2. گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان A. Taghizadeh ایوب تقی زاده a.taghizadeh@scu.ac.ir No 3. Department of GIS and RS, Faculty of Earth Sciences, Chamran University, Ahvaz, Iran. 3. گروه سنجش از دور وGIS ، دانشکده علوم زمین، دانشگاه شهید چمران اهواز