دانشگاه تبریز دانش آب و خاک 2008-5133 26 شماره 3 بخش 2 2016 11 21 Improved Index Points of Soil Moisture Retention Curve Estimation Using Remote Sensing Data and the Use of Bayesian Networks and Artificial Neural Network بهبود تخمین نقاط شاخص منحنی رطوبتی با استفاده از داده‌های سنجش از دور و به‌کارگیری شبکه‌های بیزی و عصبی مصنوعی 75 91 5839 FA معصومه صبری دانشجوی دکتری، گروه علوم خاک، دانشکده کشاورزی دانشگاه تبریز محمدرضا نیشابوری استاد گروه خاکشناسی، دانشکده کشاورزی، دانشگاه تبریز محمدعلی قربانی دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز فرزین شهبازی دانشیار گروه خاکشناسی، دانشکده کشاورزی، دانشگاه تبریز خلیل ولیزاده کامران استادیار گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه‌ریزی، دانشگاه تبریز اصغر فرج نیا عضو هیأت مرکز تحقیقات کشاورزی استان آ- شرقی Journal Article 2015 02 08 With advances in remote sensing technology, vast efforts have been carried out recently for predicting difficult-to measure soil properties. This study explores the use of information on vegetation cover from satellite images (SAVI) and digital elevation model (DEM) in addition to pedologic attributes to develop pedotransfer functions (PTFs) for estimating three  coefficients of soil moisture retention curve (PWP, FC, θs). For this purpose 176 samples from East Azarbyjan and Guilan provinces were collected consisting of 10 various texture classes. Particle size distribution, total porosity, bulk density, organic matter, macro and micro porosity, EC, pH, CCE, geometric mean and standard deviation of the particle diameter,  water content at -1 kPa, DEM and SAVI were used as PTFs inputs. Artificial neural networks (ANNs) and Bayesian Networks were used to predict PWP, FC, θ_s. The performance of the developed PTFs was evaluated using the root mean square error (RMSE) and the MGN test between the observed and the predicted values. Good improvement (based on RMSE) in the PTF’s ability to estimate the three coefficients was achieved with certain input combinations of basic soil properties, topography and vegetation information comparing with using only the basic soil properties as inputs. In comparing Bayesian Network and ANNs method, the results indicated that  Bayesian Network  estimated the three  soil moisture retention curve coefficients more accurately and with greater reliability than the ANNs method. با پیشرفت فنآوری های سنجش از دور اخیرا تلاش­های وسیعی در بکارگیری داده های حاصل از این فنآوری برای برآورد ویژگی های سخت وصول خاک صورت گرفته است. در این مطالعه با افزودن اطلاعات مربوط به پوشش گیاهی حاصل از تصاویر ماهواره­ای (SAVI) و اطلاعات رقومی ارتفاع (DEM) به متغیرهای حاصل از اندازه­گیری­های زمینی، امکان بهبود توابع انتقال (PTFs) برای تخمین سه نقطه منحنی رطوبتی PWP ,FC ,θ_s بررسی گردید. در این پژوهش 176 نمونه از استان­های آذربایجان شرقی و گیلان مشتمل بر10 کلاس بافتی تهیه گردید. توزیع اندازه ذرات، جرم مخصوص ظاهری و حقیقی، تخلخل کل، ماده آلی، درصد منافذ ریز و درشت، درصد آهک،EC  وpH، میانگین هندسی و انحراف استاندارد هندسی قطر خاکدانه­ها، رطوبت در مکش یک کیلوپاسکال، SAVI و DEM به­عنوان ورودی توابع انتقالی مورد استفاده قرار گرفتند. به­منظور پیش­بینی سه نقطه پتانسیلی از توابع انتقالی با اساس شبکه بیزی و عصبی استفاده شد. مدل­های ایجاد شده با استفاده از آزمون مرگان-گرنجر-نیوبلد (MGN) و ریشه میانگین مربعات خطا (RMSE) برای داده­های مشاهده­ای و پیش­بینی­شده ارزیابی شدند. این تحقیق بهبود در توانایی توابع انتقالی به منظور برآورد سه نقطه از منحنی رطوبتی (بر اساس RMSE) هنگامی که از خصوصیات حاصل از اندازه­گیری­های زمینی، توپوگرافی و پوشش گیاهی در مقایسه با زمانی که تنها از خصوصیات حاصل از اندازه­گیری­های زمینی به­عنوان ورودی استفاده می­شود، تأیید می­کند. مقایسه روش شبکه بیزی و شبکه عصبی مصنوعی نشان داد شبکه بیزی در تخمین توابع انتقال سه نقطه از منحنی رطوبتی در مقایسه با شبکه عصبی از اعتبار و اطمینان بالاتری در برآورد برخوردار است. https://water-soil.tabrizu.ac.ir/article_5839_d4d8622e6c5543d3a20a69d244e7a24c.pdf