fa طراحی و ساخت یک سنجنده رطوبت خاک زمین مبنا به منظور تامین داده های واقعیت زمینی تصاویرسنجش از دوری فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span dir="RTL" lang="FA"><span style="line-height:115%"><span b="" nazanin="">رطوبت خاک متغیری بسیار مهم در مسائل هیدرولوژیکی است که در اموری مانند مدل سازی‌های هیدرولوژیکی و پیش بینی های کمی هوا‌‌شناسی، بررسی مسائلی مانند خشکسالی، آتش سوزی جنگل‌ها، تغییرات اقلیم و مدیریت منابع آب، نقش بسیار مهمی دارد. در سالیان اخیر سنجش از دور&nbsp; به علت سرعت، بازدید منظم، پوشش وسیع و مقرون به صرفه بودن مورد توجه بسیاری از محققین در خصوص برآورد رطوبت خاک قرار گرفته است. حال یکی از دغدغه‌های اصلی متخصصین سنجش از دور در برآورد رطوبت خاک تامین داده‌های واقعیت زمینی می‌باشد. در این پژوهش به طراحی و ساخت یک سنجنده رطوبت خاک زمین مبنا پرداخته شد که قابلیت اندازه گیری رطوبت خاک، اطلاعات موقعیت مکانی، نمایش و ذخیره اطلاعات را دارد تا بدینوسیله بتوان داده های واقعیت زمینی رطوبت خاک را تامین نمود. با استفاده از این سنجنده، تصاویر سنجش از دوری و روش های هوش مصنوعی می‌توان رطوبت خاک را برای یک محدوده‌ی بسیار بزرگ برآورد نمود، بدین صورت که همزمان با گذر ماهواره از محدوده مورد نظر، با استفاده از سنجنده یک محدوده کوچک را برداشت نموده به آموزش مدل هوش مصنوعی انتخابی پرداخته خواهد شد و پس از آن، مدل آمورش دیده، رطوبت خاک را با استفاده از تصاویر سنجش از دوری برای محدوده مورد نظر برآورد می‌نماید. دانه بندی خاک، الکترولیت‌های خاک و دما از جمله مواردی هستند که بر روی اندازه گیری سنجنده تاثیر گذار هستند. لذا بررسی عوامل اثر گذار بر اندازه گیری سنجنده و تامین شرایط محیطی مناسب در فرایند آزمایشگاهی&nbsp; و کالیبراسیون سنجنده اهمیت بسیار بالایی دارد. طی فرآبند آزمایشگاهی خواهیم دید عوامل موثر تحت کدام شرایط و تا چه میزان بر خروجی سنجنده اثر گذار گذار خواهند بود. در فرآیند کالیبراسیون سنجنده جهت تعیین درصد رطوبت وزنی خاک، یک مدل رگرسیون پلی نومیال درجه 3، با دقت 0.95 درصد رطوبت وزنی خاک و ضریب تعیین 97 درصد تعیین گردید.</span></span></span></span></span></div> &nbsp; <pre data-placeholder="ترجمه" dir="ltr" id="tw-target-text" style="text-align: justify;"> <span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:115%">Soil moisture is a highly significant variable in hydrological issues, playing a crucial role in hydrological modeling, quantitative meteorological forecasting, and the analysis of issues such as drought, forest fires, climate change, and water resource management. In recent years, remote sensing has gained significant attention for soil moisture estimation due to its speed, regular coverage, extensive reach, and cost-effectiveness. However, one of the primary concerns for remote sensing specialists in soil moisture estimation is the provision of ground-truth data. <span arial="" dir="RTL" lang="AR-SA">&rlm;</span>In this research, the design and development of a ground-based soil moisture sensor were undertaken, which is capable of measuring soil moisture, collecting spatial data, and displaying and storing this information to provide ground-truth soil moisture data. Using this sensor, along with remote sensing imagery and artificial intelligence (AI) methods, it is possible to estimate soil moisture across a vast area. This process involves the simultaneous use of the sensor for sampling a small area during the satellite pass over the targeted region, which is then used to train the selected AI model. The trained model subsequently estimates soil moisture over the desired area using remote sensing imagery. <span arial="" dir="RTL" lang="AR-SA">&rlm;</span>Factors such as soil texture, soil electrolytes, and temperature impact the sensor&rsquo;s measurements. Therefore, evaluating these influencing factors and ensuring appropriate environmental conditions during laboratory testing and sensor calibration are critically important. The laboratory process will reveal the specific conditions and extent to which these factors affect the sensor&rsquo;s output. In the sensor calibration process, a third-degree polynomial regression model was developed to determine the soil&rsquo;s gravimetric moisture content, achieving an accuracy of 0.95% for gravimetric soil moisture content and a coefficient of determination of 97%.</span></span></span> </pre> رطوبت سنج, مدل رگرسیون, آنالیز حساسیت, کالیبراسیون, هوش مصنوعی moisture meter, sensitivity analysis , regression model, artificial intelligence 59 68 http://jgst.issgeac.ir/browse.php?a_code=A-10-1079-1&slc_lang=fa&sid=1 Jalal Amini جلال امینی jamini@ut.ac.ir 100319475328460010872 100319475328460010872 Yes Tehran University دانشگاه تهران Ali Younesi Sinaki علی یونسی سینکی ali.younesi.313@ut.ac.ir 100319475328460010873 100319475328460010873 No Tehran University دانشگاه تهران