en انتخاب ویژگی هوشمند فازی به منظور طبقه بندی رطوبت خاک فتوگرامتری و سنجش از دور Photo&RS ترویجی Tarviji <div id="ftn1">&nbsp; <div> <div id="ftn2"> <div style="text-align: justify;">علی رغم توانایی سنجش از دور در مشاهده مستقیم مقدار رطوبت خاک، غالبا رادیانس اندازه گیری شده توسط سنجنده متاثر از پارامترهای مختلف خاک و اتمسفر می باشد. علاوه بر رطوبت خاک، تعداد زیادی از عوامل مانندپوشش گیاهی، زبری سطح، دمای سطح خاک و بافت خاک بر شدت رادیانس دریافتی سنجنده تاثیرگذار هستند. بنابراین، با توجه به اهمیت انتخاب ویژگی های بهینه جهت شناسایی مقدار رطوبت خاک، مطالعه در مورد بکارگیری منطق فازی (<span dir="LTR">Fuzzy-logic</span>) جهت انتخاب ویژگی هوشمند محور اصلی این تحقیق است. به طور روشن تر، ویژگی ها بر اساس&nbsp; اصل توسعه، به عنوان یک عدد فازی تعریف می شوند.از سوی دیگر، با توجه به این که طبقه بندی یکی از روش های کسب اطلاعات از تصاویر سنجش از دوراست،در ادامه ویژگی های انتخاب شده به منظور طبقه بندی رطوبت خاک، در دو طبقه بندی کننده متداول (ماشین بردار پشتیبان (<a href="#_ftn1" name="_ftnref1" title=""><span dir="LTR">[1]</span></a><span dir="LTR">SVM</span>) و شبکه عصبی <a href="#_ftn2" name="_ftnref2" title=""><span dir="LTR">[2]</span></a><span dir="LTR">MLP</span>) استفاده می شوند. توانایی رقابت این دو طبقه بندی کننده با بهترین الگوریتم های یادگیری ماشین موجود، تایید شده است. به عبارت دیگر، هدف اصلی این مدل، انتخاب کمترین تعداد ویژگی براساس منطق فازی همراستا با افزایش دقت طبقه بندی رطوبت خاک می باشد.روش پیشنهادی در این تحقیق، جهت انتخاب ویژگی های بهینه به کار گرفته شد و دقت عملکرد آن در دو طبقه بندی کننده <span dir="LTR">Fuzzy-SVM</span> و <span dir="LTR">Fuzzy-ANN</span>، با استفاده از داده های جمع آوری شده از کشور ایران مورد ارزیابی قرار گرفت. جهت مقایسه دقت طبقه بندی رطوبت خاک با استفاده از ویژگی های انتخابی توسط مدل ارائه شده فازی، حالت دیگری نیز در نظر گرفته شد. در حالت دوم، سه ویژگی پوشش گیاهی (<span dir="LTR">NDVI</span>)، دمای سطح خاک (<span dir="LTR">LST</span>) و توپوگرافی به عنوان ویژگی های منتخب جهت طبقه بندی در دو طبقه بندی کننده مذکور به کار برده شدند. دلیل انتخاب این سه ویژگی از میان تمام ویژگی ها، تاثیر عمده ای است که این سه ویژگی بر مقدار رطوبت سطح خاک دارند.</div> نتایج به دست آمده بسیار دلگرم کننده بود و نشان داد که با استفاده از الگوریتم انتخاب ویژگی پیشنهادی می توان دقت طبقه بندی رطوبت خاک را حدودا 8% بهبود بخشید.<span dir="LTR"></span><br> &nbsp; <div>&nbsp; <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Support Vector Machine<br> &nbsp;</div> <div id="ftn2"><a href="#_ftnref2" name="_ftn2" title="">[2]</a> Multi-Layer Perceptron</div> </div> </div> </div> </div> <div style="text-align: justify;">Despite the capability of remote sensing to direct observation of soil moisture content, the radiances measured by sensors are usually affected by different soil and atmosphere parameters. Therefore, understanding the importance of selecting the optimal features for soil moisture recognition, the application of fuzzy logic to perform intelligent feature selection is a distinguished line of research. In the following, the selected features were used in two widely used classifiers (SVM (Support Vector Machine) and MLP (Multi-Layers Perceptron) artificial neural network) in order to soil moisture classification. These classifiers were found competitive with the best available machine learning algorithms. In other words, the main purpose of this model is to select the least number of features based on fuzzy logic aligning with increasing the accuracy of soil moisture classification. The proposed method was applied and validated using observations carried out for the Iran region. In order to compare the soil moisture classification accuracy using the features selected by fuzzy-based model, a different scenario was also considered. In the latter case, vegetation cover (NDVI), soil surface temperature (LST), and topography as selected features for soil moisture classification, were entered into the above-mentioned classifiers. The reason for choosing these three features among all the features is their significant effect on the amount of soil moisture. The results obtained were very encouraging and indicated about 8% improvement on soil moisture classification accuracy using the proposed feature selection method.<br> &nbsp;</div> واژگان کلیدی: سنجش از دور, طبقه بندی رطوبت خاک, انتخاب ویژگی هوشمند, منطق فازی, ماشین بردار پشتیبان, شبکه عصبی مصنوعی Remote Sensing, Soil Moisture Classification, Intelligent Feature Selection, Fuzzy Logic, SVM, Artificial Neural Network 171 180 http://jgst.issgeac.ir/browse.php?a_code=A-10-765-1&slc_lang=en&sid=1 M. Moradizaded مینا مرادی زاده mina_moradizadeh@eng.ui.ac.ir 10031947532846006346 10031947532846006346 Yes 1- Department of Geomatics, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran. 1- استادیار سنجش از دور، گروه مهندسی نقشه برداری، دانشکده عمران و حمل و نقل، دانشگاه اصفهان D. Akbari داود اکبری davoodakbari@ut.ac.ir 10031947532846006347 10031947532846006347 No Remote Sensing Division, Surveying and Geomatics Engineering Department, College of Engineering, University of Zabol, Zabol, Iran. 2- استادیار سنجش از دور، گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه زابل