برآورد رطوبت حجمی خاک از تداخل سنجی سنجش بازتاب سیستم های ماهواره ای ناوبری جهانی و تحلیل سری زمانی حاصل با شبکه های عصبی مصنوعی حافظه طولانی کوتاه مدت

تداخل سنجی سنجش بازتاب سیستم های ماهواره ای ناوبری جهانی (GNSS-IR) را می توان به عنوان یکی دیگر از روش های سنجش از دور برای پایش رطوبت خاک به صورت پیوسته و البته در مقیاس محلی در نظر گرفت که در وضعیت های مختلف جوی مانند شرایط بارانی و مه آلود و در شرایط متفاوت نور و روشنایی مانند روز و شب قابل اجرا است. سیگنال های بازتابی از سطح زمین توسط آنتن های GNSS  قابل دریافت است. تغییرات در رطوبت خاک باعث تغییر در مقدار مولفه نسبت سیگنال به نویز  SNRسیگنال های بازتابی می شود. با تجزیه و تحلیل سیگنال های بازتابی، می توان به اطلاعات مفیدی در مورد سطح بازتاب دست یافت. SNR به شدت به رطوبت خاک وابسته است. در این تحقیق داده های ایستگاه P۰۳۸ در منطقه نیومکزیکو مورد استفاده قرار می گیرد. بدین صورت که از سیگنال های چندمسیری برای برآورد تغییرات رطوبت خاک در طول چهار سال، از ۲۰۱۷ تا ۲۰۲۰ استفاده می شود. طبق برآورد انجام شده سطح محتوای حجمی آب در سال ۲۰۱۷، برابر ۸۸/۸ درصد می باشد، که در سال ۲۰۱۸ به ۷۴/۱۱ درصد افزایش می یابد. سپس اندکی کاهش یافته و در سال ۲۰۱۹ به ۸۸/۱۰ درصد رسیده و نهایتا در سال ۲۰۲۰ به ۴۹/۱۲ درصد افزایش می یابد. در این مقاله کارایی شبکه های عصبی حافظه طولانی کوتاه مدت (LSTM) در پیش بینی سری زمانی رطوبت حجمی خاک به دست آمده از تداخل سیگنال های بازتابی GNSS مورد ارزیابی قرار می گیرد. آموزش مدل با استفاده از ۸۰ درصد مشاهدات ایستگاه انجام می گیرد. با به روزرسانی وضعیت شبکه با مقادیر مشاهده شده به جای مقادیر پیش بینی شده، مقدار جذر خطای مربعی میانگین از ۰۹/۰ به ۰۴/۰ کاهش یافته و پیش بینی ها دقیق تر انجام می شوند.

کلیدواژه ها:

رطوبت حجمی خاک ، SNR ، GNSS-IR ، سری زمانی ، LSTM