با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل-2 جهت برآورد غلظت پارامترهای اسیدیته، بیکربنات و سولفات موردبررسی قرار گرفت. ابتدا تصاویر ماهواره سنتینل-2 پیش پردازش شد و سپس باندها و شاخص های طیفی مناسبی جهت شناسایی ارتباط معنی دار میان مقادیر هر پارامتر کیفیت آب و تصاویر با استفاده از روش رگرسیون چند متغیره تعیین گردید. در مرحله بعد با به‌کارگیری دو مدل شبکه عصبی مصنوعی ANN و مدل سیستم استنتاج فازی-عصبی تطبیق یافته ANFIS، ارتباط میان تصاویر ماهواره سنتینل-2 و پارامترهای کیفیت آب به تفکیک مدل‌سازی شده و سپس دقت آن ها به ازای مقادیر واقعی محاسبه گردید. نتایج نشان داد که در مدل‌سازی پارامتر سولفات با استفاده از ماهواره سنتینل-2، مدل ANFIS به ترتیب با خطای نسبی و جذر میانگین مربعات خطا RMSe برابر 0.0773 و 0.8014 نسبت به مدل شبکه عصبی مصنوعی با خطای نسبی و RMSe برابر 0.1581 و 1.2477 دقت بالاتری دارد؛ درحالی‌که در مدل‌سازی پارامترهای اسیدیته و بیکربنات، نتایج حاصل از مدل شبکه عصبی مصنوعی با خطای نسبی به ترتیب برابر با 0.0064 و 0.0556 و RMSe برابر با 0.0702 و 0.2691 برای هر دو پارامتر بهتر از مدل سیستم استنتاج فازی-عصبی تطبیق یافته با خطای نسبی به ترتیب برابر با 0.0165 و 0.0722 و RMSe برابر با 0.1975 و 0.3307 است. درنهایت با اعمال مدل های تهیه‌شده بر روی تصاویر ماهواره ای، نقشه وضعیت کیفی هر پارامتر در طول قسمتی از رودخانه کارون تهیه گردید. Manuscript profile

تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انرژی سطحی برای زمین (سبال) و همچنین ارزیابی عملکرد شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق می باشد. جهت محاسبه میزان سبال تبخیر و تعرق، روش الگوریتم سبال بوسیله تصاویر ماهواره ای مورد استفاده قرار گردید. در این تحقیق از چهار تصویر لندست 8 استفاده شد که مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتیث- فائو، نشان می‌دهد که میانگین مربعات خطا (MSE) 54/1 و میانگین خطای مطلق (MAE) 04/1 میلیمتر در روز می‌باشد. برای حل پیچیدگی فرآیند تبخیر، از شبکه‌های عصبی مصنوعی برای پیش بینی تبخیر از تشت بر اساس داده‌های هواشناسی استفاده گردید. در این تحقیق شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده های اقلیمی روزانة 13 ساله ایستگاه صفی آباد دزفول استفاده شد. نتایج حاصل از محاسبات نشان داد بهترین شبکه، شبکه‌ای با همه ورودی‌ها، با یک لایه پنهان و 28 نرون در لایه میانی می‌باشد. نتایج پیاده سازی این شبکه نشان دهنده، شاخص های آماری معیارهای میانگین مربعات خطا (MSE) 0032/0، میانگین خطای مطلق (MAE) 0445/0 و ضریب تبین (R2) 9609/0 می‌باشد. مقایسه نتایج بدست آمده از روش شبکه های عصبی مصنوعی با روش پنمن- مانتیث- فائو نشان می‌دهد که میانگین مربعات خطا (MSE) 11/1 و میانگین خطای مطلق (MAE) 52/0 میلی متر در روز می‌باشد. این نتایج، بیانگرعملکرد بهتر شبکه‌های عصبی مصنوعی نسبت به روش سنجش از دور در برآورد میزان تبخیر و تعرق می‌باشد. Manuscript profile