fa تحلیل همبستگی پوشش گیاهی و رطوبت سطحی با استفاده از داده‌های سنجش از دور و مدل‌های یادگیری عمیق (مطالعه موردی: حوزه دریاچه ارومیه) سنجش از دور و سامانه اطلاعات جغرافیایی Remote sensing and GIS مقاله پژوهشی Original Research <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span bold="" new="" roman="" times=""><span style="font-weight:bold"><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">پوشش گیاهی یکی از عناصر کلیدی در حفظ تعادل اکولوژیکی و پایداری منابع طبیعی است که نقش مؤثری در تنظیم چرخه آب، کاهش فرسایش خاک و حفظ تنوع زیستی ایفا می‌کند. این پوشش به‌طور مستقیم با رطوبت سطحی خاک در تعامل است و تغییرات آن می‌تواند نشانه‌ای از دگرگونی‌های اکولوژیکی در محیط‌های حساس مانند دریاچه ارومیه باشد. بررسی همبستگی بین پوشش گیاهی و رطوبت سطحی برای درک بهتر روندهای محیط‌زیستی و مدیریت پایدار منابع آبی ضروری است. در این پژوهش، با بهره‌گیری از روش‌های یادگیری عمیق و تحلیل شاخص‌های سنجش از دور</span></span></span> <span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">NDVI </span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">&nbsp;و</span></span></span> <span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">NDWI </span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">&nbsp;تغییرات پوشش گیاهی و رطوبت سطحی در چهار ناحیه اطراف دریاچه ارومیه طی بازه‌های </span></span></span><span lang="FA"><span b="" nazanin=""><span style="font-weight:normal">۲۰۱۵</span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal"> تا </span></span></span><span lang="FA"><span b="" nazanin=""><span style="font-weight:normal">۲۰۲۴</span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal"> بررسی شده و مقادیر سال</span></span></span><span lang="FA"><span b="" nazanin=""><span style="font-weight:normal">۲۰۲۵</span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal"> پیش‌بینی گردید. مدل‌سازی با استفاده از شبکه‌های عصبی عمیق انجام شده و دقت آن با معیار ریشه میانگین مربعات باقی‌مانده‌ها </span></span></span><span lang="FA"><span b="" nazanin=""><span style="font-weight:normal">(</span></span></span><span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">RMSE</span></span></span><span lang="FA"><span b="" nazanin=""><span style="font-weight:normal">)</span></span></span> &nbsp;<span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">ارزیابی شد. تحلیل آماری نتایج نشان داد که نواحی جنوبی و غربی بیشترین نوسانات را تجربه کرده‌اند. همچنین، ضریب همبستگی بین</span></span></span> <span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">NDVI </span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">و</span></span></span> <span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">NDWI </span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">در تمامی نواحی منفی و معنادار بوده</span></span></span> <span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">(</span></span></span><span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">r </span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">&nbsp;بین 0.83</span></span></span><span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">-</span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal"> تا 0.96</span></span></span><span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">-</span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">، </span></span></span><span dir="LTR"><span new="" roman="" times=""><span style="font-weight:normal">p < 0.01</span></span></span><span lang="AR-SA"><span b="" nazanin=""><span style="font-weight:normal">) که نشان‌دهنده تأثیر منفی افزایش پوشش گیاهی بر رطوبت سطحی است. این یافته‌ها ضمن تأیید وجود یک رابطه معکوس قوی، بیانگر اهمیت تلفیق داده‌های پوشش گیاهی و رطوبت در پایش بلندمدت، پیش‌بینی تغییرات اکولوژیکی و اتخاذ راهکارهای مدیریتی مؤثر برای احیای دریاچه ارومیه می‌باشند.</span></span></span></span></span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span new="" roman="" times="">Vegetation cover is one of the key elements in maintaining ecological balance and the sustainability of natural resources, playing an effective role in regulating the water cycle, reducing soil erosion, and preserving biodiversity. This cover interacts directly with surface soil moisture, and its changes can indicate ecological transformations in sensitive environments such as Lake Urmia. Examining the correlation between vegetation cover and surface moisture is essential for a better understanding of environmental trends and the sustainable management of water resources. In this study, using deep learning methods and the analysis of remote sensing indices NDVI and NDWI, changes in vegetation cover and surface moisture in four regions around Lake Urmia from 2015 to 2024 were investigated, and the 2025 values were predicted. Modeling was conducted using deep neural networks, and its accuracy was evaluated using the Root Mean Square Error (RMSE) criterion. Statistical analysis of the results showed that the southern and western regions experienced the most fluctuations. Furthermore, the correlation coefficient between NDVI and NDWI across all regions was negative and significant (r between -0.83 and -0.96, p < 0.01), indicating the negative impact of increasing vegetation cover on surface moisture. These findings, while confirming a strong inverse relationship, highlight the importance of integrating vegetation cover and moisture data in long-term monitoring, predicting ecological changes, and adopting effective management strategies for the restoration of&nbsp; Lake Urmia.</span></span></span></span></span></div> &nbsp; پوشش گیاهی, رطوبت سطحی, همبستگی, یادگیری عمیق, سنجش از دور. Vegetation Cover, Surface Moisture, Correlation, Deep Learning, Remote Sensing. 0 0 http://gnf.khu.ac.ir/browse.php?a_code=A-10-762-4&slc_lang=fa&sid=1 Amir Ghodsifar امیر قدسی‌فر a_ghodsifar@mail.sbu.ac.ir 10031947532846006325 10031947532846006325 No Shahid Beheshti University دانشگاه شهید بهشتی Asghar Milan اصغر میلان a_milan@sbu.ac.ir 10031947532846006326 10031947532846006326 Yes Shahid Beheshti University دانشگاه شهید بهشتی