@article { author = {Amini, Leila and Abdollahi Kakroodi, Ataollah}, title = {Bathymetry from Shallow Coastal Environment using Neural Network(Case Study: Southeastern of the Caspian Sea)}, journal = {Quantitative Geomorphological Research}, volume = {7}, number = {3}, pages = {216-230}, year = {2019}, publisher = {Iranian Association of Geomorphology}, issn = {22519424}, eissn = {}, doi = {}, abstract = {Remote sensing method known an appropriate tool for estimating depth in the coastal environment of the limited reaches. The purpose of this study is to measure the depth of the southeastern coast of the Caspian Sea through the training of the neural network. In order to estimate depth, Landsat-8 images and hydrographic data collected using the echosounder, have been used. Atmospheric correction of Dark Object Subtract (DOS), radiometric correction (turning digital number to reflection), the sun glint correction, and eventually masking the water body from the land area, applied on the coastal blue, blue, green and red bands. These steps known as pre-processing. In this study, depth estimation through the neural network is investigated in two states. In the first case, each of the four bands as input and real depth corresponding to each of these pixels as target was introduced to the neural network. In the second case, the depth data were clustered to seven clusters by the fuzzy C-mean (FCM) method. After clustering, the data of each cluster was separately presented to the network. In both cases, the share of train data, validation data and test data from input data is 60%, 10% and 30%, respectively. The results of the neural network indicate that the accuracy of the estimated depth in various clusters is different, and the highest accuracy (R2 = 0.90, RMSE= 0.11) and the lowest accuracy (R2 = 0.67, RMSE= 0.11) belong to cluster (1) and cluster (3) respectively. As well as, the estimated depth in no clustered data, evaluated with high accuracy )R2 = 0.98, RMSE = 0.16).Then, neural network method is able to estimate depth from shallow coastal waters with high accuracy.  }, keywords = {Bathymetry,Landsat-8,Fuzzy Clustering,Neural Network,southeastern of Caspian Sea}, title_fa = {عمق سنجی از نواحی کم عمق ساحلی با استفاده از تصاویر لندست-8 به طریق آموزش شبکه عصبی (مطالعه موردی: جنوب شرقی دریای خزر)}, abstract_fa = {تصاویر سنجش ­از­دور ابزاری مناسب جهت برآورد عمق در مناطق ساحلی است. در این پژوهش، به منظور مطالعه مناطق کم­ عمق ساحلی، از تصاویر لندست-8 و داده­های هیدروگرافی که با روش اکوساندر جمع­ آوری شده استفاده شده است. هدف از این پژوهش، عمق سنجی از نواحی جنوب شرقی ساحل دریای خزر از طریق آموزش شبکه عصبی است. تصحیح اتمسفری Dark Object Subtract (DOS)، تصحیح رادیومتریکی (تبدیل درجات روشنایی به بازتاب)، تصحیح درخشندگی خورشید و در نهایت ماسک کردن مناطق آبی از مناطق خشکی، از جمله پیش­پردازش­های لازم است که بر روی باندهای آبی­ساحلی، آبی، سبز و قرمز تصویر لندست-8 اعمال شده است. در این پژوهش برآورد عمق از طریق شبکه عصبی در دو حالت بررسی گردد. در حالت اول، هر یک از چهار باند به عنوان داده­های ورودی و داده­های عمق متناظر با هر یک از این پیکسل­ها به عنوان هدف به شبکه عصبی معرفی گردید. و در حالت دوم، داده­های عمق به روش میانگین فازی، به شش کلاس تقسیم­بندی شدند و اطلاعات هر کلاس بصورت جداگانه به شبکه ارائه شد. در هر دو حالت مورد بررسی، سهم داده­های آموزشی، داده­های اعتبارسنجی و داده­های آزمون از داده­های ورودی به ترتیب 60 درصد، 10 درصد و 30 درصد می­باشد. نتایج حاصل از شبکه عصبی نشان می­دهد که دقت عمق برآورد شده در کلاسه­های مختلف، متفاوت است و بیشترین دقت ( RMSE =0.11و0.90  R2 =) و کمترین دقت ( RMSE =0.11و0.67  R2 =) به ترتیب به محدوده عمق­های 97/3- تا 1/3- و 48/4- تا 4- اختصاص دارد. در حالیکه عمق برآورد شده از داده­های کل (کلاسه­بندی نشده) معادل  R2 = 0.94و  RMSE =0.16متر بدست آمد. از این رو، با آموزش شبکه عصبی می­توان به برآورد عمق از نواحی کم عمق ساحلی با دقت بالا پرداخت.  }, keywords_fa = {عمق سنجی,لندست- 8,کلاسه‌بندی فازی,شبکه عصبی,جنوب شرقی دریای خزر}, url = {https://www.geomorphologyjournal.ir/article_83491.html}, eprint = {https://www.geomorphologyjournal.ir/article_83491_154832f181ad6cdd19c7baeb3e4b6a44.pdf} }