TY - JOUR ID - 88304 TI - برآورد رطوبت خاک به کمک تلفیق ویژگی‌های فیزیکی و هیدرولیکی خاک با داده‌های نوری سنجش‌از‌دور با استفاده از روش یادگیری ماشین JO - تحقیقات آب و خاک ایران JA - IJSWR LA - fa SN - 2008-479X AU - شکری, شکوفه AU - فرخیان فیروزی, احمد AU - بابائیان, ابراهیم AD - گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران AD - دانشیار، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، ایران AD - محقق پسای دکتری دانشگاه ایالتی آریزونا Y1 - 2022 PY - 2022 VL - 53 IS - 7 SP - 1575 EP - 1591 KW - مدل‌سازی KW - پارامترهای هیدرولیکی خاک KW - کشت‌و‌صنعت امیرکبیر KW - نیشکر KW - سنجش‌ازدور مادون‌قرمز DO - 10.22059/ijswr.2022.339616.669240 N2 - رطوبت خاک به‌عنوان متغیری پویا در مکان و زمان، یکی از عوامل اصلی اثرگذار در چرخه آب در طبیعت و تولید محصولات کشاورزی محسوب می‌شود؛ بنابراین برآورد دقیق آن برای مدیریت بهینه منابع آب در بخش کشاورزی حائز اهمیت است. داده‌های انعکاس طیفی سنجش‌از‌دور در طول‌موج مادون‌قرمز نزدیک و دور قابلیت زیادی برای برآورد رطوبت خاک دارند و از طرفی ویژگی‌های فیزیکی و هیدرولیکی خاک بر تغییرپذیری مکانی و زمانی رطوبت خاک اثرگذارند. هدف از این پژوهش توسعه و ارزیابی مدل‌های مختلف حاصل از ترکیب متغیرهای سنجش‌ازدور و فیزیکی خاک برای برآورد رطوبت خاک در مزارع کشت‌و‌صنعت امیرکبیر خوزستان با استفاده از روش‌های مختلف یادگیری ماشین بود. بدین منظور 166 نقطه کنترل زمینی و 16 تصویر ماهواره سنتینل-2 در طول دوره رشد گیاه نیشکر در سال 1400 مورداستفاده قرار گرفت. از ترکیب ویژگی‌های فیزیکی/ هیدرولیکی و شاخص‌های سنجش‌ازدور، هفت مدل به‌صورت سلسله مراتبی به دست آمد که با شش الگوریتم یادگیری ماشین شامل درخت تصمیم‌گیری، ‌ماشین بردار خطی، رگرسیون خطی، درخت توسعه‌یافته، درخت کیسه گذاری و شبکه عصبی تلفیق و ارزیابی شدند. نتایج نشان داد ترکیب ویژگی‌های فیزیکی/ هیدرولیکی و شاخص‌های سنجش‌ازدور دقت برآورد رطوبت خاک را افزایش می‌دهد. تقریباً همه مدل‌های به‌دست‌آمده با مقدار cm3 cm-3 RMSE= 0.040-0.060 و R2 حدود 80/0 برآورد قابل قبولی از مقدار رطوبت خاک ارائه دادند. متغیر STR در مقایسه با NIR به دلیل حساسیت بیشتر به مقدار آب خاک، اهمیت بالاتری در برآورد رطوبت خاک از خود نشان داد. بعلاوه، روش رگرسیون خطی گام‌به‌گام با مقدار RMSE برابر cm3 cm-3 0.042 در مقایسه با سایر مدل‌های یادگیری ماشین با دقت بالاتری رطوبت خاک را برآورد کرد. نتایج نشان داد که مدل‌های ارائه‌شده قادر به برآورد تغییرات مکانی و زمانی رطوبت خاک هستند، لذا می‌توان از آن‌ها برای برنامه‌ریزی دقیق آبیاری و مدیریت بهینه آب در مقیاس مزرعه استفاده کرد. UR - https://ijswr.ut.ac.ir/article_88304.html L1 - https://ijswr.ut.ac.ir/article_88304_54193f8f74b066b4da356aa33bde3872.pdf ER -