موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 57 1 2026 03 21 Estimation of Field Capacity and Permanent Wilting Point using Visible-Near Infrared Spectral and Soil-Based Pedotransfer Functions برآورد رطوبت ظرفیت زراعی و نقطه پژمردگی دائم با استفاده از توابع انتقالی طیفی مرئی-مادون قرمز نزدیک و خاکی 107 129 106705 10.22059/ijswr.2026.405383.670041 FA چیمن مهدی زاده گروه علوم خاک، دانشکده کشاورزی، دانشگاه بوعلی‌سینا، همدان، ایران 0009-0005-9418-2785 حسین بیات گروه خاک‌شناسی، دانشکده کشاورزی، دانشگاه بوعلی‌سینا، همدان، ایران مسعود داوری گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران. Journal Article 2025 11 01 Soil water retention characteristics, such as field capacity (FC) and permanent wilting point (PWP), are critical for efficient water management in agriculture. However, direct measurement of these parameters at the field scale is not always practical. This study aimed to estimate FC and PWP using visible-near infrared (Vis-NIR) spectral data combined with soil physicochemical properties through random forest (RF) and multiple linear regression (MLR) models. A total of 130 soil samples were collected from five provinces in Iran, and their spectral and soil properties were measured. The dataset was divided into training (90 samples) and testing (40 samples) sets, and 11 pedotransfer functions (PTFs) were developed in three steps. To improve model performance, in addition to the no-preprocessing (NP) method, multiplicative scatter correction (MSC), first and second derivatives with Savitzky–Golay filtering (FD-SG, FD-SG2), and standard normal variate (SNV) were applied to the spectral data prior to model development. The results showed that the RF model (RMSE = 0.050) outperformed MLR (RMSE= 0.057) during the training stage. However, in the testing stage, no statistically significant difference was observed between the two methods in estimating FC. In contrast, for PWP estimation, RF generally yielded better results than MLR across most functions; however, these differences were not statistically significant, except for PTF2 (AIC = −264.3), where a significant difference was observed. During the training stage, PTF11 exhibited the best performance for FC estimation (AIC= −540.2), while PTF7 showed the highest performance for PWP estimation (AIC = −612.4). PTF3, incorporating sand, clay, and organic matter as input variables, was identified as the most accurate estimator of FC (AIC = −553.3). Similarly, PTF6, using sand, clay, organic matter, and total porosity, was identified as the most effective estimator of PWP (AIC = −616.2).  Principal component analysis identified key wavelengths at 409 nm for FC and 1414, 1912, and 2150 nm for PWP. Overall, soil-property-based PTFs outperformed spectral-only models, but combining spectral and soil data with machine learning improved prediction accuracy. ویژگی‌های نگه‌داری آب خاک، نظیر ظرفیت زراعیFC) ) و نقطه پژمردگی دائم (PWP) نقش مهمی در مدیریت منابع آب در کشاورزی دارند. با این حال اندازه‌گیری مستقیم این پارامترها در مقیاس مزرعه همیشه عملی نیست. هدف این مطالعه، برآورد FC و PWP، با استفاده از داده‌های طیفی مرئی-مادون قرمز نزدیک (Vis-NIR) و ویژگی‌های فیزیکی- شیمیایی خاک از طریق روش‌های جنگل تصادفی (RF) و رگرسیون خطی چندگانه (MLR) بود. بدین منظور، 130 نمونه خاک از 5 استان ایران جمع آوری و ویژگی‌های خاکی و طیفی آنها اندازه‌گیری شد. داده‌ها به دو مجموعه آموزش (90 نمونه) و تست (40 نمونه) تقسیم شدند و 11 تابع انتقالی در سه گام ایجاد شد. برای افزایش دقت مدل‌ها علاوه بر روش بدون پیش‌پردازش (NP)، از پیش‌پردازش‌های تصحیح پخشیده چندگانه (MSC)، مشتق اول و دوم همراه با فیلتر ساویتزکی–گلای (FD-SG, FD-SG2) و متغیر نرمال استاندارد (SNV) بر روی داده‌های طیفی استفاده شد. نتایج نشان داد مدل RF در مرحله آموزش با 050/0 RMSE= عملکرد بهتری نسبت به MLR  با 057/0RMSE=  دارد. ولی در مرحله تست عملکرد دو روش در تخمین FC تفاوت ‌معنی‌داری نداشت. این در حالی است که در تخمین PWP در غالب توابع (به جز تابع 2 به صورت معنی‌دار 3/264- AIC=) روش RF به طور غیر‌معنی‌دار بهتر از MLR بود. در مرحله آموزش تابع انتقالی 11PTF11) ) با 2/540- AIC=  برای FC  و PTF7  با 4/612- AIC= برای PWP بهترین عملکرد را داشت. PTF3 با متغیرهای شن، رس و ماده‌آلی به‌عنوان بهترین تخمین‌گرFC با 3/553- AIC=  و  PTF6 با ورودی‌های شن، رس، ماده‌آلی و تخلخل کل به عنوان موثرترین تخمینگر PWP با 2/616- AIC=  شناسایی شدند. همچنین تحلیل مؤلفه‌های اصلی، طول‌موج‌های کلیدی 1414، 1912و 2150 نانومتر را برای تخمین PWP و طول موج 409 نانومتر را برای تخمین FC شناسایی کرد. نتایج این پژوهش نشان داد توابع مبتنی بر ویژگی‌های فیزیکی و شیمیایی خاک نسبت به داده‌های طیفی عملکرد بهتری داشتند، اما ترکیب داده‌های طیفی و خاکی همراه با الگوریتم‌های یادگیری ماشین، می‌تواند دقت مدل‌ها را بهبود بخشد. https://ijswr.ut.ac.ir/article_106705_f9f5c4708ded32a916a4459a499c3f31.pdf