موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 57 5 2026 07 23 Performance Evaluation of Machine Learning-Based Models in Estimating Soil Moisture Distribution Dimensions under Drip Irrigation ارزیابی عملکرد مدل‌های مبتنی بر یادگیری ماشین در برآورد ابعاد الگوی توزیع رطوبت تحت آبیاری قطره‌ای 1165 1185 107961 10.22059/ijswr.2026.413169.670123 FA سودابه گلستانی کرمانی استادیار و عضو هیات علمی، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران. 0000-0002-8732-3480 میلاد سعیدی عباس آباد دانشجوی دکتری، گروه علوم و مهندسی آب، دانشگاه آزاد اسلامی واحد کرمان، کرمان، 0009-0005-2558-7869 Journal Article 2026 04 28 In recent years, machine learning models have been increasingly recognized as effective alternatives to analytical, numerical, and empirical models for estimating the dimensions of soil moisture distribution patterns, without requiring constraints such as boundary condition specification or recalibration. Therefore, in the present study, the performance of five machine learning models (CatBoost, XGBoost, RF, SVR, Elnet) was evaluated for estimating infiltration depth and surface width of the wetting bulb in two soil textures (Loamy Sand, Sandy Clay) under surface drip irrigation system. Eight input variables including sand percentage, silt percentage, clay percentage, water salinity, cumulative time, cumulative water volume, bulk density and saturated hydraulic conductivity were used as model inputs. A standard shuffled cross-validation approach was applied and model performance was assessed using statistical indices including R², RMSE, and MAE. The results indicated that the most accurate estimates of infiltration depth (R² = 0.94, RMSE = 0.27 cm, MAE = 0.10 cm) and surface width (R² = 0.98, RMSE = 1.58 cm, MAE = 0.91 cm) were obtained for the Sandy Clay soil using the CatBoost model. The weakest performance was observed for the Elnet model. Specifically, the lowest accuracy for estimating infiltration depth and surface width using this model was obtained in Loamy Sand (R² = 0.16, RMSE = 6.16 cm, MAE = 3.22 cm) and Sandy Clay (R² = 0.76, RMSE = 6.09 cm, MAE = 4.67 cm), respectively. Overall, the findings confirm the strong capability of tree-based machine learning models which are able to capture complex and nonlinear relationships among variables in estimating the dimensions of wetting bulb, particularly in soils with higher clay content. امروزه مدل‌های یادگیری ماشین به عنوان جایگزین مناسب مدل‌های تحلیلی، عددی و تجربی جهت تخمین ابعاد الگوی توزیع رطوبت در خاک بدون محدودیت‌هایی مانند تعریف شرایط مرزی یا بازکالیبراسیون مورد توجه قرار گرفته‌اند. از این رو در تحقیق حاضر با استفاده از اطلاعات هشت متغیر ورودی (درصد شن، درصد سیلت، درصد رس، شوری آب، زمان تجمعی، حجم آب تجمعی، وزن مخصوص ظاهری و هدایت هیدرولیکی اشباع) به ارزیابی عملکرد پنج مدل یادگیری ماشین (CatBoost, XGBoost, RF, SVR, Elnet) برای تخمین عمق نفوذ و عرض سطحی پیاز رطوبتی در دو بافت مختلف خاک (Loamy Sand, Sandy Clay) تحت سیستم آبیاری قطره‌ای سطحی پرداخته شد. در مدل‌های مذکور از روش اعتبارسنجی متقاطع استاندارد با اختلاط تصادفی  استفاده شد و عملکرد مدل‌ها با استفاده از شاخص‌های آماری R2, RMSE , MAE ارزیابی گردید. نتایج بدست آمده نشان داد که دقیق‌ترین تخمین عمق نفوذ (94/0=R2،cm  27/0=RMSE،cm  10/0=MAE ) و عرض سطحی (98/0=R2،cm  58/1=RMSE،cm  91/0=MAE ) در بافت Sandy Clay و در مدل CatBoost مشاهده شد. ضعیف‌ترین نتایج نیز در مدل Elnet مشاهده شد. به‌طوری‌‌که پایین‌ترین دقت تخمین عمق نفوذ و عرض سطحی با مدل مذکور به ترتیب در بافت‌های (16/0=R2،cm  16/6=RMSE،cm  22/3=MAE )  Loamy Sandو (76/0=R2،cm  09/6=RMSE،cm  67/4=MAE ) Sandy Clay مشاهده گردید. در مجموع نتایج بدست آمده توانایی مدلهای یادگیری ماشین مبتنی بر روش‌های درخت-پایه را که قادر به یادگیری رفتار پیچیده و غیر‌خطی بین متغیرها هستند، در برآورد ابعاد پیاز رطوبتی به ویژه در خاک با درصد رس بالا تایید میکند.   https://ijswr.ut.ac.ir/article_107961_6a99b25181108c3599fa6bfdc80bef1d.pdf