شکوفه شکری - Department of Soil Science and Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
احمد فرخیان فیروزی - Associate Professor, Department of soil science, Faculty of Agriculture , Shahid Chamran University of Ahvaz, Iran
ابراهیم بابائیان - Department of Environmental Science, University of Arizona,, Arizona, USA

رطوبت خاک به عنوان متغیری پویا در مکان و زمان، یکی از عوامل اصلی اثرگذار در چرخه آب در طبیعت و تولید محصولات کشاورزی محسوب می شود؛ بنابراین برآورد دقیق آن برای مدیریت بهینه منابع آب در بخش کشاورزی حائز اهمیت است. داده های انعکاس طیفی سنجش از دور در طول موج مادون قرمز نزدیک و دور قابلیت زیادی برای برآورد رطوبت خاک دارند و از طرفی ویژگی های فیزیکی و هیدرولیکی خاک بر تغییرپذیری مکانی و زمانی رطوبت خاک اثرگذارند. هدف از این پژوهش توسعه و ارزیابی مدل های مختلف حاصل از ترکیب متغیرهای سنجش ازدور و فیزیکی خاک برای برآورد رطوبت خاک در مزارع کشت و صنعت امیرکبیر خوزستان با استفاده از روش های مختلف یادگیری ماشین بود. بدین منظور ۱۶۶ نقطه کنترل زمینی و ۱۶ تصویر ماهواره سنتینل-۲ در طول دوره رشد گیاه نیشکر در سال ۱۴۰۰ مورداستفاده قرار گرفت. از ترکیب ویژگی های فیزیکی/ هیدرولیکی و شاخص های سنجش ازدور، هفت مدل به صورت سلسله مراتبی به دست آمد که با شش الگوریتم یادگیری ماشین شامل درخت تصمیم گیری، ماشین بردار خطی، رگرسیون خطی، درخت توسعه یافته، درخت کیسه گذاری و شبکه عصبی تلفیق و ارزیابی شدند. نتایج نشان داد ترکیب ویژگی های فیزیکی/ هیدرولیکی و شاخص های سنجش ازدور دقت برآورد رطوبت خاک را افزایش می دهد. تقریبا همه مدل های به دست آمده با مقدار cm۳ cm-۳ RMSE= ۰.۰۴۰-۰.۰۶۰ و R۲ حدود ۸۰/۰ 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 گام به گام با مقدار RMSE برابر cm۳ cm-۳ ۰.۰۴۲ در مقایسه با سایر مدل های یادگیری ماشین با دقت بالاتری رطوبت خاک را برآورد کرد. نتایج نشان داد که مدل های ارائه شده قادر به برآورد تغییرات مکانی و زمانی رطوبت خاک هستند، لذا می توان از آن ها برای برنامه ریزی دقیق آبیاری و مدیریت بهینه آب در مقیاس مزرعه استفاده کرد.

modeling, Soil hydraulic parameters, Sugarcane, Infrared remote sensing