فهرست نشریات علمی دسترسی آزاد ایران

ر‌طوبت خاک یکی از مهمترین پارامترهای محیطی جهت مدیریت منابع آب و برنامه‎‌ریزی آبیاری در اراضی کشاورزی است. در اراضی کشاورزی، اکثر مدل‌های بازیابی رطوبت خاک از نظر دقت و عملکرد طی فصل رشد گیاه ناپایدار هستند. در نتیجه، هیچ اتفاق نظری در مورد اینکه کدام مدل طی فصل کشاورزی عملکرد بهینه دارد، وجود ندارد. این به دلیل عدم قطعیت­‌های مرتبط با فیزیک مدل، مفروضات اولیه، داده‌­های ورودی، اثرات تضعیف پوشش گیاهی و ویژگی‌­های گوناگون خاک است. برای رفع این نگرانی‌های عملی، در این تحقیق یک روش ساده، اما مؤثر برای بازیابی رطوبت خاک با استفاده از ترکیب مدل‌های متعدد مبتنی بر یادگیری ماشین معرفی شده است. در گام اول، مدل نیمه تجربی ابر آب (WCM) با توصیف­‌گرهای پوشش گیاهی مختلف در مزارع نیشکر برای ضرایب بازپراکنش Sentinel-1 (VH وVV) کالیبره و اعتبارسنجی شد. بدین منظور از داده­‌های اندازه‌­گیری شده رطوبت خاک مزارع نیشکر (در مجموع 400 نمونه) طی فصل رشد گیاه در سال 2020 استفاده شد. سپس بهینه‌‎سازی محاسبات با استفاده از شبکه عصبی رگرسیون تعمیم یافته (GRNN) انجام گردید. نتایج نشان داد که WCMNDWI دقیق‌تر از سایر مدل‌ها در مراحل اولیه رشد نیشکر رطوبت خاک را بازیابی می­کند، در حالی که WCMVWC و WCMLAI در اواخر فصل رشد نیشکر از دقت بیشتری برخوردار بودند. روش یادگیری ماشین با ترکیب مدل­ها می‌تواند از مزایای متفاوتی که ارائه می‌کنند، استفاده می­‌کند. دقت بازیابی سری زمانی رطوبت خاک با استفاده از روش ترکیبی مبتنی بر  GRNN بیشتر از مدل‌های تکی WCM است. با توجه به نتایج اعتبارسنجی میدانی برای مزارع نیشکر، با ترکیب بهینه مدل‌ها حداقل میانگین خطای مطلق (MAE) کمتر از  0/02m3m-3 ، میانگین خطا جذر میانگین مربعات RMSE تقریباً 0/085m3m-3  و ضریب همبستگی پیرسون (R) برابر با 0/7 برای طی فصل رشد نیشکر حاصل گشت. یافته‌­ها نشان می­‌دهد روش پیشنهادی راهی برای انتخاب یک مدل بهینه برای بازیابی سری زمانی رطوبت خاک طی فصل رشد گیاه فراهم می­‌کند.