فهرست نشریات علمی دسترسی آزاد ایران

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.