عاطفه نورکی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران
منا گلابی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران
محمد الباجی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران،
عبدعلی ناصری - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران
سعید همایونی - گروه سنجش از دور محیطی و ژئوماتیک، مرکز آب، زمین و محیط زیست، INRS -کبک، کانادا

برآورد و پایش زمانی-مکانی رطوبت خاک سطحی براساس مشاهدات سنجش از دوری (نوری و حرارتی) بدلیل ماهیت فیزیکی در شرایط پوشش گیاهی متراکم چالش برانگیز است که نیاز به بهبود و افزایش دقت تخمین رطوبت خاک در این مناطق را ضروری می سازد. لذا این پژوهش با هدف توسعه یک رویکرد جدید در برآورد رطوبت خاک سطحی در مزارع کشاورزی با شرایط پوشش گیاهی متراکم، براساس ترکیب داده های سنجش از دور نوری-حرارتی و اطلاعات فیزیکی خاک با استفاده از مدل های یادگیری ماشین انجام شد. بدین منظور از ۱۶ تصویر ماهواره لندست-۸ و بیش از ۴۳۰ نقطه کنترل زمینی در طول دوره رشد گیاه نیشکر در سال زراعی ۱۳۹۹-۱۳۹۸ در منطقه کشت و صنعت نیشکر حکیم فارابی خوزستان استفاده گردید. ۱۰ سناریوی مختلف براساس متغیرهای ورودی طراحی شد و سپس توسط پنج الگوریتم یادگیری ماشین شامل رگرسیون خطی چندگانه، مدل های مبتنی بر درخت تصمیم (classification and regression tree و M۵-pruned) و مدل های مبتنی بر یادگیری جمعی (رگرسیون درختان توسعه یافته و رگرسیون جنگل تصادفی) مورد ارزیابی قرار گرفتند. مطابق با نتایج، بیشترین همبستگی متغیرها با رطوبت خاک سطحی در شاخص های خیسی خاک و رطوبت خاک نرمال شده با مقادیر ضریب همبستگی برابر ۷۹/۰ و ۶۹/۰ مشاهده شد. همچنین بیشترین دقت مدل های یادگیری ماشین بر اساس آماره هایR۲ ، RMSE و MAE به ترتیب در مدل های رگرسیون درختان توسعه یافته (۹۹/۰، ۰۱۱/۰ و ۰۰۱/۰) و رگرسیون جنگل تصادفی (۹۹/۰، ۰۱۴/۰ و ۰۰۷/۰) به دست آمد. به طور کلی یافتههای این پژوهش بیان گر اهمیت استفاده از ویژگی های بیوفیزیکی مستخرج از دادههای ماهواره لندست-۸ در ترکیب با مدل های یادگیری جمعی است که می تواند مستقل از هرگونه اندازه گیری زمینی باشد.

پوشش گیاهی متراکم, خصوصیات فیزیکی خاک, رطوبت خاک, سنجش از دور, مدل های یادگیری ماشین