ترکیب مدل های نیمه تجربی سنجش از دور راداری جهت بازیابی رطوبت خاک در فصل رشد گیاه مبتنی بر یادگیری ماشین

رطوبت خاک یکی از مهمترین پارامترهای محیطی جهت مدیریت منابع آب و برنامه ریزی آبیاری در اراضی کشاورزی می باشد. در اراضی کشاورزی، اکثر مدل های 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 قطعیت های مرتبط با فیزیک مدل، داده های ورودی، اثرات تضعیف پوشش گیاهی و ویژگی های خاک است. برای رفع این نگرانی های عملی، در این تحقیق یک روش ساده، اما موثر برای بازیابی رطوبت خاک با استفاده از ترکیب مدل های متعدد مبتنی بر یادگیری ماشین معرفی شده است. در گام اول، مدل نیمه تجربی ابر آب (WCM) با توصیف گرهای پوشش گیاهی مختلف در مزارع نیشکر برای ضرایب بازپراکنش Sentinel-۱ (VH وVV) کالیبره و اعتبارسنجی گردید. بدین منظور از داده های اندازه گیری شده رطوبت خاک (در مجموع ۴۰۰ نمونه) طی فصل رشد گیاه در سال ۲۰۲۰ استفاده گردید. سپس بهینه سازی محاسبات با استفاده از GRNN انجام گردید. نتایج نشان داد که WCMNDWI دقیق تر از سایر مدل ها در مراحل اولیه رشد نیشکر رطوبت خاک را بازیابی می کند، در حالی که WCMVWC و WCMLAI در اواخر فصل رشد نیشکر از دقت بیشتری برخوردار بودند. دقت بازیابی سری زمانی رطوبت خاک با استفاده از روش ترکیبی مبتنی بر GRNNبیشتر از مدل های تکی WCM است. با توجه به نتایج اعتبارسنجی میدانی برای مزارع نیشکر، با ترکیب بهینه مدل ها حداقل MAE کمتر از ۰۲/۰، RMSE تقریبا ۰۸۵/۰ و R برابر با ۷/۰ برای فصل رشد نیشکر حاصل گشت.

کلیدواژه ها:

رطوبت خاک ، برنامه ریزی آبیاری ، مدل WCM ، یادگیری ماشین ، سنجش از دور