برآورد رطوبت ظرفیت زراعی و نقطه پژمردگی دائم با استفاده از توابع انتقالی طیفی مرئی-مادون قرمز نزدیک و خاکی

ویژگی های نگه داری آب خاک، نظیر ظرفیت زراعیFC) ) و نقطه پژمردگی دائم (PWP) نقش مهمی در مدیریت منابع آب در کشاورزی دارند. با این حال اندازه گیری مستقیم این پارامترها در مقیاس مزرعه همیشه عملی نیست. هدف این مطالعه، برآورد FC و PWP، با استفاده از داده های طیفی مرئی-مادون قرمز نزدیک (Vis-NIR) و ویژگی های فیزیکی- شیمیایی خاک از طریق روش های جنگل تصادفی (RF) و رگرسیون خطی چندگانه (MLR) بود. بدین منظور، ۱۳۰ نمونه خاک از ۵ استان ایران جمع آوری و ویژگی های خاکی و طیفی آنها اندازه گیری شد. داده ها به دو مجموعه آموزش (۹۰ نمونه) و تست (۴۰ نمونه) تقسیم شدند و ۱۱ تابع انتقالی در سه گام ایجاد شد. برای افزایش دقت مدل ها علاوه بر روش بدون پیش پردازش (NP)، از پیش پردازش های تصحیح پخشیده چندگانه (MSC)، مشتق اول و دوم همراه با فیلتر ساویتزکی–گلای (FD-SG, FD-SG۲) و متغیر نرمال استاندارد (SNV) بر روی داده های طیفی استفاده شد. نتایج نشان داد مدل RF در مرحله آموزش با ۰۵۰/۰ RMSE= عملکرد بهتری نسبت به MLR  با ۰۵۷/۰RMSE=  دارد. ولی در مرحله تست عملکرد دو روش در تخمین FC تفاوت معنی داری نداشت. این در حالی است که در تخمین PWP در غالب توابع (به جز تابع ۲ به صورت معنی دار ۳/۲۶۴- AIC=) روش RF به طور غیر معنی دار بهتر از MLR بود. در مرحله آموزش تابع انتقالی ۱۱PTF۱۱) ) با ۲/۵۴۰- AIC=  برای FC  و PTF۷  با ۴/۶۱۲- AIC= برای PWP بهترین عملکرد را داشت. PTF۳ با متغیرهای شن، رس و ماده آلی به عنوان بهترین تخمین گرFC با ۳/۵۵۳- AIC=  و  PTF۶ با ورودی های شن، رس، ماده آلی و تخلخل کل به عنوان موثرترین تخمینگر PWP با ۲/۶۱۶- AIC=  شناسایی شدند. همچنین تحلیل مولفه های اصلی، طول موج های کلیدی ۱۴۱۴، ۱۹۱۲و ۲۱۵۰ نانومتر را برای تخمین PWP و طول موج ۴۰۹ نانومتر را برای تخمین FC شناسایی کرد. نتایج این پژوهش نشان داد توابع مبتنی بر ویژگی های فیزیکی و شیمیایی خاک نسبت به داده های طیفی عملکرد بهتری داشتند، اما ترکیب داده های طیفی و خاکی همراه با الگوریتم های یادگیری ماشین، می تواند دقت مدل ها را بهبود بخشد.

کلیدواژه ها:

بازتاب طیفی ، جنگل تصادفی ، رگرسیون خطی چندگانه ، ویژگی های هیدرولیکی