برآورد رطوبت سطحی خاک با استفاده از تکنیکهای یادگیری ماشین مطالعه موردی: استان فارس

پایش به هنگام رطوبت خاک یک پارامتر بسیار مهم در مدیریت بهینه منابع آب در بخش کشاورزی می باشد. هدف اصلی این تحقیق پایش رطوبت سطحی خاک در استان فارس می باشد. به این منظور داده های شبکه ای هواشناسی شامل رطوبت نسبی، سرعت باد، تابش، دمای بیشینه و کمینه، فشار بخار آب، بارش از پایگاه داده GPM، AGERA۵ و داده های رطوبت سطحی خاک ماهواره SMAP از سال ۲۰۱۵-۲۰۲۳ تهیه شد. برای برآورد رطوبت خاک از روش های مختلف یادگیری ماشین شامل بردار پشتیبان (SVR)، رگرسیون تقویت کننده گرادیان (GBR)، رگرسیون جنگل تصادفی (RFR) و تقویت گرادیان شدید (XGB) استفاده شد. توزیع همبستگی بین متغیرهای هواشناسی و رطوبت سطحی خاک نشان داد که دماهای بیشینه، کمینه و رطوبت نسبی هوا بیشترین همبستگی را نسبت به سایر متغیرها دارند. با توجه به دامنه تغییرات کم رطوبت هوا، بارندگی و رطوبت سطحی خاک، مقادیر همبستگی در ماه ژوئن از حساسیت بالایی برخوردار هستند. نتایج نشان داد که مدل های XGB، SVR، RF و GBR به ترتیب بالاترین نمره مهارت در برآورد رطوبت خاک را دارند. در کل مدل رگرسیون جنگل تصادفی (RFR) با دقت بالاتر و خطای کمتر، پتانسیل برآورد رطوبت خاک را در سطح استان فارس در تمامی ماه ها دارد. در تمامی مدل ها نوار شرقی نسبت به سایر نقاط استان از نمره مهارت کمتری برخوردار بود. نتایج این مطالعه نشان داد که مدل های یادگیری عمیق برای پیش بینی رطوبت خاک بسیار موثر و با نمره مهارت بالا عمل کرده اند.

کلیدواژه ها:

رگرسیون جنگل تصادفی ، ماهواره SMAP ، مدیریت منابع آب ، نمره مهارت