تركيب مدل هاي نيمه تجربي سنجش از دور راداري براي بازيابي رطوبت خاك در فصل رشد گياه مبتني بر يادگيري ماشين

ر‌طوبت خاك يكي از مهمترين پارامترهاي محيطي جهت مديريت منابع آب و برنامه‎‌ريزي آبياري در اراضي كشاورزي است. در اراضي كشاورزي، اكثر مدل‌هاي بازيابي رطوبت خاك از نظر دقت و عملكرد طي فصل رشد گياه ناپايدار هستند. در نتيجه، هيچ اتفاق نظري در مورد اينكه كدام مدل طي فصل كشاورزي عملكرد بهينه دارد، وجود ندارد. اين به دليل عدم قطعيت ‌هاي مرتبط با فيزيك مدل، مفروضات اوليه، داده‌ هاي ورودي، اثرات تضعيف پوشش گياهي و ويژگي‌ هاي گوناگون خاك است. براي رفع اين نگراني‌هاي عملي، در اين تحقيق يك روش ساده، اما مؤثر براي بازيابي رطوبت خاك با استفاده از تركيب مدل‌هاي متعدد مبتني بر يادگيري ماشين معرفي شده است. در گام اول، مدل نيمه تجربي ابر آب (WCM) با توصيف ‌گرهاي پوشش گياهي مختلف در مزارع نيشكر براي ضرايب بازپراكنش Sentinel-1 (VH وVV) كاليبره و اعتبارسنجي شد. بدين منظور از داده ‌هاي اندازه‌ گيري شده رطوبت خاك مزارع نيشكر (در مجموع 400 نمونه) طي فصل رشد گياه در سال 2020 استفاده شد. سپس بهينه‌‎سازي محاسبات با استفاده از شبكه عصبي رگرسيون تعميم يافته (GRNN) انجام گرديد. نتايج نشان داد كه WCMNDWI دقيق‌تر از ساير مدل‌ها در مراحل اوليه رشد نيشكر رطوبت خاك را بازيابي مي كند، در حالي كه WCMVWC و WCMLAI در اواخر فصل رشد نيشكر از دقت بيشتري برخوردار بودند. روش يادگيري ماشين با تركيب مدل ها مي‌تواند از مزاياي متفاوتي كه ارائه مي‌كنند، استفاده مي ‌كند. دقت بازيابي سري زماني رطوبت خاك با استفاده از روش تركيبي مبتني بر  GRNN بيشتر از مدل‌هاي تكي WCM است. با توجه به نتايج اعتبارسنجي ميداني براي مزارع نيشكر، با تركيب بهينه مدل‌ها حداقل ميانگين خطاي مطلق (MAE) كمتر از  0/02m3m-3 ، ميانگين خطا جذر ميانگين مربعات RMSE تقريباً 0/085m3m-3  و ضريب همبستگي پيرسون (R) برابر با 0/7 براي طي فصل رشد نيشكر حاصل گشت. يافته‌ ها نشان مي ‌دهد روش پيشنهادي راهي براي انتخاب يك مدل بهينه براي بازيابي سري زماني رطوبت خاك طي فصل رشد گياه فراهم مي ‌كند.