مسعود داوری

ویژگی‌های نگهداری آب خاک، نظیر ظرفیت زراعی (FC)و نقطه پژمردگی دائم (PWP) نقش مهمی در مدیریت منابع آب در کشاورزی دارند. با این حال اندازه‌گیری مستقیم این پارامترها در مقیاس مزرعه همیشه عملی نیست. هدف این مطالعه، برآورد FC وPWP، با استفاده از داده‌های طیفی مرئی-مادون قرمز نزدیک (NIR-Vis) و ویژگی‌های فیزیکی- شیمیایی خاک از طریق روش‌های جنگل تصادفی (RF) و رگرسیون خطی چندگانه (MLR) بود. بدین منظور، 130 نمونه خاک از 5 استان ایران جمع آوری و ویژگی‌های خاکی و طیفی آنها اندازه‌گیری شد. داده‌ها به دو مجموعه آموزش (90 نمونه) و تست (40 نمونه) تقسیم شدند و 11 تابع انتقالی در سه گام ایجاد شد. برای افزایش دقت مدل‌ها علاوه بر روش بدون پیش‌پردازش (NP)، از پیش‌پردازش‌های تصحیح پخشیده چندگانه (MSC)، مشتق اول و دوم همراه با فیلتر ساویتزکی–گالی (SG-FD ,SG-FD2) و متغیر نرمال استاندارد (SNV) بر روی داده‌های طیفی استفاده شد. نتایج نشان داد مدل RF در مرحله آموزش با 0/05= RMSE عملکرد بهتری نسبت به MLR با 0/57= RMSE دارد. ولی در مرحله تست عملکرد دو روش در تخمین FC تفاوت معنی‌داری نداشت. این در حالی است که در تخمین PWP در غالب توابع (به جز تابع 2 به صورت معنی‌دار 264/3- =AIC) روش RF به طور غیرمعنی‌دار بهتر از MLR بود. در مرحله آموزش تابع انتقالی 11 (PTF11) با 540/2- =AIC برای FC و PTF7 با 612/4- =AIC برای PWP بهترین عملکرد را داشت. PTF3 با متغیرهای شن، رس و ماده آلی به عنوان بهترین تخمین‌گرFC با 553/3- =AIC و PTF6 با ورودی های شن، رس، ماده آلی و تخلخل کل به عنوان موثرترین تخمین گر PWP با 616/2- =AIC شناسایی شدند. همچنین تحلیل مؤلفه های اصلی، طول موج‌های کلیدی، 1414، 1912و 2150 نانومتر را برای تخمین PWP و طول موج 409 نانومتر را برای تخمین FC شناسایی کرد. نتایج این پژوهش نشان داد توابع مبتنی بر ویژگی‌های فیزیکی و شیمیایی خاک نسبت به داده‌های طیفی عملکرد بهتری داشتند، اما ترکیب داده‌های طیفی و خاکی همراه با الگوریتم‌های یادگیری ماشین، می‌تواند دقت مدل‌ها را بهبود بخشد.