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

ر‌طوبت خاک یکی از مهمترین پارامترهای محیطی جهت مدیریت منابع آب و برنامه‎‌ریزی آبیاری در اراضی کشاورزی است. در اراضی کشاورزی، اکثر مدل‌های 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، مفروضات اولیه، داده‌ های ورودی، اثرات تضعیف پوشش گیاهی و ویژگی‌ های گوناگون خاک است. برای رفع این نگرانی‌های عملی، در این تحقیق یک روش ساده، اما موثر برای بازیابی رطوبت خاک با استفاده از ترکیب مدل‌های 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-1 (vh وvv) کالیبره و اعتبارسنجی شد. بدین منظور از داده ‌های اندازه‌ گیری شده رطوبت خاک مزارع نیشکر (در مجموع 400 نمونه) طی فصل رشد گیاه در سال 2020 استفاده شد. سپس بهینه‌‎سازی محاسبات با استفاده از شبکه عصبی رگرسیون تعمیم یافته (grnn) انجام گردید. نتایج نشان داد که wcmndwi دقیق‌تر از سایر مدل‌ها 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. روش یادگیری ماشین با ترکیب مدل ها می‌تواند از مزایای متفاوتی که ارائه می‌کنند، استفاده می ‌کند. دقت بازیابی سری زمانی رطوبت خاک با استفاده از روش ترکیبی مبتنی بر  grnn بیشتر از مدل‌های تکی wcm است. با توجه به نتایج اعتبارسنجی میدانی برای مزارع نیشکر، با ترکیب بهینه مدل‌ها حداقل میانگین خطای مطلق (mae) کمتر از  0/02m3m-3 ، میانگین خطا جذر میانگین مربعات rmse تقریباً 0/085m3m-3  و ضریب همبستگی پیرسون (r) برابر با 0/7 برای طی فصل رشد نیشکر حاصل گشت. یافته‌ ها نشان می ‌دهد روش پیشنهادی راهی برای انتخاب یک مدل بهینه برای بازیابی سری زمانی رطوبت خاک طی فصل رشد گیاه فراهم می ‌کند.

combination of semi-empirical radar remote sensing models for soil moisture retrieval during the plant growing season based on machine learning

soil moisture is one of the most important environmental parameters for water resources management and irrigation planning in agricultural areas. in agricultural areas, most soil moisture retrieval models are unstable in terms of their accuracy and performance during crop growth season. as a result, there is no consensus on which model performs optimally during the agricultural season. this is because of the uncertainties associated with model physics, initial assumptions, input data, vegetation attenuation and soil characteristics. to better deal with these practical concerns, in this research, a simple but effective soil moisture retrieval method has been introduced using a combination of multiple models based on machine learning. firstly, the semi-empirical water cloud model (wcm) with different vegetation descriptors was calibrated and validated in sugarcane fields for sentinel-1 backscattering coefficients (vv and vh). for this purpose, soil moisture measurements of sugarcane fields (400 samples in total) during the plant growing season in 2020 were used. the optimization of calculations was done using the generalized regression neural network (grnn). the results showed that wcmndwi retrieves soil moisture more accurately than other models in the early stages of sugarcane growth, while wcmvwc and wcmlai were more accurate in late sugarcane growth stages. the machine learning method by combining models can make full use of the different advantages they offer. time-series soil moisture retrieval accuracy using the combined method based on grnn was higher than that of single wcm models. according to the results of the in situ validation for sugarcane fields, with the optimal combination of models, the minimum mean absolute error (mae) was less than 0.02 m3m-3, the root mean square error (rmse) was approximately 0.085 m3m-3, and the pearson’s correlation coefficient (r) was equal to 0.7 for the sugarcane growing season. the findings showed that the proposed method provides a way to select an optimal model for retrieving time-series soil moisture