ارزیابی تخمین تنش آبی پنبه با استفاده از تصاویر چند طیفی ماهواره‌ای، مبتنی بر مدل درخت m5

تنش آبی در نتیجه عدم تعادل بین آب خاک در محیط ریشه و آب مصرفی گیاه رخ می‌دهد که ضرورت تعیین شاخص تنش آبی گیاه را ایجاب می‌کند. رطوبت خاک سطحی ارتباط مستقیمی با آب موجود در گیاه دارد. در دسترس بودن داده‌های ماهواره‌ای منجر به تفکیک زمانی و مکانی داده‌های مزرعه‌ای شده است و فرصت‌های جدیدی را برای نظارت بر شرایط کشت ارائه می‌دهد. در این پژوهش، پایش دقیق و مستمر رطوبت خاک به‌عنوان نماینده تنش رطوبتی خاک، با اندازه‌گیری‌های میدانی رطوبت خاک و مقایسه با داده‌‌های چند طیفی تصاویر ماهواره‌ای لندست 9 و سنتینل 2 صورت گرفت. ارتباط بین شاخص‌های گیاهی به‌عنوان متغیر مستقل و رطوبت خاک سطحی به‌عنوان متغیر وابسته، با استفاده از روش‌های رگرسیون چند متغیره خطی و رگرسیون درخت m5بررسی شد. با توجه به غیرخطی بودن رابطه بین رطوبت خاک با بازتاب‌های طیفی، رگرسیون چند متغیره خطی نتایج رضایت‌بخشی را نشان نداد (با ضریب تعیین (r2) 0/46 و0/34 به ترتیب برای ماهواره لندست 9 و سنتتینل 2 و همچنین جذر میانگین خطا (rmse) برابر 0/043 و 0/052). ولی، رگرسیون درختی m5، نتایج قابل قبول‌تری را نشان داد، به‌طوری‌که با برقراری 16 و 20 رابطه رگرسیونی برای ماهواره‌های لندست 9 و سنتینل 2 ، رطوبت خاک را با ضریب تعیین  0/70 و0/67 و جذر میانگین مربعات خطا برابر 0/033 و 0/038 برآورد کرد. نتایج نشان داد که تخمین رطوبت خاک با روش‌های مبتنی بر یادگیری ماشین، همچون مدل m5، دقت محاسبات را بالا ‌می‌برد. در رگرسیون درخت تصمیم m5، لزوماً تعداد بالای متغیر، منجر به افزایش دقت تخمین رطوبت خاک نمی‌شود و در تعداد متغیرهای کم هم رابطه‌ای با بالاترین دقت یافت می‌شود. بنا بر این، بدون اندازه‌گیری داده‌های خاک، می‌توان رابطه بدست آمده در سطح مزرعه را برای ارزیابی تنش آبی خاک و تعیین زمان آبیاری در زمین های کشاورزی در مقیاس وسیع استفاده کرد.

evaluation of cotton water stress estimation using multispectral satellite images based on m5 tree model

water stress occurs as a result of the imbalance between soil water in the root zone and plant water use, which necessitates determining the water stress index of the plant. surface soil moisture is directly related to plant water content. availability of satellite data has led to temporal and spatial resolution of field data and offers new opportunities for monitoring crop conditions. in this research, accurate and continuous monitoring of soil moisture content, as a representative of soil moisture stress, was done with field measurements of soil moisture, and comparison with multispectral data of landsat 9 and sentinel 2 satellite images. the relationship between plant indices, as an independent variable, and soil surface moisture, as a dependent variable, was studied using linear multivariate regression and m5 tree regression methods. considering the non-linearity of the relationship between soil moisture and spectral reflectance, linear multivariate regression did not show satisfactory results with coefficient of determination (r2) of 0.46 and 0.34 for landsat 9 and sentinel 2 satellites, respectively, as well as the root mean square error (rmse) equal to 0.043 and 0.052. however, m5 tree regression showed more acceptable results, such that by establishing 16 and 20 regression relationships for landsat 9 and sentinel 2 satellites, the soil moisture was estimated withr2 of 0.70 and 0.67 and rmse of 0.033 and 0.038, respectively. the results showed that the estimation of soil moisture with methods based on machine learning, such as the m5 model, increases the accuracy of calculations. in the m5 decision tree regression, a high number of variables does not necessarily lead to an increase in the accuracy of soil moisture estimation, and a relationship with the highest accuracy was found in the low number of variables. therefore, the relationship obtained at the field level can be used to evaluate soil water stress and determine irrigation time in agricultural lands on a large scale, without measuring soil data.