استفاده از شاخص‌های طیفی در برآورد رطوبت سطحی خاک براساس الگوریتم یادگیری ماشین

اطلاع دقیق از میزان رطوبت سطح خاک و توزیع مکانی و زمانی آن می تواند منجر به بهره برداری بهینه از امکانات زمین گردد. هدف از پژوهش حاضر برآورد رطوبت سطحی خاک به وسیله پارامترهای زودیافت خاک و شاخص های طیفی حاصل از سنجنده سنتینل [1]^-2 با دو روش شبکه عصبی مصنوعی (ann) و رگرسیون بردار پشتیبان (svm) است. به تعداد 124 نمونه خاک از سه منطقه ایران (تهران، گرمسار و لرستان) برداشته شد. پس از نرمال سازی داده های موردنظر، معنی داری همبستگی متغیرهای ورودی (شاخص های طیفی و خصوصیات پایه ای خاک) با خروجی (رطوبت سطحی) از نظر آماری بررسی گردید. سپس، مدل سازی با روش های مذکور انجام و نتایج مورد ارزیابی قرار گرفت. نتایج نشان داد که روش ann کارایی بهتری نسبت به روش svm دارد. در روش ann، میانگین مقادیر، ریشه میانگین مربعات خطا (rmse)، آکائیک (aic)، ضریب تعیین (r2)، و ضریب بهبود نسبی (ri) به ترتیب در مرحله آموزش 0/033، 538-، 0/71 و 21/25 و در مرحله آزمون 0/410، 266-، 0/69 و 16/06 به دست آمدند. همچنین مقادیر میانگین rmse، aic، r2 و ri در روش svm به ترتیب در مرحلۀ آموزش 0/035، 474-، 0/71 و35/16 و در مرحلۀ آزمون 0/046، 252-، 0/63 و 20/21 به دست آمدند. در این پژوهش شاخص رنگ خاک (ci) نسبت به سایر شاخص های طیفی با روش ann بادقت بالاتری رطوبت خاک را برآورد کرده است؛ بنابراین روش شبکه عصبی مصنوعی با ایجاد ارتباط غیرخطی بین رطوبت سطح خاک و پارامترهای ورودی قادر به برآورد رطوبت خاک با دقت قابل‌قبول در منطقه موردمطالعه است. 

The Use of Spectral Indices to Estimate Soil Surface Moisture using Machine Learning Algorithms

Detailed information about soil moisture and its spatial and temporal distribution provides opportunity for optimized land resources utilization. Our study aimed to estimate soil surface moisture through readily availabile soil parameters and spectral index obtained from Sentinel-2 sensors using two methods, artificial neural networks (ANN) and support vector regression (SVM). There were 124 soil samples collected from three regions of Iran (Tehran, Garmsar, and Lorestan). After normalizing the data, the significance of the correlation between input variables (spectral indices and basic soil properties) and output variables (surface moisture) was evaluated statistically. In the next step, the mentioned methods were used to perform a modeling process, and the results were evaluated. The results showed that the ANN method outperformed the SVM method. Based on ANN technique, the Root Mean Square Error (RMSE), Akaike Information Criterion (AIC), coefficient of determination (R2) and Relative Improvement (RI) in the training step were 0.033, -538, 0.71, 21.25, and in the testing step they were 0.410, -266, 0.69, and 16.06, respectively. Also, RMSE, AIC, R2, and RI in the SVM method in training step were respectively 0.035, -474, 0.71, and 35.16 and in testing step were respectively 0.046, 252, 0.63, and 20.21. Using the ANN method, soil color index (CI) has been shown to estimate soil moisture more accurately than other spectral indices. Therefore, the ANN method constructs a nonlinear relationship between soil surface moisture and input parameters, which enables soil moisture to be estimated with acceptable accuracy in the study area.