این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۴، شماره ۴، صفحات ۶۳۷-۶۵۳
عنوان فارسی مدلسازی زمانی-مکانی رطوبت خاک با استفاده از داده های سنجش از دور نوری-حرارتی و مدل های یادگیری ماشین
چکیده فارسی مقاله برآورد و پایش زمانی-مکانی رطوبت خاک سطحی براساس مشاهدات سنجش از دوری (نوری و حرارتی) بدلیل ماهیت فیزیکی در شرایط پوشش گیاهی متراکم چالش برانگیز است که نیاز به بهبود و افزایش دقت تخمین رطوبت خاک در این مناطق را ضروری می‌سازد. لذا این پژوهش با هدف توسعه یک رویکرد جدید در برآورد رطوبت خاک سطحی در مزارع کشاورزی با شرایط پوشش گیاهی متراکم، براساس ترکیب داده‌های سنجش از دور نوری-حرارتی و اطلاعات فیزیکی خاک با استفاده از مدل‌های یادگیری ماشین انجام شد. بدین منظور از 16 تصویر ماهواره لندست-8 و بیش از 430 نقطه کنترل زمینی در طول دوره رشد گیاه نیشکر در سال زراعی 1399-1398 در منطقه کشت و صنعت نیشکر حکیم فارابی خوزستان استفاده گردید. 10 سناریوی مختلف براساس متغیرهای ورودی طراحی شد و سپس توسط پنج الگوریتم یادگیری ماشین شامل رگرسیون خطی چندگانه، مدل‌های مبتنی بر درخت تصمیم (classification and regression tree و M5-pruned) و مدل‌های مبتنی بر یادگیری جمعی (رگرسیون درختان توسعه یافته و رگرسیون جنگل تصادفی) مورد ارزیابی قرار گرفتند. مطابق با نتایج، بیشترین همبستگی متغیرها با رطوبت خاک سطحی در شاخص‌های خیسی خاک و رطوبت خاک نرمال شده با مقادیر ضریب همبستگی برابر 79/0 و 69/0 مشاهده شد. همچنین بیشترین دقت مدل‌های یادگیری ماشین بر اساس آماره‌هایR2 ، RMSE و MAE به ترتیب در مدل‌های رگرسیون درختان توسعه یافته (99/0، 011/0 و 001/0) و رگرسیون جنگل تصادفی (99/0، 014/0 و 007/0) به دست آمد. به طور کلی یافتههای این پژوهش بیان‌گر اهمیت استفاده از ویژگی‌های بیوفیزیکی مستخرج از داده‌های ماهواره لندست-8 در ترکیب با مدل‌های یادگیری جمعی است که می‌تواند مستقل از هرگونه اندازه‌گیری زمینی باشد.
کلیدواژه‌های فارسی مقاله پوشش گیاهی متراکم،خصوصیات فیزیکی خاک،رطوبت خاک،سنجش از دور،مدل‌های یادگیری ماشین،
عنوان انگلیسی Spatial-temporal modeling of soil moisture using optical and thermal remote sensing data and machine learning algorithms
چکیده انگلیسی مقاله  Spatiotemporal estimation and monitoring of soil moisture based on remote sensing observations (optical and thermal) is challenging due to its physical nature in high vegetation conditions, necessitating improving and increasing the accuracy of soil moisture estimation in these areas. Therefore, this research aimed to develop a new approach to estimating surface soil moisture in agricultural fields with dense vegetation using machine learning algorithms by incorporating optical and thermal remote sensing data and soil physical properties. For this objective, 16 Landsat-8 satellite images and more than 430 control locations were used during the sugarcane crop’s growth period in 2018-2019 at the Hakim Farabi Sugarcane Agro-Industrial company in the Khuzestan province of Iran. A set of 10 scenarios of various unique combinations of the available input variables were developed and then evaluated by five machine learning algorithms, including multiple linear regression (MLR), decision tree-based algorithms (CART and M5P), and ensemble learning-based algorithms (gradient-boosted regression trees (GBRT) and random forest regression (RFR)). According to the results, the highest correlation between input variables and surface soil moisture was observed in Soil Wetness Index (SWI) and Normalized Soil Moisture Index (NSMI) with R values of 0.79 and 0.69, respectively. Also, the highest accuracy of machine learning algorithms based on R2, RMSE, and MAE results was obtained in GBRT (0.99, 0.011, and 0.006) and RFR (0.99, 0.014, and 0.007), respectively. In general, the findings of this research show the importance of using variables based on Landsat-8 remote sensing data in combination with ensemble learning algorithms that can be independent of any ground measurements.
کلیدواژه‌های انگلیسی مقاله پوشش گیاهی متراکم,خصوصیات فیزیکی خاک,رطوبت خاک,سنجش از دور,مدل‌های یادگیری ماشین
نویسندگان مقاله عاطفه نورکی |
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران

منا گلابی |
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران

محمد الباجی |
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران،

عبدعلی ناصری |
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران

سعید همایونی |
گروه سنجش از دور محیطی و ژئوماتیک، مرکز آب، زمین و محیط زیست، INRS -کبک، کانادا

نشانی اینترنتی https://ijswr.ut.ac.ir/article_92266_fc8213c6a1c59dc7ed0060f4313321ae.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات