مقایسه عملکرد روش های یادگیری ماشین در برآورد نقاط ظرفیت زراعی و پژمردگی دائم گیاه

ظرفیت زراعی و نقطه پژمردگی دائم دو پارامتر هیدرولیکی مرتبط با خاک هستند که نقش موثری در تعیین آب قابل دسترس گیاه دارند. از این رو، در این مطالعه از خاک های استان خوزستان براساس روش نمونه برداری تصادفی، ۲۰۷ نقطه انتخاب و نمونه برداری صورت گرفت. ویژگی های زودیافت خاک نظیر توزیع اندزه ذرات، درصد کربن آلی، کربنات کلسیم خاک، جرم مخصوص ظاهری و تخلخل کل خاک و همچنین مقدار ظرفیت زراعی و پژمردگی دائمی خاک اندازه گیری شد. ۸۰ درصد داده ها به عنوان داده آموزشی و ۲۰ درصد داده ها به عنوان داده آزمایشی انتخاب شدند. براساس داده های زود یافت، ۵ تابع انتقالی با استفاده از روش درخت تصمیم، ماشین بردار و -kنزدیک ترین همسایه ارائه گردید. نتایج آماری نشان داد که از بین ویژگی های فیزیکی، تخلخل کل خاک و از ویژگی های شیمیایی خاک، درصد مواد آلی خاک نقشی موثر در برآورد هر دو نقطه هیدرولیکی مورد اشاره دارند. همچنین در آخرین تابع انتقالی، روش SVM با R۲=۰.۹۹۹۴ و RMSE=۰.۰۰۳۵ در مرحله آموزش و R۲=۰.۹۹۹۸ و RMSE=۰.۰۰۵۱ آزمایش عملکرد بالای در برآورد ظرفیت زراعی خاک نشان داد. روش KNN نیز با R۲=۰.۹۹۸۸ و RMSE=۰.۰۰۱۹ در مرحله آموزش و با R۲=۰.۹۹۹۲ و RMSE=۰.۰۰۳۶ در مرحله آزمایش بهتر توانستند روند تغییرات پژمردگی دائمی خاک را برآورد نمایند. با توجه به نتایج حاصل از مطالعه هر ۵ تابع انتقالی، می توان بیان نمود که دو روش SVM و KNN قابلیت لازم برای بررسی روند تغییرات این دو نقطه هیدرولیکی با ماهیت غیرخطی را دارند. بنابراین روش های یادگیری ماشین ابزاری کاربردی برای برآورد پارامترهای هیدرولیکی خاک تحت شرایط مدیریتی مختلف دارند.