حجت امامی

توسعه سیستم‌های کارآمد برای تخمین رطوبت خاک می‌تواند اطلاعات مهمی برای کاربردهای مختلفی مانند کشاورزی دقیق، مدیریت اکوسیستم‌ها و برنامه‌ریزی منابع آبی فراهم کند. رطوبت خاک تأثیر زیادی بر کیفیت محصولات کشاورزی و پایداری محیط زیست دارد، به همین دلیل تخمین دقیق آن می‌تواند به کشاورزان و پژوهشگران در اتخاذ تصمیمات آگاهانه کمک کند. استفاده از روش‌های سنتی اندازه‌گیری رطوبت خاک معمولاً پرهزینه و زمان‌بر است. با توجه به پیچیدگی و تنوع شرایط محیطی، دقت این روش‌ها ممکن است محدود باشد. این مسئله باعث شده است تا استفاده از تکنیک‌های پیشرفته مانند داده‌کاوی و یادگیری ماشین برای تخمین رطوبت خاک بیش از پیش ضروری گردد. این الگوریتم‌ها با تحلیل حجم زیادی از داده‌ها و شبیه‌سازی روابط پیچیده بین متغیرهای مختلف می‌توانند تخمین‌های دقیق‌تری را ارائه دهند که در نتیجه به مدیریت بهتر منابع آبی و بهبود بهره‌وری کشاورزی کمک می‌کنند. در این راستا، مدلی از ترکیب الگوریتم تقویت گرادیان شدید(XGBoost) و الگوریتم جستجوی بازگشتی (Backtracking Search Algorithm) برای تخمین رطوبت خاک معرفی شده است. مدل BS-XGB بر روی یک مجموعه داده استاندارد که شامل پارامترهای روزانه رطوبت خاک در چهار عمق مختلف (10، 25، 50 و 100 سانتی‌متر) از ایستگاه کینگستون در ایالات متحده، ارزیابی شد. نتایج به‌دست‌آمده نشان داد که مدل BS-XGB عملکرد بسیار خوبی داشته است؛ به طوری که مقدار R² برای مجموعه داده آموزشی و آزمایشی به‌ترتیب به 999/0 973/0 به‌دست آمد. این نتایج نشان‌دهنده دقت بالای مدل در پیش‌بینی رطوبت خاک است. همچنین مقایسه نتایج مدل BS-XGB با الگوریتم‌های مشابه مانند جنگل تصادفی و ماشین بردار پشتیبان(SVM) نشان داد که BS-XGB در زمینه معیارهای آماری برتری چشمگیری دارد. در نهایت، تحلیل اهمیت ویژگی‌ها نشان داد که عواملی همچون دمای خاک، رطوبت نسبی، تابش خورشیدی و حداقل دما تأثیر زیادی در پیش‌بینی رطوبت خاک دارند. این نتایج نشان می‌دهند که مدل BS-XGB می‌تواند به‌عنوان یک ابزار دقیق و مؤثر در پیش‌بینی رطوبت خاک مورد استفاده قرار گیرد و با کاهش هزینه‌ها و زمان مربوط به اندازه‌گیری‌های سنتی، به‌طور چشمگیری در بهبود مدیریت منابع آبی و کشاورزی مؤثر واقع شود.