با توجه به اهمیت دسترسی به اطلاعات دقیق ویژگی های خاک در مدیریت کشاورزی، بهره گیری از داده های سنجش از دور به عنوان جایگزینی برای روش های میدانی نمونه گیری و آزمایش پرهزینه و زمان بر یک راهکار قابل بررسی است. این پژوهش با هدف برآورد برخی ویژگی های فیزیکی و شیمیایی خاک شامل درصد اندازه ذرات، شوری، pH، ماده آلی و چگالی ظاهری خاک با بهره گیری از داده های ماهواره ای Sentinel و پایگاه جهانی Soilgrids و مقایسه آن با داده های اندازه گیری شده آزمایشگاهی انجام شد. همچنین تأثیر این ویژگی ها بر محاسبه مقدار آب سهل الوصول خاک بررسی شد. نمونه برداری خاک از هشت منطقه مختلف شامل اصفهان (گلپایگان، اردستان، سمیرم، شهررضا، علویجه)، خراسان رضوی (فریمان)، مرکزی (اراک) و فارس (آباده) انجام شد و در مجموع 189 نمونه خاک از عمق 30 -0 سانتی متری برداشت و به آزمایشگاه منتقل گردید. درصد اندازه ذرات به روش هیدرومتر، شوری و pHدر عصاره اشباع، ماده آلی به روش والکی و بلاک و چگالی ظاهری خاک با استفاده از سیلندر اندازه گیری شد. داده های سنجش از دور از طریق پلتفرم Google Earth Engine و همچنین از سیستم جهانی Soilgrids استخراج و با آزمون T جفت شده و مدل های رگرسیون خطی تحلیل شدند. دو مدل یادگیری ماشین، شبکه عصبی پرسپترون چند لایه و AdaBoost، به ترتیب برای برآورد درصد اندازه ذرات و شوری خاک توسعه داده شدند. نتایج نشان داد که دقت داده های ماهواره ای در تخمین ویژگی های خاک به نوع ویژگی، منبع داده و موقعیت مکانی وابسته است. Sentinel در تخمین درصد اندازه ذرات خاک عملکرد بهتری نسبت به Soilgrids داشت. Sentinel در تخمین درصد رس، دقت کمتری نسبت به سیلت و شن داشت و داده های سیستم Soilgrids در تخمین شن و سیلت عملکرد ضعیف تری نسبت به رس نشان دادند. به طور کلی Soilgrids در برآورد pH و ماده آلی دقت بیشتری داشت. بررسی خطای محاسبه مقدار آب سهل الوصول بین دوگروه تصادفی از نمونه های خاک اندازه گیری شده نشان داد، خطا بین 4 تا 7 درصد است. بنابراین 7 درصد خطا در تخمین آب سهل الوصل با داده های ماهواره ای به عنوان آستانه قابل قبول خطا انتخاب شد. حدود 20 تا 23 درصد داده های تخمینی از ماهواره در این بازه قرار دارند. البته اعمال مدل رگرسیون بین داده های اندازه گیری شده و ماهواره ای باعث بهبود دقت محاسبه آب سهل الوصول در اغلب مناطق شد و خطای محاسبه، در داده های Sentinel %61 و در داده های Soilgrids 67% کاهش یافت. مدل هوش مصنوعی نیز در پیش بینی درصد اندازه ذرات خاک عملکرد مناسبی داشت. برای رس، R برابر 76/0 و RMSE برابر 27/4% بود. در مورد سیلت، دقت کمتر از رس و شن (65/0=R) بود، اما همچنان قابل قبول ارزیابی شد. پیش بینی درصد شن نیز با R معادل 73/0 بود. همچنین مدل هوش مصنوعی AdaBoost برای پیش بینی شوری خاک در کل مناطق مورد مطالعه، R برابر 65/0 بود. البته همین مدل در منطقه اصفهان عملکرد بسیار دقیق تری داشت؛ به طوری که مقدار R برابر 97/0 شد و مقدار RMSE کم (35/1 dS/m) دقت زیاد مدل را تأیید می کند.

کلمات کلیدی: کشاورزی دقیق، سنجش از دور، ویژگی های خاک، آب سهل الوصول، Sentinel، Soilgrids، مدل های هوش مصنوعی