This study evaluated the performance of deep learning (DL), artificial neural network (ANN) and k-nearest neighbour (kNN) models to estimate field capacity (FC) and permanent wilting point (PWP) using four combinations of soil data. The DL, ANN and kNN models are compared with the previous published pedotransfer functions (PTF). The data consist of 256 calcareous soil samples collected from Konya-Cumra plain, Turkey. The results demonstrated that the DL_a with inputs of soil texture components, bulk density, organic matter and lime contents, particle density and aggregate stability showed the best performances with coefficient of determination (R2) of 0.829, correlation coefficient (r) of 0.911, mean absolute error (MAE) of 0.027 and relative root mean square error (RRMSE) 9.397 % in FC estimation for calcareous soil samples. For the PWP estimation of calcareous soil samples, the kNN_b with soil texture components, bulk density, organic matter and lime content and particle density indicated the best performance with the value of R2 to 0.800, of r to 0.894, of MAE to 0.021 and RRMSE to 12.043 %. Lastly, the results showed that the DL, ANN and the kNN models perform better than the previously applied PTF for calcareous soils. Therefore, the DL model could be recommended for the estimation of FC when full soil data are available and the kNN model could be recommended for estimation of PWP with all combinations of soil data.

中文翻译：

---

半干旱地区钙质土壤不同土壤输入数据组合预测土壤水分常数的机器学习方法评价

本研究评估了深度学习 (DL)、人工神经网络 (ANN) 和 k 最近邻 (kNN) 模型的性能，以使用土壤数据的四种组合来估计田间容量 (FC) 和永久枯萎点 (PWP)。DL、ANN 和 kNN 模型与之前发布的 pedotransfer 函数 (PTF) 进行了比较。数据包括从土耳其科尼亚-库姆拉平原收集的 256 个钙质土壤样品。结果表明，输入土壤质地组分、容重、有机质和石灰含量、颗粒密度和团聚体稳定性的 DL_a 表现出最佳性能，决定系数 (R2) 为 0.829，相关系数 (r) 为 0.911，均值钙质土壤样品的 FC 估计中的绝对误差 (MAE) 为 0.027，相对均方根误差 (RRMSE) 为 9.397%。对于钙质土壤样品的 PWP 估计，具有土壤质地成分、容重、有机质和石灰含量以及颗粒密度的 kNN_b 表现出最佳性能，R2 值为 0.800，r 值为 0.894，MAE 值为 0.021 和 RRMSE到 12.043%。最后，结果表明 DL、ANN 和 kNN 模型比以前应用的 PTF 对钙质土壤的性能更好。因此，当有完整的土壤数据可用时，可以推荐使用 DL 模型来估计 FC，并且可以推荐使用 kNN 模型来估计所有土壤数据组合的 PWP。最后，结果表明 DL、ANN 和 kNN 模型比以前应用的 PTF 对钙质土壤的性能更好。因此，当有完整的土壤数据可用时，可以推荐使用 DL 模型来估计 FC，并且可以推荐使用 kNN 模型来估计所有土壤数据组合的 PWP。最后，结果表明 DL、ANN 和 kNN 模型比以前应用的 PTF 对钙质土壤的性能更好。因此，当有完整的土壤数据可用时，可以推荐使用 DL 模型来估计 FC，并且可以推荐使用 kNN 模型来估计所有土壤数据组合的 PWP。