برآورد تغییرات فصلی دمای عمق خاک دشت یزد-اردکان با استفاده از تصاویر ماهواره لندست 8 و بهره‌گیری از شبکه عصبی مصنوعی

دمای خاک عامل کلیدی است که فرآیندها و ویژگی های فیزیکی، شیمیایی و بیولوژیکی خاک را کنترل نموده و بر کمیت و کیفیت تولید محصولات کشاورزی تاثیر است. به این منظور، داده‌های روزانه دمای خاک در عمق‌های 5، 10، 20، 30، 50 و 100 سانتیمتری مربوط به ایستگاه‌های سینوپتیک یزد، میبد و مهریز در سال‌های 2014 تا 2016 و همچنین30 تصویر از ماهواره لندست 8 برای سال‌های مذکور تهیه شد. سپس با استفاده از روش پنجره مجزا، دمای سطح زمین محاسبه شد. تغییرات دما از سطح خاک تا عمق 100 سانتیمتری به صورت فصلی بررسی شد. در ادامه، به کمک روش‌ شبکه عصبی مصنوعی، ارتباط بین دمای سطح خاک و عمق‌های مذکور بررسی و دمای عمق خاک تخمین‌زده شد. نتایج نشان داد که روش شبکه عصبی مصنوعی می‌تواند با کمک دمای سطح زمین اسخراجی از تصاویر لندست 8، دمای خاک را تا عمق 100 سانتیمتری، در تمام فصل ها، به خوبی تخمین زند. کمترین دقت در این روش مربوط به دمای عمق‌های 5 و 100 سانتیمتری خاک است. برای بررسی صحت نتایج، دمای خاک تا عمق 30 سانتیمتری در 15 نقطه اندازه‌گیری و با دمای پیش‌بینی شده به کمک تصاویر و شبکه عصبی مصنوعی مقایسه شد. نتایج خطای مطلق نشان داد که بیشینه خطا تا عمق 30 سانتیمتری 3.7 درجه سانتیگراد‌ رخ می‌دهد. بنابراین، به کمک دمای سطح اندازه‌گیری شده به وسیله روش پنجره مجزا و شبکه عصبی مصنوعی می‌توان دمای عمق خاک را با دقت قابل قبولی برآورد کرد.

Predicting seasonal soil depth temperature changes in the Yazd- Ardakan plain using Landsat 8 satellite images and Artificial Neural Network technique

Soil temperature is a key factor that controls physical, chemical and biological properties of soil and its processes. Since soil temperature is measured at synoptic stations and data availability, especially in arid lands, is limited, capability of satellite images to estimate soil temperature at different depths evaluated in the YazdArdakan basin, as the study area. Daily soil temperature at 5, 10, 20, 30, 50 and 100 cm depth measured at synoptic stations of Yazd, Meybod, and Mehriz for the periods of 2014 to 2016, and Landsat 8 satellite images of were used as the main data in this research. Then, using splitwindow surface temperature, Land Surface Temperature (LST) maps were estimated. Temperature trend from soil surface to a depth of 100 cm were examined seasonally. Using simple linear regression and artificial neural network techniques, the relationship between temperature of surface soil and soil temperatures at different depths were predicted. Results showed that the artificial neural networks had greater accuracy than the linear regression method in all seasons. The lowest accuracy of this method is related to the soil temperature at 5 cm depth. Artificial neural networks can be used for predicting of soil temperature till depth of 100 cm, using land surface temperature obtained by Landsat 8 images. To validate the results, soil temperatures at depth of 30 cm for 16 selected points in the study area were compared with estimated soil temperature using Landsat images and artificial neural network. Absolute error of measurements show that the maximum error was observed to depth of 30 cm (3.7 ℃). Therefore, using the measured soil surface temperature by applying the splitwindows and artificial neural network can be used to predict soil temperature.