مقایسه روش رگرسیون چند متغیره و شبکه‌ی عصبی مصنوعی در مدل‌سازی دمای خاک با استفاده از عناصر هواشناسی (مطالعه موردی: ایستگاه سینوپتیک بندرعباس)

دمای خاک به عنوان یک عنصر مهم و تاثیر‌گذار در رشد گیاهان مطرح است، که در ایستگاه های هواشناسی به صورت منظم و پیوسته اندازه‌گیری نمی‌شود، ازاین روی داده‌های دمای خاک با کمبود آماری مواجه است. دمای خاک در اعماق مختلف متفاوت و متاثر از دمای محیط بیرون و دیگر عوامل است. در این تحقیق سعی شده است تا دمای اعماق مختلف خاک رسی- شنی (5،10،20،30،50 و100 سانتی متری) را به کمک پارامترهای روزانه‌ی هواشناسی موجود در ایستگاه هواشناسی بندرعباس به روش رگرسیون چند متغیره و شبکه‌ی عصبی مصنوعی برای دوره آماری سال های 1372 تا 1396 مدل سازی شود. پس از محاسبه‌ی ضریب همبستگی بین دمای اعماق خاک با پارامترهای هواشناسی مشخص گردید، دمای خشک، مقدار تبخیر و دمای نقطه‌ی شبنم بیش ترین همبستگی را با دمای خاک در اعماق مختلف دارد. میزان قدر مطلق خطای محاسبه شده در روش رگرسیون بین 1/09 درجه (برای عمق 10 سانتی متری) و 1/88درجه (برای عمق 100 سانتی‌متری) و در روش شبکه‌ی عصبی بین 1/17 و 1/85 درجه می‌باشد. بنابراین با توجه به ساده بودن رگرسیون چندمتغیره و عدم تفاوت زیاد با نتایج شبکه عصبی مصنوعی، از مدل فوق در مناطق مشابه برای پیش‌بینی دمای خاک می‌توان بهره برد.