برآورد میانگین مکانی دمای خاک در عمق های مختلف با استفاده از داده‌های هواشناسی در ایستگاه‌های کشاورزی استان فارس

دمای خاک یکی از پارامترهای مهم در مطالعات هواشناسی کشاورزی می‌باشد و بسیاری از فرآیندهای بیولوژیکی خاک را تحت تاثیرقرار می‌دهد. متاسفانه به علت فقدان داده‌های دمای خاک در بسیاری از اقلیم ها و مناطق کشور، همواره این موضوع در انجام پروژه ها و تحقیقات کشاورزی مورد بحث بوده است. در تحقیق حاضر با استفاده از روابط همبستگی بین پارامترهای مختلف هواشناسی و دمای خاک در پنج ایستگاه کشاورزی در شهرستان های مختلف استان فارس (شیراز، آباده، داراب، زرقان و جهرم) در عمق های 5، 10، 20، 30، 50 و 100 سانتی متری، معادلاتی کاربردی جهت تخمین دمای خاک ماهانه تعیین گردید. در این راستا از معادلات رگرسیون خطی چند متغیره استفاده شده است. با توجه به نتایج بدست آمده در شهرستان آباده، متغیرهای هواشناسی سرعت باد، بارندگی و حداکثر دما، در شهرستان داراب متغیرهای رطوبت نسبی، سرعت باد، فشار هوا، بارندگی، حداکثر دما و حداقل دما، در شهرستان جهرم متغیرهای سرعت باد، فشار هوا، حداکثر دما و حداقل دما، در شهرستان شیراز متغیرهای ساعات آفتابی، سرعت باد، فشار هوا، بارندگی، حداکثر دما و حداقل دما و در شهرستان زرقان نیز متغیرهای ساعات آفتابی، سرعت باد، فشار هوا، بارندگی، حداکثر دما و حداقل دما بر دمای خاک تاثیرگذار بوده است. به طور کلی در تمام ایستگاه ها جهت برآورد دمای خاک در اعماق 5 و 10 سانتی متری به پارامترهای کمتری نیاز است و با افزایش عمق، اهمیت پارامترهای هواشناسی و نقش تاثیرگذار آن ها در تخمین دمای خاک بیشتر می گردد. همچنین تاثیر متغیرهای هواشناسی بر دمای خاک در اقلیم‌های مختلف یکسان نمی باشد. بر طبق ضرایب مربوط به معادلات ارایه شده، بیشترین تاثیرگذاری مربوط به دمای حداکثر و کمترین تاثیرگذاری بر دمای خاک در اعماق مختلف، مربوط به ساعت آفتابی می باشد. با افزایش عمق نیز ضرایب تبیین روندی کاهشی دارد. در تمام ایستگاه ها ضریب تببین در اعماق 5 و10 سانتی متری بین 0.98 تا 0.99 و در عمق 100 سانتی متری بین 0.87تا 0.92 بدست آمده است که نشان می دهد با افزایش عمق، این ضریب تا حدود 10 درصد کاهش می یابد. با توجه به نتایج و معادلات به دست آمده جهت هر ایستگاه و اقلیم های متفاوت در استان فارس، می‌توان از معادلات به دست آمده جهت تخمین دمای خاک در مناطق فاقد آمار استفاده نمود.

Estimation of Soil Temperature Spatial Average at Different Depths Using Meteorological Data in Agricultural Stations of Fars Province

Soil temperature is one of the important parameters in meteorological agriculture and affects many soil biological processes. Unfortunately, due to the lack of soil temperature data in many regions of the country, this issue has always been discussed in agricultural projects. In the present study, practical equations were created to estimate the monthly soil temperature using the correlations between different meteorological parameters and soil temperature in five agricultural stations in different cities of Fars province (Shiraz, Abadeh, Darab, Zarghan, and Jahrom) at depths of 5, 10, 20, 30, 50, and 100 cm. In this regard, multivariate linear regression equations have been used. According to the results, the following parameters affected soil temperature: in Abadeh, meteorological variables of wind speed, rainfall, and maximum temperature; in Darab, relative humidity, wind speed, air pressure, rainfall, maximum temperature, and minimum temperature; in Jahrom, variables of wind speed, air pressure, maximum temperature, and minimum temperature; in Shiraz, the variables of sunshine hours, wind speed, air pressure, rainfall, maximum temperature, and minimum temperature and in Zarghan city, the variables of sunshine hours, wind speed, air pressure, rainfall, maximum temperature, and minimum temperature. In general, fewer parameters are needed in all stations to estimate soil temperature at depths of 5 and 10 cm, and the importance of meteorological parameters and their effective role in estimating soil temperature increases with increasing depth. Also, the effect of meteorological variables on soil temperature is not the same in different climates. According to the coefficients related to the equations, the highest and the lowest effect on soil temperature at different depths, are the maximum temperature and sunshine hours. With increasing depth, regression coefficients decrease as well. In all stations, regression coefficient at depths of 5 and 10 cm has been calculated between 0.980.99, and at depth of 100 cm has been calculated between 0.870.92, shows decreased about 10% of this coefficient with increasing the depth. According to the results and equations obtained for each station and different climates in Fars Province, this equation can be used to estimate soil temperature in areas without data.