برآورد دمای خاک با استفاده از مدل‌های‌ ترکیبی بر پایه تبدیل موجک گسسته

دمای خاک از جمله مهم ترین متغیرها در هواشناسی کشاورزی است و تاثیرات متعددی بر فرآیندهای فیزیکی، شیمیایی و بیولوژیکی خاک دارد. در این پژوهش، دمای روزانه خاک در عمق‌های 5، 10، 20 و 30 سانتی‌متری با استفاده از روش‌های شبکه عصبی مصنوعی، سیستم استنتاج عصبی فازی تطبیقی، رگرسیون خطی چندگانه و نیز مدل‌های ترکیبی روش‌های فوق با تبدیل موجک گسسته برآورد شده است. برای ساخت مدل‌ها از داده‌های دمای کمینه و بیشینه هوا و دمای روزانه خاک در عمق‌های 5 تا 30 سانتی‌متری در ایستگاه های سینوپتیک قوچان و گناباد در بازه زمانی 2010 تا 2013 و برای آزمون عملکرد مدل‌ها از داده‌های سال‌های 2004 (سال مرطوب) و 2008 (سال خشک) استفاده شده است. نتایج این پژوهش نشان داد که مدل‌های ترکیبی بر پایه تبدیل موجک گسسته توانسته‌اند دقت بهتری را در مدل‌سازی دمای روزانه خاک نسبت به مدل‌های غیرترکیبی ارایه نمایند. همچنین در اغلب موارد، مدل رگرسیون خطی چندگانه دارای ضعیف‌ترین عملکرد است.

Estimating Soil Temperature Using Hybrid Models Based on Discrete Wavelet Transform

Soil temperature is one of the most important variables in agricultural meteorology and has various effects on physical, chemical and biological processes in soil. In this study, daily soil temperature at depths of 5, 10, 20 and 30 cm were estimated using artificial neural network, adaptive networkbased fuzzy inference system, multiple linear regression and also hybrid models based on the mentioned methods and discrete wavelet transform. To develop the models, daily minimum and maximum air temperature and daily soil temperature at depths of 5 to 30 cm in Ghoochan and Gonabad synoptic stations during 2010 to 2013 were employed, and for testing the performance of models, data of 2004 (wet year) and 2008 (dry year) were employed. Results of this study showed that hybrid models based on discrete wavelet transform could produce more accurate results compared to nonhybrid models in estimating daily soil temperature. Also, in most of the cases, the multiple linear regression (MLR) model had the weakest performance.