برآورد دمای روزانه خاک با استفاده از شبکه عصبی مصنوعی

دمای خاک یکی از متغیرهای مهم در مطالعات هیدرولوژی، هواشناسی، کشاورزی و اقلیم شناسی است که اندازه گیری و برآورد آن ضروری است. با توجه به این که دمای خاک فقط در ایستگاه های سینوپتیک کشور اندازه گیری می شود، کمبود آن در نقاط فاقد ایستگاه از چالش های بزرگ در بسیاری از مطالعات مرتبط با کشاورزی است. در این پژوهش، با استفاده از پارامترهای هواشناسی ایستگاه سینوپتیک شیراز در یک دوره 9 ساله (2008-2000) به برآورد دمای خاک در سه عمق پنج، 10 و 30 سانتی متری با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه پرداخته شد. به علت تعداد زیاد متغیرهای مورد استفاده برای برآورد دمای خاک، شناخت متغیرهای موثر بر شبکه می تواند باعث بهبود نتایج شود. بدین منظور، با استفاده از تکنیک آماری چند متغیره آنالیز مولفه های اصلی (pca) که باعث کاهش تعداد متغیرها و ورود متغیرهای موثر به شبکه می شود، اقدام به برآورد دمای خاک شد (pca-ann). ابتدا، از روش pca برای کاهش متغیرهای ورودی استفاده شد و هشت متغیر هواشناسی به هشت مولفه اصلی تبدیل شد. چهار مولفه اصلی اول بیش از 99 درصد واریانس کل را به خود اختصاص داد. برای ارزیابی دو مدل ann و pca-ann از شاخص های آماری ضریب همبستگی (r)، میانگین جذر مربعات خطا (rmse) و میانگین خطای اریبی (mbe) استفاده شد. نتایج به دست آمده حاکی از نقش موثر پیش پردازش روی متغیرها با استفاده از pca بود. دست آوردها نشان داد که شاخص های آماری r، rmse، mbe (در دوره صحت سنجی) به ترتیب برابر 98/0، 61/1 و 2/0 برای مدل pca-ann بر روی پارامتر دمای خاک در عمق پنج سانتی متری نتیجه بهتری را به دنبال داشت. روی هم رفته، سنجش دست آوردهای مدل pca-ann با دستاوردهای مدل ann و داده های مشاهده شده نشانگر برتری مدل pca-ann نسبت به مدل ann است. لذا، مدل pca-ann با ساختاری ساده تر، سرعت آموزش شبکه بیشتر و نتایجی دقیق تر می تواند جایگزین مدل ann برای برآورد پارامتر دمای خاک باشد.