برآورد دمای روزانه خاک با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی سابق کارشناسی ارشد دانشگاه بوعلی سینا همدان

2 استادیار دانشگاه بوعلی سینا

چکیده

دمای خاک یکی از متغیرهای مهم در مطالعات هیدرولوژی، هواشناسی، کشاورزی و اقلیم­شناسی است که اندازه­گیری و برآورد آن ضروری است. با توجه به این­که دمای خاک فقط در ایستگاه­های سینوپتیک کشور اندازه­گیری می­شود، کمبود آن در نقاط فاقد ایستگاه از چالش­های 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 سانتی­متری با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه پرداخته شد. به علت تعداد زیاد متغیرهای مورد استفاده برای برآورد دمای خاک، شناخت متغیرهای مؤثر بر شبکه می­تواند باعث بهبود نتایج شود. بدین منظور، با استفاده از تکنیک آماری چند متغیره آنالیز مولفه­های اصلی (PCA) که باعث کاهش تعداد متغیرها و ورود متغیرهای مؤثر به شبکه می­شود، 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 شاخص­های آماری ضریب همبستگی (r)، میانگین جذر مربعات خطا (RMSE) و میانگین خطای اریبی (MBE) استفاده شد. نتایج به دست آمده حاکی از نقش مؤثر پیش­پردازش روی متغیرها با استفاده از  PCA بود. دست­آوردها نشان داد که شاخص­های 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 سانتی­متری نتیجه بهتری را به دنبال داشت. روی هم رفته، سنجش دست آوردهای مدل PCA-ANN با دستاوردهای مدل ANN و داده­های مشاهده شده نشانگر برتری مدل PCA-ANN نسبت به مدل ANN است. لذا، مدل PCA-ANN با ساختاری ساده­تر، سرعت آموزش شبکه بیشتر و نتایجی دقیق­تر می­تواند جایگزین مدل ANN برای برآورد پارامتر دمای خاک باشد.

موضوعات


عنوان مقاله [English]

Prediction of Daily Soil Temperatures with Artificial Neural Network

نویسندگان [English]

  • K. Amir Moradi 1
  • O. Bahmani 2
چکیده [English]

Soil temperature is one of the key parameters affecting most hydrologic and agricultural processes. Therefore, its measurement and prediction is very crucial. Since soil temperature is measured only in the synoptic meteorological stations, lack or shortage of data is the major challenge in many agricultural studies. In this study, soil temperature data were predicted at three different depths of 5, 10 and 30 cm by an Artificial Neural Networks using meteorological parameters recorded at Shiraz synoptic stations during the period 2000-2008. Due to the large number of variables used in this study to predict soil temperature, identifying the more effective variables could improve the results. Therefore, using a multivariate statistical technique of principal component analysis (PCA), which effectively reduces the number of variables and inputs the effective variables to the network, the soil temperature was predicted by (PCA-ANN).  At first, PCA was used to reduce the input variables and 8 meteorological variables were altered to 8 main components. The first four principal components accounted for over 99% of the total variance. In order to evaluate ANN and PCA-ANN models, correlation coefficient (r), Root Mean Square Error (RMSE) and Mean Bias Error (MBE) were used. Results showed that the statistical parameter values (verification period) with 0.98, 1.61 and 0.2 for r, RMSE, MBE, respectively, had the best results on soil temperature at 5 cm depth for PCA-ANN model. The results indicated the importance of preprocessing the variables by PCA. The PCA-ANN model in comparison with the ANN model had an easier structure, the ability of faster training, and more accurate results.