مقایسه یافته های مدل شبکه استنتاج تطبیقی عصبی-فازی با مدل های رگرسیونی به منظور برآورد دمای خاک در سه اقلیم متفاوت

نوع مقاله : مقالات پژوهشی

نویسندگان

دانشگاه بو علی سینا، همدان

چکیده

چکیده
دمای خاک از پارامترهای مهم و تأثیر گذار در کلیه فرآیندهای هیدرولوژی و کشاورزی است که اندازه گیری و پیش بینی آن ضروری است. مطالعاتی که تا کنون در زمینه برآورد دمای خاک در مناطق فاقد داده صورت گرفته همگی به اتفاق از مدل های رگرسیونی جهت برآورد دمای خاک استفاده کرده اند. در این پژوهش ضمن استفاده از مدل های رگرسیونی، با بکارگیری سامانه استنتاج تطبیقی عصبی-فازی4 (ANFIS) به عنوان روشی نوین، به پیش بینی دمای خاک در شش عمق مختلف (5، 10، 20، 30، 50 و 100 سانتی متر) اقدام شد. علاوه براین، مهمترین پارامترهای هواشناسی (دمای بیشینه، دمای کمینه، میانگین دمای روزانه، رطوبت نسبی، ساعات آفتابی و سرعت باد) به عنوان عوامل اثرگذار بر دمای خاک در یک دوره 15 ساله (2006-1992) در ایستگاه های مورد مطالعه معرفی می گردند. مطالعه روی داده‌های هواشناسی 3 ایستگاه سینوپتیک زاهدان، تهران و رامسر که دارای اقلیم متفاوتی می باشند، انجام گرفت. یافته ها حاکی از 4 درصد دقت بیشتر روش ANFIS نسبت به روش آماری رگرسیون بود. همچنین دقت پیش‌بینی دمای خاک با روش ANFIS در دو ایستگاه زاهدان و تهران (اقلیم خشک) به ترتیب 12 درصد و 5/4 درصد بهتر از رامسر (اقلیم مرطوب) بود. مقدار ضریب همبستگی (r) بین دمای خاک پیش بینی شده توسط شبکهANFIS و مدل رگرسیون انتخابی با دمای واقعی خاک، نشان داد که با افزایش عمق خاک مقدار r کاهش می یابد. نتایج همچنین نشان داد که بر خلاف مناطق خشک، در اقلیم مرطوب رامسر با افزایش عمق خاک دقت پیش بینی تا 18 درصد افزایش می یابد، در حالیکه در دو ایستگاه زاهدان و تهران دقت پیش بینی دمای خاک در لایه های کم عمق تا 10 درصد بیشتر از لایه‌های عمیق می باشد.

واژه های کلیدی: دمای خاک، مدل های رگرسیونی، ANFIS، اقلیم خشک، اقلیم مرطوب

عنوان مقاله [English]

A model Comparison Between Predicted Soil Temperatures Using ANFIS Model and Regression Methods in Three Different Climates

نویسندگان [English]

  • A.A. Sabziparvar
  • H. Zreabyaneh
  • M. Bayat
College of Agriculture, Bu-Ali Sina University, Hamedan
چکیده [English]

Abstract
Soil temperature is one of the key parameters affecting most hydrologic and agricultural processes. Therefore, its measurement and prediction is very crucial. So far, the statistical regression methods have been used for estimation of soil temperature for specific location encountering with lack or shortage of data. In this work, soil temperature data are estimated at six different depths for three typical climates (Zahedan, Tehran, Ramsar) by a new approach namely Adaptive Neuro-Fuzzy Inference System (ANFIS), and the results are compared with those of estimated by regression methods. In addition, the most important meteorological parameters (maximum temperature, minimum temperature, mean daily temperature, relative humidity, sunshine hour, and wind speed) which influence soil temperature at the study sites are used during the 15-years period (1992-2006) of study. The comparison of soil temperature data predicted by ANFIS and regression methods indicated that the performance of ANFIS model is 4% more accurate than regression methods. It was found that the accuracy of prediction using ANFIS model for arid climates of Zahedan and Tehran was 12% and 4.5% better than Ramsar (humid), respectively. The statistical comparison of the estimations derived by ANFIS model and the observed soil temperature data of drier climates showed that the coefficients of correlation (r) are reduced (up to 10%) for deeper layers. In contrast, for the humid climate of Ramsar, the model accuracy for near surface layers (5 and 10 cm) was up to 18% less than deeper layers (100 cm).

Keywords: Soil temperature, Regression models, ANFIS, Arid climate, Humid climate

CAPTCHA Image