بخشی از مقاله
چکیده
گونه های مختلف گیاهی به دماهای متفاوتی نیازمندند و باردهی آن ها در محدوده معینی از درجه حرارت به بیش ترین مقدار می رسد. از طرفی در هر لحظه گرمای خاک از افقی به افق دیگر متفاوت بوده و در طول روز، ماه و سال نوسان می کند. دمای سطح و ژرفای خاک به صورت پیوسته اندازه گیری نمی شوند. از اینرو میتوان رابطهای بین دما ی خاک و خصوصیات اقلیمی یک منطقه برقرار نمود. در این میان مدل های هوشمند نقش موثری میتوانند داشته باشند.
در این پژوهش به منظور شبیهسازی دمای اعماق مختلف خاک در ایستگاه تبریز واقع در استان آذربایجان شرقی از مدل شبکه عصبی MLP در دوره آماری 1378-85 استفاده گردید. از سه معیار عددی جذر میانگین مربعات خطا - RMSE - ، معیار نش- ساتکلیف - E - و خطای مطلق میانگین - MAE - به منظور ارزیابی دقت استفاده شد. از بین ساختارهای مختلف شبکه عصبی، آرایش -1 4-4 با چهار ورودی اعماق 5، 10 ، 50 و 100 سانتی متری بیشترین دقت را داشت.
مقدمه
برآورد دقیق متغیرهای محیط خاک به منظور توسعه مدل های قابل اعتماد از جریان و انتقال آب و املاح آن در سراسر زنجیره خاک، گیاه و اتمسفر برای مدیریت کارآمد از منابع و حفظ کیفیت محیط زیست ضروری است. دمای خاک یکی از متغیرهای مهم در مطالعات هیدرولوژی، هواشناسی، کشاورزی و اقلیم -شناسی است
دمای خاک بر نفوذ آب از سطح خاک تأثیرگذار است - سینگ،. - 1992 دمای خاک متأثر از عوامل متعددی از جمله توپوگرافی، تابش خورشیدی، دمای هوا، توزیع بارش، میزان رطوبت خاک، نوع و ویژگی گرمایی خاک، همانند ظرفیت گرمایی، ضریب رسانایی گرمایی و گرمای ویژه است به همین دلیل، برآورد دمای خاک به ویژه در نزدیکی سطح زمین که نوسانات آن بیشتر است، تا حدودی مشکل است
اهمیت دمای خاک در علوم کشاورزی و هیدرولوژی از یک سو و وجود مشکلات فراوان در ثبت این پارامتر حیاتی پژوهشگران را بر آن داشته است تا به دنبال یافتن رابطه ای بین دمای خاک و پارامترهای دیگر باشند تا بتوانند آن را با دقت مطلوب برآورد کنند.
در این خصوص، استفاده از مدل های شبکه های عصبی مصنوعی - ANNs - به طور گسترده ای طی سال های اخیر مورد توجه واقع شده است - چنگو ایسلام، 2000 و طبری وهمکاران، . - 2011 در مورد فرآیندهایی که تعریف دقیق و کاملی از فیزیک آنها وجود ندارد، مدلهای ANNs ، بسیار مؤثر عمل میکنند.
خصوصیت دیگر این مدل ها که آن ها را نسبت به سایر روشها و الگوریتم ها متمایز میسازد، حساسیت کمتر آن ها نسبت به وجود خطا در ورودی ها است که علت این امر، پردازش توزیعی اطلاعات است
ماکلین و آیرتس با استفاده از رگرسیون خطی چندمتغیره ارتباط بین دما ی خاک با پارامترهای هواشناسی را تعیین و با ارائه مدل به تخمین دمای خاک در اعماق 1، 2 ،5 ، 10 سانتی-متری پرداختند. متغیرهای مورد استفاده شامل دمای هوا و درصد ابرناکی در روز، دمای هوا در دو روز قبل، نسبت ساعات آفتابی و روز فصل بود.
میهالاکاکو - 2002 - به منظورمدلسازی و برآورد تغییرات روزانه و سالانه دمای سطح زمین از روش های مدل تجربی و نظریه شبکه عصبی استفاده نمود. وی اعتبار هر دو روش را نسبت به دستگاه های عظیم اندازه گیری دمای خاک در شهرهای آتن و دوبلین را مورد ارزیابی قرار داد و در نهایت نشان داد که روش پیشنهادی در این تحقیق قادر به تخمین نسبی توزیع و پراکندگی دمای سطح زمین است.
پنگ و همکاران - - 2009 به بررسی رابطه تنفس زمین با دما در اکوسیستم های گوناگون چین پرداختند. نتایج حاصل از ترکیب 161 آمار اندازه گیری شده از 52 برگ درخت پراکنده در محدوده مورد مطالعه نشان داد که مقدار Q10 عاملی است که به ازای هر 10 درجه افزایش دما، تنفس افزایش مییابد همچنین انواع گوناگون اکوسیستم مقادیر متفاوتی از Q10 را نشان داد.
در واکنش به دمای خاک در عمق 5 سانتیمتری، چمنزارهای آلپی و توندرا بیشترین مقدار را نشان دادند، در حالیکه مقدار آن برای جنگل های با درختان پهن برگ همیشه سبز به نصف رسید. بیلگیلی - 2010 - با استفاده از شبکه عصبی مصنوعی و داده های هواشناسی ماه قبل، به پیش بینی دمای خاک ماه آینده پرداخت. نتایج او نشان داد که شبکه عصبی یک مدل قابل اطمینان و موثق برای پیش بینی دمای خاک است.
بیلگیلی - - 2010 در مطالعه ی دیگری به پیش بینی دمای خاک با استفاده از مدل های رگرسیونی و شبکه عصبی مصنوعی پرداخت. نامبرده در این مطالعه دمای ماهانه خاک را به وسیله روش ها ی رگرسیون خطی و غیر خطی و شبکه عصبی هوشمند مدلسازی نمود و نتایج نشان داد که شبکه عصبی با دقت 0/9981 عملکرد بهتری نسبت به رگرسیون خطی و غیر خطی دارد.
طبری و همکاران - - 2011 به مقایسه عملکرد شبکه عصبی مصنوعی از نوع پرسپترون چند لایه با روش رگرسیون خطی چند متغیره برای برآورد دمای روزانه خاک در عمق های 5، 10، 30، 50 و 100 سانتی-متری در منطقه خشک ایران پرداختند. برای ورودی دو مدل شبکه عصبی و رگرسیون خطی چندگانه ازمیانگین روزانه پارامترهای هواشناسی که شامل دما، تابش خورشیدی و رطوبت نسبی بود، استفاده شد.
نتایج مقایسه بین این دو مدل نشان داد که شبکه عصبی مصنوعی دقت بالاتری را در برآورد دمای روزانه خاک در منطقه مورد مطالعه را دارد. همانطور که در سوابق تحقیق مشاهده شده از دیرباز تخمین دمای خاک مورد توجه محققان بوده و در این خصوص با روش هایی مثل سری فوریه، موازنه انرژی و ... مورد استفاده قرار گرفته، بنابراین در تحقیق حاضر با استفاده از آمار و اطلاعات موجود در ایستگاه هواشناسی تبریز و همچنین شبکه عصبی به مدلسازی دمای خاک در عمق 20 سانتی متری می پردازیم.
مواد و روش ها منطقه مورد مطالعه
در مطالعه حاضر از اطلاعات هواشناسی ایستگاه تبریز استفاده گردید. این ایستگاه دارای طول جغرافیایی 46 17 و عرض جغرافیایی 35 5 است. شهرستان تبریز با وسعت 2167 کیلومتر مربع 4/8 - درصد مساحت استان - مرکز استان آذربایجان شرقی بوده و ارتفاع تقریبی آن از سطح دریا 1350 متر است. آب و هوای تبریز در زمستان ها بسیار سرد و در تابستان ها خشک و گرم است. ضمن اینکه حرارت به دلیل نزدیکی به کوه سهند و وجود باغ های فراوان در پیرامون شهر تعدیل میگردد.
در این پژوهش با استفاده از داده های تهیه شده از ایستگاه هواشناسی شهر تبریز، که شامل، دمای هوا - & - و دمای خاک در اعماق، 5، 10، 20، 50 و 100 سانتی متری هستند، با دوره آماری 7 ساله، 96 - ماهه - استفاده گردید. دمای خاک در عمق 20 سانتی متری در این پژوهش مورد مطالعه قرار گرفت. نمودار مشاهداتی در عمق 20 سانتیمتری در طول دوره آماری - ماه - در شکل 1 و مشخصات داده های آماری مورد استفاده در جدول 1 ارا یه شده است.
شکل -1 نمودار دمای مشاهداتی در عمق 20 سانتی متری در طول دوره آماری
جدول -1 مشخصات آماری داده های مورد استفاده
برا ی تشخیص عمق موثر در مدلسازی و ارایه بهترین ترکیب ورودی از ورودی های مختلف که در جدول 2 ارایه شده استفاده گردید.
جدول -2 ساختارهای مورد استفاده در شبیه سازی
شبکه عصبی مصنوعی سعی می کند پس از در یافت ورودی ها، آن را به خروجی مطلوب برساند .این کار با استفاده از یک تابع فعالیت انجام می شود . به این کار آموزش شبکه می گویند .پس از انجام این کار، مدل شبکه عصبی خود را تست می کند و نهایتا "مدل مورد تائید قرار می گیرد - شایان نژاد . - 2006 کاربردی ترین نوع شبکه های عصبی مصنوعی، شبکه های پرسپترون چند لایه - - MLP و شبکه های توابع شعاعی - - RBF می باشند
معیارهای ارزیابی با استفاده از روشهای مختلفی میتوان عملکرد مدلها را مورد ارزیابی و مقایسه قرار داد، یکی از این روشها استفاده از معیارهای ارزیابی میباشد. از جمله معیارهای ارزیابی پرکاربرد در علوم مهندسی، میانگین مربعات خطا - RMSE - 1 ، معیار نش- ساتکلیف - NS - 2 و خطای مطلق میانگین - MAE - 3 میباشند که به ترتیب در روابط 1، 2 و 3 آورده شدهاند. دقیقترین مدل با توجه به این معیارها، مدلی خواهد بود که مقدار این سه معیار برای آن به ترتیب نزدیک به یک، صفر و یک باشد.
یافته ها و بحث با توجه به ساختار های ورودی در نظر گرفته شده برای مدل سازی از 4 ساختار مختلف که قبلا بیان شد برای مدلسازی کمک گرفته شد. انجام عملیات شبیه سازی توسط شبکه عصبی مصنوعی پرسپترون چند لایه با کمک برنامه Matlab انجام شدکه نتایج این شبیه سازی در جدول شماره 3 ارایه شده است.
جدول - 3 نتایج مدلسازی توسط شبکه عصبی مصنوعی
