بخشی از مقاله
چکیده
دمای خاک و چگونگی تغییرات آن نسبت به زمان و مکان یکی از مهمترین عواملی است که تبادل ماده و انرژی را در خاک تحت تأثیر قرار میدهد. شبکهی عصبی مصنوعی روش نوینی میباشد که برای تخمین و پیشبینی پارامترها با استفاده از ارتباط ذاتی بین دادهها توسعه یافته است.
با توجه به اینکه اندازهگیری دمای خاک فقط در ایستگاههای سینوپتیک کشور صورت میگیرد، کمبود آن در نقاط فاقد ایستگاه یکی از چالشهای بزرگ در بسیاری از مطالعات مرتبط با علوم کشاورزی است، ولی با روشهای آماری نیز قابل برآورد است.
در این تحقیق با استفاده از دادههای اقلیمی ایستگاه هواشناسی زابل طی ×5سال - از فروردین 89 تا اسفند - 93 مدلهایی جهت تخمین حداقل دمای خاک پیشنهاد شده است. در پایان شبکه سوم آزمون - R2=0.995 - با اطلاعات روز، ماه، سال، میانگین دمای خاک، حداکثر دمای خاک، تبخیر و حداکثر سرعت باد، بهعنوان بهترین شبکه پیشنهاد شد.
مقدمه
دمای خاک در مطالعات خاکشناسی بر فرآیندهای پدوژنیکی، بیولوژیکی خاک و جوانهزنی بذور از اهمیت بهسزایی برخوردار است. همچنین میزان و جهت کلیه فرآیندهای فیزیکی خاک بهصورت مستقیم یا غیرمستقیم وابسته به دمای خاک است. دمای خاک متأثر از عوامل متعددی از جمله توپوگرافی، تابش خورشید، دمای هوا، توزیع بارش، میزان رطوبت خاک، نوع و ویژگی گرمایی خاک، همانند ظرفیت گرمایی، ضریب رسانایی گرمایی و گرمای ویژه میباشد.
مزیدی و همکاران - 5 - × با تحلیل دمای سالانهی خاک در ایستگاه یزد رابطهی حداکثر و حداقل دمای خاک را با فصول مختلف سال مورد بررسی قرار دادند. نتایج نشان داد حداقل دمای خاک در سطح و اعماق خاک بهترتیب در اوایل و اواخر دیماه رخ میدهد.
علیصوفی و بامری - 3 - با استفاده از روش رگرسون خطی چند متغیره رابطه بین حداکثر دمای خاک و سایر دادههای اقلیمی را مورد بررسی قرار دادند و توانستند یک مدل جهت پیشبینی حداکثر دمای خاک در منطقه سیستان ارائه دهند.
علیصوفی و بامری - 4 - پیشبینی حداکثر دمای سطح خاک به روش شبکه عصبی مصنوعی در اراضی دشت سیستان را انجام دادند و بیان داشتند که شبکه سوم با دادههای ورودی سال، ماه، روز، حداکثر دمای هوا، میانگین دمای هوا، حداقل دمای هوا، میتواند بهترین نتیجه را در پیشبینی دمای حداکثر خاک ارائه دهد.
دانش شهرکی و بامری - 1 - میزان تبخیر روزانه اراضی خشک دشت سیستان با استفاده از روشهای رگرسیون خطی چند متغیره را برآورد کردند و بیان داشتند که مدل پنجم با متغیرهای اقلیمی از قبیل حداقل دمای روزانه، میانگین رطوبت نسبی، حداقل و حداکثر سرعت باد ثبت داده به عنوان مدل مطلوب ارائه شد.
دانش شهرکی و بامری - 2 - پیشبینی تبخیر با استفاده از روش شبکه عصبی در اراضی خشک دشت سیستان را مورد مطالعه قرار دادند و بیان داشتند که شبکه پنجم - R2=0.92 - با اطلاعات روز، ماه، سال، میانگین درجه حرارت، حداقل درجه حرارت، حداکثر درجه حرارت، حداکثر سرعت باد، میانگین سرعت باد به عنوان بهترین شبکه با ضریب تبیین پیشنهاد شد.
هدف از تحقیق حاضر ارائه مدلهایی بهمنظور تسریع و تسهیل تخمین کاربرد هوش مصنوعی در مدلسازی حداقل دمای خاک با استفاده از دادههای اقلیمی و بر اساس همبستگی دادههای هواشناسی با دمای خاک میباشد و در نهایت بهترین مدل پیشبینی این پارامتر بر اساس دادههای اقلیمی معرفی میشود.
مواد و روشها
منطقه مورد مطالعه در قسمت جنوبشرقی ایران و شمال استان سیستان و بلوچستان در عرض جغرافیایی 30œ 48' تا 31œ 26' شمالی و طول جغرافیایی 61œ 15' تا 61œ 51' شرقی واقع شده است
در این تحقیق بهمنظور برآورد حداقل دمای خاک منطقه مورد مطالعه، یکسری اطلاعات اقلیمی نظیر روز، ماه، سال، میانگین دمای خاک، حداکثر دمای خاک، تبخیر، ساعات آفتابی، حداکثر سرعت باد، سمت باد، میزان دید و بارندگی بهعنوان دادههای ورودی و حداقل دمای خاک بهعنوان داده خروجی در شبکه مورد سنجش قرار گرفتند. دادههای مورد مطالعه طی 5 سال متوالی از فروردین 89 تا اسفند 93 جمعآوری شده است. ابتدا همبستگی دادههای اقلیمی با حداقل دمای خاک مورد ارزیابی قرار گرفت.
جهت به حداقل رساندن خطا در شبکه، کلیه دادهها نرمالسازی شدند و سپس بر اساس همبستگی با حداقل دمای خاک وارد شبکه شدند. برای انجام این آزمایش از نرم افزار متلب 2011 استفاده گردید. دادههایی که با حداقل دمای خاک همبستگی مثبت داشتند، بهصورت جداگانه همراه روز، ماه، سال بهعنوان ورودی و حداقل دمای خاک بهعنوان خروجی وارد شبکه شدند، سپس دادهای که بیشترین ضریب تبین را دارا بود - میانگین دمای خاک - ، همراه روز، ماه و سال بهعنوان ورودی ثابت قرار گرفتند. در این پژوهش علاوه بر چهار داده ثابت روز، ماه، سال و میانگین دمای خاک، بقیه دادههای ورودی بر اساس بیشترین همبستگی با حداقل دمای خاک بهترتیب وارد شبکه شده و در هر مرحله ورودی بعدی بر تعداد قبلی اضافه شد.
جهت تعیین دقت برآورد دادهها، 100 داده بهطور تصادفی انتخاب شد و بهمنظور آزمون وارد شبکه مورد نظر شده و تعداد نورون هر شبکه با توجه به فرمول - 2N-1 - در شبکه قرار داده شد. در نهایت پس از اعتبارسنجی شبکهها، نتایج توسط آماره های ضریب تعیین - - R2، میانگین خطا “ME”، میانگین مربعات خطا “MSE”، مجذور میانگین مربعات خطا “RMSE” و تعداد یک نورون - N - بهترین مدل معرفی خواهد شد.
نتایج و بحث
در جدول 1 همبستگی دادههای اقلیمی با حداکثر دمای خاک بهدست آمده است. مشاهده میشود که بیشترین همبستگی با حداکثر دمای خاک را میانگین درجه حرارت دارد. دادههای ورودی بر اساس همبستگی با داده خروجی با توجه به اطلاعات جدول 1 وارد شبکه شدند. دادههای آزمون نیز بههمین طریق به شبکه داده شدند.
جدول :1 همبستگی دادههای اقلیمی
در جدول 2 دادههایی که با حداقل دمای خاک همبستگی مثبت داشتند، بهصورت جداگانه همراه روز، ماه، سال بهعنوان ورودی و حداقل دمای خاک بهعنوان خروجی وارد شبکه شدند، سپس دادهای که بیشترین ضریب تبین را دار بود - میانگین دمای خاک - ، همراه روز، ماه و سال بهعنوان ورودی ثابت قرار میگیرند و بقیه دادهها بر اساس بیشترین تا کمترین همبستگی به این دادهها اضافه میشوند.
جدول :2 ضریب تبین دادههایی که با حداقل دمای خاک همبستگی مثبت دارند
جدول:3 تعداد ورودیهای هر شبکه بر اساس همبستگی
