پديد آورندگان :
بهمني، فاطمه دانشگاه زابل - دانشكده آب و خاك - گروه مرتع و آبخيزداري , پيري صحراگرد، حسين دانشگاه زابل - دانشكده آب و خاك - گروه مرتع و آبخيزداري , پيري، جمشيد دانشگاه زابل - دانشكده آب و خاك - گروه مهندسي آب
كليدواژه :
بيابان‌زدايي , دماي خاك , داده‌هاي هواشناسي , هوش مصنوعي , شيراز , زابل
چكيده فارسي :
تخمين دماي خاك يكي از مسائل مهم در برنامه‌ريزي طرح‌هاي بيابان‌زدايي، مديريت منابع آب و استقرار پوشش گياهي در مناطق خشك است. هدف از اين پژوهش، مقايسه دقّت روش‌هاي هوش مصنوعي در برآورد دماي روزانه خاك با استفاده از داده‌هاي هواشناسي (دماي حداقل و حداكثر روزانه، ساعات آفتابي و تبخير از تشتك) در شهرهاي زابل و شيراز و شناخت عوامل داراي تأثير بيشتر بر دماي خاك بود. بدين‌منظور با استفاده از داده‌هاي سال 1393-1390، دماي روزانه خاك در اعماق 5، 10، 20، 30، 50 و 100 سانتي‌متري با روش‌هاي شبكه عصبي‌مصنوعي، سيستم استنتاج عصبي- فازي تطبيقي، برنامه‌ريزي ژنتيك و روش تركيبي شبكه عصبي- ژنتيك مدل‌سازي شد. نتايج حاصل با استفاده از معيارهاي ريشه ميانگين مربعات خطا و ميانگين انحراف خطا و ضريب تعيين ارزيابي گرديد. بر اساس نتايج، بين دماي هوا با دماي خاك در عمق‌هاي سطحي خاك وابستگي بيشتري وجود داشت، به‌طوري‌كه بيشترين و كمترين ميزان همبستگي بين مقادير واقعي و مقادير برآوردشده در عمق‌هاي 5 سانتي‌متري (ميانگين 92 /0 R2=) و 100 سانتي‌متري (ميانگين 56 / 0=R2) مشاهده شد. همچنين دقّت روش‌هاي مورد استفاده در برآورد دماي روزانه خاك در ايستگاه‌هاي مورد بررسي متفاوت بود. براساس نتايج، در ايستگاه زابل الگوريتم تركيبي شبكه عصبي- ژنتيك و در ايستگاه شيراز مدل شبكه عصبي مصنوعي برآورد دقيق‌تري را از دماي خاك ارائه دادند (ميانگين RMSE به‌ترتيب 69/ 3 و 86 /2؛ ميانگين MAE به‌ترتيب23/ 3 و 57/ 2). با توجه به نتايج اين پژوهش پيشنهاد مي‌گردد به‌منظور انتخاب زمان و عمق مناسب كاشت بذر در فعاليت‌هاي مرتبط با احياي پوشش گياهي در مناطق خشك، با ملاحظه شرايط اقليمي هر منطقه، از روش‌هاي هوش مصنوعي دقيق‌تر براي برآورد دماي خاك استفاده گردد.
چكيده لاتين :
Estimation of the soil temperature in arid regions is one of the most important issues in planning the projects of desertification, water resource management, and establishment of vegetation.The present study aimed to compare the accuracy of artificial intelligence methods in order to estimate soil daily temperatures using meteorological data (daily minimum and maximum of temperatures, sunshine, and evaporation), as well as, identifying the most important factors on soil temperature in Zabol and Shiraz synoptic stations. For this purpose, soil daily temperature was estimated at 5, 10, 20, 30, 50 and 100 cm depths by using the three-year period data (2011-2014) and artificial neural network, neuro-fuzzy adaptive genetic programming, and combined neural network-genetic algorithm approaches. Thae results were evaluated using the root mean square error (RMSE) and mean absolute error (MAE) and determination coefficient. Based on the results, there was more dependence between the air temperature and soil temperature at the topsoil so that, the highest and the lowest correlation between actual and simulated data were observed at 5 cm (mean R2=0.92) and 100 cm depths (mean R2=0.56), respectively. The accuracy of the methods used was different from each other in estimating the soil daily temperature. Based on results, in Zabol and Shiraz stations, combined neural networks - genetic algorithm approach and artificial neural network methods provided the most accurate estimation of soil daily temperature, respectively (the mean RMSE=3.69, 2.86 and mean MAE=3.23, 2.57 respectively). According to the results of the present study, it is suggested that in order to choose appropriate time and depth of seeding in the vegetation reclamation projects in arid regions, through considering of climatic conditions of each region, precise artificial intelligence techniques could be used to estimate the soil daily temperature.
