تحليل الگوي تغييرات دماي اعماق مختلف خاك تحت تاثير رطوبت و دماي هوا (مطالعه موردي: حوزه آبخيز طالقان)

Pattern Changes Analysis of Soil Temperature in Different Depths under the Influence of Humidity and Air Temperature (Case Study: Taleghan Watershed

در اين مطالعه، به منظور تحليل الگوي تغييرات دماي اعماق مختلف خاك تحت تاثير دماي هوا (حداقل، ميانگين و حداكثر) و رطوبت هوا (كمينه، ميانگين و بيشينه) از آزمون­هاي پيرسون و رگرسيون از ايستگاه سينوپتيك طالقان طي دوره­ آماري 1386 تا 1394 استفاده گرديد. نتايج پژوهش نشان داد كه بيش­ترين ضريب همبستگي، مربوط به دماي هوا و كمترين آن مربوط به رطوبت هوا كه مقدار عكس دارد، مي باشد. به طوري كه بيشترين ضريب تبيين دما و رطوبت هوا در عمق 5 سانتي­متري و كمترين آن در عمق 100 سانتي­متري بوده است. به منظور برآورد دماي اعماق خاك از روي متغيرهاي دما و رطوبت هوا، مدل­هاي رگرسيوني برازش داده شده، با استفاده از 70 درصد داده ­ها كاليبره و با 30 درصد آنها صحت­سنجي گرديدند. بدين صورت براي ارزيابي دقت مراحل كاليبراسيون و صحت­سنجي از معيارهاي ارزيابي خطا RMSE و NSE استفاده گرديد كه نتايج معيارهاي ارزيابي خطا در حالت كلي نشان داد كه مدل­ هاي رگرسيوني ارائه شده از كارايي خوبي در برآورد دماي اعماق مختلف خاك را داشته ­اند به طوري­كه بررسي مدل ­هاي رگرسيوني نشان داد كه كارايي اين مدل ­ها در اعماق نزديك به سطح بهتر بوده است و با افزايش عمق مقادير ضريب همبستگي كاهش و مقادير معيارهاي ارزيابي خطا افزايش مي ­يابد.

In this study, to analyze the pattern of soil temperature changes in the depths of 5, 10, 20, 30, 50 and 100 cm under the influence of temperature (minimum, average and maximum) and humidity (minimum, average and maximum) the Pearson and regression methods were used for Taleghaan synoptic station during the period of 2008 to 2016. The results showed that soil temperature had the highest correlation coefficient with air temperature while the lowest correlation was found with air humidity time series. So that, the maximum coefficient of determination of air temperature and humidity was in a depth of 5 cm whereas the lowest was found in a depth of 100 cm. In order to estimate the deep soil temperature using temperature and humidity variables, the regression models were fitted by 70% to 30% of data for calibration and validation stages, respectively. So, to evaluate the accuracy of the calibration and validation stages, the NSE and RMSE error criteria were used. In general, the results indicated that the presented regression models had very good and acceptable performance to estimate soil temperature and also with increasing soil depths, correlation coefficient has decreased while error evaluation criteria have increased.