تخمين دماي سطحي و عمقي خاك از داده‌هاي هواشناسي با استفاده از تكنيك‌هاي يادگيري ماشين در اقليم فرا خشك

برآورد دقيق دما در اعماق مختلف خاك در اندركنش زمين و جو بسيار مهم است. در اين مطالعه كاربرد شش مدل مختلف يادگيري ماشين شامل شبكه عصبي مصنوعي (ANN)، درخت تصميم گيري (DT)، كيوبست (CB)، جنگل تصادفي (RF)، ماشين بردار پشتيبان (SVM) و رگرسيون خطي (LR) براي مدل سازي روزانه دماي خاك در شش عمق مختلف 5، 10، 20، 30، 50 و 100 سانتي متر در كرمان مورد بررسي قرار گرفت. مجموعه اي از داده هاي هواشناسي سهل الوصول شامل دماي حداكثر و حداقل، رطوبت نسبي، نقطه شبنم، تبخيرتعرق و فشار جو به عنوان ورودي مدل ها استفاده شد. آناليز درجه اهميت و همبستگي براي متغيرهاي ورودي بر اساس اطلاعات دوره آماري 18 ساله انجام شد. با توجه به نتايج، عملكرد هر شش مدل بر اساس معيارهاي ارزيابي (0.86 lt;R2 ، RMSE lt; 2.8 درجه سانتيگراد و Bias lt; 0.14 درجه سانتيگراد) در همه اعماق قابل قبول بود. با اين حال، RF، ANN و SVM كارايي بسيار بالايي در تخمين دماي خاك (0.97   lt;R2) از خود نشان دادند. همچنين مدل DT و پس از آن LR عملكرد ضعيف تري نسبت به بقيه داشتند. بررسي درجه اهميت متغيرها نشان داد كه از بين پارامترهاي ورودي، دماي حداكثر و حداقل داراي بيشترين تاثير در پيش بيني دماي خاك در همه مدل ها داشت. در نهايت مي توان با اطمينان اذعان داشت كه مدل هاي يادگيري ماشين نظير جنگل تصادفي، شبكه عصبي مصنوعي و بردار پشتيبان قابليت تخمين دماي خاك سطحي و عمقي در اقليم خشك را در شرايط نبود تجهيزات اندازه گيري دارند.