پديد آورندگان :
بهمني، اميد نويسنده استاديار دانشگاه بوعلي سينا , , امير مرادي، كيميا نويسنده دانشجوي سابق كارشناسي ارشد دانشگاه بوعلي سينا همدان ,
چكيده فارسي :
دماي خاك يكي از متغيرهاي مهم در مطالعات هيدرولوژي، هواشناسي، كشاورزي و اقليم شناسي است كه اندازه گيري و برآورد آن ضروري است. با توجه به اين كه دماي خاك فقط در ايستگاه هاي سينوپتيك كشور اندازه گيري مي شود، كمبود آن در نقاط فاقد ايستگاه از چالش هاي بزرگ در بسياري از مطالعات مرتبط با كشاورزي است. در اين پژوهش، با استفاده از پارامترهاي هواشناسي ايستگاه سينوپتيك شيراز در يك دوره 9 ساله (2008-2000) به برآورد دماي خاك در سه عمق پنج، 10 و 30 سانتي متري با استفاده از شبكه عصبي مصنوعي پرسپترون چندلايه پرداخته شد. به علت تعداد زياد متغيرهاي مورد استفاده براي برآورد دماي خاك، شناخت متغيرهاي موثر بر شبكه مي تواند باعث بهبود نتايج شود. بدين منظور، با استفاده از تكنيك آماري چند متغيره آناليز مولفه هاي اصلي (PCA) كه باعث كاهش تعداد متغيرها و ورود متغيرهاي موثر به شبكه مي شود، اقدام به برآورد دماي خاك شد (PCA-ANN). ابتدا، از روش PCA براي كاهش متغيرهاي ورودي استفاده شد و هشت متغير هواشناسي به هشت مولفه اصلي تبديل شد. چهار مولفه اصلي اول بيش از 99 درصد واريانس كل را به خود اختصاص داد. براي ارزيابي دو مدل ANN و PCA-ANN از شاخص هاي آماري ضريب همبستگي (r)، ميانگين جذر مربعات خطا (RMSE) و ميانگين خطاي اريبي (MBE) استفاده شد. نتايج به دست آمده حاكي از نقش موثر پيش پردازش روي متغيرها با استفاده از PCA بود. دست آوردها نشان داد كه شاخص هاي آماري r، RMSE، MBE (در دوره صحت سنجي) به ترتيب برابر 98/0، 61/1 و 2/0 براي مدل PCA-ANN بر روي پارامتر دماي خاك در عمق پنج سانتي متري نتيجه بهتري را به دنبال داشت. روي هم رفته، سنجش دست آوردهاي مدل PCA-ANN با دستاوردهاي مدل ANN و داده هاي مشاهده شده نشانگر برتري مدل PCA-ANN نسبت به مدل ANN است. لذا، مدل PCA-ANN با ساختاري ساده تر، سرعت آموزش شبكه بيشتر و نتايجي دقيق تر مي تواند جايگزين مدل ANN براي برآورد پارامتر دماي خاك باشد.
چكيده لاتين :
Soil temperature is one of the key parameters affecting most hydrologic and agricultural processes. Therefore, its measurement and prediction is very crucial. Since soil temperature is measured only in the synoptic meteorological stations, lack or shortage of data is the major challenge in many agricultural studies. In this study, soil temperature data were predicted at three different depths of 5, 10 and 30 cm by an Artificial Neural Networks using meteorological parameters recorded at Shiraz synoptic stations during the period 2000-2008. Due to the large number of variables used in this study to predict soil temperature, identifying the more effective variables could improve the results. Therefore, using a multivariate statistical technique of principal component analysis (PCA), which effectively reduces the number of variables and inputs the effective variables to the network, the soil temperature was predicted by (PCA-ANN). At first, PCA was used to reduce the input variables and 8 meteorological variables were altered to 8 main components. The first four principal components accounted for over 99% of the total variance. In order to evaluate ANN and PCA-ANN models, correlation coefficient (r), Root Mean Square Error (RMSE) and Mean Bias Error (MBE) were used. Results showed that the statistical parameter values (verification period) with 0.98, 1.61 and 0.2 for r, RMSE, MBE, respectively, had the best results on soil temperature at 5 cm depth for PCA-ANN model. The results indicated the importance of preprocessing the variables by PCA. The PCA-ANN model in comparison with the ANN model had an easier structure, the ability of faster training, and more accurate results.
