برآورد دمای روزانه خاک با استفاده از شبکه عصبی مصنوعی

دمای خاک یکی از متغیرهای مهم در مطالعات هیدرولوژی، هواشناسی، کشاورزی و اقلیم­شناسی است که اندازه­گیری و برآورد آن ضروری است. با توجه به این­که دمای خاک فقط در ایستگاه­های سینوپتیک کشور اندازه­گیری می­شود، کمبود آن در نقاط فاقد ایستگاه از چالش­های بزرگ در بسیاری از مطالعات مرتبط با کشاورزی است. در این پژوهش، با استفاده از پارامترهای هواشناسی ایستگاه سینوپتیک شیراز در یک دوره ۹ ساله (۲۰۰۸-۲۰۰۰) به برآورد دمای خاک در سه عمق پنج، ۱۰ و ۳۰ سانتی­متری با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه پرداخته شد. به علت تعداد زیاد متغیرهای مورد استفاده برای برآورد دمای خاک، شناخت متغیرهای موثر بر شبکه می­تواند باعث بهبود نتایج شود. بدین منظور، با استفاده از تکنیک آماری چند متغیره آنالیز مولفه­های اصلی (PCA) که باعث کاهش تعداد متغیرها و ورود متغیرهای موثر به شبکه می­شود، اقدام به برآورد دمای خاک شد (PCA-ANN). ابتدا، از روش PCA برای کاهش متغیرهای ورودی استفاده شد و هشت متغیر هواشناسی به هشت مولفه اصلی تبدیل شد. چهار مولفه اصلی اول بیش از ۹۹ درصد واریانس کل را به خود اختصاص داد. برای ارزیابی دو مدل ANN و PCA-ANN از شاخص­های آماری ضریب همبستگی (r)، میانگین جذر مربعات خطا (RMSE) و میانگین خطای اریبی (MBE) استفاده شد. نتایج به دست آمده حاکی از نقش موثر پیش­پردازش روی متغیرها با استفاده از  PCA بود. دست­آوردها نشان داد که شاخص­های آماری r، RMSE، MBE (در دوره­ صحت سنجی) به ترتیب برابر ۹۸/۰، ۶۱/۱ و ۲/۰ برای مدل PCA-ANN بر روی پارامتر دمای خاک در عمق پنج سانتی­متری نتیجه بهتری را به دنبال داشت. روی هم رفته، سنجش دست آوردهای مدل PCA-ANN با دستاوردهای مدل ANN و داده­های مشاهده شده نشانگر برتری مدل PCA-ANN نسبت به مدل ANN است. لذا، مدل PCA-ANN با ساختاری ساده­تر، سرعت آموزش شبکه بیشتر و نتایجی دقیق­تر می­تواند جایگزین مدل ANN برای برآورد پارامتر دمای خاک باشد.