شبيه سازي دماي خاك در اعماق مختلف با استفاده از الگوريتم تركيبي شبكه عصبي ژنتيك (ANN-GA) و شبكه عصبي(ANN)(منطقه موردي: ايستگاه سينوپتيك زابل)

Simulation of soil temperature at different depths by using ANN-GA and ANN (Area: Synoptic Station Zabol)

تخمين دماي خاك هر منطقه يكي از مسائل مهم در برنامه ريزي طرح هاي مديريت منابع آب و استقرار پوشش گياهي در مناطق خشك مي باشد كه به روش هاي مختلفي همچون مدل هاي تجربي، نيمه تجربي و هوشمند قابل انجام است. از جمله مدل هاي تجربي مورد استفاده دراين زمينه مي توان به شبكه عصبي مصنوعي (ANN) و الگوريتم تركيبي شبكه عصبي- ژنتيك اشاره نمود. هدف از انجام اين پژوهش مقايسه مدل شبكه عصبي با الگورريتم تركيبي شبكه عصبي- ژنتيك است. بدين منظور پس از با جمع آوري داده‌هاي روزانه دماي خاك در اعماق 50،30،20،10،5 و100سانتي متري موجود در ايستگاه سينوپتيك در سال هاي1393-1390، داده¬هاي دردسترس به نسبت 60، 20 و 20 درصد به روش تصادفي به سه مجموعه آموزش، آزمون و اعتبارسنجي تقسيم خواهد شد. به منظور دستيابي آسان¬تر به تعيين تركيب بهينه پارامترهاي موثر از جمله دماي حداكثر، دماي حداقل، ساعات آفتابي و تبخير در واسنجي ضرايب ANN از الگوريتم تركيبي(ANN-GA) به عنوان يك ابزار شبيه سازي استفاده گرديده است. نتايج شبيه سازي توسط مدل ها با استفاده از معيارهاي ريشه ميانگين مربعات خطا (RMSE) و ميانگين انحراف خطا (MAE) مورد ارزيابي قرار گرفته است. مشخصات شبكه با استفاده از بسته نرم‌افزاري MATLAB تعيين شد. نتايج نشان داد در شبكه عصبي نسبت به الگوريتم تركيبي شبكه عصبي- ژنتيك از ميزان خطا بيشتر و دقت كمتري برخوردار است از دلايل آن مي توان به بالا بودن دقت و كارايي بالا مدل الگوريتم تركيبي شبكه عصبي- ژنتيك نام برد.

Estimate of the temperature of every area is one of the important issues in water resource planning and settlement of vegetation in arid areas which is possible by empirical model, semi-empirical and smart modal. The examples of empirical models are ANN-GN and ANN. The purpose of this study is to compare ANN-GN model to ANN model. In order to do this, daily data of soil temperature at depths of 5, 10, 20, 30, 50, 100 cm at Synoptic station of Zabol from 1390 – 1393 were collected. Then these data in proportion of %20, %20, and % 60 were randomly divided to three groups _educational, experimental, validating. In order to determine conveniently the optimal compound different factors including maximum temperature and minimum temperature or sunny hours of day and also evaporation in Examination of ANN coefficients in ANN-GN as a simulation were used. The results of simulation of models were estimated by criteria of root mean squares error and the average deviation error criteria. Specifications were determined by MATLAB software. The results showed that error rate in ANN is more than in ANN-GA. High accuracy and performance are two reason for this.