كليدواژه :
استان خوزستان , پارامترهاي هواشناسي , رگرسيون خطي چندگانه , شبكه عصبي پرسپترون چندلايه , ماشين يادگيري سريع
چكيده فارسي :
دماي خاك عامل كليدي است كه فرآيندها و خصوصيات فيزيكي، شيميايي و بيولوژيكي خاك را كنترل مي كند؛ لذا بر كميت و كيفيت توليد محصولات كشاورزي تاثير مي گذارد. هدف از انجام اين پژوهش برآورد دماي خاك با استفاده از پارامترهاي هواشناسي به روش هاي مختلف ماشين يادگيري بوده است. بدين منظور داده هاي هواشناسي و دماي خاك در عمق هاي 5، 10، 20، 30، 50 و 100 سانتي متري از 17 ايستگاه سينوپتيك استان خوزستان مربوط به 25 سال (1994 تا 2018) گردآوري شد. مدل هاي شبكه عصبي پرسپترون چندلايه (MLPNN)، ماشين يادگيري سريع (ELM) و رگرسيون خطي چندگانه (MLR) براي برآورد دماي خاك استفاده شدند. داده هاي دماي هوا، سرعت باد، رطوبت نسبي هوا، فشار بخار، تبخير و بارندگي به عنوان ورودي براي آموزش مدل ها استفاده شدند. نتايج نشان داد كه تمام مدل ها برآوردي بهتري از دماي لايه سطحي خاك (عمق 30-0 سانتي متري) داشته و با افزايش عمق دقت آن ها كاهش مي يابد، به طوري كه بهترين دقت برآورد دماي خاك مربوط به عمق 5 و كمترين آن مربوط به عمق 100 سانتي متري بود. نتايج نشان داد مدل هاي MLR، MLPNN و ELM عملكردي مطلوب در مدل سازي دماي خاك در تمام عمق ها داشتند. براي مدل هاي MLR، MLPNN، ELM به ترتيب مقادير R2 از 0/864-0/700، 0/997-0/967 و 0/996-0/967، مقادير RMSE از 2/823-2/557، 0/072-0/034 و 0/078-0/028 درجه سلسيوس و مقادير MAE از 1/529-1/398، 0/063-0/023 و 0/065-0/023 درجه سلسيوس بود. نتايج نشان داد كه دو مدل MLPNN و ELM داراي عملكردي تقريبا مشابه و بهتر از مدل رگرسيون خطي چندگانه بودند؛ اما به دليل سرعت محاسبات بسيار بالاي مدل ELM، پيشنهاد مي گردد از مدل MLPNN براي تخمين دماي نيمرخ خاك استفاده شود.
چكيده لاتين :
Soil temperature (Ts) is a key factor controlling the soil physical, chemical and biological properties and processes and consequently affects agricultural crop productions. The objective of this study was to estimate Ts from meteorological data using different machine learning methods. For this purpose, meteorological data and soil temperature at different depths (5, 10, 20, 30, 50 and 100 cm from the soil surface) for 25 years (1994-2018) were collected from 17 synoptic stations in Khuzestan province, Iran. Air temperature, wind speed, relative humidity, evaporation, precipitation, and vapor pressure were used as inputs to train the models. Multiple Linear Regression (MLR), Multilayer Perceptron Neural Network (MLPNN) and Extreme Learning Machine (ELM) models were used to predict soil temperature from metrological data. The results indicated that all models predicted temperature of the top layer (0-30 cm) better than the ones in sublayers. on the other hand, by increasing soil depth the accuracy of the models diminished; so that, the best and worst Ts predictions were belong to 5 cm and 100 cm depth, respectively. The results revealed that MLR, MLPNN and ELM models provided desirable performance in modeling Ts at all depths, with R2 values ranging 0.700-0.864, 0.967-0.997, and 0.967-99, RMSE values ranging 2.557–2.873, 0.034–0.072, and 0.028–0.078 °C, and MAE values ranging 1.398–1.529, 0.023–0.063, and 0.023–0.065 °C, respectively. Overall, the results showed that MLPNN and ELM models had approximately similar performance and better accuracy than MLR model. However, because of the high computational speed of the ELM model, it is recommended to use MLPNN model for estimation of soil profile Ts.
