برآورد دماي عمق هاي مختلف خاك از دماي هوا با بكار گيري روابط رگرسيوني، شبكه عصبي و شبكه عصبي-فازي (مطالعه موردي: منطقه كرمانشاه)

Estimation of Soil Temperature from Air Temperature Using Regression Models, Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System (Case Study: Kermanshah Region)

به منظور برقراري و بررسي روابط رگرسيوني و ارايه رابطه ساده و منطقي بين درجه حرارت هوا و عمق هاي مختلف خاك و مقايسه با مدل هاي شبكه عصبي و عصبي- فازي در ايستگاه سينوپتيك كرمانشاه مطالعه اي بر روي داده هاي جمع آوري شده درجه حرارت هوا و اعماق 5، 10، 20، 30، 50 و 100 سانتي متري خاك از ايستگاه مذكور در دوره آماري 1992-2005 انجام پذيرفت. جهت تعيين بهترين معادله بين دماي هوا و هر عمق خاك از فراسنج هاي آماري ضريب همبستگي بين داده ها (R2)، جذر ميانگين مربع خطا (RMSE) و ميانگين خطاي مطلق (MAE) استفاده گرديد. نتايج نشان داد كه در مورد روابط رگرسيوني، بر اساس ضريب همبستگي و پارامترهاي خطا روابط خطي درجه سوم، خطي درجه دوم، خطي درجه اول، نمايي و لگاريتمي به ترتيب داراي بهترين برآورد بودند. همچنين نتايج نشان داد كه بهترين و بدترين برآورد بين دماي هوا و دماي خاك به ترتيب در عمق 5 سانتي متري و عمق 100 سانتي متري خاك مشاهده گرديد. نتايج حاصل از اين مطالعه منجر به ارايه يك معادله درجه دوم و يك معادله خطي (با توجه به ساده بودن نسبت به معادله درجه سوم) به ازاي هر عمق خاك گرديد. با توجه به ضرايب همبستگي و خطاهاي به دست آمده مي توان گفت اين رابطه براي عمق 100 سانتي متري خاك داراي دقت پايين، اما براي ساير عمق ها مطلوب و داراي دقت بالايي مي باشد. همچنين نتايج تحقيق حاضر نشان داد كه مدل ANN داراي دقت بيشتري نسبت به مدل ANFIS در برآورد دماي خاك مي باشد. دقت مدل رگرسيوني كمتر از اين دو روش مشاهده گرديد.

In order to develop a simple and rational relationship between air temperature and soil temperature at different depths and to compare to Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS) a study was conducted during 1992-2005. Air temperatures and soil temperature at depths of 5, 10, 20, 30, 50 and 100 centimeters were measured at Kermanshah station. To determine the optimum functional relationships between parameters the statistical criteria of correlation coefficient, RMSE and MAE were used. Based on correlation coefficient and error parameters, results showed that the regression methods of the third and second degree equations, linear, power and logarithmic had the best estimations, respectively. Also, results showed that the best and worst estimations between air temperature and soil temperature were observed, at 5 and 100 cm soil depths respectively. Results of this study produced a second degree equation and a linear equation (noting their simpticities of application in comparison with the third degree equation) for each soil depth. Based on the correlation coefficients and errors if can be said that obtained this equation is usable for soil depth of 100 cm with poor precision, but in the case of other depths has to high accuracy. The comparisons of regressions, ANN and ANFIS results indicated that ANN estimated more accurately soil temperature