امید بهمنی

دمای خاک یکی ازمتغیرهای مهم در مطالعات هیدرولوژی، هواشناسی، کشاورزی واقلیم شناسی می باشد که اندازه گیری و برآورد آن ضروری است. با توجه به اینکه دمای خاک فقط در ایستگاه های سینوپتیک کشور اندازه گیری شد، کمبود آن در نقاط فاقد ایستگاه از چالش های بزرگ در بسیاری از مطالعات مرتبط با کشاورزی است. در این پژوهش با استفاده از پارامترهای هواشناسی ایستگاه سینوپتیک شیراز در یک دوره 9 ساله (2008-2000) به برآورد دمای خاک در سه عمق 5، 10 و 30 سانتی متری 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 می تواند باعث بهبود نتایج شود. بدین منظور، با استفاده از تکنیک آماری چند متغیره آنالیز مولفه های اصلی (PCA)، که باعث کاهش تعداد متغیرها و ورود متغیرهای موثر به شبکه می شود، اقدام به برآورد دمای خاک شد (PCA-ANN). ابتدا از PCA برای کاهش متغیرهای ورودی استفاده شد و هشت متغیر هواشناسی به هشت مولفه اصلی تبدیل شد. چهار مولفه ی اصلی اول بیش از 99 درصد واریانس کل را به خود اختصاص داد. برای ارزیابی دو مدل ANN و PCA-ANN از شاخص های آماری ضریب همبستگی (r)، میانگین جذر مربعات خطا (RMSE) و میانگین خطای اریبی (MBE) استفاده شد. نتایج به دست آمده حاکی از نقش موثر پیش پردازش روی متغیرها توسط PCAبود. دست آوردها نشان داد که شاخص های آماری r، RMSE، MBE (در دوره ی صحت سنجی) به ترتیب با اندازه 98/0، 61/1 و 2/0 برای مدل PCA-ANN بر روی پارامتر دمای خاک در عمق 5 سانتی-متری بهترین نتیجه را به دنبال داشت. روی هم رفته، سنجش دست آوردهای مدل PCA-ANN با دست آوردهای مدل ANN و داده های مشاهده شده نشانگر برتری معنی دار مدل PCA-ANN نسبت به مدل ANN می باشد. لذا مدل PCA-ANN با ساختاری ساده تر، سرعت آموزش شبکه بیشتر و نتایجی دقیق تر می تواند جایگزین مدل ANN برای برآورد پارامتر دمای خاک باشد.