کاربرد روش های هوش مصنوعی در شبیه سازی دمای روزانه خاک در اقلیم های خشک و نیمه خشک

تخمین دمای خاک یکی از مسائل مهم در برنامه ریزی طرح های بیابان زدایی، مدیریت منابع آب و استقرار پوشش گیاهی در مناطق خشک است. هدف از این پژوهش، مقایسه دقت روش های هوش مصنوعی در برآورد دمای روزانه خاک با استفاده از داده های هواشناسی (دمای حداقل و حداکثر روزانه، ساعات آفتابی و تبخیر از تشتک) در شهرهای زابل و شیراز و شناخت عوامل دارای تاثیر بیشتر بر دمای خاک بود. بدین منظور با استفاده از داده های سال ۱۳۹۳-۱۳۹۰، دمای روزانه خاک در اعماق ۵، ۱۰، ۲۰، ۳۰، ۵۰ و ۱۰۰ سانتی متری با روش های شبکه عصبی مصنوعی، سیستم استنتاج عصبی- فازی تطبیقی، برنامه ریزی ژنتیک و روش ترکیبی شبکه عصبی- ژنتیک مدل سازی شد. نتایج حاصل با استفاده از معیارهای ریشه میانگین مربعات خطا و میانگین انحراف خطا و ضریب تعیین ارزیابی گردید. بر اساس نتایج، بین دمای هوا با دمای خاک در عمق های سطحی خاک وابستگی بیشتری وجود داشت، به طوری که بیشترین و کمترین میزان همبستگی بین مقادیر واقعی و مقادیر برآوردشده در عمق های ۵ سانتی متری (میانگین ۹۲/۰R۲=) و ۱۰۰ سانتی متری (میانگین ۵۶/۰R۲=) مشاهده شد. همچنین دقت روش های مورد استفاده در برآورد دمای روزانه خاک در ایستگاه های مورد بررسی متفاوت بود. براساس نتایج، در ایستگاه زابل الگوریتم ترکیبی شبکه عصبی- ژنتیک و در ایستگاه شیراز مدل شبکه عصبی مصنوعی برآورد دقیق تری را از دمای خاک ارائه دادند (میانگین RMSE به ترتیب ۶۹/۳ و ۸۶/۲؛ میانگین MAE به ترتیب۲۳/۳ و ۵۷/۲). با توجه به نتایج این پژوهش پیشنهاد می گردد به منظور انتخاب زمان و عمق مناسب کاشت بذر در فعالیت های مرتبط با احیای پوشش گیاهی در مناطق خشک، با ملاحظه شرایط اقلیمی هر منطقه، از روش های هوش مصنوعی دقیق تر برای برآورد دمای خاک استفاده گردد.

کلیدواژه ها:

بیابان زدایی ، دمای خاک ، داده های هواشناسی ، هوش مصنوعی ، شیراز ، زابل