برآورد دمای خاک از داده های هواشناسی با استفاده از مدل های یادگیری ماشین سریع، شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

دمای خاک عامل کلیدی است که فرآیندها و خصوصیات فیزیکی، شیمیایی و بیولوژیکی خاک را کنترل می­کند؛ لذا بر کمیت و کیفیت تولید محصولات کشاورزی تاثیر می­گذارد. هدف از انجام این پژوهش برآورد دمای خاک با استفاده از پارامترهای هواشناسی به روش­های مختلف ماشین یادگیری بوده است. بدین منظور داده های هواشناسی و دمای خاک در عمق های ۵، ۱۰، ۲۰، ۳۰، ۵۰ و ۱۰۰ سانتی متری از ۱۷ ایستگاه سینوپتیک استان خوزستان مربوط به ۲۵ سال (۱۹۹۴ تا ۲۰۱۸) گردآوری شد. مدل های شبکه عصبی پرسپترون چندلایه (MLPNN)، ماشین یادگیری سریع (ELM) و رگرسیون خطی چندگانه (MLR) برای برآورد دمای خاک استفاده شدند. داده های دمای هوا، سرعت باد، رطوبت نسبی هوا، فشار بخار، تبخیر و بارندگی به­عنوان ورودی برای آموزش مدل­ها استفاده شدند. نتایج نشان داد که تمام مدل­ها برآوردی بهتری از دمای لایه سطحی خاک (عمق ۳۰-۰ سانتی­متری) داشته و با افزایش عمق دقت­آن­ها کاهش می­یابد، به­طوری­که بهترین دقت برآورد دمای خاک مربوط به عمق ۵ و کمترین آن مربوط به عمق ۱۰۰ سانتی متری بود. نتایج نشان داد مدل­های MLR، MLPNN و ELM عملکردی مطلوب در مدل­سازی دمای خاک در تمام عمق­ها داشتند. برای مدل­های MLR، MLPNN، ELM به ترتیب مقادیر R۲ از ۸۶۴/۰-۷۰۰/۰، ۹۹۷/۰-۹۶۷/۰ و ۹۹۶/۰-۹۶۷/۰، مقادیر RMSE از ۸۲۳/۲-۵۵۷/۲، ۰۷۲/۰-۰۳۴/۰ و ۰۷۸/۰-۰۲۸/۰ درجه سلسیوس و مقادیر MAE از ۵۲۹/۱-۳۹۸/۱، ۰۶۳/۰-۰۲۳/۰ و ۰۶۵/۰-۰۲۳/۰ درجه سلسیوس بود. نتایج نشان داد که دو مدل MLPNN و ELM دارای عملکردی تقریبا مشابه و بهتر از مدل رگرسیون خطی چندگانه بودند؛ اما به دلیل سرعت محاسبات بسیار بالای مدل ELM، پیشنهاد می­گردد از مدل MLPNN برای تخمین دمای نیمرخ خاک استفاده شود.

برآورد دمای خاک از داده های هواشناسی با استفاده از مدل های یادگیری ماشین سریع، شبکه عصبی مصنوعی و رگرسیون خطی چندگانه Keywords:

استان خوزستان , پارامترهای هواشناسی , رگرسیون خطی چندگانه , شبکه عصبی پرسپترون چندلایه , ماشین یادگیری سریع