برآورد دمای خاک از داده های هواشناسی با استفاده از مدل های یادگیری ماشین سریع، شبکه عصبی مصنوعی و رگرسیون خطی چندگانه
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 104
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJSWR-51-4_008
تاریخ نمایه سازی: 2 خرداد 1402
Abstract:
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.
Keywords:
استان خوزستان , پارامترهای هواشناسی , رگرسیون خطی چندگانه , شبکه عصبی پرسپترون چندلایه , ماشین یادگیری سریع
Authors
حسین زادمهر
علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز ، ایران
احمد فرخیان فیروزی
دانشیار، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :