نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار دانشکدۀ منابعطبیعی، دانشگاه تهران
2 دانشجوی دکتری دانشکدة منابع طبیعی، دانشگاه تهران
3 استادیار دانشکدۀ منابعطبیعی، دانشگاه جیرفت
4 دانش آموختة کارشناسی ارشد، دانشکدة منابع طبیعی، دانشگاه تهران
چکیده
دمای خاک یکی از مهمترین پارامترهای تأثیرگذار بر روی فرایندهای هیدرولوژیکی میباشد و یکی از عوامل مؤثر در استقرار پوشش گیاهی در مناطق خشک است. بررسیها نشان داده است دمای خاک تحت تأثیر پارامترهایی از قبیل متوسط دمای هوای روزانه، حداقل و حداکثر دمای روزانه، تبخیر، تابش خورشیدی، تعداد ساعات آفتابی و بارش میباشد؛ شناخت از مدل تغییرات دما در اعماق مختلف خاک میتواند در تعیین نیاز آبی گیاهان و فعالیتهای بیولوزیکی بسیار مؤثر باشد. با توجه به اهمیت موضوع، در این مطالعه از دادههای سینوپتیکی اصفهان بهمنظور مدلسازی دمای خاک در عمق 5 تا 100 سانتی متری خاک با استفاده از شبکۀ عصبی– مصنوعی استفاده شد. نتایج نشان داد که خطای مدل با افزایش عمق افزایش پیدا میکند بهطوریکه بیشترین خطای مدل در عمق 100 سانتیمتری و کمترین خطای مدلها در عمق 10 سانتیمتر از سطح میباشد. همچنین نتایج نشان داد افزایش خطای مدلهای شبکۀ عصبی مصنوعی در شبیهسازی تغییرات دمای خاک در لایههای عمقی میباشد و علت اصلی افزایش کارایی مدلهای هوش مصنوعی در شبیهسازی دمای خاک در لایههای سطحی نسبت به لایههای تحتانی عمدتاً مربوط به کاهش همبستگی بین پارامترهای اقلیمی و تغییرات دمای خاک در لایههای تحتانی نسبت به لایههای فوقانی است. به طوری که ضریب تغییرپذیری دمای خاک با افزایش عمق نسبت به لایههای سطحی کمتر است و کمتر تحت تأثیر متغیرهای اقلیمی از جمله دمای خاک قرار میگیرد.
کلیدواژهها
عنوان مقاله [English]
Modeling of daily soil temperature using synoptic data and neural network
نویسندگان [English]
- TAYYEBEH MESBAHZADEH 1
- ali azareh 2
- Elham Rafiiei sardooi 3
- Fateme FarzanePei 4
1 university of tehran
2
3 university of jiroft
4 University of tehran
چکیده [English]
Soil moisture, as the soil hydrologic parameters, can be affected by soil temperature and controls various hydrological processes. Given the importance of this issue, in this study, the efficiency of artificial neural network was studied to simulate soil temperature at 5- 100 cm depth. Recorded meteorological parameters in the Isfahan synoptic station were used to simulate the soil temperature at different depths. The structure of the neural network was formed with an input layer, a hidden layer and an output layer and network training was done by Levenberg–Marquardt algorithm. Also test and error was done to determine a number of suitable neurons in hidden layer. The results showed that error in both neural network and ANFIS model increases with depth increase that can be due to the weak correlation between soil temperature changes in the lower layers and climatic parameters.
کلیدواژهها [English]
- Artificial Neural Network
- Isfahan
- Climatic parameters
- Soil temperature