مدل‌سازی دمای روزانۀ خاک با استفاده از داده‌های سینوپتیکی و شبکۀ عصبی

Abstract

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.