کاربرد روش‌های هوش مصنوعی در شبیه‌سازی دمای روزانه خاک در اقلیم‌های خشک و نیمه‌خشک

Abstract

تخمین دمای خاک یکی از مسائل مهم در برنامه‌ریزی طرح‌های بیابان‌زدایی، مدیریت منابع آب و استقرار پوشش گیاهی در مناطق خشک است. هدف از این پژوهش، مقایسه دقّت روش‌های هوش مصنوعی در برآورد دمای روزانه خاک با استفاده از داده‌های هواشناسی (دمای حداقل و حداکثر روزانه، ساعات آفتابی و تبخیر از تشتک) در شهرهای زابل و شیراز و شناخت عوامل دارای تأثیر بیشتر بر دمای خاک بود. بدین‌منظور با استفاده از داده‌های سال 1393-1390، دمای روزانه خاک در اعماق 5، 10، 20، 30، 50 و 100 سانتی‌متری با روش‌های شبکه عصبی‌مصنوعی، سیستم استنتاج عصبی- فازی تطبیقی، برنامه‌ریزی ژنتیک و روش ترکیبی شبکه عصبی- ژنتیک مدل‌سازی 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 عمق‌های سطحی خاک وابستگی بیشتری وجود داشت، به‌طوری‌که بیشترین و کمترین میزان همبستگی بین مقادیر واقعی و مقادیر برآوردشده در عمق‌های 5 سانتی‌متری (میانگین 92/0R²=) و 100 سانتی‌متری (میانگین 56/0R²=) مشاهده شد. همچنین دقّت روش‌های مورد استفاده در برآورد دمای روزانه خاک در ایستگاه‌های مورد بررسی متفاوت بود. براساس نتایج، در ایستگاه زابل الگوریتم ترکیبی شبکه عصبی- ژنتیک و در ایستگاه شیراز مدل شبکه عصبی مصنوعی برآورد دقیق‌تری را از دمای خاک ارائه دادند (میانگین RMSE به‌ترتیب 69/3 و 86/2؛ میانگین MAE به‌ترتیب23/3 و 57/2). با توجه به نتایج این پژوهش پیشنهاد می‌گردد به‌منظور انتخاب زمان و عمق مناسب کاشت بذر در فعالیت‌های مرتبط با احیای پوشش گیاهی در مناطق خشک، با ملاحظه شرایط اقلیمی هر منطقه، از روش‌های هوش مصنوعی دقیق‌تر برای برآورد دمای خاک استفاده گردد.