مدل سازی دمای روزانه خاک با استفاده از داده های سینوپتیکی و شبکه عصبی

دمای خاک یکی از مهم ترین پارامترهای تاثیرگذار بر روی فرایند های هیدرولوژیکی می باشد و یکی از عوامل موثر در استقرار پوشش گیاهی در مناطق خشک است. بررسی ها نشان داده است دمای خاک تحت تاثیر پارامترهایی از قبیل متوسط دمای هوای روزانه، حداقل و حداکثر دمای روزانه، تبخیر، تابش خورشیدی، تعداد ساعات آفتابی و بارش می باشد؛ شناخت از مدل تغییرات دما در اعماق مختلف خاک می تواند در تعیین نیاز آبی گیاهان و فعالیت های بیولوزیکی بسیار موثر باشد. با توجه به اهمیت موضوع، در این مطالعه از داده های سینوپتیکی اصفهان به منظور مدل سازی دمای خاک در عمق 5 تا 100 سانتی متری خاک با استفاده از شبکه عصبی– مصنوعی استفاده شد. نتایج نشان داد که خطای مدل با افزایش عمق افزایش پیدا می کند به طوری که بیشترین خطای مدل در عمق 100 سانتی متری و کمترین خطای مدل ها در عمق 10 سانتی متر از سطح می باشد. همچنین نتایج نشان داد افزایش خطای مدل های شبکه عصبی مصنوعی در شبیه سازی تغییرات دمای خاک در لایه های عمقی می باشد و علت اصلی افزایش کارایی مدل های هوش مصنوعی در شبیه سازی دمای خاک در لایه های سطحی نسبت به لایه های تحتانی عمدتا مربوط به کاهش همبستگی بین پارامترهای اقلیمی و تغییرات دمای خاک در لایه های تحتانی نسبت به لایه های فوقانی است. به طوری که ضریب تغییرپذیری دمای خاک با افزایش عمق نسبت به لایه های سطحی کمتر است و کمتر تحت تاثیر متغیرهای اقلیمی از جمله دمای خاک قرار می گیرد.