تخمین دمای سطحی و عمقی خاک از داده های هواشناسی با استفاده از تکنیک های یادگیری ماشین در اقلیم فرا خشک

برآورد دقیق دما در اعماق مختلف خاک در اندرکنش زمین و جو بسیار مهم است. در این مطالعه کاربرد شش مدل مختلف یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN)، درخت تصمیم گیری (DT)، کیوبست (CB)، جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و رگرسیون خطی (LR) برای مدل سازی روزانه دمای خاک در شش عمق مختلف 5، 10، 20، 30، 50 و 100 سانتی متر در کرمان مورد بررسی قرار گرفت. مجموعه ای از داده های هواشناسی سهل الوصول شامل دمای حداکثر و حداقل، رطوبت نسبی، نقطه شبنم، تبخیر-تعرق و فشار جو به عنوان ورودی مدل ها استفاده شد. آنالیز درجه اهمیت و همبستگی برای متغیرهای ورودی بر اساس اطلاعات دوره آماری 18 ساله انجام شد. با توجه به نتایج، عملکرد هر شش مدل بر اساس معیارهای ارزیابی (86/0 <R2 ، RMSE < 8/2 درجه سانتیگراد و Bias < 14/0 درجه سانتیگراد) در همه اعماق قابل قبول بود. با این حال، RF، ANN و SVM کارایی بسیار بالایی در تخمین دمای خاک (97/0  <R2) از خود نشان دادند. همچنین مدل DT و پس از آن LR عملکرد ضعیف تری نسبت به بقیه داشتند. بررسی درجه اهمیت متغیرها نشان داد که از بین پارامترهای ورودی، دمای حداکثر و حداقل دارای بیشترین تاثیر در پیش بینی دمای خاک در همه مدل ها داشت. در نهایت می توان با اطمینان اذعان داشت که مدل های یادگیری ماشین نظیر جنگل تصادفی، شبکه عصبی مصنوعی و بردار پشتیبان قابلیت تخمین دمای خاک سطحی و عمقی در اقلیم خشک را در شرایط نبود تجهیزات اندازه گیری دارند.