مقایسه یافته های مدل شبکه استنتاج تطبیقی عصبی-فازی با مدل های رگرسیونی به منظور برآورد دمای خاک در سه اقلیم متفاوت

دمای خاک از پارامترهای مهم و تاثیر گذار در کلیه فرآیندهای هیدرولوژی و کشاورزی است که اندازه گیری و پیش بینی آن ضروری است. مطالعاتی که تا کنون در زمینه برآورد دمای خاک در مناطق فاقد داده صورت گرفته همگی به اتفاق از مدل های رگرسیونی جهت برآورد دمای خاک استفاده کرده اند. در این پژوهش ضمن استفاده از مدل های رگرسیونی، با بکارگیری سامانه استنتاج تطبیقی عصبی-فازی4 (ANFIS) به عنوان روشی نوین، به پیش بینی دمای خاک در شش عمق مختلف (5، 10، 20، 30، 50 و 100 سانتی متر) اقدام شد. علاوه براین، مهمترین پارامترهای هواشناسی (دمای بیشینه، دمای کمینه، میانگین دمای روزانه، رطوبت نسبی، ساعات آفتابی و سرعت باد) به عنوان عوامل اثرگذار بر دمای خاک در یک دوره 15 ساله (2006-1992) در ایستگاه های مورد مطالعه معرفی می گردند. مطالعه روی داده های هواشناسی 3 ایستگاه سینوپتیک زاهدان، تهران و رامسر که دارای اقلیم متفاوتی می باشند، انجام گرفت. یافته ها حاکی از 4 درصد دقت بیشتر روش ANFIS نسبت به روش آماری رگرسیون بود. همچنین دقت پیش بینی دمای خاک با روش ANFIS در دو ایستگاه زاهدان و تهران (اقلیم خشک) به ترتیب 12 درصد و 5/4 درصد بهتر از رامسر (اقلیم مرطوب) بود. مقدار ضریب همبستگی (r) بین دمای خاک پیش بینی شده توسط شبکهANFIS و مدل رگرسیون انتخابی با دمای واقعی خاک، نشان داد که با افزایش عمق خاک مقدار r کاهش می یابد. نتایج همچنین نشان داد که بر خلاف مناطق خشک، در اقلیم مرطوب رامسر با افزایش عمق خاک دقت پیش بینی تا 18 درصد افزایش می یابد، در حالیکه در دو ایستگاه زاهدان و تهران دقت پیش بینی دمای خاک در لایه های کم عمق تا 10 درصد بیشتر از لایه های عمیق می باشد.