بررسی تاثیر سنجه های اقلیمی بر روی تخمین دمای خاک توسط الگوریتم هیبریدی شبیه سازی تبرید

نویسندگان

1 دانشجوی دکتری ،گروه مهندسی آبیاری و آبادانی ، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران،ایران

2 استادیار گروه مهندسی عمران ، دانشگاه آزاد اسلامی واحد رودسر و املش، رودسر، ایران

10.30467/nivar.2019.83519

چکیده

مطلعات جغرافیایی که به منظور برنامه ریزی شهری ، اقلیم شناسی ، ساخت و ساز عمرانی و همچنین کشاورزی یک منطقه صورت می‌گیرد به تخمین درجه حرارت خاک آن منطقه وابسته می باشد . در این پژوهش دمای 50 سانتی متری عمق خاک با استفاده از مدل الگوریتم هیبریدی شبیه سازی تبرید و مدل منفرد ماشین بردار پشتیبان در ایستگاه هواشناسی شهر آدنا واقع در کشور ترکیه شبیه سازی گردید .الگوریتم شبیه سازی تبرید (SA) یک الگوریتم بهینه سازی است که وقتی با ماشین بردار پشتیبان (SVM) تلفیق می‌شود باعث کمینه شدن خطای تخمین و در نهایت بهبود نتایج تخمین می-شود، که در این پژوهش برای اولین بار از الگوریتم هیبریدی شبیه سازی تبرید بر پایه ماشین بردار (SVM-SA) در تخمین دمای خاک استفاده شده است، تا دقت این الگوریتم در این زمینه مورد بررسی قرار گیرد. نتایج نشان داد که مدل هیبریدی شبیه سازی تبرید بر پایه ماشین بردار پشتیبان با معیار نش- ساتکلیف حدود 986/0 و جذرمیانگین مربعات خطا برابر با 86/0 درجه سانتی‌گراد به خوبی برآورد می نماید. همچنین برای مدل منفرد ماشین بردار پشتیبان میزان معیار نش- ساتکلیف حدود 982/0 و جذرمیانگین مربعات خطا برابر با 96/0 درجه سانتی‌گراد به دست آمده است. بهترین ترکیب ورودی از بین ترکیب های تعیین شده برای تخمین دمای خاک ترکیب متشکل از ورودی های متوسط دمای هوا ، بارش ، تابش خورشیدی ، فشار هوا ، رطوبت نسبی هوا و سرعت بادانتخاب شد. نتایج نشان داد که الگوریتم هیبریدی شبیه سازی تبرید می‌تواند به عنوان ابزاری کارامد در مدلسازی دمای اعماق خاک استفاده شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Effect of climatic parameters on soil temperature estimation by hybrid refrigeration simulation algorithm

نویسندگان [English]

  • Babak Mohammadi 1
  • bagher heidarpoor 2
1 Ph.D. Student, Department of Irrigation and Reproduction Engineering, College of Agriculture and Natural Resources, University of Tehran, Iran
2 Islamic azad university rudsar and amlash
چکیده [English]

Studies of geography to urban planning, climatology, civil construction and agriculture also conducted in an area to estimate soil temperature is dependent on the area. In this study, at 50 cm soil depth by using simulated annealing hybrid algorithm and Support Vector Machine single model in the city of Adana in Turkey weather station was simulated. The results showed that the hybrid model simulation of refrigeration is based on vector support machine with 0.986 nash-sutcliuf about criteria, the absolute error mean square error equal to 0.732 and root mean square error is equal to 0.86 well estimated. As well as single machine backup rate vector model for benchmarking Nash-sutcliuf about 982.0 and the absolute error mean square error equal to 0.793 and root mean square error is equal to 0.96 is obtained. The results showed that hybrid algorithm simulation of refrigeration could be fitted as a means of efficiently in deep soil temperature modeling.

کلیدواژه‌ها [English]

  • Climatology
  • Hybrid algorithm
  • Soil temperature
  • Simulation
  • Support Vector Machine

1- اسکندر ع و نوری ر و معراجی ح و کیاقبادی الف.1390. توسعة مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‌بینی بهنگام اکسیژن خواهی بیوشیمیایی ۵ روزه. محیط‌شناسی، سال 38، شماره ۶۱، بهار ۹۱، صفحه­های 71 تا 82.

2- زارع مهرجردی، ی. برقی، ش. مومنی، ح. 1390. به کارگیری روش فوق ابتکاری - شبیه‌سازی تبرید تدریجی برای حل مسایل زنجیره تأمین. مجله تخقیق در عملیات و کاربردهای آن. سال هشتم، شماره 3، صفحه 1-24.

3- سبزی‌پرور. ع. الف و طبری ح و آئینی الف. 1384-الف. برآورد میانگین روزانه دمای خاک در چند نمونه اقلیمی ایران با استفاده از داده­های هواشناسی. دوره 14، شماره 52، صفحه‌های 125 تا 137.

4- سبزی‌پرور. ع. الف و زارع ابیانه. ح و بیات ورکیشی. م. 1384-ب. مقایسه مدل بین پیش‌بینی درجه حرارت خاک با استفاده از مدل ANFIS و روش­های رگرسیونی در سه اقلیم مختلف. نشریه آب و خاک، جلد 24، شماره 2، صفحه­های 274 تا 285.

5- محمدی، ب. امامقلی‌زاده، ص. (1395) استفاده از تحلیل مؤلفه اصلی برای تعیین ورودی‌های مؤثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین‌ بردار پشتیبان. سامانه‌های سطوح آبگیر باران. ۱۳۹۵; ۴ (۴) :۶۷-۷۵.

6- محمدی، ب. 1396. تخمین تبخیر روزانه بر اساس مدل هیبریدی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی کرم شب تاب. پایان‌نامه کارشناسی ارشد، دانشکده کشاورزی، دانشگاه تبریز.

7- Arshad M A. Azooz R H. (2003). In-row residue management effects on seed-zone temperature, moisture and early growth of barley and canola in a cold semi-arid region ion northwestern Canada. American Journal of Alternative Agriculture, 18: 129–136.

8- Beltrami H.)2001 (. On the relationship between ground temperature histories and meteorological records. Global and Planetary Change, 29: 327-348.

9- Bilgili M.)2010 (. the use of artificial neural networks for forecasting the monthly mean soil temperatures in Adana, Turkey. Turk Journal Agricalture, 35: 83-93.

10- Bilgili M.)2010 (. Prediction of soil temperature using regression and artificial neural network models. Meteorology Atmospheric Physics, 110: 59–70.

11- Buring P. (1984). The role of terrestrial vegetation in the global carbon cycle measurement by remote sensing, John Wiley and Sons edition, Massachusetts, USA. Pp: 91-109.

12- Chang D H. Islam S.)2000(. Estimation of Soil Physical Properties Using      RemoteSensing and Artificial neural network. Remote Sensing of Environment, 74: 534-    544.

13- Dibike Y. Velickov S. Solomatine D. Abbott M. (2001). Model induction with of support vector machines: Introduction and applications. Journal of Computing in Civil Engineering, 15, PP. 208- 216.

14- Demirel M. (2007). Performing k-means analysis to drought principal components of Turkish rivers. RosenstielSchool of Marine and Atmospheric Sciences, Division of Meteorology and Physical Oceanography. Miami Florida.

15- Durand M. D. and White S. R., (2000) “Trading accuracy for speed in parallel simulated annealing with simultaneous moves”, Elsevier Parallel Computing, Vol. 26, pp. 135–150.

16- Ertac M, Firuzan E, Solum S (2014) Forecasting Istanbul monthly temperatureby multivariate partial least square. Theor Appl Climatol117:1–13.

17- Fabian V., (1997) “Simulated annealing simulated computers & mathematics with applications”,            Vol. 33, No. 1/2, pp.81-94.

18- Ghorbani M A. Ahmadzadeh H. Isazadeh M. Terzi O. (2016). A comparative study of artificial neural network (MLP, RBF) and support vector machine models for river flow prediction. Environmental Earth Science, 75: 476-490.

19- Gonzalez R. C. and Perez V. S., “Two procedures for stochastic simulation of vuggy formations”, (2001) SPE 69663, Latin American and Caribbean Petroleum Engineering Conference, Buenos Aires, Argentina, pp. 25–28 March.

20- Goyal MK (2014) Monthly rainfall prediction using wavelet regression and neural network: an analysis of 1901–2002 data, Assam, India. Theor Appl Climatol 118:25–34.

21- Hamidi OH, Poorolajal J, Sadeghifar M, Abbasi H, Maryanaji Z, FaridiHR, Tapak L (2014) a comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theor Appl Climate. Doi: 10.1007/s00704-014-1141-z

22- Hanks R J. Austin D D. Ondrechen W T. (1971). Soil temperature estimation by a numerical method. Soil Science Society of America Journal, 35: 665-667.

23- Hasfurther, V. R. and Burman, R. D. (1974). Soil temperature modeling using air temperature as a driving mechanism. Transactions of ASAE, Paper No, 78–81.

24- Ilin, A, and Raiko, T, (2010) Practical approaches to principal component analysis in the presence of missing values: Journal of Machine Learning Research, 11, 1957-2000.

Kim S, Singh VP, Seo Y (2014) Evaluation of pan evaporation modelingwith two different neural Networks and weather station data. TheorAppl Climatol 117:1–13.

25- Kisi O (2012) Modeling discharge-suspended sediment relationship using least square support vector machine. J Hydrol 456:110–120.

26- Kisi O (2013) Least squares support vector machine for modeling daily reference evapotran spiration. Irrig Sci 31(4):611–619.

27- Kisi O, Cimen M (2011) Awavelet-support vector machine conjunction model for monthly streamflow forecasting. J Hydrol 399 (1–2):132–140.

28- Kisi, O. Shiri, J. Karimi, S. Shamshirband, S h. Motamedi, S h. Petkovic, D. Hashim, R. (2015). A survey of water level fluctuation predicting in Urmia Lake using support vector             machine with firefly algorithm. Applied Mathematics and Computation, 270: 731-743

29- Mihalakakou, G. (2001). On estimating soil surface temperature profiles. Energy & Building. Vol. 34.

30- Millikan, C. R. 1942 Studies on soil conditions in relation to root-rot of cereals. Proceeding of the Royal Society of Victoria, 54, 145.

31- Modarres R (2009) Multi-criteria validation of artificial neural network rainfall-runoff              modeling. Hydrol Earth Syst Sci 13:411–421.

32- Muller, G. and Doring, J. (1989). Beregnungsverfahren for die temperature in unbewachsenem               boden. Archiv für Acker- und Pflanzenbau und Bodenkunde, Berlin, 33, 385–391.

33- Ouenesan A., Srinivasa B., Bunge P. H. and Travis B. J.,(1994) “Application of simulated annealing and other global optimization methods to reservoir description: myths and realities”, SPE 28415, 69th Annual Technical Conference and Exhibition, New                Orleans, LA, U.S.A., pp. 25-28 September.

34- Plauborg, F.)2002 (. Simple model for 10 cm soil temperature in different soils with short grass., European Journal of Agronomy, 17: 173–179.

35- Roodenburg, J. (1985). Estimating 10-cm soil temperatures under grass. Agricultural and Forest Meteorology, 34, 41–52.

36- Salimi sartakhti, J. Zangooei, M, H. Mozafari, K. (2012) Hepatitis disease diagnosis using a novel hybrid method based on support vector machine and simulated annealing (SVM-SA). Computer methods and programs in biomedicine 108:570–579

37- Samui P, Dixon B (2012) Application of support vector machine and relevance vector machine to determine evaporative losses in reservoirs. Hydrol Process 26:1361–1369.

38- Tabari H, Sabziparvar A A, Ahmadi M.)2011(.Comparison of artificialneural network and multivariate linear regression methods for estimationof daily soil temperature in an arid region. Meteorology Atmospheric Physics, 110: 135–142.

 

39- Terzi O (2013) Daily pan evaporation estimation using gene expression programming and        adaptive neural-based fuzzy inference system. Neural Comput Appli 23:1035–1044.

40- Tran N. H. and Tran K., (2007) “Combination of fuzzy ranking and simulated annealing to       improve discrete fracture inversion Elsevier”, Mathematical and Computer Modeling,    Vol. 45, pp. 1010–1020.

41- Tran N. H., Chen Z. and Rahman S. S., (2003) “Characterizing and Modeling of Naturally       Fractured Reservoirs with the use of Object-Based Global Optimization”, Petroleum      Society’s Canadian International Petroleum Conference, Calgary, Alberta, Canada, pp. 10 – 12 June.

42- Vasan A. and Raju K. S.,(2009) “Comparative analysis of simulated annealing”, Simulated Quenching and Genetic Algorithms for optimal reservoir operation Elsevier, Applied Soft Computing, Vol. 9, pp. 274–281.

43- Zheng, D. Raymond Hunt J r E. Running, S W.)1993(. A daily soil temperature model based on air temperatureand precipitation for continental applications. Climate Research Journal, 2: 183-191.