استفاده از روش ها نوین برای تعیین ورودی های موثر در تخمین دمای خاک

نوع مقاله : مقاله پژوهشی

نویسنده

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

10.30467/nivar.2018.94066.1065

چکیده

در این تحقیق تخمین دمای عمق 10 سانتی متری خاک ایستگاه سینوپتیک تبریز واقع در استان آذربایجان شرقی با استفاده از شبکه عصبی مصنوعی(ANN) و ماشین بردار پشتیان(SVM) انجام گرفته است. از دو روش تحلیل مؤلفه اصلی(PCA) و آزمون گاما(GT) برای پیش‌پردازش داده‌ها و تعیین داده های ورودی استفاده گردید . با توجه به نتایج، برای ایستگاه تبریز 3 متغیر ورودی توسط آزمون گاما انتخاب شد. در روش تحلیل مؤلفه‌های اصلی نیز برای ایستگاه سینوپتیک تبریز چهار مؤلفه اصلی انتخاب شده است. نتایج مدل‌سازی حاکی از این است که، مدل ماشین بردار پشتیان مبتنی بر آزمون گاما ( GT-SVM ) با مجذور میانگین مربعات خطای 48/2 در جه سانتی گراد را می توان به عنوان مدل‌ منتخب برای ایستگاه‌ مذکور انتخاب کرد. در نهایت با توجه به نتایج می‌توان چنین نتیجه گرفت که روش‌های استفاده شده پیش‌پردازش داده‌ها در این تحقیق برای پیش‌بینی دمای خاک با یکدیگر اختلاف چندانی ندارند و هر دو روش به‌خوبی عمل کرده اند. همچنین مدل SVM در تمام تخمین‌ها نسبت به مدل ANN عملکرد قابل قبول تری داشته است.

کلیدواژه‌ها


عنوان مقاله [English]

Use of new methods to determine the inputs effective in estimating soil temperature

نویسنده [English]

  • Babak Mohammadi
Department of Irrigation and Reclamation Engineering, University of Tehran, Karaj, Iran
چکیده [English]

In this research, an estimate of the depth of 10 cm in the soil of the Synoptic Station of Tabriz in East Azerbaijan province was carried out using artificial neural network (ANN) and backward vector machine (SVM). Two main component analysis (PCA) and gamma (GT) tests were used for pre-processing data and input data. According to the results, for Tabriz station, 3 input variables were selected by gamma test. In the main components analysis method, four main components for the synoptic station of Tabriz were selected. The results of modeling indicate that the gamma-based gamma-ray machine (GT-SVM) model with a mean square error of 2.48 ° C can be selected as the selected model for the station. The most important variables known to estimate the temperature of the soil were the average temperature, sunshine, wind speed and relative humidity, respectively, by gamma test. Finally, according to the results, it can be concluded that the methods used for pre-processing the data in this study do not differ significantly in soil temperature prediction, and both methods have worked well. Also, the SVM model in all estimations has a more acceptable performance than the ANN model.

کلیدواژه‌ها [English]

  • Eastern Azerbaijan Province
  • Gamma Examination
  • Main Analysis of Soil Temperature
  • Artificial Neural Network
  • Support Vector Machine
1. اسکندری، ع. نوری، ر. الف. معراجی، ح و کیاقادی. الف 1391. توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‌بینی بهنگام اکسیژن‌خواهی بیوشیمیایی 5 روزه. مجله محیط شناسی. 61 (38):71-82. 2. سیفی، ا. میرلطیفی، س.م و ریاحی، ح 1392. معرفی و کاربرد ماشین بردارپشتیبان حداقل مربعات در برآورد دمای خاک-تعرق مرجع و تحلیل عدم قطعیت نتایج، مطالعه موردی شهر کرمان، فصلنامه علمی پژوهشی مهندسی آبیاری و آب. 13(4) : 67-79. 3. سیدیان، س.م 1394. استفاده از روش‌های نوین در تعیین پارامترهای موثر بر آبشستگی پایه پل. فصلنامه علمی پژوهشی مهندسی آبیاری و آب. 19 (5) : 1-16. 4. شریفی، ع. دین‌پژوه، ی. فاخری‌فرد، الف و مقدم‌نیا، ع 1392.ترکیب بهینه متغیرهای برای شبیه‌سازی رواناب در حوزه آبخیز امامه با استفاده از آزمون گاما.زمستان 1392، نشریه دانش آب و خاک. 4 (23) : 59-72. 5. شیخ الاسلامی، ن. قهرمان، ب. مساعدی، ا. داوری، ک و مهاجر پور، م 1393. پیش‌بینی دمای خاک و تعرق گیاه مرجع با ساتفادع از روش آنالیز مولفه اصلی و توسعه مدل رگرسیون خطی چندگانه، مطالعه موردی: ایستگاه مشهد. نشریه آب و خاک. 2 (28) : 420-429. 6. نوری، ر.ا. کراچیان، ر. خدادای دربان، ا و شکیبایی نیا، ا 1386. ارزیابی اهمیت ایستگاه‌های پایش کیفی رودخانه‌ها با استفاده از آنالیز مولفه‌های اصلی و آنالیز فاکتور، مطالعه موردی: رودخانه کارون. نشریه آب و فاضلاب.3 (18) : 60-69. 7. هوشنگی، ن. آل شیخ، الف و ندیری، ع. الف 1394. بهینه سازی تعداد پیزومترها در ژیش‌بینی سطح آب‌های زیرزمینی با روش‌هایPCA و زمین آماری. نشریه دانش آب و خاک. 2/4 (25) : 53-66. 8. ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000.Artificial neural networks in hydrology. I preliminary concepts. Journal of Hydrologic Engineering.5(2):115-123. 9. Camdevyren, H., Demyr, N., Kanik, A. and S. Keskyn. 2005. Use of principal component scores in multiple linear regression models for prediction of Chlorophyll- an in reservoirs. Ecological Modelling. 181(4): 581–589. 10. Coulibaly, P., Anctil, F. and B. Bobée. 2000. Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology. 230(3-4):244-257. 11. Durrant, P.J. 2001. Win_gamma TMA non-linear data analysis and modeling tool with applications to flood prediction. Ph.D. Thesis, Department of Computer Science, Cardiff University Wales, UK. 12. Dibike, Y., Velickov, S., Solomatine, D. and M. Abbott. 2001. Model induction with of support vector machines. Introduction and applications. Journal of Computing in Civil Engineering. 15(3): 208- 216. 13. Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and R.L. Wibly. 2006, Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology. 319 (1-4): 391-409. 14. Helena, B., Pardo, R., Vega, M., Barrado, E., Fernandez, J.M. and L. Fernandez. 2000. Temporal evolution of groundwater composition in an alluvial aquifer (Pisuerga River, Spain) by principal component analysis. Water Research 34(3): 807–816. 15.Hosseinzadeh Talaee P. 2014. Daily soil temperature modeling using neuro-fuzzy approach. Theor. Appl. Climatol. 118: 481–489, 16. Kavzoglu, T. and I. Colkesen. 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation. 11(5): 352-359. 17. Kisi, O., Sanikhani, H. Cobaner, M.(2017) Soil temperature modeling at different depths using neuro-fuzzy, neural network, and genetic programming techniques. Theoretical and Applied Climatology 129: 833–848. 18.Kisi, O., Genc, O., Dinc, S. and M. Zounemat-Kermani. 2016.Daily pan evaporation modeling using chi-squared automatic interactiondetector. neural networks. Classification and Regression treeComputers and Electronics in Agriculture. 122: 112–117.http://dx.doi.org/10.1016/j.compag.2016.01.026. 19. Lu, W.Z., Wang, W.J., Wang, X.K., Xu, Z.B. and A.Y.T. Leung. 2003. Using improved neural network to analyze RSP, NOx and NO2 levels in urban air in Mong Kok, Hong Kong. Environmental Monitoring and Assessment. 87(3): 235–254. 20. McCuen, RH. 1998. Hydrologic analysis and design. Prentice Hall. EnglewoodCliffs. NewJersey. 21. Noori, R., Karbassi, A. and M. Sabahi. 2010. Evaluation of PCA and gamma testtechniques on ANN operation for weekly solid waste prediction. Journal of Environmental Management. 91(3): 767-771. 22. Singh, VP. and CY. Xu. 1997. Evaluation and generalization of 13 mass transfer equations for determining free water evaporation. Hydrological Process. 11:311–324 23. Tabachnick, B.G. and L.S. Fidell. 2001. Using Multivariate Statistics, third ed. Allyn and Bacon, Boston, London. 24. Tezal, G. and M. Buyukyildiz. 2015. Monthly evaporation forecasting using artificial neural networks and support vector machines. Journal ofTheoretical and Applied Climatology. 124(1): 69-80. 25. Wackernagel, H. 1995. Multivariate Geostatistics: an Introduction with Applications. second ed. Springer. New York and London. 26.Zare Abyaneh, H., Bayat Varkeshi, M., Golmohammadi, G. Mohammadi ,K(2016) Soil temperature estimation using an artificial neural network and co-active neuro-fuzzy inference system in two different climates.Arabian Journal of Geosciences.9: 377.