فهرست نشریات علمی دسترسی آزاد ایران

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 تصمیم­گیری (DT)، کیوبست (CB)، جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و رگرسیون خطی (LR) برای مدل­سازی روزانه دمای خاک در شش عمق مختلف 5، 10، 20، 30، 50 و 100 سانتی متر در کرمان مورد بررسی قرار گرفت. مجموعه­ای از داده­های هواشناسی سهل الوصول شامل دمای حداکثر و حداقل، رطوبت نسبی، نقطه شبنم، تبخیر-تعرق و فشار جو به عنوان ورودی مدل­ها 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 ضعیف­تری نسبت به بقیه داشتند. بررسی درجه اهمیت متغیرها نشان داد که از بین پارامترهای ورودی، دمای حداکثر و حداقل دارای بیشترین تاثیر در پیش­بینی دمای خاک در همه مدل­ها داشت. در نهایت می­توان با اطمینان اذعان داشت که مدل­های 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 اندازه­گیری دارند.