برآورد دمای خاک از داده‌های هواشناسی با استفاده از مدل‌های یادگیری ماشین سریع، شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

دمای خاک عامل کلیدی است که فرآیندها و خصوصیات فیزیکی، شیمیایی و بیولوژیکی خاک را کنترل می­کند؛ لذا بر کمیت و کیفیت تولید محصولات کشاورزی تأثیر می­گذارد. هدف از انجام این پژوهش برآورد دمای خاک با استفاده از پارامترهای هواشناسی به روش­های مختلف ماشین یادگیری بوده است. بدین منظور داده‌های هواشناسی و دمای خاک در عمق‌های 5، 10، 20، 30، 50 و 100 سانتی‌متری از 17 ایستگاه‌ سینوپتیک استان خوزستان مربوط به 25 سال (1994 تا 2018) گردآوری شد. مدل‌های شبکه عصبی پرسپترون چندلایه (MLPNN)، ماشین یادگیری سریع (ELM) و رگرسیون خطی چندگانه (MLR) برای برآورد دمای خاک استفاده شدند. داده‌های دمای هوا، سرعت باد، رطوبت نسبی هوا، فشار بخار، تبخیر و بارندگی به­عنوان ورودی برای آموزش مدل­ها استفاده شدند. نتایج نشان داد که تمام مدل­ها برآوردی بهتری از دمای لایه سطحی خاک (عمق 30-0 سانتی­متری) داشته و با افزایش عمق دقت­آن­ها کاهش می­یابد، به­طوری­که بهترین دقت برآورد دمای خاک مربوط به عمق 5 و کمترین آن مربوط به عمق 100 سانتی‌متری بود. نتایج نشان داد مدل­های MLR، MLPNN و ELM عملکردی مطلوب در مدل­سازی دمای خاک در تمام عمق­ها داشتند. برای مدل­های MLR، MLPNN، ELM به ترتیب مقادیر R2 از 864/0-700/0، 997/0-967/0 و 996/0-967/0، مقادیر RMSE از 823/2-557/2، 072/0-034/0 و 078/0-028/0 درجه سلسیوس و مقادیر MAE از 529/1-398/1، 063/0-023/0 و 065/0-023/0 درجه سلسیوس بود. نتایج نشان داد که دو مدل MLPNN و ELM دارای عملکردی تقریبا مشابه و بهتر از مدل رگرسیون خطی چندگانه بودند؛ اما به دلیل سرعت محاسبات بسیار بالای مدل ELM، پیشنهاد می­گردد از مدل MLPNN برای تخمین دمای نیمرخ خاک استفاده شود.