Estimation of Soil Temperature from Air Temperature Using Regression Models, Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System (Case Study: Kermanshah Region)

Document Type : Research Paper

Authors

Abstract

In order to develop a simple and rational relationship between air temperature and soil temperature at different depths and to compare to Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS) a study was conducted during 1992-2005. Air temperatures and soil temperature at depths of 5, 10, 20, 30, 50 and 100 centimeters were measured at Kermanshah station. To determine the optimum functional relationships between parameters the statistical criteria of correlation coefficient, RMSE and MAE were used. Based on correlation coefficient and error parameters, results showed that the regression methods of the third and second degree equations, linear, power and logarithmic had the best estimations, respectively. Also, results showed that the best and worst estimations between air temperature and soil temperature were observed, at 5 and 100 cm soil depths respectively. Results of this study produced a second degree equation and a linear equation (noting their simpticities of application in comparison with the third degree equation) for each soil depth. Based on the correlation coefficients and errors if can be said that obtained this equation is usable for soil depth of 100 cm with poor precision, but in the case of other depths has to high accuracy. The comparisons of regressions, ANN and ANFIS results indicated that ANN estimated more accurately soil temperature. 

Keywords


ابراهیمی ا، ١٣٧٤. مطالعه دمای اعماق مختلف خاک. پایان­نامه کارشناسی­ارشد هواشناسی، مؤسسه ژئوفیزیک دانشگاه تهران.
ادیب عباسی م، 1385. بررسی روابط بین رژیم دمایی اعماق خاک با دمای هوا (اسکرین) و تعیین عمق یخبندان در استان کردستان. پایان­نامه کارشناسی ارشد آبیاری و زهکشی. دانشکده کشاورزی. دانشگاه فردوسی مشهد.
بیات ورکشی م، زارع ابیانه ح، معروفی ص، سبزی­پرور ع ا و سلطانی ف، 1388. شبیه­سازی تبخیر تعرق روزانه گیاه مرجع به روش هوش مصنوعی و روش­های تجربی در مقایسه با اندازه­گیری های لایسی­متری در اقلیم نیمه خشک سرد همدان. مجله پژوهش­های حفاظت آب و خاک، جلد شانزدهم، شماره 4، صفحه­های 79-100.
بهیار م ب و کمالی غ ع، ١٣٨٦. رابطه دمای هوا با دمای سطح و اعماق مختلف خاک. تحقیقات جغرافیایی، جلد بیست و سوم، شماره٣. صفحه­های 81 تا ١٠٢.
ثنائی­نژاد ح، ادیب عباسی م، موسوی بایگی م و حیدری گندمان م ط، 1387. بررسی رژیم دمایی هوا و اعماق خاک و تعیین توابع نوسانات ادواری آنها در ایستگاه­های استان کردستان. مجله علوم و صنایع کشاورزی، ویژه آب و خاک، جلد بیست و دوم. صفحه­های 25 تا 33.
جعفرپور ا، 1377. اقلیم شناسی. چاپ چهارم. انتشارات دانشگاه تهران.
جعفری گلستانی م، رائینی سرجاز م، و ضیاء تبار احمدی م، ١٣٨٦. برآورد دمای ژرفای خاک با بهره گیری از روش تجزیه منحنی و همبستگی های رگرسیونی برای شهرستان ساری. مجله علوم کشاورزی و منابع طبیعی (ویژه نامه زراعت و اصلاح نباتات)، جلد یکم، شماره 5. صفحه­های 112 تا 123.
سبزی­پرور ع ا، زارع ابیانه ح و بیات ورکشی م، 1389 الف. مقایسه یافته های مدل شبکه استنتاج تطبیقی عصبی-فازی با مدل های رگرسیونی به منظور برآورد دمای خاک در سه اقلیم متفاوت. نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد بیست و چهارم، شماره2. صفحه­های 274 تا 285.
سبزی­پرور ع ا، طبری ح و آیینی ع، 1389 ب. برآورد میانگین روزانه دمای خاک در چند نمونه اقلیمی ایران با استفاده از داده های هواشناسی. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، ، شماره 52، جلد چهاردهم. صفحه­های 125 تا 137.
کارآموز م، تابش م نظیف س و مریدی ع، 1384. پیش­بینی فشار در شبکه­های آبرسانی با استفاده از شبکه­های عصبی مصنوعی و استنتاج فازی. مجله آب و فاضلاب، شماره 53 جلد اول، صفحه­های 3 تا 14.
نجفی­مود م ح، علیزاده ا، محمدیان ا و موسوی ج، 1387. بررسی رابطه دمای هوا و دمای اعماق مختلف خاک و برآورد عمق یخبندان. (مطالعه موردی استان خراسان رضوی) مجله علمی-پژوهشی آب و خاک (علوم و صنایع کشاورزی)، جلد بیست و دوم، شماره2. صفحه­های 456 تا 466.
Aldridge R and Cook FJ, 1983. Estimation of soil temperatures at 0.1m and 0.3m depths. New Zealand Soil Bureau Scientific Report 62: 18.
Bazartseren B, Hildebrandt G and Holz K, 2003. Short-term water level prediction using neural networks and neuro-fuzzy approach. Neurocomputing 55: 439-450.
Ghuman BS and Lal R, 1982. Temperature regime of a tropical soil in relation to surface condition and air temperature and its Fourier analysis. Soil Science 134: 133-140.
HaganMT and MenhajMB, 1994. Training feedforward network with the Marquardt algorithm. IEEE Trans on Neural Networks 5: 989-993.
Hanks RJ, Austin DD and Ondrechen WT, 1971. Soil temperature estimation by a numerical method. Soil Science Society of America Journal 35: 665-667.
Heusinkveld BG, Jacobs AFG, Holtslag AAM and Berkowicz SM, 2004. Surface energy balance closure in an arid region: role of soil heat flux. Agricultural and Forest Meteorology
122: 21-31.
Maclean SF and Ayres MP, 1985. Estimation of soil temperature from climatic variables at Barrow, Alaska, USA. Arctic and Alpine Research 17: 425-432.
Meikle RW and Gilchrist AJ, 1983. A mathematical method for estimation of soil temperatures in England and Scotland. Agricultural Meteorology 30(3): 221-225.
Moghaddamnia A, Ghafari Gousheh M, Piri J, Amin S and Han D, 2009. Evaporation estimation using artificial neural networks and adaptive neurofuzzy inference system techniques. Advances in Water Resources 32: 89-97.
Plauborg F, 2002. Simple model for 10 cm soil temperature in different soils with short grass. European Journal of Agronomy 17: 173-179.
Summers LE, Glimour CM, Wildung RE and Beck SM, 1981. The effect of water potential on decomposition processes in soils, in water potential relation in soil microbiology. Edited by Parr JE, Gardner WR, and Elliot WR. SSSA September Publications 9: 97-117.
Usowicz B and Walczak R, 1994. Soil temperature prediction by numerical model. Polish Journal of Soil Science 28: 87-94.
Zheng D, Raymond Hunt E and Running SW, 1993. A daily soil temperature model based on air temperature and precipitation for continental applications. Climate Research 2: 183-191.