مقاله پیشبینی دمای خاک در شرایط جوی مختلف (مطالعه موردی: اصفهان)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله پیشبینی دمای خاک در شرایط جوی مختلف (مطالعه موردی: اصفهان) دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیشبینی دمای خاک در شرایط جوی مختلف (مطالعه موردی: اصفهان)  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیشبینی دمای خاک در شرایط جوی مختلف (مطالعه موردی: اصفهان)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیشبینی دمای خاک در شرایط جوی مختلف (مطالعه موردی: اصفهان) :

تعداد صفحات:۱۴

چکیده:

دمای خاک، پارامتری مهم در مطالعات هیدرولوژی، هواشناسی کشاورزی و اقلیم شناسی است، که اندازهگیری و پیشبینی آن ضروری است. این پارامتر فقط در ایستگاههای سینوپتیک اندازه گیری می شود، لذا کمبود آن در مناطقی که فاقد ایستگاه میباشد، از چالشهای مهم در بسیاری از علوم مرتبط با کشاورزی می باشد. در این تحقیق برای پیشبینی دمای خاک در شش عمق ۵، ۱۰، ۲۰، ۳۰، ۵۰ و ۱۰۰ سانتیمتری، و طی شرایط جوی متفاوت هوای صاف، ابری و بارانی، از دادههای یک دوره ۱۳ ساله ( ۲۰۰۵-۱۹۹۳ ) استفاده شد. منطقه مورد مطالعه در این تحقیق، ایستگاه سینوپتیک شهر اصفهان است که طبق طبقه بندی دومارتن منطقهای نیمهخشک است. متغیرهای مورد بررسی شامل دمای هوا، بارندگی،رطوبت نسبی، سرعت باد، ساعت آفتابی، تبخیر، درصد ابرناکی و فشار بخار آب هستند که برای پیشبینی دمای خاک مورد ارزیابی قرار گرفتند. روابط تجربی با استفاده از روش رگرسیون چند متغیره خطی بین دمای خاک (متغیر وابسته) و متغیرهای روزانه هواشناسی (متغیر های مستقل) استخراج شدند. در ادامه نیز این پیشبینیها با استفاده از روش شبکه عصبی مصنوعی نیز انجام شد. به همین منظور شبکهای پیشخور با یک لایه مخفی در نظر گرفته شد. برای آموزش شبکه از روش یادگیری لونبرگ و مارکوارت استفاده شد. تعداد نرونهای لایه مخفی را نیز از ۳ تا ۷ تغییر دادیم. نتایج به دست آمده نشان داد که ضریب تعیین ((R(2) بین دمای خاک واقعی و برآورد شده از هر دو روش رگرسیونی و شبکه عصبیمصنوعی، با افزایش عمق کاهش مییابد. مقایسه ضرایب تعیین و مقدار خطاها از یک طرف، و سهولت استفاده از روش شبکه عصبی مصنوعی از طرف دیگر باعث میشود که استفاده از این روش قابل توصیه گردد.