پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,157 |
| تعداد مقالات | 76,944 |
| تعداد مشاهده مقاله | 155,085,010 |
| تعداد دریافت فایل اصل مقاله | 117,029,511 |
افزایش دقت پیشبینی سریهای زمانی دمای خاک در اعماق مختلف با استفاده از آنالیز طیفی و مدلهای باکس-جنکینز | ||
| تحقیقات آب و خاک ایران | ||
| دوره 56، شماره 5، مرداد 1404، صفحه 1175-1200 اصل مقاله (2.23 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.391251.669896 | ||
| نویسندگان | ||
| فرشته نورمحمدی ده بالایی* 1؛ عباس سلیمان پور2؛ سید تقی امید نائینی3 | ||
| 1گروه مهندسی عمران، دانشکده مهندسی عمران، دانشکدگان فنی ، دانشگاه تهران، تهران، ایران | ||
| 2گروه مهندسی کشاورزی، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران. | ||
| 3گروه مهندسی عمران، دانشکده مهندسی عمران، دانشکدگان فنی دانشگاه تهران. تهران. ایران. | ||
| چکیده | ||
| دمای خاک، یک پارامتر دینامیکی مهم است که پیشبینی آن نقش مهمی را در فرآیندهای هیدرولوژیکی در سطح خاک ایفا میکند. در این مطالعه، با هدف بهبود پیشبینی رفتار حرارتی لایههای خاک در اعماق مختلف، از ترکیب تحلیل طیفی و مدلهای سری زمانی باکس-جنکینز استفاده شده است. دو سناریوی اصلی برای مدلسازی در نظر گرفته شد: سناریوی اول با تکیه بر دادههای دمای خاک، و سناریوی دوم با در نظر گرفتن متغیرهای هواشناسی بهعنوان ورودیهای کمکی. عملکرد مدلها با معیارهای MAE، RMSE، R2 و AIC ارزیابی گردید. پس از انجام آزمونهای مختلف مولفههای قطعی در سری زمانی شناسایی و با کمک پارامترهای آماری مختلف شدت این مولفهها مورد ارزیابی قرار گرفت. تحلیل پارامترهای آماری نشان داد که فصلی بودن نقش مهمتری نسبت به روند در سریهای زمانی دمای خاک دارد. مدلهای توسعهیافته نشان دادند که ترکیب تحلیل طیفی با ساختارهای ARMA و ARIMA بهطور مؤثری دقت پیشبینی دمای خاک را افزایش میدهد. در عمق ۱۰۰ سانتیمتری، این روش با ضریب تعیین 975/0، خطای پایین (MAE=0.83) و (RMSE=1.06) و پیچیدگی کمتر (AIC= -221.38) نسبت به مدلهای چندمتغیره، عملکرد بهتری را ارائه کرد. همچنین، گرچه در برخی سناریوها افزودن متغیرهای هواشناسی مانند تبخیر و تعرق، سرعت باد و تابش خورشیدی موجب بهبود در نتایج شد، اما مدلهای تکمتغیره مبتنی بر دادههای دمای خاک عملکرد پایدارتری ارائه دادند. در نهایت، این مطالعه نشان داد که ترکیب روشهای طیفی با مدلهای سری زمانی، روشی مؤثر و قابل اعتماد برای پیشبینی دمای خاک در اعماق مختلف است. | ||
| کلیدواژهها | ||
| تحلیل طیفی؛ رفتار حرارتی لایههای خاک؛ تحلیلهای آماری؛ مدلسازی | ||
| عنوان مقاله [English] | ||
| Improving the accuracy of soil temperature time series prediction at different depths using spectral analysis and Box-Jenkins models | ||
| نویسندگان [English] | ||
| fereshteh nourmohammadi dehbalaei1؛ abbas solimanpour2؛ Seyed Taghi Omid Naeeni3 | ||
| 1Department of Civil Engineering, School of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| 2School of Agricultural Engineering, Faculty of Agriculture, Isfahan University of Technology, Isfahan. Iran. | ||
| 3Department of Civil Engineering, School of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Soil temperature is an important dynamic parameter that plays a key role in surface hydrological processes. In this study, a combination of spectral analysis and Box–Jenkins time series models was used to improve the prediction of thermal behavior in soil layers at various depths. Two main scenarios were considered for modeling: the first relying on soil temperature data, and the second including meteorological variables as auxiliary inputs. Model performance was evaluated using MAE, RMSE, R², and AIC criteria. After performing various tests, deterministic components in the time series were identified, and their intensity was assessed using different statistical parameters. The statistical analysis indicated that seasonality plays a more significant role than trend in the soil temperature time series. The developed models showed that combining spectral analysis with ARMA and ARIMA structures significantly improves soil temperature prediction accuracy. At the depth of 100 cm, this method achieved better performance with R² = 0.9750, MAE = 0.83, RMSE = 1.06, and AIC = –221.38, compared to multivariate models. Although in some scenarios the inclusion of meteorological variables such as evapotranspiration, wind speed, and solar radiation improved the results, univariate models based on soil temperature data provided more stable performance. Ultimately, this study demonstrated that combining spectral methods with time series models is an effective and reliable approach for predicting soil temperature at various depths. | ||
| کلیدواژهها [English] | ||
| Modeling, Spectral analysis, Statistical analysis, Thermal behavior of soil layers | ||
| مراجع | ||
|
Abimbola, O. P., Meyer, G. E., Mittelstet, A. R., Rudnick, D. R., & Farnaz, T. E. (2021). Knowledge-guided machine learning for improving daily soil temperature prediction across the United States. Vadose zone Journal. 20(15). https://doi.org/10.1002/vzj2.20151. Biazar, S.M., Shehadeh, H.A., Ghorbani, M.A., Golmohammadi, G., & Saha, A. (2024). Soil temperature forecasting using a hybrid artificial neural network in Florida subtropical grazinglands agro-ecosystems. Sci Rep. 14, 1535. https://doi.org/10.1038/s41598-023-48025-4. Bonakdari, H,. Moeeni, H., Ebtehaj, I., Zeynoddin, M., Mohammadian. A., & Gharabaghi, B. (2019). New insights into soil temperature time series modeling: linear or nonlinear?. Theor Appl Climatol 135, 1157-1177. https://doi.org/10.1007/s00704-018-2436-2. Ebtehaj, I., Bonakdari, H., & Gharabaghi, B. (2019). A reliable linear method for modeling lake level fluctuations, Journal of Hydrology. 570, 236-250. https://doi.org/10.1016/j.jhydrol.2019.01.010. Ebtehaj, I., Bonakdari, H., Samui, P., & Gharabaghi, B. (2023). Multi-depth daily soil temperature modeling: meteorological variables or time series?. Theor Appl Climatol. 151, 989–1012, https://doi.org/10.1007/s00704-022-04314-y. Imanian, H., Mohammadian, A., Farhangmehr, V., Payeur, P., Goodarzi, D., Cobo, G.H., & Shirkhani, H. (2024). A comparative analysis of deep learning models for soil temperature prediction in cold climates. Theor Appl Climatol. 155, 2572-2587. https://doi.org/10.1007/ s00704-023-04781-x. Guleryuz, D. (2022). Estimation of soil temperatures with machine learning algorithms—Giresun and Bayburt stations in Turkey. Theor Appl Climatol. 147, 109-125. https://doi.org/10.1007/s00704-021-03819-2. Kwiatkowski, D., Phillips. P.C., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root? J Econo 54(1–3), https ://doi.org/10.1016/0304-4076(92)90104 –Y. Ljung, G.M., & Box, G.E. (1978). On a measure of lack of fit in time series models. Biometrika. 65(2), 297-303. https ://doi.org/10.1093/biome t/65.2.297. Minh, H.V.T., Van, T. y., Nam, T., & et al. (2024). Modelling and predicting annual rainfall over the Vietnamese Mekong Delta (VMD) using SARIMA. Discov Geosci. 2, 19. https://doi.org/10.1007/s44288-024-00018-0. Phillips, P. C. B., & Perron, P. (1988). Testing for a unit in time series regression, Biometrika. 75(2), 335-46 Sattar, A.M.A., Gharabaghi, B., Sabouri, F., & Thompson, A.M. (2017). Urban Stormwater thermal gene expression models for protection of sensitive receiving streams. Hydrol Process. 31(13):2330–2348. https://doi.org/10.1002/hyp.11170. Valipour, M. (2015). Long-term runoff study using SARIMA and ARIMA models in the United States. Meteorological Applications. 22 (3). 592–598. Yildirim, A. N., San, B., Yildirim, F., Celik, C., & Bayar, B. (2021). Physiological and biochemical responses of almond rootstocks to drought stress. Turk. J. Agric. For. 45(4), 522-532. https://doi.org/10.1002/hyp.11170. Zeynoddin, M., Bonakdari, H., Ebtehaj, I., Esmaeilbeiki, F., Gharabaghi, B., & Haghi, D.Z. (2019). A reliable linear stochastic daily soil temperature forecast model. Soil Till. Res. 189, 73-87, https://doi.org/10.1016/j.still.2018.12.023. Zeynoddin, M., Ebtehaj, I., & Bonakdari, H. (2020). Development of a linear based stochastic model for daily soil temperature prediction: One step forward to sustainable agriculture, Computers and Electronics in Agriculture, 176, 105636, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2020.105636.
| ||
|
آمار تعداد مشاهده مقاله: 290 تعداد دریافت فایل اصل مقاله: 195 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب