Estimation of soil temperatures by using artificial neural networks for the provinces of Middle Black Sea Region

Öz

The presence of water in the soil, movement, evaporation and air capacity, decomposition events, microbiological activity, root respiration and vegetative activity are all under the influence of soil temperature. In this study, it is aimed to estimate the soil temperature values using Artificial Neural Networks (ANN) method. Monthly average soil temperature values and other meteorological data in different soil layers (5, 10, 20, 50 and 100 cm) of the Central Black Sea region provinces were obtained from the General Directorate of Meteorology for the years 1971-2015. A three-layer feed-forward ANN structure was created and the Levenberg-Marquardt (LM) algorithm was applied for ANN learning. Monthly meteorological data education data, monthly data test data from 1991-2000, monthly data between 2001-2015 were used as validation data. Based on climate data and soil layer, 10 different ANN models were created. For the results obtained at different depths in all stations, the coefficient of determination (R²) is between 0.85-0.99, the standard deviation of the estimation error (RMSE) is between 0.24-3.74 and the mean absolute error (MAE) is between 0.01-2.33. As a result of the study, it was observed that ANN models yielded successful results in the monthly soil temperature calculations of Middle Black Sea Provinces.

 

Keywords: Soil temperature; Artificial neural network; Model

Anahtar Kelimeler

• Soil temperature,Artificial neural network,Model

Orta Karadeniz Bölgesi illerine ait toprak sıcaklıklarının yapay sinir ağları yöntemi ile tahmin edilmesi

Öz

Toprakta suyun bulunuşu, hareketi, buharlaşması ve hava kapasitesi, ayrışması olayları, mikrobiyolojik faaliyet, kök solunumu ve vejetatif faaliyet gibi olayların tümü toprak sıcaklığının etkisi altındadır. Bu çalışmada toprak sıcaklık değerlerinin Yapay Sinir Ağları (YSA) yöntemi kullanılarak tahmin edilmesi amaçlanmıştır. Orta Karadeniz bölümü illerine ait farklı toprak katmanlarındaki (5, 10, 20, 50 ve 100 cm) aylık ortalama toprak sıcaklık değerleri ve diğer meteorolojik veriler Meteoroloji Genel Müdürlüğünden 1971-2015 yılları için temin edilmiştir. Üç katmanlı ileri beslemeli bir YSA yapısı oluşturularak YSA’nın öğrenmesi için Levenberg-Marquardt (LM) algoritması uygulanmıştır. 1971-1990 yılları arası aylık meteorolojik veriler eğitim verisi, 1991-2000 yılları arası aylık veriler test verisi, 2001-2015 yılları arası aylık veriler validasyon verisi olarak kullanılmıştır. İklim verileri ve toprak katmanı göz önüne alınarak 10 farklı YSA Modeli oluşturulmuştur. Tüm istasyonlarda farklı derinliklerde elde edilen sonuçlar için belirleme katsayısı (R²) 0.85-0.99 arasında, tahmin hatasının standart sapması (RMSE) 0.24-3.74 arasında ve ortalama mutlak hata (MAE) 0.01-2.33 arasında değişmektedir. Çalışma sonucu YSA modellerinin Orta Karadeniz İlleri aylık toprak sıcaklık hesaplamalarında başarılı sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

• Toprak Sıcaklığı,Yapay sinir ağları,Model

Kaynakça

1. Aslay, F., & Özen Ü. (2013). Meteorolojik parametreler kullanılarak yapay sinir ağları ile toprak sıcaklığının tahmini. Politeknik Dergisi, 16(4):139-145.
2. Bilgili, M. (2011).Theuse of artificial neural networks for forecasting the monthly mean soil temperatures in Adana, Turkey. Tubitak Journal of Agriculture and Forestry, 35(5):83-93.
3. Bilgili, M., Şimşek, E., & Şahin, B. (2010). Ege Bölgesi’ndeki toprak sıcaklıklarının yapay sinir ağları yöntemi ile belirlenmesi. Isı Bilimi ve Tekniği Dergisi, 30(1):121-132.
4. Dohnal, J. (2004). Using of Levenberg-Marquardt method in identification by neural Networks. Student EEICT 2004. Brno: Ing. Zdeněk Novotný CSc, pp. 361-365, ISBN 80-214-2636-5.
5. Ekberli, İ.,Gülser, Ç., & Özdemir, N. (2005). Toprakların termo-fiziksel özellikleri ve ısısal yayınım katsayısının değerlendirilmesi. Ondokuz Mayıs Üniversitesi Ziraat Fakültesi Dergisi, 20(2):85-91.
6. Fausset, L.V. (1994).Fundamentals of neural networks architectures, algorithms and applications. Prentice Hall Upper Saddle River, NJ.
7. Ferrari, S., & Jensenius, M. (2008). A constrained optimization approach to preserving priorknowledge during incremental training. IEEE Trans. Neural Network, 19(6):996-1009.
8. Gerayzade, A.P. (1989). Toprak bitki atmosfer sisteminde enerji döngüsü. Baku, Elm, 158 s.

9. Haykin, S. (2001). Neural networks -a comprehensive foundation. 2nd Edition, Pearson Education, India.
10. Kaastra, I., & Boyd, M. (1996). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(2):215-236.
11. Kadıoğlu, M. (2009). Küresel iklim değişimi ve Türkiye. Engineer & the Machinery Magazine, 593:15-25.
12. Karaman, M.Ş., Brohi, A.R., Müftüoğlu, N.M., & Zengin, M. (2007). Sürdürülebilir toprak verimliliği. Koyulhisar Ziraat Odası Kültür Yayınları No:1.
13. Khosravi, Z.M.H., Barghinia, S., & Ansarimehr, P. (2006). New momentum adjustment technique for Levenberg-Marquardt neural network used in short term load forecasting. 21st International Power System Conference (PSC 2006), Tehran, Iran.
14. Mohammed, E.M., Alwahab, S.A., & Warttan, H.A. (2014). Modeling Soil temperature using artificial neural network. 5th International Conference on Environmental Science and Technology, 69(3):11-15.
15. Özkan, A.İ. (1985). Toprak fiziği. Ankara Üniversitesi, Ziraat Fakültesi Yayınları:946, Ders Kitabı: 270.
16. Öztekin, T., Öztekin, S., & Oğuz, İ. (2008). Tokat-Kazova koşullarında saatlik toprak sıcaklıklarının periyodik sinüs dalga eşitliği ile tahmini. Tarım Bilimleri Araştırma Dergisi, 1(1):55-60
17. Sekendur, F., Ünlükara, A., & Cemek, B. (2018). Kayseri ili günlük referans evapotranspirasyonun (Eto) yapay sinir ağlarıyla tahmin edilmesi. Erciyes Tarım ve Hayvan Bilimleri Dergisi, 1(1):25-37.
18. Wilamowski, B.M., & Yu, H. (2010). Improved computation for Levenberg–Marquardt training. IEEE Transactions on Neural Networks, 21(6):930-937.