مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کربن آلی خاک به کمک داده های آنالیز سطح زمین

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
با توجه به نقش کربن آلی در مدیریت و پایداری خاک، جلوگیری از فرسایش خاک، پایش میزان دی اکسیدکربن هوا، پیش بینی مکانی کربن آلی خاک در مقیاس منطقه ای، ملی و جهانی از اهمیت خاصی برخوردار است. هدف از این مطالعه مقایسه مدل رگرسیون چندمتغیره و مدل هوشمند شبکه عصبی در برآورد کربن آلی خاک به کمک داده های آنالیز سطح زمین می باشد. منطقه مورد مطالعه با مساحت 24 کیلومتر مربع در اراضی تپه ماهوری جنوب ضرغام آباد سمیرم اصفهان با کاربری مرتع انتخاب و نمونه برداری در 125 نقطه از عمق 10-0 سانتی متری انجام شد. میزان کربن آلی نمونه های خاک جمع آوری شده، اندازه گیری شد. ویژگی های پستی و بلندی از روی مدل رقومی ارتفاع منطقه در پیکسل هایی به ابعاد 10 10 متر محاسبه شد. در نهایت مدل رگرسیون چند متغیره و شبکه عصبی مصنوعی بین این ویژگی ها و کربن آلی، برقرار و سپس به وسیله ی نقاط اضافی نمونه برداری شده (25 نقطه)، مدل های به دست آمده اعتبارسنجی شدند. نتایج مطالعه نشان داد که مدل رگرسیونی توانست 60 درصد از تغییرات مکانی کربن آلی و مدل شبکه عصبی مصنوعی حدود 89 درصد از تغییرات را در منطقه مورد مطالعه توجیه نماید. نتایج آنالیز حساسیت مدل شبکه عصبی مصنوعی نشان داد که انحنای قائم، شاخص قدرت جریان، شیب، شاخص حمل رسوب، شاخص رطوبت، انحنای افقی و جهت شیب به عنوان خصوصیات پستی و بلندی مهم در کنترل کربن آلی خاک در اراضی تپه ماهوری مورد مطالعه بودند. نتایج کلی مطالعه نشان داد که کربن آلی خاک در منطقه از خصوصیات پستی و بلندی و فرآیندهای هیدرولوژیکی مرتبط با آن تأثیر زیادی گرفته است. همچنین بر اساس معیارهای میانگین خطا و جذر میانگین مربعات خطا که در مدل رگرسیونی به ترتیب 25/0 و 3/0 و در مدل شبکه عصبی مصنوعی به ترتیب 006/0 و 027/0 می باشند، مدل شبکه عصبی مصنوعی به عنوان ابزار قدرتمندتری در پیش بینی کربن آلی نسبت به آنالیز رگرسیون خطی چندمتغیره عمل می کند.

واژه های کلیدی: کربن آلی خاک، شاخص های پستی و بلندی، رگرسیون خطی، شبکه عصبی مصنوعی

عنوان مقاله [English]

Comparison of Artificial Neural Network (ANN)and Multivariate Linear Regression(MLR) Models to Predict Soil Organic Carbon

نویسندگان [English]

  • A.R. Pilevar Shahri
  • Sh. Ayoubi
  • H. Khademi
چکیده [English]

Abstract
Spatial prediction of soil organic carbon is a crucial proxy to manage and conserve natural resources, monitoring CO2 and preventing soil erosion strategies within the landscape, regional, and global scale. The objectives of this study was to evaluate capability of artificial neural network and multivariate linear regression models in order to predict soil organic carbon using terrain attributes. A study area of 24 km2 in hilly regions of Zargham Ababd in south of Semirom under natural rangeland uses, was selected and then 125 soil samples (0-10 cm depth) were collected. Soil organic carbon was measured for the collected soil samples. Topographic attributes were calculated by a digital elevation model with 10 m spacing. Finally, multiple linear regression (MLR) analysis and ANN models were developed for soil organic carbon estimation in the study area and then the developed modeless were validated by additional samples (25 points). The results showed that the MLR and ANN models explained 60 and 89 % of the total variability of SOC, respectively, in the study area using terrain attributes. Sensitivity analysis based upon the ANN models, revealed that the profile curvature, stream power index, slope, sediment transport index, wetness index, plan curvature and aspect were identified as the important topographic attributes influencing the SOC distribution within the selected hillslope. The overall results indicated that topographic attributes and hydrological process control a significant variability of SOC. Prediction of the statistical studied models in the study area resulted in mean error and root mean square error values of 0.25, 0.3 in MLR equation and 0.006, 0.027 in ANN, respectively. Therefore, the ANN model could provide superior predictive performance when compared with developed MLR model.

Keywords: Soil organic carbon, Terrain attributes, Linear regression, Artificial neural network