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

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 تاثیر 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.