ارائه پروتکل محاسباتی و شبیه سازی برای پایش مخازن کربن آلی خاک (مطالعه موردی: پارک جنگلی نور)

با توجه به سناریوی گرمایش زمین به عنوان بزرگترین چالش زیست محیطی عصر حاضر و اهمیت حفاظت و انباشت هر چه بیشتر موجودی کربن در خاک در قالب بزرگترین مخازن کربن اتمسفری در زمین، پایش بهینه مخازن کربن آلی خاک در بوم سازگان های جنگلی می تواند ابزاری مناسب برای بررسی تغییرات پارامترهای اقلیمی در منطقه علاوه بر مدیریت حفاظتی بهینه بوم سازگان های مذکور در رابطه با روند تغییرات ذخایر کربن خاک و چرخش کربن محسوب شود. از این رو، یک پروتکل جامع با قابلیت اطمینان زیاد برای ایجاد مدل های پیش بینی ذخایر کربن آلی خاک با حداکثر دقت باید ارائه شود، طوری که با استفاده از مدل های مزبور شامل متغیرهای توصیفی با قابلیت اندازه گیری آسان با حداقل هزینه بتوان کنترل حفاظتی متناسب در رابطه با تغییرات مقادیر ترسیب کربن در سطوح مختلف لایه های خاک انجام داد.
مواد و پژوهش حاضر در پارک جنگلی نور که به عنوان بزرگترین جنگل های جلگه ای شمال کشور محسوب می شود صورت گرفت. برای انجام پایش بهینه مخازن کربن آلی خاک در جنگل مذکور، 25 قطعه نمونه 400 متر مربعی با طرح بلوک تصادفی در توده های توسکا – انجیلی، پلت – انجیلی و اوجا – ممرز برای اندازه گیری مشخصه های کمی به منظور محاسبه شاخص های تنوع زیستی و فاکتور کربن خاک (در دو عمق 20- 0 و 40 – 20 سانتی متر) پیاده سازی شد. روش های محاسباتی تحلیل رگرسیون و تکنیک شبیه سازی با استفاده از شبکه عصبی مصنوعی برای انجام مطالعه حاضر استفاده شدند. برای تحلیل های محاسباتی از روش های سنتی مبتنی بر رگرسیون به روش تخمین منحنی و رگرسیون خطی چندگانه و برای پیشبرد تحلیل های شبکه عصبی مصنوعی از الگوریتم پس انتشار خطا با ساختار پروسپترون چند لایه استفاده شد.
نتایج نشان داد که رگرسیون خطی چندگانه شامل شاخص های همبسته تنوع زیستی به عنوان عوامل توصیفی بر مبنای شاخص های اعتبارسنجی از جمله ضریب اطلاعات آکاییک و فاکتور تورم واریانس ( ) دارای اعتبار محاسباتی بوده ولی دارای دقت قابل ملاحظه ای نمی باشد. در تحلیل غیرخطی، مدل کرو بر حسب وفور پوشش علفی مدل بهینه ذخایر کربن لایه آلی خاک و مدل توانی تبدیلی لگاریتمی ( ) شامل غلبه گونه ای درختی (D)، وفور (Abunance) و یکنواختی (J'') پوشش علفی بهترین مدل لایه معدنی خاک محسوب شدند. تکنیک شبیه سازی نشان داد که در الگوریتم پس انتشار خطا، خروجی بهینه لایه آلی خاک با ماتریس ورودی Abundance و J'' با توپولوژی یک لایه پنهان و 15 نورون حاوی تابع Tan-sigmoid و خروجی بهینه لایه معدنی خاک با اضافه شدن لایه D به ماتریس مزبور با معماری دولایه پنهان و 35 نورون دارای حداکثر قطعیت پیش بینی نسبت به کلیه تحلیل های رگرسیون هستند.
نوع روابط ریاضی (ساختار تابع) بین شاخص های تنوع زیستی و متغیر پاسخ مورد مطالعه صرفنظر از قطعیت ارتباط اکولوژیکی و بیولوژیکی بین آنها دارای قطعیت کم و محدودیت های تحلیلی و آماری زیاد از جمله وجود فاکتور تورم واریانس است. از این رو، کاربرد تکنیک شبکه عصبی مصنوعی می تواند بهترین جایگزین مدل های کلاسیک برای پیش بینی مقادیر مذکور باشند. در این خصوص، همانند پارامترهای محاسباتی مدل های کلاسیک، توپولوژی هر مدل در شبکه عصبی مصنوعی تعیین کننده معماری و کارآیی (دقت) پایش مقادیر ترسیب کربن در لایه های مختلف خاک می باشد.