کارایی شبکه عصبی مصنوعی بهینه در مدلسازی کربن آلی خاک مبتنی بر داده های میدانی و تصاویر Sentinel-2 در ارسباران

خاک بزرگ ترین منبع ذخیره کربن موجود در بوم سازگان های زمینی هستند که بیشترین سهم از کل ذخایر جهانی ‏کربن زمینی را در خود جای دادند. نقشه برداری دقیق اطلاعات توزیع مکانی ذخیره کربن آلی خاک (SOC) یک پیشنیاز کلیدی جهت مدیریت منابع خاک و حفاظت از محیط زیست است. توسعه سریع علم سنجش از دور و استفاده از تصاویر ماهواره ای امکان نظارت بر ذخیره SOC در مقیاس بزرگ را فراهم می کند. امکان برآورد SOC یکی از موضوعات پیش روی پژوهشگران بوده است که در برخی موارد از شبکه عصبی مصنوعی برای این موضوع استفاده شده است هرچند تعیین مقادیر بهینه مولفه های موثر در آن دشوار است. در برخی مطالعات از الگوریتم ژنتیک برای بهینه سازی وزن های اولیه شبکه عصبی و بهبود پیش بینی متغیرهای خروجی استفاده شده است. اگرچه کارایی این روش در برآورد SOC با داده های سنجش از دور کمتر مورد بررسی قرار گرفته است. در این پژوهش اثر الگوریتم ژنتیک بر بهبود عملکرد شبکه عصبی مصنوعی در پیش بینی SOCبا استفاده از تصاویر ماهواره Sentinel-2 در ناحیه رویشی ارسباران مورد بررسی قرار گرفته است.

برای این منظور نمونه برداری از خاک با استفاده از روش نمونه برداری تصادفی طبقه بندی شده بر اساس انواع کاربری اراضی در 46 نقطه و در عمق صفرتا 15 سانتی متر انجام شد. SOC با استفاده از روش والکلی بلاک اندازه گیری شد. برای برازش مدل بین کربن آلی اندازه گیری شده در آزمایشگاه با 9 شاخص طیفی و 3 باند تصویر ماهواره ای که به طور مستقیم وارد مدلسازی شدند، از دو روش شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک استفاده گردید. برای ارزیابی کارایی مدل ها از روش اعتبارسنجی متقابل (Cross Validation) استفاده شد. درنهایت مدل های به دست آمده با شاخص های آماری جذر میانگین مربعات خطا (RMSE)، نسبت عملکرد به انحراف (RPD)، ضریب همبستگی اسپیرمن (r) ، ضریب تبیین (R2) و همچنین آزمون تی جفتی مورد ارزیابی قرار گرفتند.

نتایج نشان داد SOC برآوردی با شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک (%07/1=RMSE، % 89/1=RPD، 76/0=R2) دقت بیشتری نسبت به نتایج شبکه عصبی مصنوعی (% 51/1=RMSE، % 34/1=RPD، 58/0=R2) داشت. همچنین بهبود ضریب همبستگی اسپیرمن برای SOC واقعی و برآورد شده با شبکه عصبی مصنوعی بهینه شده (87/0=r) و SOC برآورد شده با شبکه عصبی مصنوعی (76/0=r) مشاهده گردید. SOC واقعی با SOC برآوردی با شبکه عصبی مصنوعی بهینه اختلاف معنی داری نداشت (21/0=p-value) ولی با SOC برآوردی با شبکه عصبی مصنوعی متفاوت بود (02/0=p-value). علاوه بر این، نتایج نشان داد که شاخص TSAVI بیشترین ضریب همبستگی اسپیرمن (565/0) و شاخصBI2 کمترین ضریب همبستگی اسپیرمن (196/0) را با کربن آلی خاک دارند.

به طورکلی، نتیجه گیری شد که استفاده از الگوریتم ژنتیک در انتخاب مولفه های بهینه شبکه عصبی مصنوعی منجر به بهبود عملکرد این روش مدل سازی در برآورد نقطه ای SOC با استفاده از تصاویر ماهواره Sentinel-2 در منطقه موردمطالعه شده است. همچنین با توجه به نتایج بدست آمده، کارایی تصاویر ماهواره Sentinel-2 در برآورد SOC در منطقه مورد مطالعه تایید شد.