ارزیابی مدل های شبکه عصبی مصنوعی و رگرسیونی در برآورد کربن آلی خاک (منطقه مورد مطالعه: حوزه آبخیز پاکل، استان مرکزی)

با توجه به نقش کربن آلی در مدیریت و پایداری خاک، جلوگیری از فرسایش خاک و پایش میزان دی اکسیدکربن هوا، پیش بینی کربن آلی خاک در مقیاس منطقه ای، ملی و جهانی از اهمیت خاصی برخوردار است. در این تحقیق به منظور برآورد کربن آلی خاک از مدل های شبکه عصبی مصنوعی  و رگرسیون چند متغیره استفاده شد. برای این منظور در ابتدا،  60 نمونه خاک از حوزه آبخیز پاکل اراک از عمق 0 تا  30 سانتی متری برداشت شد. سپس خصوصیات خاک شامل نیتروژن، رس، سیلت، کربن آلی، اسیدیته، هدایت الکتریکی و وزن مخصوص ظاهری خاک اندازه گیری گردید. به منظور ارزیابی کارکرد مدل های مورد استفاده از مجذور میانگین مربعات خطا و ضریب کارآیی استفاده گردید. نتایج نشان داد که شبکه عصبی مصنوعی با مجذور میانگین مربعات 043/0=RMSE و ضریب کارایی 87/0=CE نسبت به مدل رگرسیونی با مجذور میانگین مربعات 08/0R=MSE و ضریب کارایی 51/0=CE  کارایی بهتری در برآورد کربن آلی داشت.  مقایسه بین مدل های رگرسیونی و شبکه عصبی نشان داد که مقادیر برآورد شده به وسیله شبکه عصبی دارای دقت بیشتری نسبت به روش رگرسیونی می باشد. روش های آماری و نتایج شبکه های عصبی برتری مدل های شبکه عصبی را در برآورد کربن آلی بیان می کند. نتایج کلی پژوهش نشان می دهد که در عرصه های طبیعی که مشکلات خاص نمونه برداری، هزینه های تجزیه و آنالیز نمونه ها در سطح زیاد وجود دارد، می توان از روش های هوش مصنوعی و به کمک داده های زودیافت برای تخمین کربن آلی خاک سود جست. انجام مطالعات دوره ای پایش ترسیب کربن در منطقه مورد مطالعه به منظور بررسی تغییرات زمانی ترسیب کربن در کاربری های موردنظر پیشنهاد می شود.