دوره 15، شماره 2 - ( پاییز و زمستان 1403 )
جلد 15 شماره 2 صفحات 153-142 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
jafarian Z, ghorbani Z. (2024). Prediction of Soil Carbon Sequestration in Rangelands Regarding the Depth and Elevation of Sample Locations using Adaptive Neuro-Fuzzy Inference System (ANFIS) (Case Study: Lar Watershed). J Watershed Manage Res. 15(2), 142-153. doi:10.61186/jwmr.15.2.142
URL: http://jwmr.sanru.ac.ir/article-1-1205-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1205-fa.html
جعفریان زینب، قربانی ژیلا. پیش‌بینی میزان کربن ترسیب شده در خاک مراتع در رابطه با عمق و ارتفاع محل نمونه ها با استفاده از سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) (مطالعه موردی: حوزه آبخیز لار) پژوهشنامه مديريت حوزه آبخيز 1403; 15 (2) :153-142 10.61186/jwmr.15.2.142
زینب جعفریان* 
1، ژیلا قربانی1
1، ژیلا قربانی1
1- گروه علوم و مهندسی مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده: (359 مشاهده)
چکیده مبسوط
مقدمه: کربن آلی خاک یکی از پارامترهای مهم تعیین کننده میزان حاصلخیزی خاک، قابلیت تولید و شاخص مهمی در نشان دادن کیفیت خاکهای مناطق خشک و نیمهخشک است. از طرفی، مراتع یکی از مهم‌ترین بوم‌سازگان خشکی هستند که جهت ذخیره کربن بهشمار میروند. آگاهی و دانش در مورد توزیع منابع کربن و تغییرات آن برای تشخیص سازوکارهای کنترلی چرخه جهانی کربن و پایداری میزان کربن فعلی در مدیریت این اراضی ارزشمند است. ازآنجایی‌که عملیات عرصهای شامل نمونهبرداری خاک از مکانها و عمقهای مختلف به‌منظور اندازهگیری میزان ترسیب کربن در خاک بسیار وقتگیر و هزینهبر است و از طرفی در بسیاری از مناطق مرتعی ویژگیهای مختلف خاک ممکن است برای مقاصد دیگری اندازهگیری شده و در دسترس باشند، با کمک مدل‌سازی و پیش‌بینی آن تحت ورودی‌های مختلف من‌جمله خصوصیات خاک مانند بافت، اسیدیته، هدایت الکتریکی و ... محققین و پژوهشگران عرصه مرتع میتوانند ترسیب کربن خاک را نیز برآورد و ارزیابی کنند. روشهای جدید پیش‌بینی مبتنی بر هوش مصنوعی بسیار گسترش‌یافته‌اند. هدف از تحقیق حاضر بررسی قابلیت پیش‌بینی میزان ترسیب کربن خاک مراتع با استفاده از سیستم استنتاج فازی-عصبی (ANFIS) است.
مواد و روشها: منطقۀ مورد مطالعه در این تحقیق شامل مراتع دامنههای جنوب غربی کوه دماوند در حوزه آبخیز لار به مساحت حدود 2000 هکتار بوده و ارتفاعی بین 2500 تا 3460 را تحت پوشش خود دارد. اقلیم آن با دوره آماری 36 ساله اقلیم منطقه نیمهمرطوب تا فرا سرد و متوسط بارندگی 550 میلیمتر است. گونههای گیاهی غالب در منطقه عبارتند از اسپرس کوهی (Onobrychis cornuta)، گون وحشی (Astragalus ochrodeucus)، گون بوتهای (Astragalus microcephalus)، آویشن (Thymus pubescens)، بود. در این تحقیق با توجه به وضعیت جغرافیایی حوزه آبخیز لار، 4 طبقه ارتفاعی از سطح دریا شامل طبقه ارتفاعی 1 (2700-2500 متر)، طبقه 2 (2900-2700 متر)، طبقه 3 (3100-2900 متر) و طبقه 4 (بیش از 3100 متر) معین گردید. در هر طبقه ارتفاعی، 13 نقطه تصادفی مشخص و از هر نقطه، 3 نمونه خاک (در نقش تکرار) از اعماق 15-0 و 30-15 سانتیمتر تهیه گردید. مجموعاً 312 نمونه خاک در کل منطقه تهیه و به آزمایشگاه خاکشناسی منتقل شد. در آزمایشگاه، ویژگیهای بافت، کربن آلی و وزن مخصوص ظاهری به‌صورت میانگین 3 تکرار اندازهگیری شد. به‌واسطه این ویژگیها، میزان ترسیب کربن خاک محاسبه شد. پس از نمونهبرداری و اندازهگیری میزان ترسیب کربن تحت تأثیر عمق خاک و ارتفاع محل نمونهبرداری در قسمتی از مراتع کوه دماوند واقع در حوزه آبخیز لار، اقدام به ایجاد معادلات رگرسیونی و مدل ANFIS شده و دقت آنها در پیش‌بینی ترسیب کربن با یکدیگر مقایسه گشته و روش دقیقتر مشخص شد. برای ارزیابی مدلهای رگرسیونی و ANFIS از مجذور میانگین مربعات خطا (RMSE) و ضریب تعیین (R2) استفاده شد. معادله رگرسیونی در بسته نرم‌افزاری SPSS20 انجام شدند. برای رسم نمودارهای توصیفی از نرمافزار Excel استفاده گردید. لازم به ذکر است که مدل‌سازی بر اساس ANFIS در نرمافزار متلب (MATLAB) ایجاد شد و بر پایهای از مجموعه دادههای ورودی/خروجی یک سیستم استنتاج فازی (FIS) است. این سیستم بر پایه قوانین ترکیبی از سه جزء توابع عضویت متغیرهای ورودی و خروجی (فازی کردن)، قوانین فازی (پایگاه قواعد)، استنتاج مکانیزم (ترکیب قواعد با ورودی فازی) و مشخصههای خروجی و نتایج سیستم (غیرفازی سازی) است.
یافتهها: نتایج تجزیه واریانس دادهها نشان داد که تنها عمق نمونهبرداری، اثر معنیداری بر میزان ترسیب کربن خاک داشته اما اثر ارتفاع محل نمونهبرداری و اثر متقابل عمق و ارتفاع بیمعنی بود. در حالت کلی، میزان ترسیب کربن در عمق 30-15 سانتیمتری بیش‌تر از 15-0 سانتیمتر بوده و در هر دو عمق، طبقه ارتفاعی 4 (3545-3119 متر) بیش‌ترین میزان ترسیب کربن خاک را داشت. بیش‌ترین میزان ترسیب کربن بهمیزان 604654 مربوط به طبقه ارتفاعی 4 و عمق 30-15 سانتیمتر بود. درواقع، در ارتفاعهای بالاتر و پایینتر، میزان ترسیب کربن خاک افزایش‌یافته و در ارتفاعهای متوسط، این میزان ترسیب کربن روبه کاهش گذاشته است. به‌علاوه پس از طبقه ارتفاعی 4، بیش‌ترین میزان ترسیب کربن مربوط به طبقه ارتفاعی 1 بود. در بخش مدل‌سازی، مدل ANFIS با دقت بالاتر (4736/0R2=) و خطای کم‌تر (0274/0RMSE=) نسبت به مدل رگرسیونی با دقت کم‌تر (4308/0R2=) و خطای بیش‌تر (069/0RMSE=)، میزان ترسیب کربن خاک را پیش‌بینی نمود. این نتیجه حاکی از توانایی بالاتر مدل انفیس نسبت به مدل رگرسیونی در ایجاد ارتباط بین ورودی و خروجی و نزدیکی آن نسبت به مقادیر اندازهگیری شده است.
نتیجه‌گیری: با توجه به افزایش ضریب همبستگی و کاهش میانگین انحراف خطا در روش انفیس نسبت به رگرسیون چند متغیره خطی، بهنظر میرسد روش انفیس در برآورد میزان ترسیب کربن خاک تحت تأثیر عوامل مختلف در کاربری مورد مطالعه، موفقتر عمل کرده است. عملکرد بهتر مدل انفیس در مقایسه با روشهای آماری رگرسیونی را میتوان در قابلیت تخمین و پیش‌بینی آن برای تقریب غیرخطی با حجم کم دادهها جستجو نمود. این در حالی است که عملکرد و دقت روشهای رگرسیونی به‌شدت از حجم نمونهها تبعیت میکند و حجم کم نمونهها میتواند عامل محدودیت در چنین مدلهای آماری گردد. سامانههای استنتاج فازی بر پایه شبکه عصبی تطبیقی، نهتنها در پیش‌بینی میزان ترسیب کربن خاک مراتع تحت شرایط عمق و ارتفاع نمونهبرداری متفاوت عملکرد بهتری دارد، بلکه میتوان از آن به‌عنوان ابزاری هوشمند در جهت پیش‌بینی پارامترهای مختلف در مراتع تحت بررسی مثلاً در پیش‌بینی حجم زیست‌توده زیرزمینی و روزمینی، نحوه پراکنش گونههای مرتعی و ... استفاده نمود.
مقدمه: کربن آلی خاک یکی از پارامترهای مهم تعیین کننده میزان حاصلخیزی خاک، قابلیت تولید و شاخص مهمی در نشان دادن کیفیت خاکهای مناطق خشک و نیمهخشک است. از طرفی، مراتع یکی از مهم‌ترین بوم‌سازگان خشکی هستند که جهت ذخیره کربن بهشمار میروند. آگاهی و دانش در مورد توزیع منابع کربن و تغییرات آن برای تشخیص سازوکارهای کنترلی چرخه جهانی کربن و پایداری میزان کربن فعلی در مدیریت این اراضی ارزشمند است. ازآنجایی‌که عملیات عرصهای شامل نمونهبرداری خاک از مکانها و عمقهای مختلف به‌منظور اندازهگیری میزان ترسیب کربن در خاک بسیار وقتگیر و هزینهبر است و از طرفی در بسیاری از مناطق مرتعی ویژگیهای مختلف خاک ممکن است برای مقاصد دیگری اندازهگیری شده و در دسترس باشند، با کمک مدل‌سازی و پیش‌بینی آن تحت ورودی‌های مختلف من‌جمله خصوصیات خاک مانند بافت، اسیدیته، هدایت الکتریکی و ... محققین و پژوهشگران عرصه مرتع میتوانند ترسیب کربن خاک را نیز برآورد و ارزیابی کنند. روشهای جدید پیش‌بینی مبتنی بر هوش مصنوعی بسیار گسترش‌یافته‌اند. هدف از تحقیق حاضر بررسی قابلیت پیش‌بینی میزان ترسیب کربن خاک مراتع با استفاده از سیستم استنتاج فازی-عصبی (ANFIS) است.
مواد و روشها: منطقۀ مورد مطالعه در این تحقیق شامل مراتع دامنههای جنوب غربی کوه دماوند در حوزه آبخیز لار به مساحت حدود 2000 هکتار بوده و ارتفاعی بین 2500 تا 3460 را تحت پوشش خود دارد. اقلیم آن با دوره آماری 36 ساله اقلیم منطقه نیمهمرطوب تا فرا سرد و متوسط بارندگی 550 میلیمتر است. گونههای گیاهی غالب در منطقه عبارتند از اسپرس کوهی (Onobrychis cornuta)، گون وحشی (Astragalus ochrodeucus)، گون بوتهای (Astragalus microcephalus)، آویشن (Thymus pubescens)، بود. در این تحقیق با توجه به وضعیت جغرافیایی حوزه آبخیز لار، 4 طبقه ارتفاعی از سطح دریا شامل طبقه ارتفاعی 1 (2700-2500 متر)، طبقه 2 (2900-2700 متر)، طبقه 3 (3100-2900 متر) و طبقه 4 (بیش از 3100 متر) معین گردید. در هر طبقه ارتفاعی، 13 نقطه تصادفی مشخص و از هر نقطه، 3 نمونه خاک (در نقش تکرار) از اعماق 15-0 و 30-15 سانتیمتر تهیه گردید. مجموعاً 312 نمونه خاک در کل منطقه تهیه و به آزمایشگاه خاکشناسی منتقل شد. در آزمایشگاه، ویژگیهای بافت، کربن آلی و وزن مخصوص ظاهری به‌صورت میانگین 3 تکرار اندازهگیری شد. به‌واسطه این ویژگیها، میزان ترسیب کربن خاک محاسبه شد. پس از نمونهبرداری و اندازهگیری میزان ترسیب کربن تحت تأثیر عمق خاک و ارتفاع محل نمونهبرداری در قسمتی از مراتع کوه دماوند واقع در حوزه آبخیز لار، اقدام به ایجاد معادلات رگرسیونی و مدل ANFIS شده و دقت آنها در پیش‌بینی ترسیب کربن با یکدیگر مقایسه گشته و روش دقیقتر مشخص شد. برای ارزیابی مدلهای رگرسیونی و ANFIS از مجذور میانگین مربعات خطا (RMSE) و ضریب تعیین (R2) استفاده شد. معادله رگرسیونی در بسته نرم‌افزاری SPSS20 انجام شدند. برای رسم نمودارهای توصیفی از نرمافزار Excel استفاده گردید. لازم به ذکر است که مدل‌سازی بر اساس ANFIS در نرمافزار متلب (MATLAB) ایجاد شد و بر پایهای از مجموعه دادههای ورودی/خروجی یک سیستم استنتاج فازی (FIS) است. این سیستم بر پایه قوانین ترکیبی از سه جزء توابع عضویت متغیرهای ورودی و خروجی (فازی کردن)، قوانین فازی (پایگاه قواعد)، استنتاج مکانیزم (ترکیب قواعد با ورودی فازی) و مشخصههای خروجی و نتایج سیستم (غیرفازی سازی) است.
یافتهها: نتایج تجزیه واریانس دادهها نشان داد که تنها عمق نمونهبرداری، اثر معنیداری بر میزان ترسیب کربن خاک داشته اما اثر ارتفاع محل نمونهبرداری و اثر متقابل عمق و ارتفاع بیمعنی بود. در حالت کلی، میزان ترسیب کربن در عمق 30-15 سانتیمتری بیش‌تر از 15-0 سانتیمتر بوده و در هر دو عمق، طبقه ارتفاعی 4 (3545-3119 متر) بیش‌ترین میزان ترسیب کربن خاک را داشت. بیش‌ترین میزان ترسیب کربن بهمیزان 604654 مربوط به طبقه ارتفاعی 4 و عمق 30-15 سانتیمتر بود. درواقع، در ارتفاعهای بالاتر و پایینتر، میزان ترسیب کربن خاک افزایش‌یافته و در ارتفاعهای متوسط، این میزان ترسیب کربن روبه کاهش گذاشته است. به‌علاوه پس از طبقه ارتفاعی 4، بیش‌ترین میزان ترسیب کربن مربوط به طبقه ارتفاعی 1 بود. در بخش مدل‌سازی، مدل ANFIS با دقت بالاتر (4736/0R2=) و خطای کم‌تر (0274/0RMSE=) نسبت به مدل رگرسیونی با دقت کم‌تر (4308/0R2=) و خطای بیش‌تر (069/0RMSE=)، میزان ترسیب کربن خاک را پیش‌بینی نمود. این نتیجه حاکی از توانایی بالاتر مدل انفیس نسبت به مدل رگرسیونی در ایجاد ارتباط بین ورودی و خروجی و نزدیکی آن نسبت به مقادیر اندازهگیری شده است.
نتیجه‌گیری: با توجه به افزایش ضریب همبستگی و کاهش میانگین انحراف خطا در روش انفیس نسبت به رگرسیون چند متغیره خطی، بهنظر میرسد روش انفیس در برآورد میزان ترسیب کربن خاک تحت تأثیر عوامل مختلف در کاربری مورد مطالعه، موفقتر عمل کرده است. عملکرد بهتر مدل انفیس در مقایسه با روشهای آماری رگرسیونی را میتوان در قابلیت تخمین و پیش‌بینی آن برای تقریب غیرخطی با حجم کم دادهها جستجو نمود. این در حالی است که عملکرد و دقت روشهای رگرسیونی به‌شدت از حجم نمونهها تبعیت میکند و حجم کم نمونهها میتواند عامل محدودیت در چنین مدلهای آماری گردد. سامانههای استنتاج فازی بر پایه شبکه عصبی تطبیقی، نهتنها در پیش‌بینی میزان ترسیب کربن خاک مراتع تحت شرایط عمق و ارتفاع نمونهبرداری متفاوت عملکرد بهتری دارد، بلکه میتوان از آن به‌عنوان ابزاری هوشمند در جهت پیش‌بینی پارامترهای مختلف در مراتع تحت بررسی مثلاً در پیش‌بینی حجم زیست‌توده زیرزمینی و روزمینی، نحوه پراکنش گونههای مرتعی و ... استفاده نمود.
فهرست منابع
1. Abdi, N., Madah Arefi, H., & Zahedi Amiri, G. D. (2008). Estimation of carbon sequestration in Astragalus rangelands of Markazi province (Case study: Malmir rangeland in Shazand region). Iranian journal of range and desert research, 15(2), 269-282 (In Persian).
2. Anderson, D. W., Saggar, S., Bettany, J. R., & Stewart, J. W. B. (1981). Particle size fractions and their use in studies of soil organic matter: I. The nature and distribution of forms of carbon, nitrogen, and sulfur. Soil Science Society of America Journal, 45(4), 767-772. [DOI:10.2136/sssaj1981.03615995004500040018x]
3. Azarnivand, H., Joneidi, H., Chahooki, M. Z., & Arefi, H. M. (2011). Investigation of the effects of some ecological factors on carbon sequestration in Artemisia sieberi rangelands of Semnan province. Journal of range and watershed management, 64(1), 107-127 (In Persian).
4. Bahrami, B., Dianati Tilaki, G. A., Khosro Beigi, S., Janizadeh, S., & Moetamedi, J. (2013). Evaluation of artificial neural network (ANN), adative neuro-fuzzy inference system (ANFIS) and regression models in prediction of particulate organic matter-carbon (POM-C) in the rangelands Kharabe Sanji of Urmia. Applied Soil Research, 1(1), 94-106 (In Persian).
5. Bayat, M., Arzani, H., Jalili, A., & Ghalij Nia, H. (2018). The effect of climatic factors on canopy cover and range forage production in semi-steppe rangelands (Case Study: Polur and Rineh-Mazandaran province. Journal of Range and Watershed Managment, 71(2), 378-367 (In Persian).
6. Boroumand, M., Ghajar Sepanlu, M., & Bahmanyar. M.A. (2014). The Effect of Land use Change on Some of the Physical and Chemical Properties of Soil (Case Study: Semeskande Area of Sari). Journal of Watershed Management Research, 5(9), 78-94 (In Persian).
7. Brahim, N., Blavet, D., Gallali, T., & Bernoux, M. (2011). Application of structural equation modeling for assessing relationships between organic carbon and soil properties in semiarid Mediterranean region. International Journal of Environmental Science & Technology, 8, 305-320. [DOI:10.1007/BF03326218]
8. Farzi, H., Tamartash, R., Jafarian, Z., & Tatian, M.R. (2019). The effect of revitalization measures on the change of vegetation performance in the pastures of the southern slopes of central Alborz. Rangeland and Watershed Journal, 72(2), 505-515.
9. Ghorbani, A., Sharifi, J., Kavianpour, H., Malekpour, B., & Mirzaei. F. (2008). Investigating the ecological specifications of Festuca ovina L. in southeast of Sabalan mountain. Journal of Iranian Forest and Desert, 20(2), 379-396 (In Persian).
10. Ghorbani, Z. H., Sefidi, K., Keyvan Behjo, F., Moammeri, M., & Soltanitolarod. A. (2019). Predicting the soil fragmentation caused by grazing using adaptive neuro-fuzzy inference system (ANFIS). Journal of Range and Watershed Management, 72(2), 557-568 (In Persian).
11. Ghorbani, J., Sefidi, K., Keyvan Behjo, F., Moameri, M., & Soltanitolarood, A. (2016). Effects of different grazing intensities on some soil physical and chemical properties in southeastern rangelands of Sabalan Mountain. Rangeland, 9(4), 353-366 (In Persian).
12. Homann, P. S., Kapchinske, J. S., & Boyce, A. (2007). Relations of mineral-soil C and N to climate and texture: regional differences within the conterminous USA. Biogeochemistry, 85, 303-316. [DOI:10.1007/s10533-007-9139-6]
13. Iranmanesh, M., & Sadeghi, H. (2019). Effects of soil texture and nitrogen on ability of carbon sequestration in different organs of two Tamarix species as a good choice for carbon stock in dry lands. Ecological Engineering, 139, 105577. [DOI:10.1016/j.ecoleng.2019.08.007]
14. Jafarian, Z., & Tayefeh Seyyed Alikhani, L. (2013). Carbon sequestration potential in dry farmed wheat in Kiasar region. Journal of Agricultural Science and Sustainable Production, 23(1), 31-41.
15. Jafarian, Z., Tayefeh Seyyed Alikhani, L., & Tamartash. R. (2012). Investigation of Carbon Storage Potential of Artemisia aucheri, Agropyron elongatum, Stipa barbata, in Semi-Arid Rangelands of Iran (Case study: Peshert Region, Kiasar). Journal of Range and Watershed Management, 65(2), 191-202 (In Persian).
16. Jalilvand, H., Jafarian, Z., & Yusefi, M. (2015). Effect of forestation hardwood and softwood on soil carbon storage in Berenjestanak forest at Mazandaran Province. Journal of Natural Environment, 68(2), 179-190 (In Persian).
17. Krueger, E., Prior, S. A., Kurtener, D., Rogers, H. H., & R:union:, G. B. (2011). Characterizing root distribution with adaptive neuro-fuzzy analysis. International Agrophysics, 25(1), 93-96.
18. Liu, X., Yang, T., Wang, Q., Huang, F., & Li, L. (2018). Dynamics of soil carbon and nitrogen stocks after afforestation in arid and semi-arid regions: A meta-analysis. Science of the Total Environment, 618, 1658-1664. [DOI:10.1016/j.scitotenv.2017.10.009]
19. Mishra, G., Sulieman, M. M., Kaya, F., Francaviglia, R., Keshavarzi, A., Bakhshandeh, E., ... & Rawat, D. (2022). Machine learning for cation exchange capacity prediction in different land uses. Catena, 216, 106404. [DOI:10.1016/j.catena.2022.106404]
20. linear regression analysis and artificial neural network methods for simulating topographic factors effect on soil organic carbon. Watershed Engineering and Management, 6(4), 312-322 (In Persian).
21. Okwu, M. O., & Adetunji, O. (2018). A comparative study of artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) models in distribution system with nondeterministic inputs. International Journal of Engineering Business Management, 10, 1847979018768421. [DOI:10.1177/1847979018768421]
22. Pandiyan, V., Caesarendra, W., Tjahjowidodo, T., & Praveen, G. (2017). Predictive modelling and analysis of process parameters on material removal characteristics in abrasive belt grinding process. Applied Sciences, 7(4), 363. [DOI:10.3390/app7040363]
23. Pentoś, K., & Pieczarka, K. (2017). Applying an artificial neural network approach to the analysis of tractive properties in changing soil conditions. Soil and Tillage Research, 165, 113-120. [DOI:10.1016/j.still.2016.08.005]
24. Provencher, L., Byer, S., Frid, L., Senthivasan, S., Badik, K. J., & Szabo, K. (2023). Carbon Sequestration in Degraded Intermountain West Rangelands, United States. Rangeland Ecology & Management, 90, 22-34. [DOI:10.1016/j.rama.2023.05.004]
25. Saremi, M., Rouhimoghaddam, E., & Fakhireh, A. (2015). Pasture Management Effects on Carbon Sequestration Rates of Astragalus peristerus in Fasham Rangelands, Tehran. Journal of Environmental Studies, 41(1), 193-199 (In Persian).
26. Sarkar, R., Corriher-Olson, V., Long, C., & Somenahally, A. (2020). Challenges and potentials for soil organic carbon sequestration in forage and grazing systems. Rangeland Ecology & Management, 73(6), 786-795. [DOI:10.1016/j.rama.2020.04.002]
27. Sheidai Karkaj, E., Sepehri, A., Barani, H., & Motamedi, J. (2017). The relationship between soil organic carbon reservoir and some soil charestristics in East azarbaijan rangeland. Journal of Rangeland, 11(2), 125-138 (In Persian).
28. Taghavifar, H., & Mardani, A. (2014). On the modeling of energy efficiency indices of agricultural tractor driving wheels applying adaptive neuro-fuzzy inference system. Journal of Terramechanics, 56, 37-47. [DOI:10.1016/j.jterra.2014.08.002]
29. Taleshian Jeloudar, F., Ghajar Sepanlou, M., & Emadi, S. M. (2019). " Technical Report" The Effects of Land use Change on Some Physical and Chemical Properties of Soil (Case Study: Babolrood watershed). Journal of Watershed Management Research, 10(19), 222-232 (In Persian). [DOI:10.29252/jwmr.10.19.222]
30. Tamartash, R., Tatian, M. R., & Yousefian, M. (2012). The effect of different plants type on the Carbon sequestration of Miankale Plain Rangelands. Knowing the Environment, 62(2), 45-54 (In Persian).
31. Wang, S., Wang, X., & Ouyang, Z. (2012). Effects of land use, climate, topography and soil properties on regional soil organic carbon and total nitrogen in the Upstream Watershed of Miyun Reservoir, North China. Journal of Environmental Sciences, 24(3), 387-395. [DOI:10.1016/S1001-0742(11)60789-4]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
