پاییز و زمستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
زینب جعفریان* 
1، ژیلا قربانی1
1، ژیلا قربانی1
1- دانشگاه علوم کشاورزی و منابع طبیعی ساری
چکیده: (36 مشاهده)
مقدمه: کربن آلی خاک یکی از پارامترهای مهم تعیین کننده میزان حاصل خیزی خاک، قابلیت تولید و شاخص مهمی در نشان دادن کیفیت خاک های مناطق خشک و نیمه خشک است. از طرفی، مراتع یکی از مهم‌ترین بوم‌سازگان خشکی هستند که جهت ذخیره کربن به شمار می روند. 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 نمونه برداری خاک از مکان ها و عمق های مختلف به‌منظور اندازه گیری میزان ترسیب کربن در خاک بسیار وقت گیر و هزینه بر است و از طرفی در بسیاری از مناطق مرتعی ویژگی های مختلف خاک ممکن است برای مقاصد دیگری اندازه گیری شده و در دسترس باشند، با کمک مدل سازی و پیش بینی آن تحت ورودی‌های مختلف من‌جمله خصوصیات خاک مانند بافت، اسیدیته، هدایت الکتریکی و ... محققین و پژوهش گران عرصه مرتع می توانند ترسیب کربن خاک را نیز برآورد و ارزیابی کنند. روش های 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 رو شها: منطقۀ موردمطالعه در این تحقیق شامل مراتع دامنه های 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 نیمه مرطوب تا فرا سرد و متوسط بارندگی 550 میلی متر است. گونه های گیاهی غالب در منطقه عبارتند از اسپرس کوهی (Onobrychis cornuta)، گون وحشی (Astragalus ochrodeucus)، گون بوته ای (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 سانتی متر تهیه گردید. مجموعاً 312 نمونه خاک در کل منطقه تهیه و به آزمایشگاه خاکشناسی منتقل شد. در آزمایشگاه، ویژگی های بافت، کربن آلی و وزن مخصوص ظاهری به‌صورت میانگین 3 تکرار اندازهگیری شد. به‌واسطه این ویژگی ها، میزان ترسیب کربن خاک محاسبه شد. پس از نمونه برداری و اندازه گیری میزان ترسیب کربن تحت تأثیر عمق خاک و ارتفاع محل نمونه برداری 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 دقیق تر مشخص شد. برای ارزیابی مدل های 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 نرم افزار Excel استفاده گردید. لازم به ذکر است که مدل‌سازی اساس ANFIS در نرم افزار متلب (MATLAB) ایجاد شد و بر پایه ای از مجموعه داده های 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 مشخصه های خروجی و نتایج سیستم (غیر فازی سازی) است.
یافته ها: نتایج تجزیه واریانس داده ها نشان داد که تنها عمق نمونه برداری، اثر معنی داری بر میزان ترسیب کربن خاک داشته اما اثر ارتفاع محل نمونه برداری و اثر متقابل عمق و ارتفاع بی معنی بود. در حالت کلی، میزان ترسیب کربن در عمق 30-15 سانتی متری بیش‌تر از 15-0 سانتی متر بوده و در هر دو عمق، طبقه ارتفاعی 4 (3545-3119 متر) بیش‌ترین میزان ترسیب کربن خاک را داشت. بیش‌ترین میزان ترسیب کربن به میزان 604654 مربوط به طبقه ارتفاعی 4 و عمق 30-15 سانتی متر بود. درواقع، در ارتفاع های بالاتر و پایین تر، میزان ترسیب کربن خاک افزایش‌یافته و در ارتفاع های متوسط، این میزان ترسیب کربن رو به کاهش گذاشته است. به‌علاوه پس از طبقه ارتفاعی 4، بیش‌ترین میزان ترسیب کربن مربوط به طبقه ارتفاعی 1 بود. در بخش مدل سازی، 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 پیش بینی 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 اندازه گیری شده است.
نتیجه‌گیری: با توجه به افزایش ضریب همبستگی و کاهش میانگین انحراف خطا در روش انفیس نسبت به رگرسیون چند متغیره خطی، به نظر می رسد روش انفیس در برآورد میزان ترسیب کربن خاک تحت تأثیر عوامل مختلف در کاربری موردمطالعه، موفق تر عمل کرده است. عملکرد بهتر مدل انفیس در مقایسه با روش های آماری رگرسیونی را می توان در قابلیت تخمین و پیشبینی آن برای تقریب غیرخطی با حجم کم داده ها جستجو نمود. این در حالی است که عملکرد و دقت روش های رگرسیونی به‌شدت از حجم نمونه ها تبعیت می کند و حجم کم نمونه ها می تواند عامل محدودیت در چنین مدل های آماری گردد. سامانه های استنتاج فازی بر پایه شبکه عصبی تطبیقی، نه تنها در پیشبینی میزان ترسیب کربن خاک مراتع تحت شرایط عمق و ارتفاع نمونه برداری متفاوت عملکرد بهتری دارد، بلکه می توان از آن به‌عنوان ابزاری هوشمند در جهت پیشبینی پارامترهای مختلف در مراتع تحت بررسی مثلاً در پیشبینی حجم زیست‌توده زیرزمینی و روزمینی، نحوه پراکنش گونه های مرتعی و ... استفاده نمود.
مواد و رو شها: منطقۀ موردمطالعه در این تحقیق شامل مراتع دامنه های 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 نیمه مرطوب تا فرا سرد و متوسط بارندگی 550 میلی متر است. گونه های گیاهی غالب در منطقه عبارتند از اسپرس کوهی (Onobrychis cornuta)، گون وحشی (Astragalus ochrodeucus)، گون بوته ای (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 سانتی متر تهیه گردید. مجموعاً 312 نمونه خاک در کل منطقه تهیه و به آزمایشگاه خاکشناسی منتقل شد. در آزمایشگاه، ویژگی های بافت، کربن آلی و وزن مخصوص ظاهری به‌صورت میانگین 3 تکرار اندازهگیری شد. به‌واسطه این ویژگی ها، میزان ترسیب کربن خاک محاسبه شد. پس از نمونه برداری و اندازه گیری میزان ترسیب کربن تحت تأثیر عمق خاک و ارتفاع محل نمونه برداری 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 دقیق تر مشخص شد. برای ارزیابی مدل های 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 نرم افزار Excel استفاده گردید. لازم به ذکر است که مدل‌سازی اساس ANFIS در نرم افزار متلب (MATLAB) ایجاد شد و بر پایه ای از مجموعه داده های 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 مشخصه های خروجی و نتایج سیستم (غیر فازی سازی) است.
یافته ها: نتایج تجزیه واریانس داده ها نشان داد که تنها عمق نمونه برداری، اثر معنی داری بر میزان ترسیب کربن خاک داشته اما اثر ارتفاع محل نمونه برداری و اثر متقابل عمق و ارتفاع بی معنی بود. در حالت کلی، میزان ترسیب کربن در عمق 30-15 سانتی متری بیش‌تر از 15-0 سانتی متر بوده و در هر دو عمق، طبقه ارتفاعی 4 (3545-3119 متر) بیش‌ترین میزان ترسیب کربن خاک را داشت. بیش‌ترین میزان ترسیب کربن به میزان 604654 مربوط به طبقه ارتفاعی 4 و عمق 30-15 سانتی متر بود. درواقع، در ارتفاع های بالاتر و پایین تر، میزان ترسیب کربن خاک افزایش‌یافته و در ارتفاع های متوسط، این میزان ترسیب کربن رو به کاهش گذاشته است. به‌علاوه پس از طبقه ارتفاعی 4، بیش‌ترین میزان ترسیب کربن مربوط به طبقه ارتفاعی 1 بود. در بخش مدل سازی، 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 پیش بینی 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 اندازه گیری شده است.
نتیجه‌گیری: با توجه به افزایش ضریب همبستگی و کاهش میانگین انحراف خطا در روش انفیس نسبت به رگرسیون چند متغیره خطی، به نظر می رسد روش انفیس در برآورد میزان ترسیب کربن خاک تحت تأثیر عوامل مختلف در کاربری موردمطالعه، موفق تر عمل کرده است. عملکرد بهتر مدل انفیس در مقایسه با روش های آماری رگرسیونی را می توان در قابلیت تخمین و پیشبینی آن برای تقریب غیرخطی با حجم کم داده ها جستجو نمود. این در حالی است که عملکرد و دقت روش های رگرسیونی به‌شدت از حجم نمونه ها تبعیت می کند و حجم کم نمونه ها می تواند عامل محدودیت در چنین مدل های آماری گردد. سامانه های استنتاج فازی بر پایه شبکه عصبی تطبیقی، نه تنها در پیشبینی میزان ترسیب کربن خاک مراتع تحت شرایط عمق و ارتفاع نمونه برداری متفاوت عملکرد بهتری دارد، بلکه می توان از آن به‌عنوان ابزاری هوشمند در جهت پیشبینی پارامترهای مختلف در مراتع تحت بررسی مثلاً در پیشبینی حجم زیست‌توده زیرزمینی و روزمینی، نحوه پراکنش گونه های مرتعی و ... استفاده نمود.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
