Journal of Watershed Management Research

fa 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) 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) حفاظت آب و خاک حفاظت آب و خاک كاربردي Applicable <div style="text-align: justify;">چکیده مبسوط  مقدمه: کربن آلی خاک یکی از پارامترهای مهم تعیین کننده میزان حاصل&lrm;خیزی خاک، قابلیت تولید و شاخص مهمی در نشان دادن کیفیت خاک&lrm;های مناطق خشک و نیمه&lrm;خشک است. از طرفی، مراتع یکی از مهم‌ترین بوم‌سازگان خشکی هستند که جهت ذخیره کربن به&lrm;شمار می&lrm;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 عرصه&lrm;ای شامل نمونه&lrm;برداری خاک از مکان&lrm;ها و عمق&lrm;های مختلف به‌منظور اندازه&lrm;گیری میزان ترسیب کربن در خاک بسیار وقت&lrm;گیر و هزینه&lrm;بر است و از طرفی در بسیاری از مناطق مرتعی ویژگی&lrm;های مختلف خاک ممکن است برای مقاصد دیگری اندازه&lrm;گیری شده و در دسترس باشند، با کمک مدل&lrm;سازی و پیش&lrm;بینی آن تحت ورودی‌های مختلف من‌جمله خصوصیات خاک مانند بافت، اسیدیته، هدایت الکتریکی و ... محققین و پژوهشگران عرصه مرتع می&lrm;توانند ترسیب کربن خاک را نیز برآورد و ارزیابی کنند. روش&lrm;های جدید پیش&lrm;بینی مبتنی بر هوش مصنوعی بسیار گسترش‌یافته‌اند. هدف از تحقیق حاضر بررسی قابلیت پیش&lrm;بینی میزان ترسیب کربن خاک مراتع با استفاده از سیستم استنتاج فازی-عصبی (ANFIS) است. مواد و روش&lrm;ها: منطقۀ مورد مطالعه در این تحقیق شامل مراتع دامنه&lrm;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&lrm;مرطوب تا فرا سرد و متوسط بارندگی 550 میلی&lrm;متر است. گونه&lrm;های گیاهی غالب در منطقه عبارتند از اسپرس کوهی (Onobrychis cornuta)، گون وحشی (Astragalus ochrodeucus)، گون بوته&lrm;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&lrm;متر تهیه گردید. مجموعاً 312 نمونه خاک در کل منطقه تهیه و به آزمایشگاه خاک&lrm;شناسی منتقل شد. در آزمایشگاه، ویژگی&lrm;های بافت، کربن آلی و وزن مخصوص ظاهری به‌صورت میانگین 3 تکرار اندازه&lrm;گیری شد. به‌واسطه این ویژگی&lrm;ها، میزان ترسیب کربن خاک محاسبه شد. پس از نمونه&lrm;برداری و اندازه&lrm;گیری میزان ترسیب کربن تحت تأثیر عمق&lrm; خاک و ارتفاع محل نمونه&lrm;برداری در قسمتی از مراتع کوه دماوند واقع در حوزه آبخیز لار، اقدام به ایجاد معادلات رگرسیونی و مدل ANFIS شده و دقت آن&lrm;ها در پیش&lrm;بینی ترسیب کربن با یکدیگر مقایسه گشته و روش دقیق&lrm;تر مشخص شد. برای ارزیابی مدل&lrm;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 نمودار&lrm;های توصیفی از نرم&lrm;افزار Excel استفاده گردید. لازم به ذکر است که مدل‌سازی بر اساس ANFIS در نرم&lrm;افزار متلب (MATLAB) ایجاد شد و بر پایه&lrm;ای از مجموعه داده&lrm;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&lrm;های خروجی و نتایج سیستم (غیرفازی سازی) است. یافته&lrm;ها: نتایج تجزیه واریانس داده&lrm;ها نشان داد که تنها عمق نمونه&lrm;برداری، اثر معنی&lrm;داری بر میزان ترسیب کربن خاک داشته اما اثر ارتفاع محل نمونه&lrm;برداری و اثر متقابل عمق و ارتفاع بی&lrm;معنی بود. در حالت کلی، میزان ترسیب کربن در عمق 30-15 سانتی&lrm;متری بیش‌تر از 15-0 سانتی&lrm;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&lrm;میزان 604654 مربوط به طبقه ارتفاعی 4 و عمق 30-15 سانتی&lrm;متر بود. درواقع، در ارتفاع&lrm;های بالاتر و پایین&lrm;تر، میزان ترسیب کربن خاک افزایش‌یافته و در ارتفاع&lrm;های 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 مدل&lrm;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&lrm;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&lrm;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&lrm;نظر می&lrm;رسد روش انفیس در برآورد میزان ترسیب کربن خاک تحت تأثیر عوامل مختلف در کاربری مورد مطالعه، موفق&lrm;تر عمل کرده است. عملکرد بهتر مدل انفیس در مقایسه با روش&lrm;های آماری رگرسیونی را می&lrm;توان در قابلیت تخمین و پیش&lrm;بینی آن برای تقریب غیرخطی با حجم کم داده&lrm;ها جستجو نمود. این در حالی است که عملکرد و دقت روش&lrm;های رگرسیونی به‌شدت از حجم نمونه&lrm;ها تبعیت می&lrm;کند و حجم کم نمونه&lrm;ها می&lrm;تواند عامل محدودیت در چنین مدل&lrm;های آماری گردد. سامانه&lrm;های استنتاج فازی بر پایه شبکه عصبی تطبیقی، نه&lrm;تنها در پیش&lrm;بینی میزان ترسیب کربن خاک مراتع تحت شرایط عمق و ارتفاع نمونه&lrm;برداری متفاوت عملکرد بهتری دارد، بلکه می&lrm;توان از آن به‌عنوان ابزاری هوشمند در جهت پیش&lrm;بینی پارامترهای مختلف در مراتع تحت بررسی مثلاً در پیش&lrm;بینی حجم زیست‌توده زیرزمینی و روزمینی، نحوه پراکنش گونه&lrm;های مرتعی و ... استفاده نمود.  </div> <div></div><div style="text-align: justify;"></div> <div style="text-align: justify;"><v:shape filled="f" stroked="f" style="position:absolute; left:0; text-align:left; margin-left:94px; margin-top:149px; width:365.75pt; height:33.55pt; z-index:251656192" type="#_x0000_t202"> </v:shape></div> <div style="text-align: justify;"></div> <div style="text-align: justify;">Extended Abstract Background: Soil organic carbon is one of the important parameters to determine soil fertility, and production ability and a mind index for showing soil quality of dry and semi-dry lands. On the other hand, rangelands are one of the main dry ecosystems of carbon reservoirs. Knowing about carbon reservoir distribution and changes for detecting the controller mechanisms of the carbon world cycle and carbon stability is vital for managing ranges. Since field operations include soil sampling from different places and depths to measure the amount of soil carbon sequestration, it is very time-consuming and costly., On the other hand, different soil characteristics may be measured and available in many rangeland areas for other purposes using modeling and prediction under various inputs, including soil properties such as texture, acidity, electrical conductivity, etc. Researchers in the rangeland field can estimate and evaluate soil carbon. Novel prediction methods, including artificial intelligence, are of high interest in this field. The present research aims to study the ability of the adaptive neuro-fuzzy inference system (ANFIS) to predict the carbon sequestration (CS) of rangeland soil. Methods: The studied area in this research includes the rangelands of the southwestern slopes of Mount Damavand in the Lar watershed with an area of about 2000 hectares and an altitude between 2500 and 3460. With a statistical climate period of 36 years, it is a semi-humid to ultra-cold region where the average rainfall is 550 mm. Dominant plant species in the region are Onobrychis cornuta, Astragalus ochrodeucus, Astragalus microcephalus, Thymus pubescens, etc. Considering the Lar watershed region geographic conditions, four height groups relative to sea level, including height group 1 (2500-2700 m), group 2 (2700-2900 m), group 3 (2900-3100 m), and group 4 (3100-up m) were selected for sampling soil at different depths in this research. Thirteen random points were determined at all height groups, and three samples from each point were dug at depths 0-15 cm and 15-30 cm. In total, 312 soil samples were collected in the entire region and transferred to a soil science laboratory, where soil characteristics (texture, organic carbon, and bulk gravity) were measured as an average of three repetitions. These characteristics were used to calculate the amount of soil carbon deposition. After soil sampling and measuring the amount of carbon sequestration under the effect of soil depth and height in the sampling location at the Mount Damavand rangelands at the Lar watershed region, the regression and ANFIS prediction equations were developed and their accuracy was compared together for CS prediction plus introducing the more accurate approach. The root mean square error (RMSE) and correlation coefficient (R2) were applied to evaluate the regression and ANFIS models. The regression analysis was performed using the SPSS20 software. Excel software was used to draw descriptive charts. ANFIS modeling was created in MATLAB software and is based on the input/output dataset of a fuzzy inference system (FIS). This system is based on the combination of three components: membership functions of input and output variables (fuzzification), fuzzy rules (rule base), mechanism inference (a combination of rules with fuzzy input), output characteristics, and results of the system (de-fuzzification). <v:shape href="https://creativecommons.org/licenses/by-nc/4.0/?ref=chooser-v1" id="Picture_x0020_7" o:button="t" style="position:absolute; left:0; text-align:left; margin-left:1px; margin-top:152px; width:63.85pt; height:22.45pt; z-index:251657216" type="#_x0000_t75"> <v:fill o:detectmouseclick="t"> </v:fill></v:shape><v:shape filled="f" id="Text_x0020_Box_x0020_16" stroked="f" style="position:absolute; left:0; text-align:left; margin-left:94px; margin-top:149px; width:365.75pt; height:33.55pt; z-index:251656192" type="#_x0000_t202"></v:shape> Results: The results of the analysis of variance (ANOVA) revealed that only soil sampling depth significantly affected the soil CS, but the effect of sampling location and the interaction effect of depth and height were not significant. More amount of CS was obtained at a depth of 15-30 cm than at a depth of 0-15 cm, and the utmost amount of CS was measured in gang 4 of height (3119-3545 m) at both depths. The highest amount of CS (604656) belonged to gang 4 of height and a depth of 15-30 cm. In fact, the amount of soil CS increased at higher and lower altitudes while its amount decreased at medium altitudes. After gang 4 of height, the second most CS was recorded for the gang 1 of height. In the modeling part, the ANFIS model with higher accuracy (R2 = 0.4736) and lower error (RMSE = 0.0274) predicted the soil CS related to <v:shape filled="f" id="Text_x0020_Box_x0020_17" o:gfxdata="UEsDBBQABgAIAAAAIQC2gziS/gAAAOEBAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbJSRQU7DMBBF 90jcwfIWJU67QAgl6YK0S0CoHGBkTxKLZGx5TGhvj5O2G0SRWNoz/78nu9wcxkFMGNg6quQqL6RA 0s5Y6ir5vt9lD1JwBDIwOMJKHpHlpr69KfdHjyxSmriSfYz+USnWPY7AufNIadK6MEJMx9ApD/oD OlTrorhX2lFEilmcO2RdNtjC5xDF9pCuTyYBB5bi6bQ4syoJ3g9WQ0ymaiLzg5KdCXlKLjvcW893 SUOqXwnz5DrgnHtJTxOsQfEKIT7DmDSUCaxw7Rqn8787ZsmRM9e2VmPeBN4uqYvTtW7jvijg9N/y JsXecLq0q+WD6m8AAAD//wMAUEsDBBQABgAIAAAAIQA4/SH/1gAAAJQBAAALAAAAX3JlbHMvLnJl bHOkkMFqwzAMhu+DvYPRfXGawxijTi+j0GvpHsDYimMaW0Yy2fr2M4PBMnrbUb/Q94l/f/hMi1qR JVI2sOt6UJgd+ZiDgffL8ekFlFSbvV0oo4EbChzGx4f9GRdb25HMsYhqlCwG5lrLq9biZkxWOiqY 22YiTra2kYMu1l1tQD30/bPm3wwYN0x18gb45AdQl1tp5j/sFB2T0FQ7R0nTNEV3j6o9feQzro1i OWA14Fm+Q8a1a8+Bvu/d/dMb2JY5uiPbhG/ktn4cqGU/er3pcvwCAAD//wMAUEsDBBQABgAIAAAA IQCQv637DgIAAPsDAAAOAAAAZHJzL2Uyb0RvYy54bWysU1Fv2yAQfp+0/4B4X+xYdptacaquXadJ XTep3Q8gGMdowDEgsbNfvwMnmbW9TeMBAXf33X3fHevbUStyEM5LMA1dLnJKhOHQSrNr6LfXx3cr SnxgpmUKjGjoUXh6u3n7Zj3YWhTQg2qFIwhifD3YhvYh2DrLPO+FZn4BVhg0duA0C3h1u6x1bEB0 rbIiz6+yAVxrHXDhPb4+TEa6SfhdJ3j40nVeBKIairWFtLu0b+Oebdas3jlme8lPZbB/qEIzaTDp BeqBBUb2Tv4FpSV34KELCw46g66TXCQOyGaZ/8HmpWdWJC4ojrcXmfz/g+XPh6+OyBZ7d02JYRp7 9CrGQN7DSPAJ9Rmsr9HtxaJjGPEdfRNXb5+Af/fEwH3PzE7cOQdDL1iL9S1jZDYLnXB8BNkOn6HF PGwfIAGNndNRPJSDIDr26XjpTayF42NVlatljtPE0VaUq2JVpRSsPkdb58NHAZrEQ0Md9j6hs8OT D7EaVp9dYjIDj1Kp1H9lyNDQm6qoUsDMomXA8VRSN3SVxzUNTCT5wbQpODCppjMmUObEOhKdKIdx OyaBr85ibqE9ogwOpmnE34OHHtxPSgacxIb6H3vmBCXqk0Epb5ZlGUc3XcrqusCLm1u2cwszHKEa GiiZjvchjftE+Q4l72RSI/ZmquRUMk5YEun0G+IIz+/J6/ef3fwCAAD//wMAUEsDBBQABgAIAAAA IQD0lrVB3QAAAAwBAAAPAAAAZHJzL2Rvd25yZXYueG1sTI/BTsMwEETvSPyDtZW4UbsJBJrGqRCI K4hCK3Fz420SEa+j2G3C37PlArcZzWj2bbGeXCdOOITWk4bFXIFAqrxtqdbw8f58fQ8iREPWdJ5Q wzcGWJeXF4XJrR/pDU+bWAseoZAbDU2MfS5lqBp0Jsx9j8TZwQ/ORLZDLe1gRh53nUyUyqQzLfGF xvT42GD1tTk6DduXw+fuRr3WT+62H/2kJLml1PpqNj2sQESc4l8ZzviMDiUz7f2RbBAd+yzJuMoi SVmcGyrNUhD73+wOZFnI/0+UPwAAAP//AwBQSwECLQAUAAYACAAAACEAtoM4kv4AAADhAQAAEwAA AAAAAAAAAAAAAAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBLAQItABQABgAIAAAAIQA4/SH/1gAA AJQBAAALAAAAAAAAAAAAAAAAAC8BAABfcmVscy8ucmVsc1BLAQItABQABgAIAAAAIQCQv637DgIA APsDAAAOAAAAAAAAAAAAAAAAAC4CAABkcnMvZTJvRG9jLnhtbFBLAQItABQABgAIAAAAIQD0lrVB 3QAAAAwBAAAPAAAAAAAAAAAAAAAAAGgEAABkcnMvZG93bnJldi54bWxQSwUGAAAAAAQABADzAAAA cgUAAAAA " stroked="f" style="position:absolute; left:0; text-align:left; margin-top:-38px; width:446.35pt; height:19.55pt; z-index:251661312" type="#_x0000_t202"></v:shape> a regression model with lower accuracy (R2 = 0.4308) and higher error (RMSE = 0.069). This result indicates the higher ability of the ANFIS model than the regression model in creating a relationship between input and output and its proximity to the measured values. Conclusion: The increase in the correlation coefficient and the reduction of the mean error deviation in the ANFIS method compared to the linear multivariate regression show that the ANFIS method is more successful in estimating the amount of soil CS under the effects of various factors in the studied land use. The better performance of the ANFIS model than statistical regression methods can be found in its estimation and prediction capability for the nonlinear estimation with a small amount of data. This is despite the fact that the performance and accuracy of regression methods strongly depend on the sample size, and a small sample size can be a limiting factor in such statistical models. The adaptive neuro-fuzzy inference system (ANFIS) satisfied operation in predicting rangeland soil CS under the different sampling depths and heights. Furthermore, it will be used as an intelligent tool for predicting different parameters in studied ranges and rangeland science, such as above and underground biomass volume, distribution of rangeland plant species, and so on.  </div> <div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div> خصوصیات خاک, رگرسیون, کربن آلی, مدل‌سازی, هوش مصنوعی Artificial Intelligence, Modelling, Organic Carbon, Regression, Soil properties 142 153 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-948-2&slc_lang=fa&sid=1 zeinab jafarian زینب جعفریان jafarian79a@yah00.com 100319475328460014404 100319475328460014404 Yes rangeland engineering and science, Faculty of natural resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran گروه علوم و مهندسی مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران zhila ghorbani ژیلا قربانی engzhgorbani@gmail.com 100319475328460014405 100319475328460014405 No rangeland engineering and science, Faculty of natural resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran گروه علوم و مهندسی مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران