پیش بینی 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)

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 مهم ترین بوم سازگان 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. ازآنجایی که عملیات عرصه‎ای شامل نمونه‎برداری خاک از مکان‎ها و عمق‎های مختلف به منظور 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 ورودی های مختلف من جمله 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 گسترش یافته اند. هدف از تحقیق حاضر بررسی قابلیت پیش‎بینی میزان ترسیب کربن خاک مراتع با استفاده از سیستم استنتاج فازی-عصبی (ANFIS) است. مواد و روش‎ها: منطقه مورد مطالعه در این تحقیق شامل مراتع دامنه‎های جنوب غربی کوه دماوند در حوزه آبخیز لار به مساحت حدود ۲۰۰۰ هکتار بوده و ارتفاعی بین ۲۵۰۰ تا ۳۴۶۰ را تحت پوشش خود دارد. اقلیم آن با دوره آماری ۳۶ ساله اقلیم منطقه نیمه‎مرطوب تا فرا سرد و متوسط بارندگی ۵۵۰ 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، ۴ طبقه ارتفاعی از سطح دریا شامل طبقه ارتفاعی ۱ (۲۷۰۰-۲۵۰۰ متر)، طبقه ۲ (۲۹۰۰-۲۷۰۰ متر)، طبقه ۳ (۳۱۰۰-۲۹۰۰ متر) و طبقه ۴ (بیش از ۳۱۰۰ متر) معین گردید. در هر طبقه ارتفاعی، ۱۳ نقطه تصادفی مشخص و از هر نقطه، ۳ نمونه خاک (در نقش تکرار) از اعماق ۱۵-۰ و ۳۰-۱۵ سانتی‎متر تهیه گردید. مجموعا ۳۱۲ نمونه خاک در کل منطقه تهیه و به آزمایشگاه خاک‎شناسی منتقل شد. در آزمایشگاه، ویژگی‎های بافت، کربن آلی و وزن مخصوص ظاهری به صورت میانگین ۳ تکرار اندازه‎گیری شد. به واسطه این ویژگی‎ها، میزان ترسیب کربن خاک محاسبه شد. پس از نمونه‎برداری و اندازه‎گیری میزان ترسیب کربن تحت تاثیر 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 (R۲) استفاده شد. معادله رگرسیونی در بسته نرم افزاری SPSS۲۰ انجام شدند. برای رسم نمودار‎های توصیفی از نرم‎افزار Excel استفاده گردید. لازم به ذکر است که مدل سازی 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 ۳۰-۱۵ سانتی‎متری بیش تر از ۱۵-۰ سانتی‎متر بوده و در هر دو عمق، طبقه ارتفاعی ۴ (۳۵۴۵-۳۱۱۹ متر) بیش ترین میزان ترسیب کربن خاک را داشت. بیش ترین میزان ترسیب کربن به‎میزان ۶۰۴۶۵۴ مربوط به طبقه ارتفاعی ۴ و عمق ۳۰-۱۵ سانتی‎متر بود. درواقع، در ارتفاع‎های بالاتر و پایین‎تر، میزان ترسیب کربن خاک افزایش یافته و در ارتفاع‎های متوسط، این میزان ترسیب کربن روبه کاهش گذاشته است. به علاوه پس از طبقه ارتفاعی ۴، بیش ترین میزان ترسیب کربن مربوط به طبقه ارتفاعی ۱ بود. در بخش مدل‎سازی، مدل ANFIS با دقت بالاتر (۴۷۳۶/۰R۲=) و خطای کم تر (۰۲۷۴/۰RMSE=) نسبت به مدل رگرسیونی با دقت کم تر (۴۳۰۸/۰R۲=) و خطای بیش تر (۰۶۹/۰RMSE=)، 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. نتیجه گیری: 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 تاثیر 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 به شدت 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 به عنوان ابزاری هوشمند در جهت پیش‎بینی پارامترهای مختلف در مراتع تحت بررسی مثلا در پیش‎بینی حجم زیست توده زیرزمینی و روزمینی، نحوه پراکنش گونه‎های مرتعی و ... استفاده نمود.

کلیدواژه ها:

Artificial Intelligence ، Modelling ، Organic Carbon ، Regression ، Soil properties ، خصوصیات خاک ، رگرسیون ، کربن آلی ، مدل سازی ، هوش مصنوعی