كاربرد مقايسه‌­اي رگرسيون خطي چندگانه و شبكه‌هاي عصبي مصنوعي براي شبيه‌­سازي اثرات عوامل توپوگرافي بر تغييرات كربن آلي خاك

كربن آلي خاك يكي از مهم‌­ترين ويژگي‌­هاي خاك بوده و هرگونه تغيير در مقدار و تركيب آن بر اكثر ويژگي‌­هاي شيميايي، زيستي و فيزيكي خاك تاثيرگذار است. بهبود كربن آلي خاك سبب بهبود ساختمان خاك، كيفيت و كميت رطوبت در حوضه، كيفيت هوا، افزايش سطح عناصر غذايي خاك و در نتيجه كيفيت و كميت محصول، جلوگيري از تخريب و فرسايش خاك و احيا خاك و زيست بوم خواهد شد. عوامل متعددي از جمله عوامل اقليمي، توپوگرافي و مديريتي بر مقدار كربن آلي خاك تاثير مي­‌گذارند. در مقياس­ كوچك محلي مانند مرتع مورد مطالعه، عامل اقليم تنوع قابل ملاحظه‌اي نداشته و عوامل توپوگرافي بر تغييرات كربن آلي خاك، بسيار اثرگذارند. لذا، هدف اين پژوهش، برآورد تاثير متغيرهاي توپوگرافي ارتفاع، جهت شيب، درصد شيب، سايه روشن و انحنا بر مقدار كربن آلي خاك در اراضي مرتعي واقع در حوضه مرگ استان كرمانشاه است. به اين منظور، برآورد كربن آلي خاك با دو روش رگرسيون چندمتغيره خطي (MLR) و شبكه‌هاي عصبي مصنوعي (ANN) انجام شد. بر طبق نتايج، مدل MLR، توانست 53 درصد و مدل ANN، 77 درصد از تغييرات كربن آلي خاك را پيش­‌بيني كند. در روش MLR، مقدار RMSE و MBE به‌­ترتيب 0.4 و صفر در روش ANN، مقدار RMSE و MBE به‌­ترتيب 0.16 و 0.003 محاسبه شد. نتايج بررسي­‌ها نشان داد، شبكه عصبي مصنوعي با آرايش 1-9-5 و تابع فعال­‌سازي تانژانت هايپربوليك در لايه پنهان، نسبت به‌­روش رگرسيون خطي چندگانه، داراي دقت و صحت بالاتري است. طبق نتايج شبكه عصبي مصنوعي، از بين متغيرهاي مورد بررسي، به­‌ترتيب ارتفاع با 0.79، سايه روشن با 0.64 و درصد شيب با 0.28 ضريب تاثير، در تغييرات ذخاير كربن آلي خاك در اين منطقه بيشترين سهم را دارند.

Soil organic carbon is one of the most important soil characteristics, and any changes in its ‎content and composition, affects soil physical, chemical, and biological characteristics. ‎Enhancing soil organic carbon improves soil structure, increases water and nutrients in ‎soils, reduces soil erosion and degradation and thus greater productivity of plants and ‎water quality are expected in watersheds and ultimately soil and ecosystem reclamation ‎happens. Climatic, topographic and managerial factors affect soil organic carbon content. ‎In local scale, climatic factors have not high efficiency on soil organic carbon and ‎topographic factors play more important role compared to climate on soil organic carbon ‎variability. The objective of this study was to predict and evaluate the effects of ‎topographic factors such as elevation, slope percent, aspect, hill shade, and curvature on ‎the soil organic carbon content of a rangeland in Mereg watershed, Kermanshah, Iran. ‎Stepwise Multi Linear Regression (MLR) and Artificial Neural Network (ANN) were ‎employed to develop models to predict soil organic carbon. A Multi-Layer Perceptrons ‎‎(MLP) ANN with back-propagation error algorithm was applied to this research. The ‎result showed that the multi linear regression and ANN models explained 53 and 77 ‎percent of the total variability of soil organic carbon, respectively. The calculated RMSE ‎and MBE were 0.40 and 0 for the MLR and 0.16 and 0.003 for MLP models. Results ‎indicated that designated ANN model with 5-9-1 arrange was more feasible than multi ‎linear regression for predicting soil organic carbon. Elevation with 0.79, hill shade with ‎‎0.64 and slope percent with 0.24, were identified as the important factors that explained ‎the variability of soil organic carbon.‎