مقايسه روش‌هاي مختلف داده‌كاوي در پيش‌بيني ذخيره ‌كربن آلي خاك در برخي اراضي شهرستان بهبهان

Comparison of Different Data Mining Methods in Predicting Soil Organic Carbon Storage in Some Lands of Behbahan City

ذخيره كربن نقش مهمي در تعيين چرخه جهاني كربن و تنظيم اقليم جهاني ايفا مي كند و از طرفي خاك منبع ورودي يا خروجي كربن به اتمسفر است، كه به نوع كاربري اراضي وابسته است. از اين رو، اين مطالعه با هدف مقايسه روش هاي مختلف داده كاوي در پيش بيني ذخيره كربن آلي خاك در كاربري هاي كشاورزي آبي، كشت مخلوط (آبي- ديم)، مرتع و نخلستان موجود در بخشي از اراضي شهرستان بهبهان انجام گرفت. نمونه برداري از خاك به روش هايپركيوب انجام و پس از تعيين موقعيت مكاني نقاط نمونه برداري، حفر پروفيل و برداشت نمونه هاي خاكي از عمق 30-0 و 60-30 سانتي متر انجام گرفت. كربن آلي نمونه هاي خاكي به روش والكي بلك و وزن مخصوص ظاهري آن ها به روش پارافين مذاب تعيين شد و سپس ذخيره كربن آلي خاك در نقاط نمونه برداري محاسبه گرديد. پارامترهاي كمكي مورد استفاده شامل اجزاي سرزمين، داده هاي تصوير سنجنده OLI لندست 8 و نقشه كاربري اراضي بود. نتايج نشان داد كه شاخص هاي SAVI، NDVI، شوري، كربنات، گچ و رس بيشترين همبستگي را با مقادير ذخيره كربن دارند. نتايج همچنين نشان داد كه در همه كاربري ها، مدل جنگل تصادفي (RF) با بالاترين ضريب تبيين (0/966=R2) و كمترين مجذور ميانگين مربعات خطا (2/032=RMSE) بيشترين كارآيي را در پيش بيني ذخيره كربن آلي خاك دارد و پس از آن مدل شبكه عصبي مصنوعي (0/788= R2 و 4/257=RMSE) و در نهايت مدل ماشين بردار پشتيبان (SVR) (0/499= R2و 7/344=RMSE) قرار دارد.

Soil organic carbon is an important factor in determining the global carbon cycle and global climate regulation. Soil is also the input/output source of carbon to the atmosphere which is depended on the land use. For this purpose, the objective of this study was to compare different methods of data mining in predicting soil organic carbon storage in irrigated, mixed cultivation (irrigated and rainfed), pasture and palm trees lands in some parts of Behbahan city in southwestern of Iran. Soil sampling from depths of 0-30 and 30-60 cm was carried out using conditional Latin hypercube square method. Organic carbon content of the soil samples was determined by Walky-Black method. Bulk density of the soils was determined using paraffin method. The auxiliary parameters used in this study included territory components, OLI sensor image data from landsat 8 and land use map. The results showed that the SAVI, NDVI, NDSI, salinity, carbonate, gypsum and clay indices have the highest correlation with the soil organic carbon stock values. The results also showed that the random forest (RF) (R2= 0.983, RMSE=2.32) was the best model to predict soil organic carbon storage followed by artificial neural network model (R2= 0.887, RMSE= 4.257) and Support Vector Regression Machine model (SVR)