مقايسه روش¬هاي رگرسيون خطي، زمين¬آماري و شبكه عصبي¬مصنوعي در مدل¬سازي كربن آلي در اراضي خشك دشت سيستان

Comparison of Linear Regression Methods, Geostatistical and Artificial Neural Network Modeling of Organic Carbon in Dry Land of Sistan Plain

آگاهی از تغییرات مكانی كربن آلی در كاربری¬های مختلف اراضی كمك مؤثری به تفسیر و شبیه سازی رفتار اكوسیستم¬های خاكی در مواجهه با تغییرات اقلیمی و زیست محیطی خواهد نمود. هدف از این تحقیق مقایسه روش‌های رگرسیونی، زمین آمار و شبكه عصبی مصنوعی در تخمین مقادیر كربن آلی در 192 نمونه خاك، از خاك‌های سطحی (0 تا 30 سانتی متر) بخشی از دشت سیستان (منطقه میانكنگی) بود. در این تحقیق، تنها 5 درصد تغییرات كربن آلی در منطقه مورد مطالعه توسط متغیرهای موجود در مدل رگرسیون خطی ‌توجیه گردید (05/0R2=). همچنین بهترین روش زمین¬آماری، یعنی روش كوكریجینگ ساده با استفاده از متغیر كمكی رس، با 23/0R2= و 127/0RMSE=، فقط تا اندازه¬ای توانایی تخمین میزان كربن آلی را داشت. این در صورتی است كه شبكه عصبی¬مصنوعی با استفاده از پارامترهای طول و عرض جغرافیایی كارایی بسیار بهتری با 79/0R2= و 044/0RMSE= در تخمین مقدار كربن آلی نسبت به روش¬های رگرسیون خطی و زمین آماری نشان داد. در نتیجه روش تركیبی شبكه عصبی- كریجینگ بهترین روش برای پهنه بندی كربن آلی در منطقه مورد مطالعه شناخته شد.

Knowledge of organic carbon spatial variations in different land uses will help to interpret and simulate the behavior of terrestrial ecosystems facing environmental and climate changes. The purpose of this study is comparing regression, geostatistics and artificial neural network (ANN) methods for predicting organic carbon content in 192 samples of surface soil (0 to 30 cm) of Sistan plain (Miankangi region). In this study, Only 25% of organic carbon variations were explained by variables used in linear regression model in the study area (R2= 0.25). Moreover, simple co-kriging (with clay as co-variable) which was the best geostatistical method in the current study, predicted organic carbon content weakly (R2= 0.23 and RMSE= 0.127). However, using latitude and longitude parameters, ANN performed much better than linear regression and geostatistical methods for predicting organic carbon content (R2= 0.79 and RMSE= 0.044).