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

آب و خاک  

دوره 28 - شماره 6

نوع مقاله: Original Article
چكيده: آگاهي از تغييرات مكاني كربن آلي در كاربري هاي مختلف اراضي كمك مؤثري به تفسير و شبيه سازي رفتار اكوسيستم هاي خاكي در مواجهه با تغييرات اقليمي و زيست محيطي خواهد نمود. هدف از اين تحقيق مقايسه روش‌هاي رگرسيوني، زمين آمار و شبكه عصبي مصنوعي در تخمين مقادير كربن آلي در ۱۹۲ نمونه خاك، از خاك‌هاي سطحي (۰ تا ۳۰ سانتي متر) بخشي از دشت سيستان (منطقه ميانكنگي) بود. در اين تحقيق، تنها ۵ درصد تغييرات كربن آلي در منطقه مورد مطالعه توسط متغيرهاي موجود در مدل رگرسيون خطي ‌توجيه گرديد (0.050=R۲). همچنين بهترين روش زمين آماري، يعني روش كوكريجينگ ساده با استفاده از متغير كمكي رس، با 0.23=R۲ و 0.127=RMSE، فقط تا اندازه اي توانايي تخمين ميزان كربن آلي را داشت. اين در صورتي است كه شبكه عصبي مصنوعي با استفاده از پارامترهاي طول و عرض جغرافيايي كارايي بسيار بهتري با 0.79=R۲ و 0.044= RMSEدر تخمين مقدار كربن آلي نسبت به روش هاي رگرسيون خطي و زمين آماري نشان داد. در نتيجه روش تركيبي شبكه عصبي- كريجينگ بهترين روش براي پهنه بندي كربن آلي در منطقه مورد مطالعه شناخته شد.
Comparison of Linear Regression Methods, Geostatistical and Artificial Neural Network Modeling of Organic Carbon in Dry Land of Sistan Plain
Article Type: Original Article
Abstract: 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).
قیمت : 20,000 ريال