کارایی شبکه عصبی مصنوعی بهینه در مدلسازی کربن آلی خاک مبتنی بر داده های میدانی و تصاویر sentinel-2 در ارسباران

سابقه و هدف: خاک بزرگ‌ترین منبع ذخیره کربن موجود در بوم‌سازگان‌های زمینی هستند که بیشترین سهم از کل ذخایر جهانی ‏کربن زمینی را در خود جای دادند. نقشه‌برداری دقیق اطلاعات توزیع مکانی ذخیره کربن آلی خاک (soc) یک پیشنیاز کلیدی جهت مدیریت منابع خاک و حفاظت از محیط زیست است. توسعه سریع علم سنجش از دور و استفاده از تصاویر ماهواره‌ای امکان نظارت بر ذخیره soc در مقیاس بزرگ را فراهم می‌کند. امکان برآورد soc یکی از موضوعات پیش روی پژوهشگران بوده است که در برخی موارد از شبکه عصبی مصنوعی برای این موضوع استفاده شده است هرچند تعیین مقادیر بهینه مولفه‌های موثر در آن دشوار است. در برخی مطالعات از الگوریتم ژنتیک برای بهینه‌سازی وزن‌های اولیه شبکه عصبی و بهبود پیش‌بینی متغیرهای خروجی استفاده ‌شده‌ است. اگرچه کارایی این روش در برآورد soc با داده‌های سنجش از دور کمتر مورد‌ بررسی قرار‌گرفته است. در این پژوهش اثر الگوریتم ژنتیک بر بهبود عملکرد شبکه عصبی مصنوعی در پیش‌بینی socبا استفاده از تصاویر ماهواره sentinel2 در ناحیه رویشی ارسباران مورد‌ بررسی قرار‌گرفته است.مواد و روش‌ها: برای این منظور نمونه‌برداری از خاک با استفاده از روش نمونه‌برداری تصادفی طبقه‌بندی شده بر اساس انواع کاربری اراضی در 46 نقطه و در عمق صفرتا 15 سانتی‌متر انجام شد. soc با استفاده از روش والکلی بلاک اندازه‌گیری شد. برای برازش مدل بین کربن آلی اندازه‌گیری شده در آزمایشگاه با 9 شاخص طیفی و 3 باند تصویر ماهواره‌ای که به طور مستقیم وارد مدلسازی شدند، از دو روش شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بهینه ‌شده با الگوریتم ژنتیک استفاده گردید. برای ارزیابی کارایی مدل‌ها از روش اعتبارسنجی متقابل (cross validation) استفاده شد. درنهایت مدل‌های به‌دست‌آمده با شاخص‌های آماری جذر میانگین مربعات خطا (rmse)، نسبت عملکرد به انحراف (rpd)، ضریب همبستگی اسپیرمن (r) ، ضریب تبیین (r^2) و همچنین آزمون تی جفتی مورد ارزیابی قرار گرفتند.یافتهها: نتایج نشان داد soc برآوردی با شبکه عصبی مصنوعی بهینه‌ شده با الگوریتم ژنتیک (%1.07=rmse، % 1.89=rpd، 0.76=r2) دقت بیشتری نسبت به نتایج شبکه عصبی مصنوعی (% 1.51=rmse، % 1.34=rpd، 0.58=r^2) داشت. همچنین بهبود ضریب همبستگی اسپیرمن برای soc واقعی و برآورد شده با شبکه عصبی مصنوعی بهینه‌ شده (0.87=r) و soc برآورد شده با شبکه عصبی مصنوعی (0.76=r) مشاهده گردید. soc واقعی با soc برآوردی با شبکه عصبی مصنوعی بهینه‌ اختلاف معنی داری نداشت (0.21=p-value) ولی با soc برآوردی با شبکه عصبی مصنوعی متفاوت بود (0.02=p-value). علاوه‌ بر این، نتایج نشان داد که شاخص tsavi بیشترین ضریب همبستگی اسپیرمن (0.565) و شاخصbi2 کمترین ضریب همبستگی اسپیرمن (0.196) را با کربن آلی خاک‌ دارند.نتیجه‌گیری: به‌طورکلی، نتیجه‌گیری شد که استفاده از الگوریتم ژنتیک در انتخاب مولفه‌های بهینه شبکه عصبی مصنوعی منجر به بهبود عملکرد این روش مدل‌سازی در برآورد نقطه‌ای soc با استفاده از تصاویر ماهواره sentinel-2 در منطقه موردمطالعه شده است. همچنین با توجه به نتایج بدست آمده، کارایی تصاویر ماهواره sentinel-2 در برآورد soc در منطقه مورد مطالعه تایید شد.

Efficiency of optimized artificial neural network in soil organic carbon modeling based on in-situ measurements and Sentinel-2 images in Arasbaran

Background and Objectives: Soils are the largest carbon pool in terrestrial ecosystems, which account for the greatest amount of the ‎global total terrestrial carbon stocks‏.‏‎ Accurate mapping of Soil Organic Carbon (SOC) spatial distribution ‎is a key assumption for soil resource management and environmental protection.‎‏ ‏The rapid ‎development of remote sensing and application of satellite images provide an excellent opportunity to monitor largescale SOC storage.‎ Estimating SOC is one of the research topics that artificial neural networks are applied for this purpose in some studies, although parameter optimization is difficult. In previous studies, genetic algorithms have been used to optimize the artificial neural network initial weights and improve the prediction of the output variables. However, the effectiveness of this method in estimating the SOC by remote sensing has been less studied. In this study, the effect of genetic algorithm on artificial neural network training to predict SOC on Sentinel2 satellite images in Arasbaran vegetation zone was investigated.Materials and methods: For this purpose, soil sampling was performed using stratified sampling method at 46 points at a depth of 0 to 15 cm. SOC was measured by WalkyBlack titration method. In order to fit the model between the measured organic carbon in the laboratory, 9 spectral indices and three bands of satellite image, and two methods were used namely, artificial neural network and artificial neural network optimized by genetic algorithm. Cross validation was used to evaluate the models efficiently. Finally, the precision of the obtained models was evaluated with statistical indices of Root Mean Square Error (RMSE), Ratio of Performance to Deviation (RPD), Spearman’s correlation coefficient (r), coefficient of determination (R2), and paired sample ttest.Results: The results showed that the precision of SOC estimated by artificial neural network optimized by genetic algorithm (RMSE = 1.07%, RPD = 1.89%, R2 = 0.76) was higher than artificial neural network results (RMSE =1.51%, RPD = 1.34%, R2 = 0.58). Also Spearman correlation coefficient for SOC estimated with optimized artificial neural network (r = 0.87) was higher compared to estimated SOC with artificial neural network (r = 0.76). Observed SOC was not significantly different from SOC estimated by optimized artificial neural network (pvalue=0.21) while it was different from estimated SOC by artificial neural network (pvalue=0.02). In addition, the results showed that TSAVI index had the highest Spearman correlation coefficient (0.565), and BI2 index had the lowest Spearman correlation coefficient (0.196) with soil organic carbon.Conclusion: Generally, it was concluded that the use of genetic algorithm in the selection of artificial neural network parameters improved the performance of this modeling method in estimating soil organic carbon on Sentinel2 satellite images in the study area. Also the performance of Sentinel2 satellite images in estimating soil organic carbon in the study area was validated.