پیش‌بینی میزان کربن ترسیب شده در خاک مراتع در رابطه با عمق و ارتفاع محل نمونه‎ ها با استفاده از سیستم استنتاج فازی- عصبی تطبیقی (anfis) (مطالعه موردی: حوزه آبخیز لار)

مقدمه: کربن آلی خاک یکی از پارامترهای مهم تعیین کننده میزان حاصل‎خیزی خاک، قابلیت تولید و شاخص مهمی در نشان دادن کیفیت خاک‎های مناطق خشک و نیمه‎خشک است. از طرفی، مراتع یکی از مهم‌ترین بوم‌سازگان خشکی هستند که جهت ذخیره کربن به‎شمار می‎روند. آگاهی و دانش در مورد توزیع منابع کربن و تغییرات آن برای تشخیص سازوکارهای کنترلی چرخه جهانی کربن و پایداری میزان کربن فعلی در مدیریت این اراضی ارزشمند است. ازآنجایی‌که عملیات عرصه‎ای شامل نمونه‎برداری خاک از مکان‎ها و عمق‎های مختلف به‌منظور اندازه‎گیری میزان ترسیب کربن در خاک بسیار وقت‎گیر و هزینه‎بر است و از طرفی در بسیاری از مناطق مرتعی ویژگی‎های مختلف خاک ممکن است برای مقاصد دیگری اندازه‎گیری شده و در دسترس باشند، با کمک مدل‎سازی و پیش‎بینی آن تحت ورودی‌های مختلف من‌جمله خصوصیات خاک مانند بافت، اسیدیته، هدایت الکتریکی و ... محققین و پژوهشگران عرصه مرتع می‎توانند ترسیب کربن خاک را نیز برآورد و ارزیابی کنند. روش‎های جدید پیش‎بینی مبتنی بر هوش مصنوعی بسیار گسترش‌یافته‌اند. هدف از تحقیق حاضر بررسی قابلیت پیش‎بینی میزان ترسیب کربن خاک مراتع با استفاده از سیستم استنتاج فازی-عصبی (anfis) است.مواد و روش‎ها: منطقۀ مورد مطالعه در این تحقیق شامل مراتع دامنه‎های جنوب غربی کوه دماوند در حوزه آبخیز لار به مساحت حدود 2000 هکتار بوده و ارتفاعی بین 2500 تا 3460 را تحت پوشش خود دارد. اقلیم آن با دوره آماری 36 ساله اقلیم منطقه نیمه‎مرطوب تا فرا سرد و متوسط بارندگی 550 میلی‎متر است. گونه‎های گیاهی غالب در منطقه عبارتند از اسپرس کوهی (onobrychis cornuta)، گون وحشی (astragalus ochrodeucus)، گون بوته‎ای (astragalus microcephalus)، آویشن (thymus pubescens)، بود. در این تحقیق با توجه به وضعیت جغرافیایی حوزه آبخیز لار، 4 طبقه ارتفاعی از سطح دریا شامل طبقه ارتفاعی 1 (2700-2500 متر)، طبقه 2 (2900-2700 متر)، طبقه 3 (3100-2900 متر) و طبقه 4 (بیش از 3100 متر) معین گردید. در هر طبقه ارتفاعی، 13 نقطه تصادفی مشخص و از هر نقطه، 3 نمونه خاک (در نقش تکرار) از اعماق 15-0 و 30-15 سانتی‎متر تهیه گردید. مجموعاً 312 نمونه خاک در کل منطقه تهیه و به آزمایشگاه خاک‎شناسی منتقل شد. در آزمایشگاه، ویژگی‎های بافت، کربن آلی و وزن مخصوص ظاهری به‌صورت میانگین 3 تکرار اندازه‎گیری شد. به‌واسطه این ویژگی‎ها، میزان ترسیب کربن خاک محاسبه شد. پس از نمونه‎برداری و اندازه‎گیری میزان ترسیب کربن تحت تاثیر عمق‎ خاک و ارتفاع محل نمونه‎برداری در قسمتی از مراتع کوه دماوند واقع در حوزه آبخیز لار، اقدام به ایجاد معادلات رگرسیونی و مدل anfis شده و دقت آن‎ها در پیش‎بینی ترسیب کربن با یکدیگر مقایسه گشته و روش دقیق‎تر مشخص شد. برای ارزیابی مدل‎های رگرسیونی و anfis از مجذور میانگین مربعات خطا (rmse) و ضریب تعیین (r2) استفاده شد. معادله رگرسیونی در بسته نرم‌افزاری spss20 انجام شدند. برای رسم نمودار‎های توصیفی از نرم‎افزار excel استفاده گردید. لازم به ذکر است که مدل‌سازی بر اساس anfis در نرم‎افزار متلب (matlab) ایجاد شد و بر پایه‎ای از مجموعه داده‎های ورودی/خروجی یک سیستم استنتاج فازی (fis) است. این سیستم بر پایه قوانین ترکیبی از سه جزء توابع عضویت متغیرهای ورودی و خروجی (فازی کردن)، قوانین فازی (پایگاه قواعد)، استنتاج مکانیزم (ترکیب قواعد با ورودی فازی) و مشخصه‎های خروجی و نتایج سیستم (غیرفازی سازی) است.یافته‎ها: نتایج تجزیه واریانس داده‎ها نشان داد که تنها عمق نمونه‎برداری، اثر معنی‎داری بر میزان ترسیب کربن خاک داشته اما اثر ارتفاع محل نمونه‎برداری و اثر متقابل عمق و ارتفاع بی‎معنی بود. در حالت کلی، میزان ترسیب کربن در عمق 30-15 سانتی‎متری بیش‌تر از 15-0 سانتی‎متر بوده و در هر دو عمق، طبقه ارتفاعی 4 (3545-3119 متر) بیش‌ترین میزان ترسیب کربن خاک را داشت. بیش‌ترین میزان ترسیب کربن به‎میزان 604654 مربوط به طبقه ارتفاعی 4 و عمق 30-15 سانتی‎متر بود. درواقع، در ارتفاع‎های بالاتر و پایین‎تر، میزان ترسیب کربن خاک افزایش‌یافته و در ارتفاع‎های متوسط، این میزان ترسیب کربن روبه کاهش گذاشته است. به‌علاوه پس از طبقه ارتفاعی 4، بیش‌ترین میزان ترسیب کربن مربوط به طبقه ارتفاعی 1 بود. در بخش مدل‎سازی، مدل anfis با دقت بالاتر (4736/0r2=) و خطای کم‌تر (0274/0rmse=) نسبت به مدل رگرسیونی با دقت کم‌تر (4308/0r2=) و خطای بیش‌تر (069/0rmse=)، میزان ترسیب کربن خاک را پیش‎بینی نمود. این نتیجه حاکی از توانایی بالاتر مدل انفیس نسبت به مدل رگرسیونی در ایجاد ارتباط بین ورودی و خروجی و نزدیکی آن نسبت به مقادیر اندازه‎گیری شده است.نتیجه‌گیری: با توجه به افزایش ضریب همبستگی و کاهش میانگین انحراف خطا در روش انفیس نسبت به رگرسیون چند متغیره خطی، به‎نظر می‎رسد روش انفیس در برآورد میزان ترسیب کربن خاک تحت تاثیر عوامل مختلف در کاربری مورد مطالعه، موفق‎تر عمل کرده است. عملکرد بهتر مدل انفیس در مقایسه با روش‎های آماری رگرسیونی را می‎توان در قابلیت تخمین و پیش‎بینی آن برای تقریب غیرخطی با حجم کم داده‎ها جستجو نمود. این در حالی است که عملکرد و دقت روش‎های رگرسیونی به‌شدت از حجم نمونه‎ها تبعیت می‎کند و حجم کم نمونه‎ها می‎تواند عامل محدودیت در چنین مدل‎های آماری گردد. سامانه‎های استنتاج فازی بر پایه شبکه عصبی تطبیقی، نه‎تنها در پیش‎بینی میزان ترسیب کربن خاک مراتع تحت شرایط عمق و ارتفاع نمونه‎برداری متفاوت عملکرد بهتری دارد، بلکه می‎توان از آن به‌عنوان ابزاری هوشمند در جهت پیش‎بینی پارامترهای مختلف در مراتع تحت بررسی مثلاً در پیش‎بینی حجم زیست‌توده زیرزمینی و روزمینی، نحوه پراکنش گونه‎های مرتعی و ... استفاده نمود. 

prediction of soil carbon sequestration in rangelands regarding the depth and elevation of sample locations using adaptive neuro-fuzzy inference system (anfis) (case study: lar watershed)

extended abstractbackground: soil organic carbon is one of the important parameters to determine soil fertility, and production ability and a mind index for showing soil quality of dry and semi-dry lands. on the other hand, rangelands are one of the main dry ecosystems of carbon reservoirs. knowing about carbon reservoir distribution and changes for detecting the controller mechanisms of the carbon world cycle and carbon stability is vital for managing ranges. since field operations include soil sampling from different places and depths to measure the amount of soil carbon sequestration, it is very time-consuming and costly., on the other hand, different soil characteristics may be measured and available in many rangeland areas for other purposes using modeling and prediction under various inputs, including soil properties such as texture, acidity, electrical conductivity, etc. researchers in the rangeland field can estimate and evaluate soil carbon. novel prediction methods, including artificial intelligence, are of high interest in this field. the present research aims to study the ability of the adaptive neuro-fuzzy inference system (anfis) to predict the carbon sequestration (cs) of rangeland soil.methods: the studied area in this research includes the rangelands of the southwestern slopes of mount damavand in the lar watershed with an area of about 2000 hectares and an altitude between 2500 and 3460. with a statistical climate period of 36 years, it is a semi-humid to ultra-cold region where the average rainfall is 550 mm. dominant plant species in the region are onobrychis cornuta, astragalus ochrodeucus, astragalus microcephalus, thymus pubescens, etc. considering the lar watershed region geographic conditions, four height groups relative to sea level, including height group 1 (2500-2700 m), group 2 (2700-2900 m), group 3 (2900-3100 m), and group 4 (3100-up m) were selected for sampling soil at different depths in this research. thirteen random points were determined at all height groups, and three samples from each point were dug at depths 0-15 cm and 15-30 cm. in total, 312 soil samples were collected in the entire region and transferred to a soil science laboratory, where soil characteristics (texture, organic carbon, and bulk gravity) were measured as an average of three repetitions. these characteristics were used to calculate the amount of soil carbon deposition. after soil sampling and measuring the amount of carbon sequestration under the effect of soil depth and height in the sampling location at the mount damavand rangelands at the lar watershed region, the regression and anfis prediction equations were developed and their accuracy was compared together for cs prediction plus introducing the more accurate approach. the root mean square error (rmse) and correlation coefficient (r2) were applied to evaluate the regression and anfis models. the regression analysis was performed using the spss20 software. excel software was used to draw descriptive charts. anfis modeling was created in matlab software and is based on the input/output dataset of a fuzzy inference system (fis). this system is based on the combination of three components: membership functions of input and output variables (fuzzification), fuzzy rules (rule base), mechanism inference (a combination of rules with fuzzy input), output characteristics, and results of the system (de-fuzzification). results: the results of the analysis of variance (anova) revealed that only soil sampling depth significantly affected the soil cs, but the effect of sampling location and the interaction effect of depth and height were not significant. more amount of cs was obtained at a depth of 15-30 cm than at a depth of 0-15 cm, and the utmost amount of cs was measured in gang 4 of height (3119-3545 m) at both depths. the highest amount of cs (604656) belonged to gang 4 of height and a depth of 15-30 cm. in fact, the amount of soil cs increased at higher and lower altitudes while its amount decreased at medium altitudes. after gang 4 of height, the second most cs was recorded for the gang 1 of height. in the modeling part, the anfis model with higher accuracy (r2 = 0.4736) and lower error (rmse = 0.0274) predicted the soil cs related to a regression model with lower accuracy (r2 = 0.4308) and higher error (rmse = 0.069). this result indicates the higher ability of the anfis model than the regression model in creating a relationship between input and output and its proximity to the measured values.conclusion: the increase in the correlation coefficient and the reduction of the mean error deviation in the anfis method compared to the linear multivariate regression show that the anfis method is more successful in estimating the amount of soil cs under the effects of various factors in the studied land use. the better performance of the anfis model than statistical regression methods can be found in its estimation and prediction capability for the nonlinear estimation with a small amount of data. this is despite the fact that the performance and accuracy of regression methods strongly depend on the sample size, and a small sample size can be a limiting factor in such statistical models. the adaptive neuro-fuzzy inference system (anfis) satisfied operation in predicting rangeland soil cs under the different sampling depths and heights. furthermore, it will be used as an intelligent tool for predicting different parameters in studied ranges and rangeland science, such as above and underground biomass volume, distribution of rangeland plant species, and so on.