
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,628,374 |
تعداد دریافت فایل اصل مقاله | 8,223,282 |
ارائه پروتکل محاسباتی و شبیهسازی برای پایش مخازن کربن آلی خاک (مطالعه موردی: پارک جنگلی نور) | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 13، دوره 24، شماره 2، خرداد 1396، صفحه 239-255 اصل مقاله (661.28 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2017.12495.2716 | ||
نویسندگان | ||
علی اصغر واحدی* 1؛ روح اله مقصودی2 | ||
1مؤسسه تحقیقات جنگلها و مراتع کشور، تهران | ||
2دانشگاه آزاد علوم و تحقیقات تهران | ||
چکیده | ||
سابقه و هدف: با توجه به سناریوی گرمایش زمین به عنوان بزرگترین چالش زیستمحیطی عصر حاضر و اهمیت حفاظت و انباشت هر چه بیشتر موجودی کربن در خاک در قالب بزرگترین مخازن کربن اتمسفری در زمین، پایش بهینه مخازن کربن آلی خاک در بومسازگانهای جنگلی میتواند ابزاری مناسب برای بررسی تغییرات پارامترهای اقلیمی در منطقه علاوه بر مدیریت حفاظتی بهینه بومسازگانهای مذکور در رابطه با روند تغییرات ذخایر کربن خاک و چرخش کربن محسوب شود. از اینرو، یک پروتکل جامع با قابلیت اطمینان زیاد برای ایجاد مدلهای پیشبینی ذخایر کربن آلی خاک با حداکثر دقت باید ارائه شود، طوریکه با استفاده از مدلهای مزبور شامل متغیرهای توصیفی با قابلیت اندازهگیری آسان با حداقل هزینه بتوان کنترل حفاظتی متناسب در رابطه با تغییرات مقادیر ترسیب کربن در سطوح مختلف لایههای خاک انجام داد. مواد و روش: پژوهش حاضر در پارک جنگلی نور که به عنوان بزرگترین جنگلهای جلگهای شمال کشور محسوب میشود صورت گرفت. برای انجام پایش بهینه مخازن کربن آلی خاک در جنگل مذکور، 25 قطعهنمونه 400 متر مربعی با طرح بلوک تصادفی در تودههای توسکا – انجیلی، پلت – انجیلی و اوجا – ممرز برای اندازهگیری مشخصههای کمی بهمنظور محاسبه شاخصهای تنوع زیستی و فاکتور کربن خاک (در دو عمق 20- 0 و 40 – 20 سانتیمتر) پیادهسازی شد. روشهای محاسباتی تحلیل رگرسیون و تکنیک شبیهسازی با استفاده از شبکه عصبی مصنوعی برای انجام مطالعه حاضر استفاده شدند. برای تحلیلهای محاسباتی از روشهای سنتی مبتنی بر رگرسیون به روش تخمین منحنی و رگرسیون خطی چندگانه و برای پیشبرد تحلیلهای شبکه عصبی مصنوعی از الگوریتم پسانتشار خطا با ساختار پروسپترون چند لایه استفاده شد. یافتهها: نتایج نشان داد که رگرسیون خطی چندگانه شامل شاخصهای همبسته تنوع زیستی به عنوان عوامل توصیفی بر مبنای شاخصهای اعتبارسنجی از جمله ضریب اطلاعات آکاییک و فاکتور تورم واریانس ( ) دارای اعتبار محاسباتی بوده ولی دارای دقت قابل ملاحظهای نمیباشد. در تحلیل غیرخطی، مدل کرو بر حسب وفور پوشش علفی مدل بهینه ذخایر کربن لایه آلی خاک و مدل توانی تبدیلی لگاریتمی ( ) شامل غلبه گونهای درختی (D)، وفور (Abunance) و یکنواختی (J') پوشش علفی بهترین مدل لایه معدنی خاک محسوب شدند. تکنیک شبیهسازی نشان داد که در الگوریتم پسانتشار خطا، خروجی بهینه لایه آلی خاک با ماتریس ورودی Abundance و J' با توپولوژی یک لایه پنهان و 15 نورون حاوی تابع Tan-sigmoid و خروجی بهینه لایه معدنی خاک با اضافه شدن لایه D به ماتریس مزبور با معماری دولایه پنهان و 35 نورون دارای حداکثر قطعیت پیشبینی نسبت به کلیه تحلیلهای رگرسیون هستند. نتیجهگیری: نوع روابط ریاضی (ساختار تابع) بین شاخصهای تنوع زیستی و متغیر پاسخ مورد مطالعه صرفنظر از قطعیت ارتباط اکولوژیکی و بیولوژیکی بین آنها دارای قطعیت کم و محدودیتهای تحلیلی و آماری زیاد از جمله وجود فاکتور تورم واریانس است. از اینرو، کاربرد تکنیک شبکه عصبی مصنوعی میتواند بهترین جایگزین مدلهای کلاسیک برای پیشبینی مقادیر مذکور باشند. در این خصوص، همانند پارامترهای محاسباتی مدلهای کلاسیک، توپولوژی هر مدل در شبکه عصبی مصنوعی تعیین کننده معماری و کارآیی (دقت) پایش مقادیر ترسیب کربن در لایههای مختلف خاک میباشد. | ||
کلیدواژهها | ||
ترسیب کربن؛ تنوع زیستی گیاهی؛ تحلیل رگرسیون؛ شبکه عصبی مصنوعی | ||
مراجع | ||
1.Alijanpour Shalmani, A., Shabanpour, M., Asadi, H., and Bagheri, F. 2011. Estimation of soil aggregate stability in forests soils of Guilan province by artificial neural networks and regression pedotransfer functions. Water and Soil Science. 3: 153-162. (In Persian) 2.Bakhshi, H., Namiranian, M., Makhdoom, M., and Zahedi, G.H. 2013. Application of fuzzy modeling to assess the impacts of recreation on bulk density as a physical factor (Case study: Nour Forest Park). Iran. J. For. 5: 11-9. (In Persian) 3.Bihamta, M.R., and Chahouki, M.A. 2011. Principle of Statistic for the Natural Resources Science. University of Tehran Press, 3rd Edition, 300p. (In Persian) 4.Foody, G.M., Boyd, D.S., and Cutler, M.E.J. 2003. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment. 85: 463-474. 5.Hagan, M.T., Dcmuth, H.B., and Beale, M. 1996. Neural Network design, PWS publishing co, United States of America. 6.Haykin, S. 2008. Neural Networks and learning machines, third edition, Pearson Education, 906p. 7.Hollingsworth, T.N., Schuur, E.A.G., Schuur, F.S., and Walker, M.D. 2008. Plant Community Composition as a Predictor of Regional Soil Carbon Storage in Alaskan Boreal Black Spruce Ecosystems. Ecosystems. 4: 629-642. 8.Jandl, R., Lindner, M., Vesterdal, L., Bauwens, B., Baritz, R., Hagedorn, F., Johnson, D.W., Minkkinen, K., and Byrne, K.A. 2007. How strongly can forest management influence soil carbon sequestration? Geoderma. 137: 253-268. 9.Jimenez, J.J., Lal, R., Leblanc, H.A., and Russo, R.O. 2007. Soil organic carbon pool under native tree plantations in the Caribbean lowlands of Costa Rica. Forest Ecology and Management. 241: 134-144. 10.Kashi, H., Ghorbani, H., Emamgholizadeh, S., and Hashemi, S.A.A. 2013. The Estimation of Soil Cation Exchange Capacity in Disturbed and Undisturbed Soils Using Artificial Neural Networks and Multiple Regressions. J. Water Soil. 3: 472-484. 11.Kirby, K.R., and Potvin, C. 2007. Variation in carbon storage among tree species: Implications for the management of a small-scale carbon sink project. Forest Ecology and Management. 246: 208-221. 12.Mahmoudi, J. 2007. The study of species diversity in plant ecological groups in kelarabad protected forest. Iran. J. Biol. 4: 353-362. (In Persian) 13.Mesdaghi, M. 2006. Plant Ecology. Publication SID-Mashhad. 187p. (In Persian) 14.Moghimi, S., Parvizi, Y., Mahdian, H.M., and Masihabadi, M.H. 2015. Comparison of applying multi linear regression analysis and artificial neural network methods for simulating topographic factors effect on soil organic carbon. Watershed Engineering and Management. 4: 312-322. (In Persian) 15.Nave, L.E., Vance, E.D., Swanston, C.W., and Curtis, P.S. 2010. Harvest impacts on soil carbon storage in temperate forests. Forest Ecology and Management. 259: 857-866. 16.Naghdi, R., and Ghajar, I. 2012. Application of Artificial Neural Network in the Modeling of Skidding Time Prediction. Advanced Materials Research. 3: 3538-3543. 17.Peltoniemi, M., Thürig, E., Ogle, S., Palosuo, T., Schrumpf, M., Wutzler, T., ButterbachBahl, K., Chertov, O., Komarov, A., Mikhailov, A., Gärdenäs, A., Perry, C., Liski, J., Smith, P., and Mäkipää, R. 2007. Models in country scale carbon accounting of forest soils. Silva Fennica. 3: 575-602. 18.Sarmadian, F., Taghi-ZadehvMehrjerdi, R., Mohamad-Asgari, H., and Akbarzadeh, A. 2011. Comparison of Neuro-Fuzzy, Artificial Neural Network and Multivariate Regression for Prediction of some Soil Properties (Case Study: Golestan Province). Iran. J. Soil Water Res. 2: 211-220. (In Persian) 19.Tiryaki, S., and Aydin, A. 2014. An artificial neural network model for predicting compression strength of heat treated woods and comparison with a multiple linear regression model. Construction and Building Materials. 62: 102-108. 20.Toth, T., Schaap, M.G., and Molnar, Z. 2008. Utilization of soil–plant interrelations through the use of multiple regression and artificial neural network in order to predict soil properties in hungrian solonetzic grasslands. Cereal Research Communications. 36: 1447-1450. 21.Walkley, A., and Black, I.A. 1934. Estimation of soil organic carbon by the chromic acid titration method. Soil Sci. 37: 29-38. 22.Zhu, B., Wang, X., Fang, W., Piao, S., Shen, H., Zhao, S., and Peng, C. 2010. Altitudinal changes in carbon storage of temperate forests on Mt Changbai, Northeast China. J. Plant Res. 123: 439-452. | ||
آمار تعداد مشاهده مقاله: 573 تعداد دریافت فایل اصل مقاله: 2,138 |