ارائه پروتكل محاسباتي و شبيه‌سازي براي پايش مخازن كربن آلي خاك (مطالعه موردي: پارك جنگلي نور)

Providing mathematical and simulating protocol for optimum monitoring of soil carbon pools (Case study: Nour Forest Park)

سابقه و هدف: با توجه به سناريوي گرمايش زمين به عنوان بزرگترين چالش زيست‌محيطي عصر حاضر و اهميت حفاظت و انباشت هر چه بيشتر موجودي كربن در خاك در قالب بزرگترين مخازن كربن اتمسفري در زمين، پايش بهينه مخازن كربن آلي خاك در بوم‌سازگان‌هاي جنگلي مي‌تواند ابزاري مناسب براي بررسي تغييرات پارامترهاي اقليمي در منطقه علاوه بر مديريت حفاظتي بهينه بوم‌سازگان‌هاي مذكور در رابطه با روند تغييرات ذخاير كربن خاك و چرخش كربن محسوب شود. از اين‌رو، يك پروتكل جامع با قابليت اطمينان زياد براي ايجاد مدل‌هاي پيش‌بيني ذخاير كربن آلي خاك با حداكثر دقت بايد ارائه شود، طوري‌كه با استفاده از مدل‌هاي مزبور شامل متغيرهاي توصيفي با قابليت اندازه‌گيري آسان با حداقل هزينه بتوان كنترل حفاظتي متناسب در رابطه با تغييرات مقادير ترسيب كربن در سطوح مختلف لايه‌هاي خاك انجام داد. مواد و روش: پژوهش حاضر در پارك جنگلي نور كه به عنوان بزرگترين جنگل‌هاي جلگه‌اي شمال كشور محسوب مي‌شود صورت گرفت. براي انجام پايش بهينه مخازن كربن آلي خاك در جنگل مذكور، 25 قطعه‌نمونه 400 متر مربعي با طرح بلوك تصادفي در توده‌هاي توسكا – انجيلي، پلت – انجيلي و اوجا – ممرز براي اندازه‌گيري مشخصه‌هاي كمي به‌منظور محاسبه شاخص‌هاي تنوع زيستي و فاكتور كربن خاك (در دو عمق 20- 0 و 40 – 20 سانتي‌متر) پياده‌سازي شد. روش‌هاي محاسباتي تحليل رگرسيون و تكنيك شبيه‌سازي با استفاده از شبكه عصبي مصنوعي براي انجام مطالعه حاضر استفاده شدند. براي تحليل‌هاي محاسباتي از روش‌هاي سنتي مبتني بر رگرسيون به روش تخمين منحني و رگرسيون خطي چندگانه و براي پيشبرد تحليل‌هاي شبكه عصبي مصنوعي از الگوريتم پس‌انتشار خطا با ساختار پروسپترون چند لايه استفاده شد. يافته‌ها: نتايج نشان داد كه رگرسيون خطي چندگانه شامل شاخص‌هاي همبسته تنوع زيستي به عنوان عوامل توصيفي بر مبناي شاخص‌هاي اعتبارسنجي از جمله ضريب اطلاعات آكاييك و فاكتور تورم واريانس ( ) داراي اعتبار محاسباتي بوده ولي داراي دقت قابل ملاحظه‌اي نمي‌باشد. در تحليل‌ غيرخطي، مدل كرو بر حسب وفور پوشش علفي مدل بهينه ذخاير كربن لايه آلي خاك و مدل تواني تبديلي لگاريتمي ( ) شامل غلبه گونه‌اي درختي (D)، وفور (Abunance) و يكنواختي (J') پوشش علفي بهترين مدل لايه معدني خاك محسوب شدند. تكنيك شبيه‌سازي نشان داد كه در الگوريتم پس‌انتشار خطا، خروجي بهينه لايه آلي خاك با ماتريس ورودي‌ Abundance و J' با توپولوژي يك لايه پنهان و 15 نورون حاوي تابع Tan-sigmoid و خروجي بهينه لايه معدني خاك با اضافه شدن لايه D به ماتريس مزبور با معماري دولايه پنهان و 35 نورون داراي حداكثر قطعيت پيش‌بيني نسبت به كليه تحليل‌هاي رگرسيون هستند. نتيجه‌گيري: نوع روابط رياضي (ساختار تابع) بين شاخص‌هاي تنوع زيستي و متغير پاسخ مورد مطالعه صرفنظر از قطعيت ارتباط اكولوژيكي و بيولوژيكي بين آنها داراي قطعيت كم و محدوديت‌هاي تحليلي و آماري زياد از جمله وجود فاكتور تورم واريانس است. از اين‌رو، كاربرد تكنيك شبكه عصبي مصنوعي مي‌تواند بهترين جايگزين مدل‌هاي كلاسيك براي پيش‌بيني مقادير مذكور باشند. در اين خصوص، همانند پارامترهاي محاسباتي مدل‌هاي كلاسيك، توپولوژي هر مدل در شبكه عصبي مصنوعي تعيين كننده معماري و كارآيي (دقت) پايش مقادير ترسيب كربن در لايه‌هاي مختلف خاك مي‌باشد.

Background and objectives: Considering global warming as a prominent challenge in the world and based on increase and protection of soil carbon stock in forest ecosystems, optimal monitoring carbon sequestration in Forests is very efficient to verify its sustainability and climate change. Therefore, a comprehensive protocol is needed for developing models with high certainty in relation to soil organic carbon (SOC) stock. Furthermore, using the models including explanatory variables attributed by easy measurement capabilities and the lowest cost is conducted to properly protective control in association with variation of carbon sequestration in different soil layers. Materials and methods: This research was conducted in Nour Forest Park as a largest plain forest in north of Iran. The number of 25 plots with 400 m2 was placed in the three stands (Alder- Ironwood, Maple- ironwood, Elm- Hornbeam) based on randomized block design sampling to measure plants biodiversity and soil carbon factor. Regression analysis and simulating by ANN was used to monitor soil carbon pool optimally. Results: The results showed that multiple linear regression including correlated indices based on validation parameters such as Akaike information coefficient and variance inflation factor (VIF < 10) were valid to estimate the SOC stock; however, there was found no considerable accuracy. Pertaining to non-linear regression analysis, S-curve model including Abundance of herbal species was the best predictor to SOC in the organic layer and log-transformed power model (CF = 1.00) including species dominance (D) of trees, Abundance of and evenness (J') of grasses was the highest accurate model to predict SOC in the mineral layer. After back propagation algorithm in the neural network, SOC stock was predicted well through input matrix of Abundance and J' with topology of one hidden layer and 15 neurons including function of Tan-sigmoid. Furthermore, SOC stock in the mineral layer was predicted with the highest accuracy by adding layer of D to the prior matrix in the network having architecture of two hidden layers and 35 neurons in each layer. Conclusion: Irrespective of ecological and biological interpretations, an accurate type of mathematic relationship (Function) between plant biodiversity indices and the response variable is dubious with low certainty and statistical issues such as variance inflation factor. Hence, ANN application can be a best alternative to traditional models for the response variables. Subsequently, like the parameters in the traditional models, the topology of each model in ANN is determining the architecture and efficiency of monitoring the responses in different soil layers.