مقايسه مدل‎هاي شبكه عصبي مصنوعي و رگرسيون چند متغيره در پيش‎بيني درصد پوشش درمنه كوهي از روي برخي خصوصيات خاك

Comparison of artificial neural network and multivariate linear regression (MLR) models to predict cover percentage Artemisia aucheri from some soil properties

مديريت دقيق زيست‏بوم هاي خاكي براي اهداف مختلف مستلزم شناخت دقيق و كمي خصوصيات و فرآيند هاي آنها به خصوص در بخش خاك است. هدف تحقيق حاضر با توجه به تاثير خصوصيات خاك بر پوشش گياهي پيش بيني درصد پوشش گونه درمنه كوهي از طريق برخي خصوصيات خاك است. نمونه برداري به روش تصادفي سيستماتيك و با استقرار 5 ترانسكت 100 متري و 10 پلات 4 مترمربعي به فاصله 10 متر از هم روي هر ترانسكت انجام شد. درصد تاج پوشش درمنه كوهي در هر پلات اندازه گيري شده و نمونه خاك از عمق 0-15 ساني متري گرفته شد. در مجموع 50 نمونه خاك جمع آوري شده و مورد آزمايش قرار گرفت. كربن آلي، آهك، نيتروژن كل، اسيديته همراه با درصد رطوبت، درصد رس، درصد سيلت و درصد شن خاك اندازه گيري شدند. تمام داده‏ها به دو سري شامل سري آزمايش متشكل از 70 درصد داده‏ها براي انجام تجزيه و تحليل و سري ارزيابي متشكل از30 درصد داده‏ها براي ارزيابي مدل هاي ساخته شده تقسيم گرديد. نتايج نشان داد كه رطوبت خاك، درصد سيلت و درصد شن خاك به عنوان مهم ترين خصوصيات خاك پيش بيني كننده در درصد تاج پوشش درمنه كوهي در منطقه مورد مطالعه مي باشند. هم چنين نتايج ارزيابي مدل ها نشان داد كه مدل شبكه عصبي مصنوعي RMSE و ME به ترتيب برابر 06/0 و 25/0 در مقايسه با مدل رگرسيون خطي چند متغيره با RMSE و ME به ترتيب برابر 12/0 و 43/0 بهتر عمل كرده است. با توجه به RMSE و ME پايين‎تر مدل شبكه عصبي مصنوعي نسبت به مدل رگرسيون از عملكرد بهتري برخوردار بوده كه دليل اين امر در نظر گرفتن روابط غيرخطي بين پديده ها در روش شبكه عصبي مصنوعي مي باشد.

Soil ecosystems management for different purposes requires accurate and quantitative understanding of the soil characteristics and their processes. This study was aimed to predict Artemisia aucheri cover though some soil physical and chemical properties in Vavsar rangeland, Kiasar, Mazandaran province. Random systematic sampling was used. Five transects with 100 m length and 10 plots 4 m2 on each transect were established. Then cover (%) of A. aucheri and 50 soil sample from 0-15 cm depth was estimated in each plot. Soil properties including soil organic carbon, total nitrogen, EC, water percentage, CaCo3 percentage, soil texture, and pH were measured. Data were divided in two series: a series for analysis including 70% of the data for and 30% for evaluation of customized models. Result showed that soil water, silt and sand percentages were the most important soil properties for prediction A. aucheri cover in the study area. Prediction of the statistical models in the study area resulted in mean error and root mean square error values of 0.25, 0.06 for ANN equation and 0.43, 0.12 for MLR, respectively. Therefore, the ANN model could provide superior predictive performance when was compared with MLR model.