مدل سازي مخزن كربن آلي خاك در رابطه با ويژگي هاي فيزيكو- شيميايي خاك در جنگل گلندرود در شمال ايران

Modeling Soil Organic Carbon Pool Weight Associated with Soil Physico-chemical Properties within Glandrood Forest in Northern Iran

برآورد هرچه دقيق تر ذخيره كربن آلي خاك در اكوسيستم هاي پيچيده زمين از جمله جنگل ها با توجه به اهميت بسيار روزافزون آن در پي كاهش انتشار كربن، گرمايش زمين و تغييرات اقليمي، امري مهم و ضروري تلقي مي گردد. از اينرو تحقيق حاضر با هدف مدل سازي مقادير وزني ذخيره كربن در سطح حوض كربن آلي خاك در جنگل آميخته راش واقع در قطعه شاهد سري 3 جنگل گلندرود صورت گرفت. در پروسه مدل سازي از روش تجزيه رگرسيون گام به گام استفاده گرديد به طوري كه كليه خصوصيات فيزيكي و شيميايي خاك در 3 عمق 10-0، 30-10 و 50-30 سانتي متر براي ارايه هريك از مدل هاي مربوطه مدنظر قرار گرفتند. نتايج حاصل از آزمون تجزيه واريانس يكطرفه (ANOVA) نشان داد كه محتوي كلسيم تبادلي، آهك و رس در سطح (P < 0.05) و كربن آلي، ماده آلي، آهك و نيتروژن در سطح (P < 0.01) در لايه هاي مختلف خاك داراي اختلاف معني دار مي باشند. نتايج به دست آمده نشان داد كه ميانگين مقدار وزني حوض كربن آلي خاك در منطقه مورد مطالعهt C ha-1 07/22 ± 87/543 مي باشد. نتايج مدل سازي حاكي از آن است كه در گام اول نسبت C/N به عنوان مهمترين عامل براي پيش بيني ارزش وزني حوض كربن آلي خاك مي باشد (8/4= SEE، 44/0 = R2adj). در مراحل بعدي مدل سازي، محتوي فسفر، نيتروژن و رس خاك به ترتيب مهمترين عوامل در تعيين پيش بيني ذخاير وزني حوض كربن آلي خاك معرفي گرديدند (6/2- 8/3= SEE، 83/0- 64/0 = R2adj). نسبت C/N، فسفر، نيتروژن و رس به ترتيب 3/46 درصد، 41/22 درصد، 71/14 درصد و 44/9 درصد از سهم تغييرات وزني حوض كربن آلي خاك را اختصاص دادند. با اضافه شدن هدايت الكتريكي، pH و منيزيوم تبادلي خاك به ترتيب به عنوان متغيرهاي مستقل در گام هاي بعدي مدل سازي، بهبود قابل توجهي در ميزان دقت پيش-بيني ارزش وزني حوض كربن آلي خاك در مدل هاي ارايه شده ايجاد نشد (3/2- 5/2= SEE، 87/0- 84/0 = R2adj). در طي پروسه مدل سازي نتيجه آناليز هم-خطي نيز نشان داد كه حداكثر فاكتور تورم واريانس مدل هاي مربوطه ارزش عددي كمتر از 10 داشت ( 10 < VIF) كه از اين رو داراي ارزش محاسباتي مي باشند.

Soil organic carbon (SOC) storage estimation with high accuracy is very important due to having such prominent role corresponding to climate change and global warming reduction. Therefore, the current study was carried out in the beech mixed-stands forest of reserved compartment in Glandrood forests, in the northern parts of Iran. Stepwise regression method was used in order to present the SOC pool weight modeling considering the prominent soil physic-chemical properties at 3 different soil depths (0-10, 10-30, and 30-50 cm). The results of ANOVAs showed that exchangeable calcium content, lime and clay percentage (P < 0.05) and also carbon content, soil organic matter, nitrogen and C/N ratio (P < 0.01) were significantly different among the three soil depths. Moreover, on average, the total soil carbon stored considered as SOC pool weight in the ecosystem equaled 543.87 ± 22.07 t.C ha-1. According to the stepwise regression analysis C/N ratio was the effective content as explanatory variable to predict SOC pool (R2adj = 0.44; SEE = 4.8). In the following models, P, N and clay percentage, respectively, were the effective contents which improved significantly SOC pool prediction (R2adj = 0.64-0.83; SEE = 3.8-2.6). C/N ratio, P, N and clay were included 46.3, 22.41, 14.71 and 9.44 percent respectively with respect to the variations of SOC pool. Regression analysis indicated that introducing electrical conductivity, pH, and Mg as input variables in the following steps did not ameliorate the precision of SOC pool prediction clearly (R2adj = 0.85-0.89; SEE = 2.5-2.1). Furthermore, during the modeling and according to the collinearity diagnostic test, the result indicated that the maximum variance inflation factor of the models was less than 10 (VIF < 10), validating them for application.