بابک سوری

این پژوهش با هدف توسعه مدل‌‌های رگرسیون خطی چند متغیره و شبکه عصبی مصنوعی به‌منظور پیش‌‌بینی کربن آلی خاک با استفاده از داده‌‌های سنجش از دور در حوضه آبخیز سد قشلاق صورت گرفت. از اینرو 60 نمونه خاک سطحی از عمق 20-0 سانتی‌متری جمع‌آوری و ویژگی‌های خاک (pH، هدایت الکتریکی و کربن آلی) در آزمایشگاه مورد تجزیه و تحلیل قرار گرفتند. در مجموع تعداد 11 متغیر کمکی از سه پایگاه تصویر ماهواره لندست 9، شاخص‌های توپوگرافی (ارتفاع و شیب) و ویژگی‌‌های خاک (pH و هدایت الکتریکی) به‌دست آمدند. در نهایت داده‌های پیش‌بینی شده حاصل از رویکردهای مذکور به‌منظور تهیه نقشه توزیع مکانی کربن آلی خاک به‌کار گرفته شدند. مقادیر اندازه‌گیری شده کربن آلی خاک همبستگی خوبی با شاخص‌های EC، CI، BTI10 و BTI11 نشان دادند. ارزیابی مقایسه نتایج حاصل از دو مدل نشان داد که شبکه عصبی پرسپترون چندلایه با ضریب همبستگی بالاتر (R=0.821) و خطای پایین‌تر (RMSE=0.108, MAE=0.002) نسبت به روش رگرسیون خطی گام به گام دقت بهتری ارائه می‌دهد. نقشه‌های توزیع مکانی حاصل از دو مدل نشان داد که شبکه عصبی پرسپترون چندلایه الگوی مکانی یکنواخت‌تر و قابل اعتمادتر و لکه‌های با ثبات بیش‌تری تولید کرده است. در مقابل نقشه حاصل از رگرسیون خطی گام به گام مقادیر افراطی بیش‌تر و پراکندگی نقطه‌ای آشکاری دارد که نتیجه محدودیت مدل‌های خطی در نمایش پیچیدگی‌های مکانی است. بنابراین شبکه عصبی پرسپترون چندلایه می‌تواند در سایر مناطق و مطالعات مشابه به‌عنوان ابزاری مفید و سریع به‌کار گرفته شده و با مدیریت مبتنی بر اطلاعات مکانی در کاهش هزینه‌های نمونه‌برداری خاک به‌طور مؤثری مفید واقع گردد. نتایج پژوهش حاضر ادغام مجموعه داده‌های موجود سنجش از دور و مدل‌های پیشرفته یادگیری ماشین را برای تخمین دقیق کربن آلی خاک برجسته می‌کند.