مقایسه مدل های شبکه عصبی مصنوعی و رگرسیون چند متغیره در پیش بینی درصد پوشش درمنه کوهی از روی برخی خصوصیات خاک

محورهای موضوعی : جنگلداری

منصوره کارگر ¹ (گــروه مرتــع و آبخیــزداری، دانشــکده منــابع طبیعــی، دانشــگاه علــوم کشــاورزی و منــابع طبیعــی ســاری، ســاری، ایــران .)
زینب جعفریان ² (گــروه مرتــع و آبخیــزداری، دانشــکده منــابع طبیعــی، دانشــگاه علــوم کشــاورزی و منــابع طبیعــی ســاری، ســاری، ایــران .)

تاریخ دریافت : 1392/02/04 تاریخ پذیرش : 1393/03/30 تاریخ انتشار : 1393/05/01

کلید واژه: مراتع واوسر, شبکه عصبی مصنوعی, رگرسیون چند متغیره, aucheri Artemisia,

چکیده مقاله :

مدیریت دقیق زیستبومهای خاکی برای اهداف مختلف مستلزم شناخت دقیق و کمی خصوصیات و فرآیندهای آنهـا بـه خصـوص در بخـش خـاک است. هدف تحقیق حاضر با توجه به تاثیر خصوصیات خاک بر پوشش گیاهی پیشبینی درصد پوشش گونه درمنه کوهی از طریق برخی خصوصیات خاک است. نمونهبرداری به روش تصادفی سیستماتیک و با استقرار 5 ترانسکت 100 متری و 10 پلات 4 مترمربعی به فاصله 10 متر از هم روی هـر ترانسـکت انجام شد. درصد تاج پوشش درمنه کوهی در هر پلات اندازهگیری شده و نمونه خاک از عمق -0 15 سانیمتری گرفته شـد . در مجمـوع 50 نمونـه خـاک جمعآوری شده و مورد آزمایش قرار گرفت. کربن آلی، آهک، نیتروژن کل، اسیدیته همراه با درصد رطوبت، درصد رس، درصد سیلت و درصـد شـن خـاک اندازهگیری شدند. تمام دادهها به دو سری شامل سری آزمایش متشکل از 70 درصد دادهها برای انجام تجزیـه و تحلیـل و سـری ارزیـابی متشـکل از 30 درصد دادهها برای ارزیابی مدلهای ساخته شده تقسیم گردید. نتایج نشان داد که رطوبت خاک، درصد سیلت و درصد شـن خـاک بـه عنـوان مهـم تـرین خصوصیات خاک پیشبینی کننده در درصد تاج پوشش درمنه کوهی در منطقه مورد مطالعه میباشند. هم چنین نتایج ارزیابی مدلها نشـان داد کـه مـدل شبکه عصبی مصنوعی RMSE و ME به ترتیب برابر و 0/06 0/25 در مقایسه با مدل رگرسیون خطی چند متغیره با RMSE و ME بـه ترتیـب برابـر و 0/12 0/43 بهتر عمل کرده است. با توجه به RMSE و ME پایینتر مدل شبکه عصبی مصنوعی نسبت به مدل رگرسیون از عملکرد بهتری برخوردار بوده که دلیل این امر در نظر گرفتن روابط غیرخطی بین پدیدهها در روش شبکه عصبی مصنوعی میباشد.

چکیده انگلیسی:

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.