بررسی داده‌های سنجش از دور به منظور پیش‌بینی کربن آلی خاک با استفاده از روش‌های آماری و شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران

2 کارشناس محیط زیست، شرکت محیط زیست ESG، ملبورن، استرالیا

چکیده

این پژوهش با هدف بررسی داده‌های سنجش از دور و ارزیابی قابلیت شبکه عصبی مصنوعی در برآورد کربن آلی خاک در پارک‌های جنگلی آبیدر و توس نوذر شهر سنندج انجام گرفت. از 120 نقطه در عمق 30-0 سانتی‌متری نمونه خاک تهیه گردید و کربن آلی خاک به روش والکی بلاک تعیین شد. بررسی مجموعه داده‌های سنجش از دور بر اساس دو روش آماری معنی‌داری ضریب همبستگی و رگرسیون خطی گام به گام انجام شد. شبکه عصبی مصنوعی MLP جهت برآورد کربن آلی خاک به کار رفت. نتایج نشان داد که استفاده از تمامی پتانسیل محدوده طیف الکترومغناطیسی می‌تواند در بهبود دقت برآورد کربن آلی خاک مؤثر باشد. کمترین میزان خطا در مرحله آموزش (001/0) مربوط به روش رگرسیون خطی گام به گام و بیشترین میزان خطا (036/0) مربوط به تعداد ثابت پارامترهای ورودی بود. شبکه عصبی مصنوعی MLP نشان داد که از قابلیت بالایی در تعمیم داده‌های آزمایش به سایر مناطق برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of remote sensing data to predict soil organic carbon using statistical and artificial neural network methods

نویسندگان [English]

  • mahin saedpanah 1
  • Marzieh Reisi 2
1 Department of Environment Science, Faculty of Natural Resources, University of Kurdistan, Sanandaj, Iran
2 Environmental Scientist, ESG Environmental, Melbourne, Australia
چکیده [English]

The aim of this study was to evaluate the remote sensing data and evaluate the capability of artificial neural network in estimating soil organic carbon in Abidar and Toos Nozar forest parks in Sanandaj. Soil samples were prepared from 120 points at a depth of 0-30 cm and soil organic carbon was determined by walk-block method. Remote sensing data set was performed based on two statistically significant methods of correlation coefficient and stepwise linear regression. The artificial neural network MLP was used to estimate soil organic carbon. The results indicate that using the full potential of the electromagnetic spectrum can be effective in improving the accuracy of estimating soil organic carbon. lowest error rate in the training phase (0.001) was related to the stepwise linear regression method and the highest error rate (0.036) was related to the fixed number of input parameters. the artificial neural network MLP showed that it has a high ability to extend the experimental data to other areas.

کلیدواژه‌ها [English]

  • “Soil Organic Carbon”
  • “Input Parameters”
  • “remote sensing”
  • “Artificial Neural Network”