TY - JOUR ID - 5101 TI - کارایی شبکه عصبی مصنوعی بهینه در مدلسازی کربن آلی خاک مبتنی بر داده های میدانی و تصاویر Sentinel-2 در ارسباران JO - پژوهش‌های علوم و فناوری چوب و جنگل JA - JWFST LA - fa SN - 2322-2077 AU - لطفی, محسن AU - عرفانی فرد, سید یوسف AU - امیراصلانی, فرشاد AU - کشاورزی, علی AD - دانشجوی کارشناسی‌ارشد ، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران، AD - دانشیار، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران، AD - استادیار، گروه علوم و مهندسی خاک، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران Y1 - 2020 PY - 2020 VL - 27 IS - 3 SP - 19 EP - 36 KW - الگوریتم ژنتیک KW - شبکه های عصبی مصنوعی KW - کربن آلی خاک KW - تصاویر ماهواره‌ی Sentinel-2 DO - 10.22069/jwfst.2020.17946.1870 N2 - سابقه و هدف: خاک بزرگ‌ترین منبع ذخیره کربن موجود در بوم‌سازگان‌های زمینی هستند که بیشترین سهم از کل ذخایر جهانی ‌کربن زمینی را در خود جای دادند. نقشه‌برداری دقیق اطلاعات توزیع مکانی ذخیره کربن آلی خاک (SOC) یک پیشنیاز کلیدی جهت مدیریت منابع خاک و حفاظت از محیط زیست است. توسعه سریع علم سنجش از دور و استفاده از تصاویر ماهواره‌ای امکان نظارت بر ذخیره SOC در مقیاس بزرگ را فراهم می‌کند. امکان برآورد SOC یکی از موضوعات پیش روی پژوهشگران بوده است که در برخی موارد از شبکه عصبی مصنوعی برای این موضوع استفاده شده است هرچند تعیین مقادیر بهینه مؤلفه‌های موثر در آن دشوار است. در برخی مطالعات از الگوریتم ژنتیک برای بهینه‌سازی وزن‌های اولیه شبکه عصبی و بهبود پیش‌بینی متغیرهای خروجی استفاده ‌شده‌ است. اگرچه کارایی این روش در برآورد SOC با داده‌های سنجش از دور کمتر مورد‌ بررسی قرار‌گرفته است. در این پژوهش اثر الگوریتم ژنتیک بر بهبود عملکرد شبکه عصبی مصنوعی در پیش‌بینی SOCبا استفاده از تصاویر ماهواره Sentinel-2 در ناحیه رویشی ارسباران مورد‌ بررسی قرار‌گرفته است.مواد و روش‌ها: برای این منظور نمونه‌برداری از خاک با استفاده از روش نمونه‌برداری تصادفی طبقه‌بندی شده بر اساس انواع کاربری اراضی در 46 نقطه و در عمق صفرتا ۱۵ سانتی‌متر انجام شد. SOC با استفاده از روش والکلی بلاک اندازه‌گیری شد. برای برازش مدل بین کربن آلی اندازه‌گیری شده در آزمایشگاه با ۹ شاخص طیفی و ۳ باند تصویر ماهواره‌ای که به طور مستقیم وارد مدلسازی شدند، از دو روش شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بهینه ‌شده با الگوریتم ژنتیک استفاده گردید. برای ارزیابی کارایی مدل‌ها از روش اعتبارسنجی متقابل (Cross Validation) استفاده شد. درنهایت مدل‌های به‌دست‌آمده با شاخص‌های آماری جذر میانگین مربعات خطا (RMSE)، نسبت عملکرد به انحراف (RPD)، ضریب همبستگی اسپیرمن (r) ، ضریب تبیین (R2) و همچنین آزمون تی جفتی مورد ارزیابی قرار گرفتند.یافتهها: نتایج نشان داد SOC برآوردی با شبکه عصبی مصنوعی بهینه‌ شده با الگوریتم ژنتیک (%07/1=RMSE، % 89/1=RPD، 76/0=R2) دقت بیشتری نسبت به نتایج شبکه عصبی مصنوعی (% 51/1=RMSE، % 34/1=RPD، 58/0=R2) داشت. همچنین بهبود ضریب همبستگی اسپیرمن برای SOC واقعی و برآورد شده با شبکه عصبی مصنوعی بهینه‌ شده (87/0=r) و SOC برآورد شده با شبکه عصبی مصنوعی (76/0=r) مشاهده گردید. SOC واقعی با SOC برآوردی با شبکه عصبی مصنوعی بهینه‌ اختلاف معنی داری نداشت (21/0=p-value) ولی با SOC برآوردی با شبکه عصبی مصنوعی متفاوت بود (02/0=p-value). علاوه‌ بر این، نتایج نشان داد که شاخص TSAVI بیشترین ضریب همبستگی اسپیرمن (565/0) و شاخصBI2 کمترین ضریب همبستگی اسپیرمن (196/0) را با کربن آلی خاک‌ دارند.نتیجه‌گیری: به‌طورکلی، نتیجه‌گیری شد که استفاده از الگوریتم ژنتیک در انتخاب مؤلفه‌های بهینه شبکه عصبی مصنوعی منجر به بهبود عملکرد این روش مدل‌سازی در برآورد نقطه‌ای SOC با استفاده از تصاویر ماهواره Sentinel-2 در منطقه موردمطالعه شده است. همچنین با توجه به نتایج بدست آمده، کارایی تصاویر ماهواره Sentinel-2 در برآورد SOC در منطقه مورد مطالعه تأیید شد. UR - https://jwfst.gau.ac.ir/article_5101.html L1 - https://jwfst.gau.ac.ir/article_5101_6769864dba7d35ea82762a03e581f39c.pdf ER -