دانشگاه ارومیه تحقیقات کاربردی خاک 2423-7116 1 1 2013 07 23 Evaluation of Artificial Neural Network (ANN), Adative Neuro-Fuzzy Inference System (ANFIS) and Regression Models in Prediction of Particulate Organic Matter-Carbon (POM-C) in the Rangelands Kharabe Sanji of Urmia ارزیابی کاربرد مدل های شبکه عصبی مصنوعی، شبکه عصبی تطبیقی فازی و رگرسیون در پیش‌‌بینی کربن آلی ذره ای در مراتع خرابه سنجی ارومیه 94 106 20074 FA بهنام بهرامی دانشجوی کارشناسی ارشد مرتعداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس قاسمعلی دیانتی تیلکی دانشیار گروه مرتعداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس سعید خسروبیگی دانشجوی کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس سعید جانی زاده دانشجوی کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس جواد معتمدی استادیار دانشکده منابع طبیعی، دانشگاه ارومیه Journal Article 2013 01 21 Soil organic carbon has favorable effects on the chemical, physical and thermal properties of the soil as well as on the biological activities in the soil. Particulate organic matter-carbon (POM-C) is one of the important unstable elements in the soil organic matter has a considerable role in soil quality and rangeland management. In this research, in order to exact estimate of POM-C using ANN, ANFIS, Regression models were developed. Towards this attempt, 60 soil samples were taken from the depth of 0-30 cm of the soil within 60 quadrates of 1m2 of located along 6 transects of 100m in the rangelands Kharabeh Sangi of Urmia. Soil properties (Nitrogen, clay, silt, organic carbon, pH, EC, apparent specific weight of soil) were measured. Statistic indicators RMSE, CE were used for performance evaluation of the models. The results showed RMSE and CE were calculated 0.16 and 0.41(in Regression Model), 0.11 and 0.65(in Artificial Neural Network Model), 0.06 and 0.79 (in Adative Neuro-Fuzzy Inference System Model), respectively. Also Adative Neuro-Fuzzy Inference System Model is considered as a strong tool in prediction of POM-C compared with Multivariate Linear Regression and Artificial Neural Network Models in the rangelands Kharabeh Sanji of Urmia. کربن آلی خاک اثرات مفیدی روی خواص شیمیایی، فیزیکی و حرارتی خاک داشتهو همچنین روی فعالیت‌های بیولوژیکی خاک‌ها موثر است. کربن آلی ذرهاییکی از بخش های مهم ناپایدار مواد آلی می باشد و نقش قابل توجهی در کیفیت خاک و مدیریت سرزمینهای مرتعی دارد. در این تحقیق جهت برآورد دقیق کربن آلی ذرهای خاک از مدل‌های شبکه عصبی مصنوعی (ANN)، شبکه عصبی تطبیقی- فازی(ANFIS) و رگرسیون چند متغیره استفاده شد. جهت انجام تحقیق، 60 نمونه خاک از عمق 30- 0 سانتیمتری در میان 60 کوادرات یک متر مربعی که در طول 6 ترانسکت 100 متری در مراتع خرابه سنجی ارومیه مستقر شده بود، برداشت شد. خصوصیات خاک (نیتروژن، رس، سیلت، کربن آلی، اسیدیته، هدایت الکتریکی و وزن مخصوص ظاهری خاک) اندازهگیری شدند. شاخص های آماری RMSE و CE جهت ارزیابی کارکرد مدل‌ها استفاده شدند. نتایج نشان داد بر اساس معیارهای مجذور میانگین مربعات خطا و ضریب کارایی که در مدل رگرسیونی به ترتیب 16/0 و 41/0 و در مدل شبکه عصبی مصنوعی به ترتیب 11/0 و 65/0 و در مدل شبکه عصبی تطبیقی-فازی به ترتیب 06/0 و 79/0 میباشند، مدل شبکه عصبی تطبیقی فازی (ANFIS) به عنوان ابزار قدرتمندتری در پیشبینی کربن آلی ذرهای خاک نسبت به آنالیز رگرسیون خطی چندمتغیره و شبکه عصبی مصنوعی عمل میکند.

https://asr.urmia.ac.ir/article_20074_bb9d38fd75b991275352b5d6745a03e7.pdf