ارائه پروتکل محاسباتی و شبیه‌سازی برای پایش مخازن کربن آلی خاک (مطالعه موردی: پارک جنگلی نور)

سابقه و هدف: با توجه به سناریوی گرمایش زمین به عنوان بزرگترین چالش زیست‌محیطی عصر حاضر و اهمیت حفاظت و انباشت هر چه بیشتر موجودی کربن در خاک در قالب بزرگترین مخازن کربن اتمسفری در زمین، پایش بهینه مخازن کربن آلی خاک در بوم‌سازگان‌های جنگلی می‌تواند ابزاری مناسب برای بررسی تغییرات پارامترهای اقلیمی در منطقه علاوه بر مدیریت حفاظتی بهینه بوم‌سازگان‌های مذکور در رابطه با روند تغییرات ذخایر کربن خاک و چرخش کربن محسوب شود. از این‌رو، یک پروتکل جامع با قابلیت اطمینان زیاد برای ایجاد مدل‌های پیش‌بینی ذخایر کربن آلی خاک با حداکثر دقت باید ارائه شود، طوری‌که با استفاده از مدل‌های مزبور شامل متغیرهای توصیفی با قابلیت اندازه‌گیری آسان با حداقل هزینه بتوان کنترل حفاظتی متناسب در رابطه با تغییرات مقادیر ترسیب کربن در سطوح مختلف لایه‌های خاک انجام داد. مواد و روش: پژوهش حاضر در پارک جنگلی نور که به عنوان بزرگترین جنگل‌های جلگه‌ای شمال کشور محسوب می‌شود صورت گرفت. برای انجام پایش بهینه مخازن کربن آلی خاک در جنگل مذکور، 25 قطعه‌نمونه 400 متر مربعی با طرح بلوک تصادفی در توده‌های توسکا – انجیلی، پلت – انجیلی و اوجا – ممرز برای اندازه‌گیری مشخصه‌های کمی به‌منظور محاسبه شاخص‌های تنوع زیستی و فاکتور کربن خاک (در دو عمق 20- 0 و 40 – 20 سانتی‌متر) پیاده‌سازی شد. روش‌های محاسباتی تحلیل رگرسیون و تکنیک شبیه‌سازی با استفاده از شبکه عصبی مصنوعی برای انجام مطالعه حاضر استفاده شدند. برای تحلیل‌های محاسباتی از روش‌های سنتی مبتنی بر رگرسیون به روش تخمین منحنی و رگرسیون خطی چندگانه و برای پیشبرد تحلیل‌های شبکه عصبی مصنوعی از الگوریتم پس‌انتشار خطا با ساختار پروسپترون چند لایه استفاده شد. یافته‌ها: نتایج نشان داد که رگرسیون خطی چندگانه شامل شاخص‌های همبسته تنوع زیستی به عنوان عوامل توصیفی بر مبنای شاخص‌های اعتبارسنجی از جمله ضریب اطلاعات آکاییک و فاکتور تورم واریانس ( ) دارای اعتبار محاسباتی بوده ولی دارای دقت قابل ملاحظه‌ای نمی‌باشد. در تحلیل‌ غیرخطی، مدل کرو بر حسب وفور پوشش علفی مدل بهینه ذخایر کربن لایه آلی خاک و مدل توانی تبدیلی لگاریتمی ( ) شامل غلبه گونه‌ای درختی (D)، وفور (Abunance) و یکنواختی (J') پوشش علفی بهترین مدل لایه معدنی خاک محسوب شدند. تکنیک شبیه‌سازی نشان داد که در الگوریتم پس‌انتشار خطا، خروجی بهینه لایه آلی خاک با ماتریس ورودی‌ Abundance و J' با توپولوژی یک لایه پنهان و 15 نورون حاوی تابع Tan-sigmoid و خروجی بهینه لایه معدنی خاک با اضافه شدن لایه D به ماتریس مزبور با معماری دولایه پنهان و 35 نورون دارای حداکثر قطعیت پیش‌بینی نسبت به کلیه تحلیل‌های رگرسیون هستند. نتیجه‌گیری: نوع روابط ریاضی (ساختار تابع) بین شاخص‌های تنوع زیستی و متغیر پاسخ مورد مطالعه صرفنظر از قطعیت ارتباط اکولوژیکی و بیولوژیکی بین آنها دارای قطعیت کم و محدودیت‌های تحلیلی و آماری زیاد از جمله وجود فاکتور تورم واریانس است. از این‌رو، کاربرد تکنیک شبکه عصبی مصنوعی می‌تواند بهترین جایگزین مدل‌های کلاسیک برای پیش‌بینی مقادیر مذکور باشند. در این خصوص، همانند پارامترهای محاسباتی مدل‌های کلاسیک، توپولوژی هر مدل در شبکه عصبی مصنوعی تعیین کننده معماری و کارآیی (دقت) پایش مقادیر ترسیب کربن در لایه‌های مختلف خاک می‌باشد.