مدیریت کودپاشی مراتع با استفاده از مدل‌های شبکه عصبی مصنوعی در مراتع نازلوچای استان آذربایجان غربی

Abstract

در صورت بهره‌برداری مداوم از علوفه مرتع در صورتی که عناصر مهمی همچون NPC به خاک برنگردد، موجب می‌شود اراضی مرتعی حاصلخیزی خود را از دست دهند. بنابراین، امروزه در حوزه مدیریت مراتع، اصلاح و احیاء مراتع اهمیت بالایی پیدا کرده است. یکی از روشهای اصلاح مراتع، کودپاشی می باشد. اگر عملیات کودپاشی متناسب با شرایط اقلیمی، وضعیت پوشش و خصوصیات خاک انجام شود، باعث بهبود مرتع می‌گردد. در غیر این صورت سبب افزایش غلظت املاح و سمی شدن خاک، آلودگی آب‌ها و خشک شدن گیاهان می‌گردد. هدف از پژوهش حاضر ارائه مدلی مبتنی بر استفاده از شبکه عصبی مصنوعی است که روابط بین کربن آلی، نیتروژن و فسفر خاک مرتع و عوامل گیاهی، ادافیکی موثر بر آن را بیان کند که بر مبنای نتایج آن، بتوان در زیست بوم‌های مرتعی فاقد آمار، عناصر مذکور را به منظور مدیریت کودپاشی برآورد نمود. در این پژوهش متغیرهای وابسته شامل کربن آلی، نیتروژن و فسفر خاک مراتع نازلوچای ارومیه بودند. هشت عامل هدایت الکتریکی، اسیدیته، درصدرس، درصد سیلت، درصد شن، میزان آهک، تولید و درصد تاج پوشش گیاهان مرتعی نیز به منظور انجام تحلیل عاملی انتخاب گردیدند. سپس با استفاده از شبکه عصبی پرسپترون چند لایه با توابع انتقالی سیگموئید و تانژانت هیپربولیک و آکسون خطی در لایه پنهان و تابع انتقال خطی در لایه خروجی، میزان کربن آلی، نیتروژن و فسفر خاک مراتع پیش بینی شد. نتایج نشان داد که تابع انتقال سیگموئید برای نیتروژن، فسفر و کربن آلی خاک مرتع با ضریب تبیین به ترتیب 70/0، 66/0 و 79/0 و میانگین مربعات خطای به ترتیب 008/0، 21/0 و 08/0 نسبت به تابع انتقال تانژانت هیپربولیک و آکسون، توانسته است بخوبی کربن آلی، نیتروژن و فسفر خاک مرتع را مدل‌سازی کند. بنابراین با توجه به نتایج مذکور، شبکه عصبی توانست با دقت بالایی میزان کربن آلی، نیتروژن و فسفر خاک مرتع را در تیپ های مرتعی که فاقد مقادیر NPC بودند، پیش‌بینی کند و در مورد کودپاشی در تیپ های مرتعی فاقد آمار، تصمیم گیری شد.