Σκοπός της συγκεκριμένης εργασίας είναι να κατανοηθεί ο ρόλος των καλλιεργήσιμων εδαφών στη δέσμευση του CO2 και στις επιπτώσεις που έχει στην κλιματική αλλαγή. Σημαντικό ρόλο στη δέσμευση του άνθρακα διαδραματίζουν οι εδαφοκλιματικές συνθήκες μιας περιοχής. Γι’ αυτό, στην προκειμένη περίπτωση αξιολογήθηκαν γεωργικά εδάφη με εδαφοκλιματικά δεδομένα και υπολογίστηκε ο οργανικός άνθρακας που υπάρχει διαθέσιμος στα εδάφη αυτά. Ως πιλοτική περιοχή χρησιμοποιήθηκε το Μαλανδρίνο Φωκίδας για την ανάπτυξη κατάλληλου μοντέλου, που υπολογίζει την ποσότητα οργανικού άνθρακα. Ο οργανικός άνθρακας εκτιμήθηκε από υπάρχοντα εδαφολογικά δεδομένα (αρχείο ΕΛΓΟ-ΔΗΜΗΤΡΑ), καθώς και δορυφορικές εικόνες, που βρίσκονται ελευθέρως διαθέσιμες στο διαδίκτυο, όπως είναι αυτές του δορυφόρου Sentinel. Προτιμήθηκε η μέθοδος του πολυεπίπεδου νευρωνικού δικτύου (MLP) που εκτιμά, στη συγκεκριμένη περίπτωση, την ποσότητα του εδαφικού άνθρακα. Οι ανεξάρτητες μεταβλητές ήταν η άργιλος, το pH, τα άλατα, το NDVI, καθώς και οι δείκτες γυμνού εδάφους (Bare Soil Index) και χρωματισμού του εδάφους (Soil Color Index). Από το σύνολο των δεδομένων της περιοχής χρησιμοποιήθηκε το 70% αυτών (για εκπαίδευση του μοντέλου), ώστε με το υπόλοιπο 30% να γίνει μία επαλήθευση της προσαρμοστικότητάς του. Πριν τη δημιουργία του μοντέλου νευρωνικού δικτύου έγινε ανάλυση των κύριων συνιστωσών, ώστε να μετατραπούν οι τιμές της ομάδας των παραπάνω (ανεξάρτητων) μεταβλητών, που είναι δυνητικά συσχετιζόμενες, σε μία ομάδα νέων τιμών μη γραμμικά συσχετιζόμενων μεταβλητών, οι οποίες ονομάζονται κύριες συνιστώσες. Τα επιτυχή αποτελέσματα, που προέκυψαν από το νευρωνικό δίκτυο MLP, έδειξαν πως το μοντέλο αυτό παρουσιάζει καλή προσαρμοστικότητα στην περιοχή, με R2 0,69. Συνεπώς, μέσα από τη μελέτη αναδεικνύεται η δυνατότητα ευρείας εφαρμογής του μοντέλου, η καλύτερη κατανόηση της γονιμότητας των εδαφών, καθώς και η συμβολή του στο μετριασμό της κλιματικής αλλαγής.
This paper aims to understand the role of arable land in CO2 capture and its impact on climate change. Soil and climate conditions of an area play an important role in the capture of coal. For the purpose of this assignment, soil and climate conditions of agricultural land were evaluated and the available organic carbon was calculated. The pilot area that was selected to develop a suitable model for the calculation of the amount of organic carbon, was Malandrino in Fokida. The organic carbon has been estimated based on existing soil data (ELGO-DIMITRA file) and satellite images freely available on the Internet, such as the Sentinel satellite’s images. The method of multilayer perceptron (MLP) was chosen to predict the amount of soil carbon. The independent variables were clay, pH, salts, NDVI, as well as bare soil index and soil color index. 70% of region's aggregate data was used (model training), while the remaining 30% was employed to verify network’s adaptability. Before generating the neural network model, principal component analysis was used to convert the values of the group of the aforementioned (independent) variables that are potentially correlated, into a set of new values of non-linearly related variables, called principal components. The successful results from the MLP network, indicate that the model has good adaptability in the region with R2 0.69. Consequently, the study contributes to the possibility of the model’s broad implementation, to the enhanced understanding of soil fertility and lastly, to the mitigation of climate change.
