پيش بيني خردشدگي خاك در اثر چراي دام با استفاده از سامانه استنتاج فازي - عصبي (ANFIS)

Predicting the soil fragmentation caused by grazing using adaptive neuro-fuzzy inference system (ANFIS

متداول ترين راه جهت اندازه گيري ميزان خردشدگي خاك، تعيين ميانگين وزني قطر خاك دانه ها (MWD) است. در اين پژوهش، از سامانه استنتاج فازي - عصبي (انفيس) به منظور پيش بيني ميانگين وزني قطر خاك دانه ها در اثر شدت هاي مختلف چراي دام، فاصله از روستا و عمق نمونه برداري استفاده گرديد. اين مطالعه در سال 1394 در سه روستاي معرف همجوار (آلوارس، آلداشين و اسب مرز) در حوزه آبخيز درويش چاي استان اردبيل اجرا شد. پارامترهاي مورد مطالعه شامل شدت هاي مختلف چراي دام در سه سطح (شدت چراي كم، متوسط و زياد)، فاصله از روستا در سه سطح (200، 400 و600 متري) و عمق نمونه برداري در دو سطح (15-0 و30-15سانتي متر) بود. داده هاي به دست آمده به نرم افزار متلب (MATLAB) براي ايجاد مدل هاي انفيس منتقل شد. براي ارزيابي مدل هاي انفيس از ميانگين مربعات خطا (MSE) و ضريب تبيين (R2) استفاده گرديد. نتايج بهترين مدل انفيس با نتايج مدل رگرسيوني مقايسه گرديد. نتايج نشان داد كه شدت هاي مختلف چرا، فاصله از روستا و عمق نمونه برداري و تركيبات مختلف آن ها اثر معني داري بر خردشدگي خاك دارند. با افزايش شدت چرا، خردشدگي خاك بيشتر شد. با افزايش فاصله از روستا از 200 به 400 متر، خردشدگي خاك كاهش و با بيشترشدن فاصله، خردشدگي افزايش يافت (كه اين امر مي تواند به خاطر تردد بيشتر دام در فواصل نزديك و به خاطر سنگلاخي بودن و يا ويژگي هاي فيزيكي خاك در فواصل دور باشد). خردشدگي خاك در تمامي حالات در عمق 0-15 سانتي متر بيشتر از عمق30-15 سانتي متر بود. به علاوه، مدل انفيس با دقت بالاتري (R2=0/96) نسبت به مدل رگرسيوني (R2=0/76)، خردشدگي خاك را پيش بيني نمود.

The most current way for measuring the soil fragmentation is determination of mean weight diameter (MWD). In this study, the adaptive neuro-fuzzy inference system (ANFIS) was used to predict of range soil fragmentation affected by different grazing intensities, distance from village and sampling depth. Present study conducted at 2015 in 3 adjacent rural areas (Alvars, Aldashin and Asbe marz) in Darvishchai watershed in Ardabil County. The studied parameters on the soil fragmentation including different grazing intensities in 3 levels (low, medium and high intensity), distance from village in 3 levels (200, 400 and 600 meters) and the soil sampling depths in 2 levels (0-15cm and 15-30cm). Obtained data were transferred to MATLAB software for the development of ANFIS models. For evaluating the models operation, mean squares error (MSE) and correlation (R2) were used. The result of best ANFIS model in prediction of soil fragmentation was compared with results of regression model. The results show that different grazing intensities, distance from village, sampling depth and their combinations had significant effect on the soil fragmentation. Increase of grazing intensity resulted in increment of soil fragmentation. With increment the distance from village from 200 to 400 meters, soil fragmentation decreased but with increment of distance, increased. Soil fragmentation in all conditions was higher at depth of 0-15 cm than depth of 15-30 cm. ANFIS model had more precision in prediction of soil fragmentation (R2=0.96) relative to regression model (R2=0.76).