مدل سازي عوامل مؤثر بر فرسايش بين‌ شياري در اراضي جنگلي و مرتعي با استفاده از شبكه هاي عصبي مصنوعي

Modelling of the factors affecting interrill erosion in pasture and forest landuses using artificial neural networks

سابقه و هدف: فرسايش بين‌شياري از جمله مهم ترين شكل هاي فرسايش است كه عوامل مختلفي از قبيل خاك، روان‌آب و بارندگي بر روند و مقدار آن نقش دارند. در ايران در زمينه عوامل موثر بر فرسايش بين شياري به وسيله شبكه عصبي مصنوعي مطالعات كمي صورت گرفته، و در جيرفت بررسي انجام نشده است. بنابراين هدف از انجام اين مطالعه، تشخيص عوامل مؤثر بر فرسايش بين‌شياري با استفاده از شبكه عصبي مصنوعي در چهار منطقه مختلف اطراف جيرفت در استان كرمان بود. مواد و روش ها: براي انجام اين پژوهش از دو مرتع و دو جنگل، تعداد 100 نمونه خاك سطحي (عمق صفر تا 10 سانتي متر) در قالب يك الگوي نمونه برداري تصادفي برداشت شد. تعدادي از خصوصيات شيميايي و فيزيكي خاك تعيين شدند. فرسايش بين‌شياري توسط باران ساز مدل كامفورست اندازه گيري شد. مدل سازي با استفاده از شبكه پرسپترون چند لايه پيش خور با روش پس انتشار خطا و قاعده آموزشي لونبرگ ماركوارت و به وسيله 11 ويژگي خاك در دو سناريو صورت گرفت. به‌منظور تعيين اهميت متغيرهاي ورودي، آناليز حساسيت به روش هيل انجام شد. يافته ها: نتايج نشان داد كه در مناطق مورد مطالعه ويژگي‌هاي رس، سيلت، شن (2-0.05 ميلي متر)، انحراف معيار هندسي و ميانگين هندسي قطر ذرات، بيشترين نقش را در فرسايش بين‌شياري داشته و عوامل سيماني‌كننده مانند ماده آلي و كربنات كلسيم معادل از اهميت كمتري در اين ارتباط برخوردار هستند. بررسي ها نشان داد كه جنگل حفاظت شده (قرق شده) با وجود داشتن شن زياد، و سيلت، ماده آلي و كربنات كلسيم معادل كم، كمترين مقدار فرسايش را داشت (2/63 تن بر هكتار). مقدار R2 در داده‌هاي آزمون سناريوي يك (متغيرهاي ورودي شامل pH، EC، چگالي ظاهري، ماده آلي، كربنات كلسيم معادل، ماده آلي جزئي، درصد شن، درصد سيلت و درصد رس) 0/81 به‌دست آمد. هم‌چنين اين مقدار در سناريوي دوم (با متغيرهاي ورودي pH، EC، چگالي ظاهري، ماده آلي، كربنات كلسيم معادل، ماده آلي جزئي، ميانگين هندسي قطر ذرات و انحراف معيار هندسي ذرات خاك) برابر 0/72 بود. به علاوه، مقادير جذر ميانگين مربعات خطا (RMSE) براي داده‌هاي آزمون سناريوهاي يك و دو، به‌ترتيب 0/77 و 1/14 به‌دست آمد. نتيجه‌گيري: هر چند هر دو سناريو، دقت تقريباً يكساني در مدل‌سازي فرسايش بين‌شياري داشتند؛ ليكن با توجه به مقدار R2 و RMSE، سناريوي اول از دقت بالاتري نسبت به سناريوي دوم برخوردار بود. به طور كلي نتايج نشان داد كه شبكه عصبي مصنوعي قادر است كه با استفاده از متغيرهاي ورودي مناسب ميزان فرسايش بين‌شياري را با دقت بالايي برآورد كرده و بنابراين در تخمين فرسايش بين‌شياري مفيد باشد.

Background and Objective: Interrill erosion is one of the most important types of erosion, in which various factors such as soil, runoff, and rainfall influence its process and rate. Few studies have been conducted using artificial neural networks (ANNs) to determine the factors affecting interrill erosion in Iran. Furthermore, no research has been carried out in Jiroft on this matter. Therefore, this study was conducted to evaluate the factors influencing interrill erosion using ANNs in four different regions around Jiroft in Kerman province. Materials and Methods: For this research, 100 soil samples were collected from two pastures and two forest land uses at depths of 0-10 cm using a random sampling method. Some physical and chemical properties were determined. The amount of interrill erosion was measured using Kamphorst rainfall simulator. Modelling was performed using feedforward multi-layer perceptrons (MLP) with the error backpropagation and Levenberg-Marquardt training algorithm along with 11 soil characteristics in two scenarios. Hill sensitivity analysis was used to investigate the significance of the input variables. Results: The results revealed that in the study areas, clay, silt, sand (0.05-2 mm), geometric standard deviation (σg), and geometric mean diameter (dg) of particles play a crucial role in interrill erosion while cementing agents such as organic matter (OM) and calcium carbonate equivalent (CCE) were less important. According to the results, the protected forest with high contents of sand as well as low amounts of silt, organic matter and calcium carbonate equivalent showed the lowest erosion rate (2.63 tons /ha). The R2 values for the test datasets in the scenario 1 (with input variables including soil acidity (pH), electrical conductivity (EC), bulk density (BD), organic matter, calcium carbonate equivalent, particulate organic matter (POM), sand, silt, and clay) were 0.81. Whereas the R2 values in the scenario 2 (with input variables such as pH, EC, BD, OM, CCE, POM, the dg and σg) were 0.72. In addition, root-mean-square error (RMSE) for the testing dataset in scenarios 1 and 2 were 0.77 and 1.14, respectively. Conclusion: Both scenarios had almost the same accuracy in interrill erosion modeling. However, according to the values of R2 and RMSE of the data in scenario 1, this scenario showed better accuracy than scenario 2. In general, the results showed that the ANNs can estimate the amount of interrill erosion using appropriate input variables with high accuracy, and therefore it might be considered as a useful technique to estimate interrill erosion.