برآورد فرسايش خاك در اراضي شيبدار مرتعي با بكارگيري شبكه عصبي مصنوعي (ANN) و سيستم اطلاعات جغرافيايي (GIS)

Estimation of Soil Erosion using Artificial Neural Network (ANN) and Geographic Information System (GIS) on the Rangeland Hillslopes

مقدمه و هدف: فرسايش خاك از مهمترين مشكلات مديريت منابع طبيعي بخصوص در اراضي شيبدار مرتعي مي‌باشد. از طرفي، برآورد فرسايش بوسيله تجهيزات انداز‌ه‌گيري، هزينه بر و زمان بر است. بنابراين، استفاده از مدلسازي به منظور ارائه يك برآورد دقيق با زمان و هزينه اندك، كارآمد خواهد بود. هدف از تحقيق حاضر ارائه يك روش كارآمد براي برآورد مقادير فرسايش خاك در اراضي شيبدار دور از دسترس مي باشد. مواد و روش ­ها: در تحقيق حاضر مقادير فرسايش سالانه خاك به وسيله استقرار پين‌هاي فرسايشي بر روي دامنه با كاربري مرتعي در حوضه آبخيز كسيليان استان مازندران مورد مطالعه قرار گرفت. مقادير فرسايش خاك در 109 پين فرسايشي يك سال پس از استفرار آنها براساس تغييرات سطح خاك و اعمال وزن مخصوص خاك برآورد گشت. در اين راستا، شبكه عصبي مصنوعي در محيط نرم­افزار NeuroSolutions با بكارگيري مقادير فرسايش به عنوان خروجي مدل و عوامل درصد پوشش مرتعي، شيب زمين، طول شيب، شكل شيب (انحناء زمين) و بافت خاك (درصد شن، رس، سيلت) به عنوان ورودي ها، جهت مدلسازي فرسايش بكار گرفته شدند. فرآيند مدلسازي با بكارگيري شبكهMLP طي سه مرحله آموزش شبكه (65 درصد داده­ ها)، صحت صحني (10 درصد) و تست (25 درصد داده‌ ها) شبكه عصبي انجام پذيرفت. از سيستم اطلاعات جغرافيايي (GIS) نيز جهت تهيه نقشه فرسايش خاك با بكارگيري ارقام مدلسازي شده فرسايش در اراضي شيبدار استفاده شد. يافته­ ها: نتايج تست يا اعتباريابي شبكه بهينه شده، دلالت براي كارايي شبكه عصبي در برآورد فرسايش خاك داشته است (Rsqr=0.9). همچنين، تجزيه و تحليل­هاي آماري با بكارگيري نرم افزار SPSS و ساختار شبكه عصبي بهينه و آناليز حساسيت ورودي هاي شبكه نشان داد كه مهمترين عوامل فرسايش خاك به ترتيب ميزان پوشش گياهي، شكل شيب، ميزان شيب، طول شيب و خصوصيات خاك مي‌باشند. در نهايت، ورودي­هاي شبكه بهينه اعتباريابي شده، در محيط GIS با پيكسل سايز ده متر با هم تلفيق شدند و با ادغام قابليت‌هاي ANN و GISنقشه مقادير فرسايش سالانه خاك اراضي مرتعي مطالعاتي تهيه گرديد. نتيجه­ گيري: متدولوژي ارائه شده مي تواند به ­عنوان روشي كارآمد و جايگزيني براي اندازه گيري ها صحرايي فرسايش خاك در مناطق دور از دسترس با كارايي بالا، مورد استفاده قرار گيرد.

Introduction and Objective: Soil erosion is one of the most important problems in natural resources management, especially on the e rangeland hillslopes. Further, soil erosion estimation using field measurement is expensive and time-consuming. Therefore, models can be efficient tool for performing an exact estimation in a short time and a low cost. The aim f this study is to present a methodology to estimate soil erosion on the rangeland hillslopes. Material and Methods: In this study, the annual rates of soil erosion have been studied using erosion pins on the rangeland hillslope in the of Kasilian watershed in Mazandaran Province. Annual soil erosion rates were measured using 109 erosion pins (one year after the its establishment) due to changes in soil surface and soil specific gravity. An artificial neural network (ANN) was used in NeuroSolutions software. Soil erosion rates were as the model output and the affecting factors of soil erosion were the inputs. The model inputs rangeland cover percentage, land slope, slope length, slope shape (land curvature) and soil texture (sand, clay and silt percentage). The modeling process was performed using the MLP network. All of the data were separated into three classes included training (65% data), cross-validation (10%), and test stage (25% data). The model was performed and optimized. Further, geographic information system (GIS) was used for mapping soil erosion rates based on the simulated erosion values. Results: The results of the test stage proved the high performance of the ANN in estimating soil erosion (Rsqr = 0.9). Further, statistical analysis using SPSS software and the optimum structure of the network and sensitivity analysis showed that the most important factors of soil erosion are vegetation cover, slope shape, land slope, slope length and soil characteristics, respectively. Finally, the optimized network inputs were combined in a GIS environment with a pixel size of ten meters, and annual soil erosion map was generated by coupling the capabilities of ANN and GIS on the studied rangelands. Conclusion: The proposed methodology can be used as an efficient and alternative method for field measurements of soil erosion in the highlands with a high performance.