برآورد جزء فرسايش‌پذيري بادي خاك به كمك مدل‌هاي شبكه عصبي مصنوعي و تلفيق شبكه عصبي مصنوعي با الگوريتم ژنتيك در بخشي از اراضي جنوب شرقي قزوين

يكي از مسائل اساسي ايران، فرسايش بادي در پهنه وسيعي از اراضي كشور است كه يك چالش جدي در استفاده پايدار از منابع توليد است. شاخص جزء فرسايش پذيري بادي خاك (EF) يكي از ويژگي ‌هاي خاك است كه حساسيت ذرات خاك در برابر فرسايش بادي را نشان مي‌ دهد. در اين تحقيق، برآورد اين شاخص به كمك روش‌هاي شبكه عصبي مصنوعي (ANN) و تلفيق آن با الگوريتم ژنتيك (GA ANN) بررسي مي ‌شود. در منطقه مورد مطالعه كه بخشي از دشت الله آباد در استان قزوين بود، 95 نمونه از 10 سانتي‌متري سطح خاك، برداشت شد. در نمونه ها، درصد خاكدانه ‌هاي با قطر كوچك تر از 0.84 ميلي متر به عنوان شاخص جزء فرسايش پذيري بادي خاك و درصد رس، شن و سيلت، ظرفيت اشباع خاك، pH، EC، SAR، كربنات كلسيم معادل و ماده آلي، به عنوان ورودي مدل ها (خصوصيات زوديافت) اندازه گيري شدند. براي مدل‌سازي جزء فرسايش پذير خاك در مقابل باد با استفاده از خصوصيات زوديافت از دو روش شبكه عصبي مصنوعي و تلفيق شبكه عصبي مصنوعي با الگوريتم ژنتيك براي بهينه سازي اوزان، استفاده شد. نتايج نشان داد كه جزء فرسايش پذير خاك با پنج خصوصيت خاك شامل pH، هدايت الكتريكي، SAR، رس و ماده آلي، در سطح يك درصد همبستگي معني ‌دار داشت. مدل هاي مورد استفاده از صحت مناسبي در برآورد EF در هر دو مرحله آموزش و آزمون برخوردار نبودند، طوري كه بيشترين R2 در مدل شبكه عصبي مصنوعي (0.49) با داده هاي سري آزمون به دست آمد. هر دو مدل داراي اندكي بيش برآوردي بودند و مقدار GMER براي مدل هاي ANN و GAANN به ترتيب 1.15 و 1.08بود، اما بر طبق شاخص آكايك (AIC)، هر دو مدل قدرت پيش بيني مشابهي داشتند. آناليز حساسيت داده ها نشان داد كه بيشترين تأثير بر جزء فرسايش پذيري خاك در مدل ANN مربوط به ماده آلي (4.07) و در مدل GAANN مربوط به رس (8.14) بود.