برآورد فرسايش‌پذيري ذاتي خاك در برابر باد به كمك الگوريتم ژنتيك در تركيب با شبكه عصبي مصنوعي

زمينه و هدف: فرسايش پذيري ذاتي خاك در برابر باد (SIWE)، حساسيت ذاتي ذرات تشكيل دهنده خاك در مقابل كنده شدن و انتقال، در مقابل فرسايش است. اندازه گيري فرسايش پذيري ذاتي خاك در برابر باد مي تواند به وسيله دستگاه تونل باد صورت بگيرد، كه عموما پرهزينه، مشكل و زمان بر است. از طرف ديگر به دليل تغيير مداوم شرايط مختلف زراعي و اقليمي اين ويژگي نيز داراي تغييرات زماني و مكاني مي باشد. بنابراين برآورد SIWE به وسيله ابزار هوش مصنوعي مي تواند گامي مهم در برنامه ريزي عرصه هاي تحت فرسايش بادي باشد. در اين تحقيق، برآورد اين شاخص به كمك مدل الگوريتم ژنتيك در تركيب با شبكه عصبي مصنوعي بررسي شد. روش پژوهش: در منطقه مورد مطالعه كه بخشي از دشت الله آباد در استان قزوين در مجاورت استان البرز است، 72 نمونه از عمق 10 0 سانتي متري سطح خاك برداشته شد. شاخص جزء فرسايش پذيري بادي خاك (EF) كه درصد خاك دانه هاي با قطر كوچك تر از 0.84 ميلي متر است در نمونه ها تعيين شد. همچنين بافت خاك (درصد رس، شن و سيلت)، pH، EC و كربنات كلسيم معادل اندازه گيري شدند. نمونه هاي خاك برداشته شده از مزرعه بعد از هواخشك شدن از الك 4.75 ميلي متري عبور داده شده و بر روي سيني دستگاه تونل باد بصورت صاف ريخته شد. سپس دستگاه تونل باد، بادي با سرعت ثابت 18 متر بر ثانيه و به مدت 10 دقيقه ايجاد نمود. با استفاده از وزن رسوبات جمع آوري شده در انتهاي تونل بعد از انجام آزمايش، SIWE تعيين شد. مدل الگوريتم ژنتيك در تركيب با شبكه عصبي مصنوعي بر طبق الگويتم آموزشي لونبرگ ماركوارت با توجه به متغيرهاي داراي همبستگي مثبت با SIWE به عنوان ورودي مدل، تهيه و تحليل شد. يافته ها: مقدار pH خاك بين 7.00 تا 8.81 متغير بود. مقادير قابليت هدايت الكتريكي از 0.84 تا 49.3 دسي زيمنس بر متر (dS/m) متفاوت بود. داده هاي اجزاء بافت خاك، نشان دهنده مقدار بيشتر رس در مقايسه با اجزاء سيلت و شن در خاك ها مي باشد. حداقل آهك (CCE) در خاك، 3.15 درصد و حداكثر آن، 30.52 درصد بود. فرسايش پذيري ذاتي خاك در برابر باد فقط با دو متغير قابليت هدايت الكتريكي و EF همبستگي معني دار داشت. مدل الگوريتم ژنتيك هيبريد با شبكه عصبي مصنوعي با دو متغير ورودي EF و EC تهيه شد. بررسي صحت و دقت مدل نشان داد كه مقدار R2 در داده هاي سري آموزش 9 درصد با داده هاي سري آزمون اختلاف داشت و مقدار خطا (RMSE)،kg s m 4 1.62 بود. در داده هاي سري آموزش، R2 نتايج بدست آمده از مدل (0.805) بيشتر از داده هاي نتايج بدست آمده از سري آزمون (0.714) بود. اگرچه داده هاي آموزش از R2 بيشتري برخوردار بودند، لذا خطاي (RMSE) نتايج داده هاي آموزش از آزمون بيشتر بود و در سري آزمون، مدل داراي پراكندگي (GSDER) كمتري بود. نتيجه گيري: از نتايج بدست آمده مي توان نتيجه گرفت كه شوري خاك و فاكتور جزء فرسايش پذير خاك از ويژگي هاي مهم خاك هستند كه مي توانند به عنوان تخمين گر مناسب وارد مدل هاي برآورد فرسايش پذيري خاك شوند. همچنين دقت تخمين مدل تلفيقي الگوريتم ژنتيك با شبكه عصبي مصنوعي براي داده هاي سري آموزش نسبت به دقت مدل براي داده هاي سري آزمون بيشتر است. اما مدل براي داده هاي سري آموزش از خطاي بيشتري برخوردار است. مقايسه خطا، دقت و صحت مدل در برآورد فرسايشپذيري ذاتي خاك در برابر باد در مقايسه با مطالعات مختلف فرسايش خاك و خصوصيات فيزيكي و شيميايي خاك، مدل تلفيقي الگوريتم ژنتيك و شبكه عصبي از صحت و دقت مناسبي در پيش بيني و برآورد فرسايش پذيري ذاتي خاك در برابر باد برخوردار است.