شبيه‌ سازي فرآيند بارش - رواناب با به‌ كارگيري پلات ‌هاي صحرايي و شبكه عصبي مصنوعي

مقدمه و هدف: شبيه‌ سازي فرآيند بارش - رواناب براي برآورد رواناب ناشي از وقوع بارندگي گامي مهم در برنامه‌ريزي و مديريت منابع طبيعي و منابع آب به‌ويژه در آبخيزهاي فاقد ايستگاه‌هاي هيدرومتري است؛ اما اين فرآيند داراي پيچيدگي‌هاي خاص خود و عوامل مؤثر متعدد ازجمله عوامل بارش (مقدار و شدت بارش)، پوشش گياهي (نوع پوشش و تراكم پوشش)، عوامل خاك (بافت خاك، رطوبت اوليه خاك و ميزان نفوذپذيري خاك) و نحوه مديريت اراضي است. تحقيق حاضر باهدف ارائه مدلي براي شبيه‌سازي فرآيند بارش - رواناب با استفاده از مدل‌سازي شبكه عصبي مصنوعي (ANN) و داده‌هاي رواناب پلات‌هاي صحرايي صورت گرفت. مواد و روش‌ها: اين تحقيق روي يك دامنه شيب‌دار در دانشگاه گيلان با خاك رسي- لومي به‌صورت تكراري از پلات‌هاي زوجي در تيمارهاي مختلف پوشش گياهي و مديريت اراضي انجام شد. همچنين، با استفاده از يك باران‌سنج ذخيره‌اي، بعد از هر بارش مقدار بارندگي اندازه‌گيري شد. مقادير رواناب نيز به‌واسطه پلات‌ها برآورد و از تفاوت مقادير بارش و رواناب‌ها، مقادير هدررفت اوليه در سطح هر پلات به ازاي هر واقعه بارش در شرايط متفاوت رطوبت پيشين خاك محاسبه گرديد. مجموع بارش پنج روز قبل به‌عنوان رطوبت پيشين خاك برآورد شد. در مورد نحوه مديريت زراعي دو الگوي شخم در جهت شيب و شخم عمود بر جهت شيب براي گشت گونه‌هاي مرتعي بومي مورد استفاده و مقايسه قرار گرفت. تغييرات شيب، بافت خاك و خصوصيات خاك به‏ دليل محدوديت سطح ناچيز بود؛ لذا از خاك به‌عنوان يك ورودي تأثيرگذار بر روي رواناب استفاده نشده است. چون هدف ارزيابي ‌اثر پوشش گياهي و مديريت زراعي در توليد رواناب بود؛ بنابراين، بايد شرايط يكسان براي سطح پلات‌هاي زوجي به‌منظور بي‌اثر كردن اثر خاك فراهم نمود. به‌منظور مدل‌سازي داده‏ هاي اخذشده به دو دسته داده‏ هاي آموزشي و آزمودني تفكيك شدند. پارامتر مقادير رواناب به‌عنوان خروجي مدل و مقادير بارش، درصد تاج پوشش مرتعي و درختي، رطوبت پيشين خاك، درصد لاش‌برگ به‌عنوان ورودي‌هاي بهينه مدل در نظر گرفته شد. شيب زمين با استفاده از مساحي برآورد گشت. درصد پوشش گياهي و درصد لاش‌برگ با استفاده از نسبت سطح پوشش گياهي به سطح كل پلات و ميكروپلات اندازه‌گيري شد. تعيين نوع پوشش به‌صورت كمي مشكل است؛ اما به دليل شبيه‌سازي اثر قطرات باران، پاشمان باران و برگاب درختان، ارتفاع پوشش گياهي نيز در نظر گرفته شد. يافته‌ها: به ‏دليل سطح محدود پلات‌ها عملاً مقدار ذخيره بسيار ناچيز بود. براساس تجزيه‌وتحليل آماري عوامل ميزان بارندگي و رطوبت پيشين خاك رابطه مثبت با توليد رواناب دارند. پوشش گياهي و لاش‌برگ با مقادير رواناب رابطه معكوس دارند. در نهايت، مهم‌ترين عامل در كنترل توليد رواناب، عامل پوشش گياهي است (0/71-=R^2). بيشترين كارايي در كنترل توليد رواناب در پلات داراي پوشش مرتعي با تاج پوشش صد درصد مشاهده‌شده است. پوشش گياهي به‌نوعي تعيين‌كننده مقادير لاش‌برگ و هوموس خاك است. گونه‌هاي درختي نيز به‌طور محدودي در كنترل كاهش رواناب مؤثر بوده‌اند و اگر پوشش مرتعي در زير تاج پوشش درختان مستقر شود موجب كارايي مضاعفي در كاهش توليد رواناب خواهد شد. هرچند عموماً زير درختان يا اراضي جنگلي پوشش مرتعي حداكثري رويت نشده است. نتايج نشان داد با توجه به تعداد محدود درختان به‌واسطه گيرش گياهي مقادير توليد رواناب تا حداكثر 10 درصد كاهش دهند كه در مطالعات گذشته اين اثر پوشش جنگلي بين 40 درصد جنگل‌هاي متراكم تا جنگل‌هاي تنك متغير بوده است. همچنين نتايج نشان داد كه هر دو عامل نوع لاش‌برگ (بقاياي گونه‌هاي مرتعي يا درختي) و ميزان يا درصد پوشش لاش‌برگ در كنترل ايجاد رواناب تأثيرگذار هستند. درمورد تأثير الگوي شخم، نتايج نشان مي‌دهد كه شخم و كشت نواري در جهت عمود به جهت شيب، منجر به كاهش سرعت رواناب، نفوذ بيشتر رواناب، حفظ رطوبت بيشتر در خاك، شرايط بهتر رشد و نمو پوشش گياهي مي‌شود. درنهايت اين موارد منجر به كاهش فاحش توليد رواناب خواهد شد كه مقايسه رواناب اندازه‌گيري شده در اين دو پلات در وقايع متعدد بارش بيانگر اين مطلب بوده است و پلات داراي شخم و كشت عمود در جهت شيب پس از استقرار كامل پوشش گياهي مي‌تواند تا 50 درصد در كاهش توليد رواناب مؤثرتر باشد. نتايج روش آزمون-خطا در مدل شبكه‌هاي عصبي حاكي از آن است كه مقادير بارش، نوع پوشش گياهي، درصد تاج پوشش گياهي ورودي‌هاي بهينه جهت شبيه‌سازي مقادير رواناب مي‌باشند. همچنين نتايج نشان داد كه تابع انتقال تانژانت هيپربوليك و فن يادگيري LM بهترين گزينه‌ها براي ساختار بهينه شبكه‌ها مي‌باشند. آموزش شبكه‌هاي عصبي در دو مرحله نشان داد مدل به‌كاررفته داراي كارايي بالايي در برآورد مقادير رواناب مي‌باشند. براساس نتايج اعتبارسنجي، شبكه MLP به‌عنوان يك شبكه كارآمد جهت شبيه‌سازي مقادير رواناب يا فرآيند بارش- رواناب است. همچنين، مقايسه بين مقادير شبيه‌سازي‌شده و مقادير مشاهداتي رواناب در مرحله آزمودن نشان داد كه تطابق خوبي بين مقادير شبيه‌سازي‌شده و مقادير مشاهداتي است. مقادير 0/97, R^2=0/004MSE= و 0/91, R^2 = 4/2=MSE  به ترتيب در مرحله آموزش و مرحله آزمودن مدل به دست آمد و درنهايت مدلي با كارايي بالا براي شبيه‏ سازي فرآيند بارش- رواناب ارائه شد. نتيجه فرآيند مدل‌سازي نشان داد كه پوشش مرتعي داراي بالاترين كارايي در كنترل ميزان رواناب است. نتيجه‌گيري: خصوصيات پوشش گياهي نظير نوع پوشش گياهي و تراكم آن مهم‌ترين عامل كنترل‌كننده ايجاد رواناب در اراضي شيب‌دار است. علاوه بر اين، نحوه مديريت زمين، الگوي كشت و نحوه شخم زمين نيز از ديگر عوامل مهم هستند؛ بنابراين، مي‌توان براساس خصوصيات خاك، شيب زمين و رطوبت پيشين خاك، مقادير تلفات كل و هدر رفت اوليه را برآورد نمود و الگوي ‏هاي كشت يا نوع پوشش گياهي مناسب را براي كنترل يا كاشت رواناب انتخاب و عملكرد آن‌ها را طي فرآيند بارش-رواناب مدل‌سازي كرد. همچنين يك مدل آزمايش‏ شده مبتني بر شبكه عصبي مي‌تواند ابزاري براي برآورد مقادير رواناب در مقياس ماهانه و سالانه براساس داده‌هاي بارش ايستگاه‌هاي هواشناسي باشد. از مدل مذكور مي‌توان براي شبيه‏ سازي اثر سناريوهاي مختلف پوشش گياهي در توليد رواناب و يا برآورد رواناب براساس بارش ايستگاه ‏هاي هواشناسي استفاده نمود.