زمینه و هدف: فرسایش بادی در بخش بزرگی از پهنه ایران وجود داد که سبب تخریب اراضی و کاهش باروری آنها به همراه اثرات زیست‌محیطی شده است. شناخت مناطق حساس به فرسایش می‌تواند در برنامه‌ریزی‌های حفاظت خاک به کمک مدیران منابع طبیعی و محیط‌زیست آید.روش پژوهش: این تحقیق برای برآ چکیده کامل
زمینه و هدف: فرسایش بادی در بخش بزرگی از پهنه ایران وجود داد که سبب تخریب اراضی و کاهش باروری آنها به همراه اثرات زیست‌محیطی شده است. شناخت مناطق حساس به فرسایش می‌تواند در برنامه‌ریزی‌های حفاظت خاک به کمک مدیران منابع طبیعی و محیط‌زیست آید.روش پژوهش: این تحقیق برای برآورد جزء فرسایش‌پذیر خاک در مقابل باد (EF) از روی ویژگی‌های سهل الوصول خاک دردشت الله ‎آباد واقع در شرق استان قزوین انجام شد. بدین منظور جزء فرسایش‌پذیر خاک در مقابل باد با استفاده از روش‌های رگرسیون چند متغیره (MLR)، شبکه عصبی مصنوعی (ANN) و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک برای بهینه‌سازی اوزان (GA-ANN) با به کار بردن ویژگی‌های سهل الوصول برآورد شد. با بررسی نقشه خاک، تفاوت خاک ها و خصوصیات محیطی دشت الله‌آباد، 103 نمونه خاک طبق یک الگوی تصادفی طبقه بندی شده از 10 سانتی‌متری سطح آن‎ها، جمع‌آوری و به آزمایشگاه ارسال شد. در نمونه های خاک، برخی خصوصیات خاک به‌عنوان ورودی های مدل های برآورد جزء فرسایش‌پذیر خاک در مقابل باد اندازه‌گیری گردید. ورودی های هر مدل شاملpH، ECe، CCE، SAR، جرم مخصوص ظاهری، ذرات شن، سیلت و رس، ذرات درشت خاک با قطر کمتر از 2 میلی متر و ماده آلی بودند. دقت و قابلیت اعتماد نتایج مدل‎ های ایجاد شده با توجه به معیارهای ضریب تبیین، مجذور مربعات خطا، آزمون مورگان-گرنجر- نیوبلد و شاخص آکایک مورد مقایسه قرار گفتند.یافته ها: طبق یافته ها، بیشترین همبستگی جزء فرسایش‌پذیر خاک در مقابل باد (EF) با مقدار رس خاک دیده شد (789/0- r=). همچنین جزء فرسایش‌پذیر خاک با خصوصیات دیگر خاک شامل pH، هدایت الکتریکی، SAR، مقدار ماده آلی و جرم مخصوص ظاهری، همبستگی نشان داد، این همبستگی با سه خصوصیت SAR، ماده آلی و رس در سطح یک درصد همبستگی معنی دار بود. مدل‎های ایجاد شده با هر سه روش توانایی بسیار بیشتری در پیش بینی EF در سری داده های آزمون نسبت به داده های سری آموزش داشتند. همچنین نتایج نشان داد که مدل شبکه عصبی از دقت بیشتر و خطای تخمین کمتری در مقایسه با مدل های هیبرید و رگرسیون به‌دست آمده است. نتایج آنالیز حساسیت نیز نشان داد که بیشترین حساسیت مدل به متغیرهای ورودی در مدل ANN، به ترتیب مربوط به ماده آلی و SAR و در مدل GA-ANN مربوط به متغیر میزان رس خاک بود.نتیجه گیری: بر طبق نتایج، تنها مدل رگرسیون در مرحله آموزش دارای R2 بیشتر از 50 درصد (R2=0.56) در برآورد جزء فرسایش پذیری خاک بود که البته این مقدار (R2=0.56) نیز قابل اعتماد نیست. با توجه به نتایج مرحله آزمون، هر سه مدل به کار رفته شامل رگرسیون، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در برآورد شاخص جزء فرسایش‌پذیر خاک از کارایی مناسبی برخوردار نمی‌باشند به‌طوری که بالاترین ضریب تبیین (R2) در مدل شبکه عصبی در مرحله آزمون (R2 = 0.43)، صحت کمتر از 50 درصد در تخمین EF داشت که نمی تواند صحت مناسبی در پیش بینی جزء فرسایش پذیری بادی خاک باشد.
پرونده مقاله
زمينه و هدف: فرسايشپذيري ذاتي خاک در برابر باد (SIWE)، حساسيت ذاتي ذرات تشکيل دهنده خاک در مقابل کنده شدن و انتقال، در مقابل فرسايش است. اندازه‌گيري فرسايشپذيري ذاتي خاک در برابر باد مي‌تواند به وسيله دستگاه تونل باد صورت بگيرد، که عموما پرهزينه، مشکل و زمان‌بر است. ا چکیده کامل
زمينه و هدف: فرسايشپذيري ذاتي خاک در برابر باد (SIWE)، حساسيت ذاتي ذرات تشکيل دهنده خاک در مقابل کنده شدن و انتقال، در مقابل فرسايش است. اندازه‌گيري فرسايشپذيري ذاتي خاک در برابر باد مي‌تواند به وسيله دستگاه تونل باد صورت بگيرد، که عموما پرهزينه، مشکل و زمان‌بر است. از طرف ديگر به دليل تغيير مداوم شرايط مختلف زراعي و اقليمي اين ويژگي نيز داراي تغييرات زماني و مکاني ميباشد. 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 کمک مدل الگوريتم ژنتيک در ترکيب با شبکه عصبي مصنوعي بررسي شد.
روش پژوهش: در منطقه مورد مطالعه که بخشي از دشت الله آباد در استان قزوين در مجاورت استان البرز است، 72 نمونه از عمق
10 -0 سانتي‌متري سطح خاک برداشته شد. شاخص جزء فرسايشپذيري بادي خاک (EF) که درصد خاکدانه هاي با قطر کوچک تر از 84/0 ميلي متر است در نمونه‌ها تعيين شد. همچنين بافت خاک (درصد رس، شن و سيلت)، pH، EC و کربنات کلسيم معادل اندازه-گيري شدند. نمونه‌هاي خاک برداشته شده از مزرعه بعد از هواخشک شدن از الک 75/4 ميلي‌متري 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 ژنتيک در ترکيب با شبکه عصبي مصنوعي بر طبق الگويتم آموزشي لونبرگ - مارکوارت با توجه به متغيرهاي داراي همبستگي مثبت با SIWE به عنوان ورودي مدل، تهيه و تحليل شد.
يافته ها: مقدار pH خاک بين 00/7 تا 81/8 متغير بود. مقادير قابليت هدايت الکتريکي از 84/0 تا 3/49 دسي زيمنس بر متر (dS/m) متفاوت بود. داده هاي اجزاء بافت خاک، نشان دهنده مقدار بيشتر رس در مقايسه با اجزاء سيلت و شن در خاک‌ها مي باشد. حداقل آهک (CCE) در خاک، 15/3 درصد و حداکثر آن، 52/30 درصد بود. فرسايش پذيري ذاتي خاک در برابر باد فقط با دو متغير قابليت هدايت الکتريکي و EF همبستگي معني دار داشت. مدل الگوريتم ژنتيک هيبريد با شبکه عصبي مصنوعي با دو متغير ورودي EF و EC تهيه شد. بررسي صحت و دقت مدل نشان داد که مقدار R2 در داده هاي سري آموزش 9 درصد با داده هاي سري آزمون اختلاف داشت و مقدار خطا (RMSE)،kg s m-4 62/1 بود. در داده هاي سري آموزش، R2 نتايج بدست آمده از مدل (805/0) بيشتر از داده‌هاي نتايج بدست آمده از سري آزمون (714/0) 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 پراکندگي (GSDER) کمتري بود.
نتيجه گيري: از نتايج بدست آمده مي‌توان نتيجه گرفت که شوري خاک و فاکتور جزء فرسايش‌پذير خاک از ويژگي‌هاي مهم خاک هستند که مي‌توانند به عنوان تخمين‌گر مناسب وارد مدلهاي برآورد فرسايشپذيري خاک شوند. همچنين دقت تخمين مدل تلفيقي الگوريتم ژنتيک با شبکه عصبي مصنوعي براي داده‌هاي سري آموزش نسبت به دقت مدل براي داده‌هاي سري آزمون بيشتر است. اما مدل براي داده‌هاي سري آموزش از خطاي بيشتري برخوردار است. مقايسه خطا، دقت و صحت مدل در برآورد فرسايشپذيري ذاتي خاک در برابر باد در مقايسه با مطالعات مختلف فرسايش خاک و خصوصيات فيزيکي و شيميايي خاک، مدل تلفيقي الگوريتم ژنتيک و شبکه عصبي از صحت و دقت مناسبي در پيشبيني و برآورد فرسايشپذيري ذاتي خاک در برابر باد برخوردار است.
پرونده مقاله
