برآورد فرسایش پذیری ذاتی خاک در برابر باد به کمک الگوریتم ژنتیک در ترکیب با شبکه عصبی مصنوعی

زمینه و هدف: فرسایش پذیری ذاتی خاک در برابر باد (SIWE)، حساسیت ذاتی ذرات تشکیل دهنده خاک در مقابل کنده شدن و انتقال، در مقابل فرسایش است. اندازه گیری فرسایش پذیری ذاتی خاک در برابر باد می تواند به وسیله دستگاه تونل باد صورت بگیرد، که عموما پرهزینه، مشکل و زمان بر می باشد. از طرف دیگر این خصوصیت دارای تغییرات زمانی و مکانی قابل توجهی بوده و به روش اندازه گیری نیز بستگی دارد. برآورد SIWE به وسیله ابزار هوش مصنوعی می تواند گامی مهم در برنامه ریزی عرصه های تحت فرسایش بادی باشد. در این تحقیق، برآورد این شاخص به کمک مدل الگوریتم ژنتیک در ترکیب با شبکه عصبی مصنوعی بررسی شد. روش پژوهش: در منطقه مورد مطالعه که بخشی از دشت الله آباد در استان قزوین در مجاورت استان البرز است، ۷۲ نمونه از ۱۰ سانتی متری سطح خاک، برداشت شد. در نمونه ها، شاخص جزء فرسایش پذیری بادی خاک (EF) که درصد خاکدانه های با قطر کوچک تر از ۸۴/۰ میلی متر است اندازه گیری شد. همچنین بافت خاک (درصد رس، شن و سیلت)، pH، EC و کربنات کلسیم معادل اندازه گیری شدند. نمونه های خاک برداشته شده از مزرعه بعد از هواخشک شدن از الک ۷۵/۴ میلی متری عبور داده شده و بر روی سینی دستگاه تونل باد بصورت صاف ریخته شد. سپس دستگاه تونل باد، بادی با سرعت ثابت ۱۸ متر بر ثانیه و به مدت ۱۰ دقیقه ایجاد نمود. با استفاده از وزن رسوبات جمع آوری شده در انتهای تونل بعد از انجام آزمایش، SIWE تعیین گردید. مدل الگوریتم ژنتیک در ترکیب با شبکه عصبی مصنوعی بر طبق الگویتم آموزشی لونبرگ - مارکوارت با توجه به متغیرهای دارای همبستگی مثبت با SIWE به عنوان ورودی مدل، تهیه و تحلیل شد. یافته ها: مقدار pH خاک بین ۰۰/۷ تا ۸۱/۸ متغیر بود. مقادیر قابلیت هدایت الکتریکی از ۸۴/۰ تا ۳/۴۹ دسی زیمنس بر متر (dS/m) متفاوت بود. داده های اجزاء بافت خاک، نشان دهنده مقدار بیشتر رس در مقایسه با اجزاء سیلت و شن در خاک ها می باشد. حداقل آهک (CCE) در خاک، ۱۵/۳ درصد و حداکثر آن، ۵۲/۳۰ درصد بود. فرسایش پذیری ذاتی خاک در برابر باد فقط با دو متغیر قابلیت هدایت الکتریکی و EF همبستگی معنی دار داشت. مدل الگوریتم ژنتیک هیبرید با شبکه عصبی مصنوعی با دو متغیر ورودی EF و EC تهیه شد. بررسی صحت و دقت مدل نشان داد که مقدار R۲ در داده های سری آموزش ۹ درصد با داده های سری آزمون اختلاف داشت و مقدار خطا (RMSE)،kg s m-۴ ۶۲/۱ بود. نتایج: در داده های سری آموزش، R۲ نتایج بدست آمده از مدل (۸۰۵/۰) بیشتر از داده های نتایج بدست آمده از سری آزمون (۷۱۴/۰) بود. اگرچه داده های آموزش از R۲ بیشتری برخوردار بودند، لذا خطای (RMSE) نتایج داده های آموزش از آزمون بیشتر بود و در سری آزمون، مدل دارای پراکندگی (GSDER) کمتری بود. مقایسه خطا، دقت و صحت مدل در برآورد فرسایش پذیری ذاتی خاک در برابر باد در مقایسه با مطالعات مختلف فرسایش خاک و خصوصیات فیزیکوشیمیایی خاک، مدل تلفیقی الگوریتم ژنتیک و شبکه عصبی از صحت و دقت تقریبا مناسبی در پیش بینی و برآورد فرسایش پذیری ذاتی خاک در برابر باد برخوردار می باشد.

کلیدواژه ها:

شوری خاک ، فرسایش پذیری ، مدلسازی ، EF ، SIWE.