مدل سازی پایداری خاکدانه های خیس بر اساس جنگل تصادفی بهینه شده با الگوریتم ژنتیک

مطالعه وضعیت پایداری خاکدانه های خیس (WAS)، به عنوان شاخصی رایج از ساختمان خاک و نیز ارزیابی کیفیت آن، برای مدیریت بهینه منابع خاک و آب، حائز اهمیت است. در پژوهش حاضر، برای مدل سازی پایداری خاکدانه های خیس از مدل های یادگیری ماشین جنگل تصادفی (RF)  و جنگل تصادفی بهینه شده با الگوریتم ژنتیک (GA-RF) استفاده شد. بدین منظور، ویژگی های بافت، ماده آلی و آهک ۵۵ نمونه خاک از جنگل های ارسباران تعیین و سپس با ترکیب های ورودی مختلف بر اساس مقادیر همبستگی با پارامتر WAS، مدل سازی با استفاده از هفت سناریو انجام شد. به منظور تعیین توانایی مدل های اجرا شده، سه شاخص عملکرد ضریب همبستگی (CC)، جذر میانگین مربعات خطای نرمال شده (NRMSE)  و ضریب ویلموت (WI)  مورد استفاده قرار گرفت. نتایج نشان داد که مدل RF۵ در بین مدل های جنگل تصادفی با ۰۳۸/۰NRMSE =، ۷۳۶/۰CC = ،  ۷۸۹/۰WI =  و مدل GA-RF۵ در بین مدل های جنگل تصادفی بهینه شده با الگوریتم ژنتیک با ۰۳۱/۰NRMSE = ، ۸۰۰/۰CC = ،  ۸۴۲/۰WI =   با ورودی درصد شن و سیلت و رس، بهترین عملکرد را داشتند. علاوه براین نتایج RF۱  ) ۰۴۷/۰NRMSE = ، ۵۸۹/۰CC = ،  ۷۲۱/۰WI = ( و GA-RF۱  ) ۰۳۶/۰NRMSE = ، ۶۶۲/۰CC = ،  ۷۹۷/۰WI = ( نشان داد که درصد رس بالاترین درجه همبستگی را با پایداری خاکدانه ها دارد. همچنین، با اضافه شدن کربنات کلسیم معادل در سناریو ۷، بهبود عملکرد و تاثیر مثبت این ویژگی در پیش بینی پایداری خاکدانه های خیس مشاهده گردید. بنابراین، مدل جنگل تصادفی بهینه شده با الگوریتم ژنتیک برای تعیین دقیق و مناسب پایداری خاکدانه های خیس در مطالعات مربوط به خصوصیات خاک توصیه می گردد.

کلیدواژه ها:

الگوریتم ژنتیک ، جنگل تصادفی ، پایداری خاکدانه های خیس