مدل سازی عوامل موثر بر فرسایش بین شیاری در اراضی جنگلی و مرتعی با استفاده از شبکه های عصبی مصنوعی

سابقه و هدف: فرسایش بینشیاری از جمله مهم ترین شکل های فرسایش است که عوامل مختلفی از قبیل خاک، روانآب و بارندگی بر روند و مقدار آن نقش دارند. در ایران در زمینه عوامل موثر بر فرسایش بین شیاری به وسیله شبکه عصبی مصنوعی مطالعات کمی صورت گرفته، و در جیرفت بررسی انجام نشده است. بنابراین هدف از انجام این مطالعه، تشخیص عوامل موثر بر فرسایش بینشیاری با استفاده از شبکه عصبی مصنوعی در چهار منطقه مختلف اطراف جیرفت در استان کرمان بود. مواد و روش ها: برای انجام این پژوهش از دو مرتع و دو جنگل، تعداد ۱۰۰ نمونه خاک سطحی (عمق صفر تا ۱۰ سانتی متر) در قالب یک الگوی نمونه برداری تصادفی برداشت شد. تعدادی از خصوصیات شیمیایی و فیزیکی خاک تعیین شدند. فرسایش بینشیاری توسط باران ساز مدل کامفورست اندازه گیری شد. مدل سازی با استفاده از شبکه پرسپترون چند لایه پیش خور با روش پس انتشار خطا و قاعده آموزشی لونبرگ مارکوارت و به وسیله ۱۱ ویژگی خاک در دو سناریو صورت گرفت. بهمنظور تعیین اهمیت متغیرهای ورودی، آنالیز حساسیت به روش هیل انجام شد. یافته ها: نتایج نشان داد که در مناطق مورد مطالعه ویژگیهای رس، سیلت، شن (۲-۰.۰۵ میلی متر)، انحراف معیار هندسی و میانگین هندسی قطر ذرات، بیشترین نقش را در فرسایش بینشیاری داشته و عوامل سیمانیکننده مانند ماده آلی و کربنات کلسیم معادل از اهمیت کمتری در این ارتباط برخوردار هستند. بررسی ها نشان داد که جنگل حفاظت شده (قرق شده) با وجود داشتن شن زیاد، و سیلت، ماده آلی و کربنات کلسیم معادل کم، کمترین مقدار فرسایش را داشت (۶۳/۲ تن بر هکتار). مقدار R۲ در دادههای آزمون سناریوی یک (متغیرهای ورودی شامل pH، EC، چگالی ظاهری، ماده آلی، کربنات کلسیم معادل، ماده آلی جزئی، درصد شن، درصد سیلت و درصد رس) ۸۱/۰ بهدست آمد. همچنین این مقدار در سناریوی دوم (با متغیرهای ورودی pH، EC، چگالی ظاهری، ماده آلی، کربنات کلسیم معادل، ماده آلی جزئی، میانگین هندسی قطر ذرات و انحراف معیار هندسی ذرات خاک) برابر ۷۲/۰ بود. به علاوه، مقادیر جذر میانگین مربعات خطا (RMSE) برای دادههای آزمون سناریوهای یک و دو، بهترتیب ۷۷/۰ و ۱۴/۱ بهدست آمد. نتیجهگیری: هر چند هر دو سناریو، دقت تقریبا یکسانی در مدلسازی فرسایش بینشیاری داشتند؛ لیکن با توجه به مقدار R۲ و RMSE، سناریوی اول از دقت بالاتری نسبت به سناریوی دوم برخوردار بود. به طور کلی نتایج نشان داد که شبکه عصبی مصنوعی قادر است که با استفاده از متغیرهای ورودی مناسب میزان فرسایش بینشیاری را با دقت بالایی برآورد کرده و بنابراین در تخمین فرسایش بینشیاری مفید باشد.

Keywords:

باران ساز , فرسایش خاک , مدل سازی , شبکه عصبی پرسپترون چند لایه , آنالیز حساسیت