بیژن راعی - دانشجوی دکترا گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تبریز، تبریز
عباس احمدی - عضو هیات علمی گروه علوم خاک دانشکده کشاورزی دانشگاه تبریز
محمدرضا نیشابوری - استاد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تبریز، تبریز
محمدعلی قربانی - استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز
فرخ اسد زاده - دانشیار گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ارومیه

پیش­بینی فرسایش­پذیری بادی از طریق ویژگی­های خاک به عنوان گامی اساسی در مدل­سازی فرسایش بادی محسوب می شود. این پژوهش با هدف مقایسه کارایی چهار روش مختلف شامل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی، شبکه عصبی مصنوعی هیبریدشده با الگوریتم ژنتیک و شبکه عصبی هیبریدشده با الگوریتم بهینه سازی وال در مدل سازی فرسایش پذیری بادی در بخشی از اراضی پیرامون شرقی دریاچه ارومیه انجام شد. برای این منظور، ۹۶ نمونه خاک به روش تصادفی نظارت شده جمع­آوری و ۳۲ ویژگی مختلف فیزیکی و شیمیایی آن­ها در آزمایشگاه تعیین شدند. همچنین فرسایش پذیری بادی نمونه­ها نیز با استفاده از تونل باد تعیین گردید. از میان ویژگی­های خاک، چهار ویژگی شامل فراوانی ذرات ثانویه ۱/۰ تا ۲۵/۰ میلی متری، فراوانی ذرات ثانویه  ۷/۱ تا ۲ میلی متری، فراوانی ذرات شن ریز و محتوای کربن آلی از طریق رگرسیون گام به گام به عنوان ورودی مدل­های پیش­بینی فرسایش پذیری، انتخاب شدند. نتایج نشان داد که مدل شبکه عصبی هیبریدشده با الگوریتم بهینه سازی وال با توجه به کمترین مقادیر میانگین خطا (۱۱/۰-) و جذر میانگین مربعات خطا (۹/۲) و بیشترین مقادیر ضریب تبیین (۸۷/۰) و ضریب کارایی نش-ساتکلیف (۸۷/۰) از کارایی مطلوب تری در پیش بینی فرسایش­پذیری بادی خاک­های منطقه برخوردار است و پس از آن روش های شبکه عصبی مصنوعی هیبرید شده با الگوریتم ژنتیک، شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره به ترتیب در رتبه های بعدی قرار داشتند. در مجموع با توجه به کارایی قابل قبول مدل شبکه عصبی هیبریدشده با الگوریتم بهینه سازی وال در پیش بینی فرسایش پذیری بادی، استفاده از این روش برای تعیین سریع و دقیق فرسایش­پذیری خاک های منطقه توصیه می­شود.

شبکه عصبی مصنوعی, الگوریتم ژنتیک, الگوریتم بهینه سازی وال, فرسایش بادی, تونل باد