پژمان دلیر - دانشجوی دکتری، گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران
رامین نقدی - استاد گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران
وحید غلامی - دانشیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران
ساناز جعفری هفتخوانی - دانش آموخته کارشناسی ارشد، گروه احیای مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایران

در این پژوهش تاثیر بهره برداری بر رواناب و رسوب با استفاده از پلات هایی با مقیاس کوچک بررسی شد. نمونه رواناب و رسوب از ۳۶ پلات به ابعاد ۱ در ۲ متر تهیه شد. پلات ها در قسمت های مختلف عرصه بهره برداری و منطقه شاهد احداث شد. به منظور مدل سازی از شبکه پرسپترون چندلایه MLP (Multi Layer Perceptron) استفاده شد. ۶۵ درصد داده ها برای آموزش و ۱۰ درصد برای صحت سنجی و ۲۵ درصد داده ها به آزمون اختصاص داده شد. برای ارزیابی صحت مدل و همچنین مقایسه آن با مدل های بهینه سازی شده با روش آزمون و خطا، از معیارهای آماری ضریب تبیین (Rsqr)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) استفاده شد. از GIS در همه مراحل جمع آوری اطلاعات استفاده شد. مقادیر رواناب و رسوب شبیه سازی شده به وسیله ANN با استفاده از GIS در تولید نقشه استفاده شد. نتایج نشان داد که مهم ترین عوامل در تولید رواناب، جرم مخصوص خاک، شدت بارش، شیب، مقدار بارش، درصد پوشش علفی و درصد پوشش تاجی و برای رسوب به ترتیب، شدت بارش، جرم مخصوص خاک، درصد شیب و درصد پوشش علفی است. مقادیر MSE و R حاصل از مدل سازی رواناب در مرحله آموزش به ترتیب ۰۰۹/۰ و ۹/۰ و در مرحله آزمون ۰۱/۰ و ۸۲/۰ بود. مقادیر MSE و R حاصل از مدل سازی رسوب در مرحله آموزش ۰۱/۰ و ۸۶/۰ و در مرحله آزمون ۳/۴ و ۸/۰ بود. نتایج نشان داد که شبکه عصبی قابلیت مناسبی در مدل سازی رواناب و رسوب در اراضی جنگلی دارد. آنالیز همپوشانی مقادیر اندازه گیری شده و نقشه مقادیر رسوب و رواناب نیز بر صحت، کارایی نتایج و روش ارائه شده دلالت دارد. بنابراین می توان از مدل ارائه شده با تلفیق ANN و GIS در شبیه سازی و مدل سازی رواناب و رسوب در مناطق جنگلی استفاده کرد.

جنگل, شبکه عصبی, فرسایش خاک, GIS, MLP