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 100 نمونه خاک سطحی (عمق صفر تا 10 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 11 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 (2-0.05 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 (2.63 تن بر هکتار). مقدار r2 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) 0.81 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 0.72 بود. به علاوه، مقادیر جذر میانگین مربعات خطا (rmse) برای داده‌های آزمون سناریوهای یک و دو، به‌ترتیب 0.77 و 1.14 به‌دست آمد. نتیجه‌گیری: هر چند هر دو سناریو، دقت تقریباً یکسانی در مدل‌سازی فرسایش بین‌شیاری داشتند؛ لیکن با توجه به مقدار r2 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.

Modelling of the factors affecting interrill erosion in pasture and forest landuses using artificial neural networks

Background and Objective: Interrill erosion is one of the most important types of erosion, in which various factors such as soil, runoff, and rainfall influence its process and rate. Few studies have been conducted using artificial neural networks (ANNs) to determine the factors affecting interrill erosion in Iran. Furthermore, no research has been carried out in Jiroft on this matter. Therefore, this study was conducted to evaluate the factors influencing interrill erosion using ANNs in four different regions around Jiroft in Kerman province. Materials and Methods: For this research, 100 soil samples were collected from two pastures and two forest land uses at depths of 010 cm using a random sampling method. Some physical and chemical properties were determined. The amount of interrill erosion was measured using Kamphorst rainfall simulator. Modelling was performed using feedforward multilayer perceptrons (MLP) with the error backpropagation and LevenbergMarquardt training algorithm along with 11 soil characteristics in two scenarios. Hill sensitivity analysis was used to investigate the significance of the input variables. Results: The results revealed that in the study areas, clay, silt, sand (0.052 mm), geometric standard deviation (σg), and geometric mean diameter (dg) of particles play a crucial role in interrill erosion while cementing agents such as organic matter (OM) and calcium carbonate equivalent (CCE) were less important. According to the results, the protected forest with high contents of sand as well as low amounts of silt, organic matter and calcium carbonate equivalent showed the lowest erosion rate (2.63 tons /ha). The R2 values for the test datasets in the scenario 1 (with input variables including soil acidity (pH), electrical conductivity (EC), bulk density (BD), organic matter, calcium carbonate equivalent, particulate organic matter (POM), sand, silt, and clay) were 0.81. Whereas the R2 values in the scenario 2 (with input variables such as pH, EC, BD, OM, CCE, POM, the dg and σg) were 0.72. In addition, rootmeansquare error (RMSE) for the testing dataset in scenarios 1 and 2 were 0.77 and 1.14, respectively.Conclusion: Both scenarios had almost the same accuracy in interrill erosion modeling. However, according to the values of R2 and RMSE of the data in scenario 1, this scenario showed better accuracy than scenario 2. In general, the results showed that the ANNs can estimate the amount of interrill erosion using appropriate input variables with high accuracy, and therefore it might be considered as a useful technique to estimate interrill erosion.