مدل‌سازی نفوذپذیری در تیپ‌های مختلف پوشش گیاهی با استفاده از الگوریتم‌های یادگیری مختلف (منطقه مورد مطالعه: حوزه آبخیز الشتر)

سابقه و هدف: در طول فصل بارندگی، نفوذ آب در خاک، رطوبت خاک را در مناطق نیمه‌خشک جبران می‌کند در بهبود پوشش گیاهی، پتانسیل فرسایش و تغذیه آب‌های زیرزمینی تاثیر می‌گذارد. نفوذ آب به خاک مهم ترین منبع تامین کننده آب برای حیات گیاهان است و نقش اساسی در کنترل آب های سطحی و زیرزمینی دارد. به‌دلیل اهمّیت موضوع، در این تحقیق به مدل سازی نرخ نفوذپذیری در تیپ های مختلف پوشش گیاهی (تیپ های بلوط، گون-فرفیون، گراس و گراس-گون) با استفاده از الگوریتم های یادگیری در حوضه الشتر استان لرستان پرداخته شده است.مواد و روش ها: منطقه مورد مطالعه از نظر ژئومورفولوژیکی در بخش مرکزی زاگرس در استان لرستان قرار دارد که خود بخشی از زیر حوزه کرخه می‌باشد. زیر حوزه الشتر مطابق شکل (1) بین طول های جغرافیایی ”28 ΄10 ْ48 تا ”29 ΄23 ْ48 شرقی و عرض های ”17 ΄45 ْ33 تا ”23 ΄51 ْ33 شمالی با مساحت 797.64 کیلومتر مربع قرار گرفته است. بلندترین نقطه حوضه در بخش شمال شرقی با ارتفاع 3613 متر و پست ترین نقطه حوضه در بخش جنوبی با ارتفاع 1481 متر از سطح دریا قرار دارد. میانگین بارندگی سالانه منطقه 570 میلی‌متر بوده و بر اساس روش دومارتن، اقلیم منطقه نیمه‌خشک و سرد است. در این تحقیق برای مدل سازی نفوذپذیری در تیپ های مختلف گیاهی از الگوریتم های یادگیری rf، mlp، gp-puk،  gp-rbf، svm-puk و svm-rbf استفاده شد که 70 درصد داده های آموزش و 30 درصد داده های آزمایش در نظر گرفته شد. داده های ورودی برای مرحله‌ی آموزش و آزمایش مدل داده های زمان، درصد رطوبت وزنی، درصد رس، درصد لای، درصد شن، و جرم مخصوص ظاهری به‌ کار برده شد و اندازه‌ی سرعت نفوذپذیری به عنوان داده‌ی خروجی در نظر گرفته شد. در نهایت مدلی که با توجه به معیار های ارزیابی، بهترین جواب را ارائه داد به عنوان مدل برتر انتخاب شد. سپس برای ارزیابی دقت مدل های نفوذ از پارامترهای آماری ضریب همبستگی (cc)، میانگین خطای مطلق (mae) و ریشه میانگین مربعات خطا (rmse) استفاده شد.نتایج: مطابق نتایج به دست آمده بیش‌ترین و کم‌ترین مقدار نفوذ متوسط به ترتیب متعلق به تیپ گون-فرفیون و تیپ گراس-گون با میزان 14.4 و 6.25 سانتی متر در ساعت می باشد که این تفاوت می تواند حجم وسیعی از آب را به داخل خاک نفوذ دهد یا بر روی سطح خاک به شکل رواناب جریان یابد. تیپ گیاهی گراس با میزان 14.3 سانتی متر در ساعت در رتبه دوم بیش‌ترین مقدار نفوذ متوسط قرار گرفت. همچنین حداکثر سرعت نفوذ با مقدار 37.2 سانتی متر در ساعت متعلق به تیپ گیاهی گون-فرفیون و حداقل سرعت نفوذ با مقدار 22.8 سانتی‌متر در ساعت متعلق به تیپ گیاهی گراس-گون می باشد. مطابق نتایج تحقیق مقدار متوسط و تجمعی نفوذپذیری در تیپ گون-فرفیون بیش‌تر از دیگر تیپ های پوشش گیاهی است. در ادامه نتایج حاصل از مدل سازی با استفاده از مدل های ذکرار شده نشان داد در تیپ های بلوط و گون- فرفیون مدل gp با کرنل puk با ضریب تبین 97.2 و 498 درصد نسبت به سایر مدل ها با توجه به معیارهای ارزیابی از عملکرد بهتری برخوردار بوده است. در تیپ های گراس و گراس-گون بین مدل ها rf به عنوان مدل برتر انتخاب شد. در بخش آزمایش تیپ گراس به ترتیب برابر 0.82، 0.102 و 0.064 بوده و در تیپ گراس-گون در بخش آزمایش نتایج به همین ترتیب برابر 0.99، 0.0052 و 0.0044 به دست آمده است.نتیجه گیری: پیش بینی میزان نفوذپذیری یکی از پارامترهای اساسی در رابطه با هیدرولوژی، مدیریت حوزه‌های آبخیز، آبیاری و مطالعات مرتبط با کشاورزی است. لذا بر اساس نتایج به دست آمده از این تحقیق، الگوریتم های یادگیری یکی از روش های مناسب برای تخمین میزان نفوذپذیری آب در خاک های با پوشش و تیپ های مختلف گیاهی هستند. در مجموع با توجه به نتایج این تحقیق و با بررسی نتایج به‌دست آمده از تحقیقات پیشین می توان به این نتیجه رسید که در رابطه با موضوع مدل سازی نفوذپذیری خاک در تیپ های پوشش گیاهی مختلف، استفاده از الگوریتم های یادگیری ماشین به ویژه فرآیند گوسی (gp) و مدل جنگل تصادفی (rf) کاربرد داشته و می توان در بازه های زمانی متفاوت و حوضه های مطالعاتی مختلف، از این مدل ها به‌منظور برآورد میزان نفوذپذیری و همچنین تخمین رواناب منطقه استفاده کرد.

modeling of infiltration rate in different vegetation types by various soft computing techniques (case study: alashtar watershed, lorestan province)

background and objectives: during the rainy season, soil infiltration replenishes soil moisture in semiarid regions, influencing vegetation regeneration, erosion potential, and groundwater recharge. infiltration of water into soil is a key process for providing water supply to plants and plays an essential role in controlling surface runoff and groundwater. this study investigated infiltration modeling in different vegetation types (quercus brantii, astragalus ecbatanus-euphorbia denticulate, grass, and grass-astragalus rhodoseminus) in the alashtar watershed, lorestan province, iran.materials and methods: the study area, part of the kashkan watershed in lorestan province, was selected for modeling infiltration rates using various soft computing techniques. the study area is located between 48°10′28″ - 48°23′29″ n latitudes and 33°45′17″ - 33°51′23″ e longitudes, covering approximately 112.54 km². elevation varies from 1481 to 3613 meters above sea level. the area has a cold and semiarid climate with a mean annual rainfall of less than 570 mm. five soft computing techniques—support vector machine (svm), gaussian process (gp), multi-layer perceptron (mlp), and random forest (rf)—were used to model infiltration rates. the total dataset comprised physical soil characteristics, with 70% used for training and 30% for testing the models. the input data included time, sand, clay, silt, soil density, and soil moisture, while the output data were infiltration rates measured using a double-ring infiltrometer at 23 locations. three statistical parameters—coefficient of correlation (c.c), root mean square error (rmse), and mean absolute error (mae)—were used to compare the efficiency of all models.results: the results indicated that the astragalus ecbatanus-euphorbia denticulate vegetation type had higher cumulative infiltration and average infiltration rates. among the models, random forest (rf) and gaussian process with puk kernel (gp-puk) showed the least error in estimating infiltration rates with the input combination of time, sand, clay, silt, soil density, and soil moisture. the gp-puk model demonstrated acceptable accuracy in quercus brantii and astragalus ecbatanus-euphorbia denticulate vegetation types with correlation coefficients of 97.2% and 98.4%, respectively. the rf models performed better than other models in estimating infiltration rates for grass and grass-astragalus rhodoseminus vegetation types, with correlation coefficients of 83.9% and 99.9%, respectively.conclusion: predicting infiltration rates is crucial for hydrologic design, watershed management, irrigation, and agricultural studies. the results show that soft computing techniques have suitable capabilities to predict soil infiltration rates. these models can quantify infiltration amounts and estimate runoff in different vegetation types. the research findings can help local authorities manage and develop their areas systematically and effectively.