توسعه و کاربرد دو الگوریتم فرا ابتکاری ترکیبی برای شناسایی مهم‌ترین مولفه‌های موثر بر شدت فرسایش بادی

فرسایش بادی به‌ عنوان یک پدیده طبیعی موثر در تخریب سرزمین و بیابان‌زایی در مناطق خشک و نیمه‌خشک جهان، تحت تاثیر مولفه‌های گوناگونی قرار دارد، به‌ گونه‌ای که درک ما از فرآیند فرسایش بادی اغلب به سبب تعدد و پیچیدگی عامل‌های موثر بر آن محدود می‌شود. پژوهش حاضر در راستای شناسایی مهم‌ترین مولفه‌های موثر بر شدت فرسایش بادی با استفاده از الگوریتم ترکیبی الگوریتم ژنتیک شبکه عصبی مصنوعی (gaann) و الگوریتم ژنتیک با مرتب‌سازی نامغلوب (nsgaii) انجام شده است. به منظور دستیابی به یک مجموعه داده مناسب و قابل اطمینان، با طرح ریزی یک الگوی تصادفی نظارت شده، نمونه‌های خاک از 51 نقطه مشاهداتی در بخشی از دشت نرماشیر استان کرمان جمع‌آوری و ویژگی های مختلف خاک اندازه‌گیری شد. علاوه بر آن، در هر نقطه مورد مطالعه، شدت فرسایش بادی با استفاده از یک دستگاه تونل باد قابل حمل تعیین شد. بر اساس نتایج حاصل از اجرای الگوریتم gaann، ویژگی های شن، رس، پوشش سنگریزه‌ای، پایداری خاکدانه‌ها، مقاومت سله سطحی، رطوبت و ماده آلی به ‌عنوان موثرترین مولفه‌ها در ارتباط با تغییرات مکانی شدت فرسایش بادی تشخیص داده شدند. در مقابل، زیرمجموعه انتخاب شده توسط الگوریتم nsgaii، ویژگی های شن، پوشش سنگریزه‌ای، پایداری خاکدانه‌ها، مقاومت سله سطحی و رطوبت را به عنوان موثرترین متغیر‌ها معرفی نمود. میزان خطای محاسبه شده برای الگوریتم gaann برابر با 58/3 درصد بود؛ در حالی که میزان این خطا برای الگوریتم nsgaii برابر با 70/1 درصد بود. با توجه به نتایج به‌دست آمده، هر دو الگوریتم، عملکرد قابل قبولی در راستای دستیابی به هدف پژوهش حاضر نشان دادند. بنابراین، الگوریتم‌های توسعه داده شده در این پژوهش می‌توانند در راستای شناسایی مهم‌ترین عوامل موثر بر شدت فرسایش بادی در سایر مناطق با چالش‌های مشابه، مورد استفاده قرار گیرند.

Development and application of two hybrid metaheuristic algorithms to identify the most important parameters influencing wind erosion

Wind erosion is an important cause of land degradation and desertification in arid and semiarid regions of the world. This phenomenon occurs more severely in dry and bare soils. During wind erosion, soil particles are transported by three mechanisms known as creeping, saltation and suspension, which result in numerous on and offsite damages. Wind erosion as a natural phenomenon, is affected by many factors. Our understanding of wind erosion is commonly constrained by the multiplicity and complexity of factors in this process. In recent years, solving pattern recognition and optimization problems with metaheuristic algorithms has received considerable attention among researchers. Genetic algorithms is a search technique inspired by the process of natural selection, which is well applied to multimodal, nonlinear, and nonderivable objective functions. In the current research, for identifying the most important parameters affecting wind erosion rate, two GAANN and NSGAII hybrid algorithms were developed using genetic algorithm and artificial neural networks. In order to prepare a suitable and reliable data set; after designing a grid sampling strategy, soil samples were collected from 51 study sites in the Narmashir plain, Kerman and then some soil parameters were measured. In addition, wind erosion rate was determined at each study site using a portable wind tunnel device. Based on the GAANN algorithm results, gravel coverage, sand, clay, aggregate stability, surface crust, moisture, and organic matter were identified as the main determinant features affecting spatial variation of wind erosion rate. However, the selected feature subset by NSGAII algorithm included gravel coverage, sand, aggregate stability, surface crust, and moisture. The calculated error function for the GAANN algorithm performance was 3.58%. It was 1.70% for the NSGAII algorithm performance. According to the results, both algorithms had acceptable performance to achieve the purpose of the present study. Therefore, the algorithms developed in this study can be applied to identify the most important parameters affecting wind erosion rate in other areas with similar challenges.