مقایسه کارایی مدلهای رگرسیونی، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در بررسی فرسایش بادی

زمینه و هدف: فرسایش بادی در بخش بزرگی از پهنه ایران وجود داد که سبب تخریب اراضی و کاهش باروری آنها به همراه اثرات زیست محیطی شده است. شناخت مناطق حساس به فرسایش می تواند در برنامه ریزی های حفاظت خاک به کمک مدیران منابع طبیعی و محیط زیست آید.روش پژوهش: این تحقیق برای برآورد جزء فرسایش پذیر خاک در مقابل باد (ef) از روی ویژگی های سهل الوصول خاک دردشت الله lrm;آباد واقع در شرق استان قزوین انجام شد. بدین منظور جزء فرسایش پذیر خاک در مقابل باد با استفاده از روش های رگرسیون چند متغیره (mlr)، شبکه عصبی مصنوعی (ann) و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک برای بهینه سازی اوزان (ga-ann) با به کار بردن ویژگی های سهل الوصول برآورد شد. با بررسی نقشه خاک، تفاوت خاک ها و خصوصیات محیطی دشت الله آباد، 103 نمونه خاک طبق یک الگوی تصادفی طبقه بندی شده از 10 سانتی متری سطح آن lrm;ها، جمع آوری و به آزمایشگاه ارسال شد. در نمونه های خاک، برخی خصوصیات خاک به عنوان ورودی های مدل های برآورد جزء فرسایش پذیر خاک در مقابل باد اندازه گیری گردید. ورودی های هر مدل شاملph، ece، cce، sar، جرم مخصوص ظاهری، ذرات شن، سیلت و رس، ذرات درشت خاک با قطر کمتر از 2 میلی متر و ماده آلی بودند. دقت و قابلیت اعتماد نتایج مدل lrm; های ایجاد شده با توجه به معیارهای ضریب تبیین، مجذور مربعات خطا، آزمون مورگان-گرنجر- نیوبلد و شاخص آکایک مورد مقایسه قرار گفتند.یافته ها: طبق یافته ها، بیشترین همبستگی جزء فرسایش پذیر خاک در مقابل باد (ef) با مقدار رس خاک دیده شد (0.789- r=). همچنین جزء فرسایش پذیر خاک با خصوصیات دیگر خاک شامل ph، هدایت الکتریکی، sar، مقدار ماده آلی و جرم مخصوص ظاهری، همبستگی نشان داد، این همبستگی با سه خصوصیت sar، ماده آلی و رس در سطح یک درصد همبستگی معنی دار بود. مدل lrm;های ایجاد شده با هر سه روش توانایی بسیار بیشتری در پیش بینی ef در سری داده های آزمون نسبت به داده های سری آموزش داشتند. همچنین نتایج نشان داد که مدل شبکه عصبی از دقت بیشتر و خطای تخمین کمتری در مقایسه با مدل های هیبرید و رگرسیون به دست آمده است. نتایج آنالیز حساسیت نیز نشان داد که بیشترین حساسیت مدل به متغیرهای ورودی در مدل ann، به ترتیب مربوط به ماده آلی و sar و در مدل ga-ann مربوط به متغیر میزان رس خاک بود.نتیجه گیری: بر طبق نتایج، تنها مدل رگرسیون در مرحله آموزش دارای r2 بیشتر از 50 درصد (r2=0.56) در برآورد جزء فرسایش پذیری خاک بود که البته این مقدار (r2=0.56) نیز قابل اعتماد نیست. با توجه به نتایج مرحله آزمون، هر سه مدل به کار رفته شامل رگرسیون، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در برآورد شاخص جزء فرسایش پذیر خاک از کارایی مناسبی برخوردار نمی باشند به طوری که بالاترین ضریب تبیین (r2) در مدل شبکه عصبی در مرحله آزمون (r2 = 0.43)، صحت کمتر از 50 درصد در تخمین ef داشت که نمی تواند صحت مناسبی در پیش بینی جزء فرسایش پذیری بادی خاک باشد.

efficiency of regression, ann and ann-algorithm genetic hybrid models in the evaluation of wind erosion

background and aim: wind erosion has occurred in a large part of iran, which has caused land degradation and reduced fertility along with environmental effects. identifying erosion-sensitive areas can help natural resource and environmental managers in soil conservation planning.methods:this study is a step to estimate the erodible component of soil against the wind (ef) from soil accessibility characteristics in allahabad plain located in the east of qazvin province. for this purpose, the soil erodibility component, which is closely related to soil erosion versus wind, using multivariate regression (mlr), artificial neural network (ann), and artificial neural network with genetic algorithm for weight optimization (ga-ann) were estimated using accessible characteristics. regarding soil map, soil differences, and environmental characteristics of allahabad plain, 103 soil samples were collected according to a stratified random pattern of 10 cm of soil surface. in soil samples, some soil properties were measured as inputs of models for estimating erodible soil components against the wind. the inputs of each model included ph, ece, cce, sar, bulk density, sand particles, silt and clay, coarse soil particles with a diameter of more than 2 mm, and organic matter. accuracy and reliability of the results of the created models were compared with each other according to the criteria of coefficient of determination, square of error, morgan-granger-newbold and akaike information criterion.results: based on data, the highest correlation between soil erodible fraction to wind erosion (ef) was observed with soil clay content (r = -0.789). also, soil erodible components showed a correlation with other soil properties including ph, electrical conductivity, sar, organic matter, and the should be omitted density. this correlation was significant with three properties of sar, organic matter, and clay at a should be added 1% level. the models created by the three methods were much more capable of predicting ef in the test data series than the training series data. the results also showed that the neural network model had a should be omitted more accuracy and less estimation error compared to hybrid and regression models. the results of sensitivity analysis of the models also showed that the highest sensitivity of the model to input variables in the ann model, related to organic matter and sar, respectively, and in the model ga-ann was related to soil clay content variable.conclusion: according to the results, r2 in the regression model of training data was more than 50% in estimating ef, but this value (r2 = 0.56) is not reliable. according to the test data, all three models, including regression, artificial neural network, and its combination with genetic algorithm had not been efficient enough in estimating ef, so that can be omitted the highest r2 in the neural network model in the test data (r2 = 0.43) had an accuracy of less than 50% in estimating the ef, which cannot be an appropriate accuracy in predicting ef.